Sự khác biệt giữa học máy và trí tuệ nhân tạo

Câu hỏi của tôi là:

Có sự khác biệt nào giữa máy học và trí tuệ nhân tạo không? Hay những điều khoản này đề cập đến cùng một điều?

Các lĩnh vực chủ đề Trí thông minh nhân tạo và Học máy (cộng với Khoa học dữ liệu) được định nghĩa một cách lỏng lẻo, do đó khó có thể đưa ra những tuyên bố nghiêm ngặt về cách chúng liên quan. Trong trường hợp chung, dường như có những phần trùng nhau, nhưng chúng khá xa so với "cùng một chủ đề với hai tên khác nhau" như được đề xuất trong câu hỏi.

Thuật ngữ Trí thông minh nhân tạo có nhiều ý nghĩa và cách hiểu có thể - phiên bản nào để chỉ thay đổi theo thời gian và theo nguồn sử dụng nó. Sách giáo khoa về trí tuệ nhân tạo thường sẽ bao gồm các chủ đề như thuật toán tìm kiếm, suy luận logic và những thứ khác rõ ràng không phải là máy học như nó được thực hiện ngày nay.

Chẳng hạn, chúng ta có thể dùng nó để tham khảo Trí thông minh chung nhân tạo (hay "AI cứng"), và trong trường hợp này, rõ ràng là ít nhất một số dạng thuật toán học tập sẽ được yêu cầu để đáp ứng các mục tiêu của AGI. Tuy nhiên, rõ ràng có thể giải quyết được bao nhiêu AGI bằng cách kết hợp học máy vào các cấu trúc phức tạp.

Thuật ngữ Machine Learning có một vài định nghĩa làm việc khác nhau, nhưng đây là một định nghĩa phổ biến:

Một chương trình máy tính được cho là học hỏi từ kinh nghiệm E đối với một số loại nhiệm vụ T và hiệu suất đo P nếu hiệu suất của nó tại các nhiệm vụ trong T, được đo bằng P, cải thiện với kinh nghiệm E.

Điều này được định nghĩa chặt chẽ hơn nhiều so với Trí tuệ nhân tạo, nhưng vẫn có rất nhiều phạm vi.

Xu hướng kết hợp AI và ML dường như là một vấn đề truyền thông và tiếp thị, không phải là vấn đề kỹ thuật. Tôi nghi ngờ điều này một phần là do những tiến bộ trong 5-10 năm qua trong các mạng lưới thần kinh. Các mô hình mạng thần kinh đã có những tiến bộ mạnh mẽ, đặc biệt là xử lý tín hiệu hình ảnh, video, âm thanh. Ngoài ra còn có một sự tương tự với bộ não sinh học có thể hấp dẫn - đặc biệt là khi vấn đề được đơn giản hóa để tiêu thụ bởi phương tiện truyền thông chính thống.

Điều đáng nói là Khoa học dữ liệu cũng vậy. Giống như Trí tuệ nhân tạo, thuật ngữ này có phần khó hiểu. Cũng giống như AI, Khoa học dữ liệu có nhiều thứ hơn là chỉ học máy. Đối với các học viên Khoa học dữ liệu, ML là một phần của bộ công cụ để đạt được mục tiêu - đối với một số người, đó là một phần lớn những gì họ làm, đối với những người khác, đó chỉ là một phần của phạm vi rộng hơn (thực tế chỉ có thể đào tạo và tinh chỉnh mô hình ML một phần nhỏ của thời gian của một nhà khoa học dữ liệu chuyên nghiệp, nhà phân tích hoặc nhà thống kê). Tôi nghĩ thật hợp lý khi tuyên bố rằng Trí tuệ nhân tạo và Khoa học dữ liệu liên quan đến Machine Learning theo cách tương tự.

Học máy theo thuật ngữ layman là một thuật toán cho phép máy móc xác định các mẫu trong dữ liệu và sau đó phát triển một mô hình có thể được sử dụng để dự đoán dữ liệu không nhìn thấy.

Trí tuệ nhân tạo là khả năng của máy móc đưa ra quyết định thông minh bằng hoặc tốt hơn so với đối tác của con người.

Sự khác biệt giữa hai :

AI là một lĩnh vực rất rộng về trí thông minh máy tính, trong đó học máy là một trong những cách giúp nó đạt được trí thông minh để dự đoán kết quả. Nhưng AI cũng chứa robot, tổng hợp giọng nói, thị giác máy tính và những thứ khác.

Vì vậy, nếu tôi vẽ sơ đồ Venn về trí tuệ nhân tạo thì học máy sẽ là một tập hợp con.

Deep Learning là một tập hợp con của Machine Learning, một tập hợp con của Trí tuệ nhân tạo. Học máy là một cách tiếp cận đặc biệt cho AI nhưng không phải là cách duy nhất. Logic biểu tượng, thống kê Bayers là một vài ví dụ về phương pháp tiếp cận AI không sử dụng bất kỳ loại thuật toán học máy nào.

Một ví dụ điển hình về AI, nhưng không học máy là tính toán tiến hóa. Ở đây thay vì học hỏi kinh nghiệm (như định nghĩa của Tom M. Mitchell), chúng ta có sự thay đổi kiểu gen trong từng thế hệ của phiên bản chương trình máy tính, được đo bằng hiệu suất của nó tại nhiệm vụ (biểu hiện kiểu hình trong môi trường).

Như Melanie Mitchell đã nói:

'... từ những ngày đầu tiên máy tính được áp dụng ... để mô hình hóa bộ não, bắt chước học tập của con người và mô phỏng tiến hóa sinh học ... Lần đầu tiên đã phát triển trong lĩnh vực mạng lưới thần kinh, lần thứ hai thành học máy và thứ ba vào cái được gọi là "tính toán tiến hóa", ... 'Mặc dù, bây giờ các mạng lưới thần kinh hầu hết được coi là một phần của học máy.

ML, bởi Tom M. Mitchell:

Một chương trình máy tính được cho là học hỏi từ kinh nghiệm E đối với một số loại nhiệm vụ T và hiệu suất đo P nếu hiệu suất của nó tại các nhiệm vụ trong T, được đo bằng P, cải thiện với kinh nghiệm E.

AI, nhưng không phải ML:

• SẬP
• Tìm đường dẫn : Thuật toán BellmanTHER Ford , thuật toán tìm kiếm A * , thuật toán của Dijkstra
• Chuỗi Markov
• Automata di động

Cảm ơn bạn, Servan Grüninger , vì sự giúp đỡ của bạn.

Xem thêm: Học máy liên quan đến trí tuệ nhân tạo như thế nào?

Như Tom Mitchell vĩ đại đã nói trong cuốn sách "Machine Learning là khả năng học hỏi mà không được lập trình rõ ràng".

Các thuật toán học máy được sử dụng rộng rãi và được bắt gặp hàng ngày. Ví dụ là các đề xuất tự động khi mua sản phẩm hoặc phần mềm nhận dạng giọng nói thích ứng với giọng nói của bạn.

AI là bất kỳ công nghệ nào cho phép một hệ thống thể hiện trí thông minh giống con người.

"Nếu chúng tôi cắm một vài bức ảnh mèo làm những việc khác nhau hoặc ở những nơi khác nhau vào máy tính, nhưng tất cả các bức ảnh vẫn được gắn thẻ là mèo, thì máy tính sẽ học được từ mỗi bức ảnh được hiển thị, ném cho biết Kamelia Aryafar, Ph.D. , giám đốc học máy tại Overstock ., Cuối cùng, nó sẽ nhận ra rằng con mèo là mẫu số chung trong mỗi bộ dữ liệu, lần lượt giúp máy tính học cách nhận dạng mèo.

Khi một cỗ máy có thể cho biết sự khác biệt giữa các đối tượng và đưa ra lựa chọn loại bỏ hoặc chấp nhận chúng, dựa trên các tiêu chí đã hiểu, AI được sinh ra. Trên thực tế, bất cứ khi nào một quyết định được đưa ra bởi một cỗ máy, đó là trí tuệ nhân tạo và đã vượt ra ngoài việc học máy đơn thuần.

Hãy lấy tổng kiểm tra Turing làm ví dụ. Một máy tính thường được cho là thông minh nếu nó có thể vượt qua bài kiểm tra tổng Turing.

Một máy tính vượt qua bài kiểm tra nếu một người thẩm vấn con người, sau khi đặt ra một số câu hỏi bằng văn bản, không thể biết được câu trả lời bằng văn bản đến từ một người hay từ máy tính. Tổng kiểm tra Turing cũng bao gồm tín hiệu video để người thẩm vấn có thể kiểm tra khả năng nhận thức của đối tượng, cũng như cơ hội cho người thẩm vấn vượt qua các vật thể "qua cửa sập".

Để vượt qua toàn bộ Thử nghiệm Turing, máy tính sẽ cần sở hữu các khả năng sau:

• xử lý ngôn ngữ tự nhiên để cho phép nó giao tiếp thành công bằng tiếng Anh;
• đại diện kiến ​​thức để lưu trữ những gì nó biết hoặc nghe;
• lý luận tự động để sử dụng thông tin được lưu trữ để trả lời các câu hỏi và đưa ra kết luận mới;
• người máy để thao túng đồ vật và di chuyển về;
• tầm nhìn máy tính để nhận thức các đối tượng, và
• học máy để thích ứng với hoàn cảnh mới và phát hiện và ngoại suy các mẫu.

Như bạn có thể đã thấy, Machine Learning là một tập hợp con của Trí tuệ nhân tạo liên quan đến khả năng học hỏi của một tác nhân thông minh .

Trí tuệ nhân tạo : chương trình có thể cảm nhận, suy luận, hành động và thích nghi.

Học máy : Các thuật toán có hiệu suất cải thiện khi chúng được tiếp xúc với dữ liệu chế độ theo thời gian.