Портал №1 по управлению цифровыми
и информационными технологиями

Искусственный интеллект, машинное и глубокое обучение – в чём разница

Сейчас много пишут и говорят об искусственном интеллекте (ИИ). Наряду с другими связанными понятиями – такими, как машинное обучение (machine learning) и глубокое обучение (deep learning). Многие люди склонны неправильно понимать термины, используемые в контексте ИИ, поэтому данная статья призвана помочь вам различать и лучше понимать роли, которые упомянутые возможности могут играть в управлении ИТ-услугами (ITSM).

Что такое ИИ?

Как следует из названия, это созданная человеком система интеллекта, это способность машины работать и рассуждать, как человек.

ИИ работает и ведет себя, как человек. Примеры применения ИИ включают распознавание лиц, сканирование сетчатки глаза, перевод текстов и цифровую биометрию. Теперь это все чаще можно увидеть – а часто даже не увидеть, потому что всё это просто работает на заднем плане – в нашей повседневной жизни.

Что такое машинное обучение?

Машинное обучение – это подраздел искусственного интеллекта. Это способность машины получать знания посредством анализа данных, позволяющего стать ей искусственно разумной через обучение.

Машинное обучение предполагает использование алгоритмов для сбора данных и обучения. В конце этапа обучения машина анализирует данные и создает модель, на основе которой можно принимать решения или делать прогнозы. Например, вам, возможно, доводилось получать от Facebook рекомендации относительно сайтов электронной коммерции – это связано с тем, что данные о просмотренных вами ресурсах анализируются Facebook, чтобы понять, в какой рекламе вы будете заинтересованы.

Что такое глубокое обучение?

Глубокое обучение – это подраздел машинного обучения, то есть также подраздел ИИ. Глубокое обучение имеет сходство с машинным обучением, но отличается тем, что машинное обучение нуждается в некотором наблюдении при выполнении своих задач обучения, в то время как модель глубокого обучения будет эффективно выполнять свою задачу даже без человеческого руководства (глубокое обучение может контролироваться, частично контролироваться или выполняться без участия человека).

Различия между искусственным интеллектом, машинным обучением и глубоким обучением 

Учитывая, что эти термины и практики тесно связаны, и их порой сложно дифференцировать, я считаю, что практический пример является лучшим способом описать различия. В качестве примера я буду использовать планирование дорожного движения.

Если вы создали приложение искусственного интеллекта, которое уведомляет инженеров дорожного движения и планировщиков о том, где находятся основные точки заторов в городе, то это может помочь им составить планы по обслуживанию дорог, светофоров и других факторов, которые уменьшат количество заторов.

Вторым шагом будет программирование ИИ для поиска и идентификации определенных закономерностей (паттернов) в данных. Например, что движение в некоторых районах города не затруднено между 14 и 16 часами и перегружено вечером (возможно, из-за наложения часа пик и футбольного матча). Модель, созданная на основе этих данных, даст больше информации и, таким образом, поможет проектировщикам и инженерам составить планы, чтобы избежать пробок в дни футбольных матчей. Это приложение машинного обучения.

Технологии глубокого обучения предполагают выход за рамки простого считывания необработанных данных и распознавания закономерностей. Здесь используется несколько слоев, чтобы постепенно получить больше информации из данных, возможно без участия человека.

Почему важно различать типы ИИ

Способность классифицировать различия между ИИ, машинным обучением и глубоким обучением имеет решающее значение, потому что помогает осознанно применять решения в области ИИ на различных уровнях управления и способствовать развитию бизнеса.

Например, если городу удастся провести всесторонний анализ своих дорог в следующем году, чтобы выяснить, где образуется больше всего пробок и какие дороги нуждаются в обслуживании, на следующий год город будет иметь возможность прогнозировать пробки в часы пик и в других ситуациях. После этого у города появится возможность информировать пассажиров о местах заторов и предлагать им альтернативные маршруты. К третьему году у города будет достаточно понимания ситуации, чтобы строить планы на будущее, учитывая численность население и рост интенсивности дорожного движения, планы обслуживания инфраструктуры, а также учитывать влияние других факторов на дорожное движение, таких как изменение климата.

Оригинал статьи доступен по ссылке.

Реестр ESM- и ITSM-систем в России 2024
Из чего выбирать и на что мигрировать

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *

DevOps
Kanban
ITSM
ITIL
PRINCE2
Agile
Lean
TOGAF
ITAM