ການຮຽນຮູ້ເຄື່ອງຈັກ vs AI ແລະການຮຽນຮູ້ເລິກ: ຄວາມແຕກຕ່າງຄືແນວໃດ? ວິທະຍາໄລໄບຕ໌

ການຮຽນຮູ້ເຄື່ອງຈັກ vs AI ແລະການຮຽນຮູ້ເລິກ: ຄວາມແຕກຕ່າງຄືແນວໃດ?

ວັນຈັນທີ 17 ເມສາ 2017

ໃນເວລາທີ່ AlphaGo ຂອງ Deepmind ຊະນະ 4 ໃນ 5 ຂອງການແຂ່ງຂັນກັບແຊ້ມ Go Go Champion Lee Se-dol, ໂລກທັງຫມົດໄດ້ແຈ້ງການ. Heralded ເປັນໄຊຊະນະ ສຳ ລັບ Artificial Intelligence, ປັດຈຸບັນນີ້ແມ່ນບາດກ້າວທີ່ ສຳ ຄັນເພື່ອເຮັດໃຫ້ເຄື່ອງຈັກທີ່ໃຊ້ພະລັງງານ AI ທີ່ມີຄວາມຊັບຊ້ອນ.

ນີ້ກໍ່ແມ່ນໃນເວລາທີ່ ຄຳ ວ່າ Deep Learning ແລະ Machine Learning ເຂົ້າໄປໃນ ຄຳ ສັບສາທາລະນະ, ສື່ມວນຊົນໃຊ້ ຄຳ ສັບເຫຼົ່ານີ້ແລກປ່ຽນກັນເພື່ອອະທິບາຍວ່າ AlphaGo ແຂ່ງຂັນກັບປັນຍາຂອງມະນຸດແນວໃດ.

ໃນຂະນະທີ່ກ່ຽວຂ້ອງກັນຢ່າງໃກ້ຊິດ, ຂໍ້ ກຳ ນົດເຫຼົ່ານີ້ມີຄວາມ ໝາຍ ແຕກຕ່າງກັນ. ແລະໃນວັນແລະອາຍຸນີ້, ເມື່ອເຕັກໂນໂລຢີມີຜົນກະທົບຫຼາຍຕໍ່ການ ດຳ ລົງຊີວິດຂອງພວກເຮົາ, ມັນເປັນສິ່ງ ສຳ ຄັນທີ່ຈະຮູ້ຄວາມແຕກຕ່າງລະຫວ່າງຂໍ້ ກຳ ນົດເຫຼົ່ານີ້.

ບົດຂຽນນີ້ຈະຊ່ວຍເຈົ້າໃຫ້ເຮັດແບບນັ້ນ.

ວິທີການ
 ວິທີທີ່ດີທີ່ສຸດໃນການເຂົ້າໃຈຂໍ້ ກຳ ນົດເຫຼົ່ານີ້ແມ່ນການຮູ້ຈັກຄວາມ ສຳ ພັນລະຫວ່າງເຂົາເຈົ້າ. ເຄື່ອງ AI, ການຮຽນຮູ້ເຄື່ອງຈັກແລະການຮຽນຮູ້ທີ່ເລິກເຊິ່ງແມ່ນຄ້າຍຄືກັບຊຸດຕຸdollກກະຕາຂອງລັດເຊຍ - AI ແມ່ນແນວຄິດທີ່ກວ້າງຂວາງທີ່ສຸດແລະເພາະສະນັ້ນຈຶ່ງມີເຄື່ອງປະດັບທີ່ໃຫຍ່ທີ່ສຸດໃນຊຸດ, Machine Learning ມາໃນອັນດັບສອງແລະການຮຽນຮູ້ເລິກເຊິ່ງສາມາດພົບໄດ້ພາຍໃນນັ້ນ.

AI, ການຮຽນຮູ້ເຄື່ອງຈັກແລະການຮຽນຮູ້ທີ່ເລິກເຊິ່ງແມ່ນຄ້າຍຄືກັບຊຸດເຄື່ອງຫຼີ້ນຂອງຄົນຣັດເຊຍ…ກົດເຂົ້າໄປໃນ Tweet

ພວກເຮົາຈະເລີ່ມຕົ້ນຄວາມເຂົ້າໃຈຂອງພວກເຮົາກັບຕຸdollກກະຕາ ທຳ ອິດ, ປັນຍາທຽມ.

ປັນຍາທຽມ (AI)
 Artificial Intelligence ເປັນແນວຄິດໄດ້ເປັນສ່ວນ ໜຶ່ງ ຂອງຈິນຕະນາການສາທາລະນະຂອງພວກເຮົາຕັ້ງແຕ່ຫລາຍສັດຕະວັດ, ຕັ້ງແຕ່ນິທານເຣັກກ່ຽວກັບຜູ້ຊາຍກົນຈັກທີ່ຖືກອອກແບບມາເພື່ອກະຕຸ້ນພຶດຕິ ກຳ ຂອງມະນຸດໄປສູ່ຊຸດ Terminator ທີ່ຜ່ານມາກ່ຽວກັບສິ່ງມີຊີວິດ cybernetic ທີ່ມີສະຕິປັນຍາທີ່ເດີນທາງກັບຄືນໃນເວລາເພື່ອ ທຳ ລາຍ / ປະຫຍັດມະນຸດ . ມັນແມ່ນທິດສະດີແລະການພັດທະນາລະບົບຄອມພິວເຕີສາມາດປະຕິບັດວຽກງານຕາມປົກກະຕິທີ່ຮຽກຮ້ອງໃຫ້ມີປັນຍາຂອງມະນຸດເຊັ່ນ: ຄວາມຮັບຮູ້ທາງສາຍຕາ, ການຮັບຮູ້ການເວົ້າ, ການຕັດສິນໃຈແລະການແປລະຫວ່າງພາສາຕ່າງໆ.

ແນວຄວາມຄິດຂອງ AI ທີ່ໄດ້ຮັບຄວາມນິຍົມຈາກ Hollywood ແລະ Sci-Fi ແມ່ນມີຊື່ວ່າ“ General AI” - ເຄື່ອງຈັກທີ່ມີພະລັງທີ່ສາມາດເກັ່ງກວ່າມະນຸດໃນທຸກຂົງເຂດ.

ເຖິງຢ່າງໃດກໍ່ຕາມ, AlphaGo ແລະຕົວຢ່າງອື່ນໆຂອງ AI ໃນໂລກປັດຈຸບັນແມ່ນຂອງ "ແຄບ AI" ປະເພດເຊິ່ງເຄື່ອງເຫຼົ່ານີ້ຖືກສ້າງຂື້ນເພື່ອເຮັດແບບ ຈຳ ລອງຫຼືປັບປຸງພຶດຕິ ກຳ ຂອງມະນຸດໃນວຽກງານສະເພາະໃດ ໜຶ່ງ.

ຄວາມນິຍົມຂອງ AI ໄດ້ລະເບີດຂື້ນໃນໄລຍະສອງສາມປີທີ່ຜ່ານມາ, ຍ້ອນວ່າມັນສາມາດເຂົ້າເຖິງຄອມພິວເຕີ້ຂະ ໜານ ໄດ້ງ່າຍໂດຍຜ່ານ GPU ແລະ Big Data ເຄື່ອນໄຫວເຊິ່ງ ນຳ ເອົາຂໍ້ມູນທຸກຊະນິດ, ສະນັ້ນຊ່ວຍຄົ້ນຫາທຸກຄວາມເປັນໄປໄດ້ໃນດ້ານນີ້.

ແຕ່ວ່າຂະ ແໜງ ການໃດ ໜຶ່ງ, ເຊິ່ງ ກຳ ລັງຊອກຫາຄວາມສົນໃຈແລະກ້າວ ໜ້າ ຈົນຮອດປີ 2012, ເຮັດໃຫ້ມັນໃຫຍ່ໄວປານນັ້ນ? ຄຳ ຖາມນີ້ ນຳ ພວກເຮົາໄປສູ່ Machine Learning, ຂະ ແໜງ ວິທະຍາສາດຄອມພິວເຕີທີ່ເຮັດໃຫ້ການພັດທະນານີ້ເປັນໄປໄດ້.

ການຮຽນຮູ້ເຄື່ອງຈັກ

Machine Learning ເປັນແນວຄວາມຄິດ ໝາຍ ເຖິງຄວາມສາມາດຂອງເຄື່ອງຈັກໃນການຮຽນຮູ້ດ້ວຍຕົນເອງ, ຈາກຂໍ້ມູນທີ່ສະ ໜອງ ໃຫ້. ໃນຂະນະທີ່ພວກເຮົາມັກຈະ ທຳ ການຜະລິດເຄື່ອງຈັກເພື່ອປະຕິບັດຕາມ ຄຳ ແນະ ນຳ ຕາມຄວາມຕ້ອງການຂອງພວກເຮົາ, ໃນ Machine Learning ພວກເຮົາ ນຳ ໃຊ້ສູດການຄິດໄລ່ທີ່ແຍກຂໍ້ມູນຢ່າງເປັນລະບົບແລະຮຽນຮູ້ການປະພຶດຕົວດ້ວຍຕົວມັນເອງ, ໂດຍບໍ່ໄດ້ມີການ ກຳ ນົດໂຄງການຢ່າງຊັດເຈນ.

ແຕ່ AI ໄດ້ແນວໃດ, ເຊິ່ງ ກຳ ລັງຊອກຫາຄວາມສົນໃຈແລະກ້າວ ໜ້າ ຈົນຮອດປີ 2012, ເຮັດໃຫ້ມັນໃຫຍ່ປານໃດ…ກົດເຂົ້າໄປ Tweet

ຕົວຢ່າງທີ່ດີທີ່ສຸດ ສຳ ລັບສິ່ງນີ້ແມ່ນການຈັດປະເພດອີເມວເຂົ້າໃນຕົວກອງທີ່ແຕກຕ່າງກັນ, ການ ກຳ ນົດວ່າອີເມວເປັນຂອງສະແປມຫລືບໍ່ແມ່ນເຮັດໂດຍໃຊ້ລະບົບສູດການຮຽນ Machine.

ການຮຽນຮູ້ເຄື່ອງຈັກໄດ້ຖືກແນວຄິດໂດຍຝູງຊົນ AI ໃນຕອນຕົ້ນແລະນັບຕັ້ງແຕ່ນັ້ນມາໄດ້ຮວບຮວມເຕັກນິກຫຼາຍຢ່າງເຊັ່ນ: ການຮຽນຮູ້ຕົ້ນໄມ້ການຕັດສິນໃຈ, ຜູ້ອອກແບບທີ່ບໍ່ມີລະບຽບແລະການສະ ໜັບ ສະ ໜູນ ເຄື່ອງຈັກ vector. ມັນໄດ້ຖືກ ນຳ ໃຊ້ຢ່າງກວ້າງຂວາງໃນຂົງເຂດຂອງວິໄສທັດຄອມພິວເຕີ້, ເຊິ່ງເປົ້າ ໝາຍ ແມ່ນເພື່ອຊ່ວຍໃຫ້ຄອມພິວເຕີ ກຳ ນົດວັດຖຸຕ່າງໆໃນຮູບພາບ.

ໃນເບື້ອງຕົ້ນ, ພາກສະ ໜາມ ນີ້ປະສົບກັບຄວາມລົ້ມເຫຼວ - ມັນຕ້ອງມີການຫັດມືຫຼາຍ, ເວລາປະມວນຜົນແລະຍັງບໍ່ສາມາດຈັບຄູ່ກັບຜົນໄດ້ຮັບຕາມມາດຕະຖານຂອງມະນຸດ. ດ້ວຍເວລາແລະການປັບປຸງພື້ນຖານໂຄງລ່າງດ້ານເຕັກໂນໂລຢີ, ເຕັກນິກຂອງມັນໄດ້ກາຍເປັນພະລັງທີ່ສຸດແຕ່ວ່າມັນມີພື້ນທີ່ຍ່ອຍ ໜຶ່ງ ທີ່ໄດ້ຊ່ວຍໃຫ້ Machine Machine ກ້າວ ໜ້າ ໃນຂອບເຂດທີ່ Computer Vision ໄດ້ຖືກ ນຳ ໃຊ້ຢ່າງປະສົບຜົນ ສຳ ເລັດໂດຍການມັກຂອງເຟສບຸກໃນການ ກຳ ນົດວັດຖຸຕ່າງໆໃນຮູບແລະໂດຍ Uber , Apple ແລະສິ່ງທີ່ມັກທີ່ຈະເຮັດໃຫ້ຄົນຂັບລົດນ້ອຍລົງ.

ແລະເຕັກນິກແນວໃດ? ນັ້ນແມ່ນສິ່ງທີ່ຮຽນຮູ້ເລິກເຊິ່ງກ່ຽວຂ້ອງ.

ການຮຽນຮູ້ເລິກເຊິ່ງ

ການຮຽນຮູ້ເລິກແມ່ນພາກສະຫນາມຍ່ອຍຂອງ Machine Learning ທີ່ຈ້າງເຕັກນິກຂອງ Artificial Neural Networks. ມັນໄດ້ຮັບແຮງບັນດານໃຈຈາກຊີວະວິທະຍາຂອງມະນຸດ - ຄືກັນກັບສະ ໝອງ ຂອງພວກເຮົາປະກອບດ້ວຍເຄືອຂ່າຍຂອງ neurons ທີ່ສົ່ງສັນຍານແລະສົ່ງຂໍ້ມູນ, ລະບົບ algorithm ສ້າງການຕິດຕັ້ງຄ້າຍຄືກັນພາຍໃນເຄື່ອງທີ່ມີຄວາມແຕກຕ່າງພຽງແຕ່ວ່າໃນຂະນະທີ່ neurons ທາງຊີວະພາບສາມາດເຊື່ອມຕໍ່ເຊິ່ງກັນແລະກັນ, ທຽມ ເຄືອຂ່າຍມີການຕັດສາຍແລະການເຊື່ອມຕໍ່ຕ່າງໆແລະປະຕິບັດຕາມທິດທາງທີ່ໄດ້ ກຳ ນົດໄວ້.

ທີ່ ສຳ ຄັນ, ການຮຽນແບບເລິກເຊິ່ງກ່ຽວຂ້ອງກັບການໃຫ້ຂໍ້ມູນແກ່ລະບົບຄອມພິວເຕີຫຼາຍຢ່າງເຊິ່ງມັນແຍກເປັນລະບົບໂດຍແບ່ງປະເພດຂໍ້ມູນຜ່ານ ຄຳ ຖາມທີ່ບໍ່ຖືກຕ້ອງຫຼືໄບນາລີຫລືການຂຸດຄົ້ນມູນຄ່າຕົວເລກ. ຂໍ້ມູນນີ້ຈະຖືກເກັບຮັກສາໄວ້ໃນຮູບແບບຂອງເຄືອຂ່າຍ neural ເຊິ່ງຫຼັງຈາກນັ້ນຖືກ ນຳ ໃຊ້ເພື່ອຈັດປະເພດຮູບແບບຂອງຂໍ້ມູນ - ສຽງ, ວີດີໂອ, ການປາກເວົ້າແລະອື່ນໆ. ເຖິງວ່າຈະມີການປຽບທຽບຢ່າງກວ້າງຂວາງ, ເຕັກນິກນີ້ໃຫ້ຜົນໄດ້ຮັບທີ່ດີເລີດແລະປະຈຸບັນຖືກ ນຳ ໃຊ້ເພື່ອແກ້ໄຂບັນຫາຕ່າງໆເຊັ່ນ ໃນຂະນະທີ່ ນຳ ທາງລົດນ້ອຍກວ່າຄົນຂັບ, ນຳ ໃຊ້ຮູບພາບສີ ດຳ ແລະສີຂາວທີ່ມີສີສັນ ໃໝ່, ສະ ໜອງ ການບົ່ງມະຕິທາງການແພດ, ແລະອື່ນໆ.

ສະຫລຸບລວມແລ້ວ, ມັນງ່າຍທີ່ຈະຄິດເຖິງແນວຄິດເຫຼົ່ານີ້ວ່າເປັນວົງວຽນເຂັ້ມຂຸ້ນ. AI ແມ່ນເປົ້າ ໝາຍ ທີ່ກ້ວາງຂວາງ, ອະນາຄົດທີ່ ກຳ ລັງ ສຳ ເລັດແລ້ວໃນປະຈຸບັນນີ້. ການຮຽນຮູ້ຂອງເຄື່ອງຈັກແມ່ນວິທີການທີ່ ໜ້າ ເຊື່ອຖືທີ່ສຸດເພື່ອເຮັດໃຫ້ອະນາຄົດນີ້ປະກົດຜົນເປັນຈິງ. ແລະການຮຽນຮູ້ເລິກແມ່ນເຕັກນິກທີ່ມີປະສິດທິພາບສູງສຸດຂອງ Machine Learning ເພື່ອເຮັດໃຫ້ມັນເກີດຂື້ນ.

ເພື່ອຄວາມເຂົ້າໃຈເລິກເຊິ່ງກ່ຽວກັບແນວຄິດເຫຼົ່ານີ້, ໃຫ້ກວດເບິ່ງຫຼັກສູດວິທະຍາສາດຂໍ້ມູນຂອງພວກເຮົາ.

ຈັດພີມມາໃນເບື້ອງຕົ້ນຢູ່ທີ່ byteacademy.co ໃນວັນທີ 17 ເມສາ 2017.