Ερ:
Ποια είναι η διαφορά μεταξύ της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της βαθιάς μάθησης;
ΕΝΑ:Οι όροι «τεχνητή νοημοσύνη», «μηχανική μάθηση» και «βαθιά εκμάθηση» περιγράφουν μια διαδικασία που έχει οικοδομηθεί κατά τη διάρκεια των τελευταίων δεκαετιών, καθώς ο κόσμος έχει σημειώσει τεράστιες προόδους στον υπολογισμό της ισχύος, της μεταφοράς δεδομένων και άλλων τεχνολογικών στόχων.
Η συζήτηση θα πρέπει να ξεκινά με τεχνητή νοημοσύνη, έναν ευρύ όρο για κάθε δυνατότητα ηλεκτρονικών υπολογιστών ή τεχνολογιών για την προσομοίωση της ανθρώπινης σκέψης ή της εγκεφαλικής δραστηριότητας. Από μία άποψη, η τεχνητή νοημοσύνη ξεκίνησε νωρίς, με απλά προγράμματα ηλεκτρονικών παιχνιδιών σκακιού και άλλα προγράμματα που άρχισαν να μιμούνται την ανθρώπινη λήψη αποφάσεων και τη σκέψη.
| Δωρεάν Λήψη: Μηχανική Μάθηση και γιατί έχει σημασία |
Η τεχνητή νοημοσύνη συνέχισε να εξελίσσεται από τις πρώτες μέρες του προσωπικού υπολογιστή έως την ηλικία του Διαδικτύου και τελικά από την εποχή του cloud computing, του virtualization και των εξελιγμένων δικτύων. Η τεχνητή νοημοσύνη έχει αναπτυχθεί και επεκταθεί με πολλούς τρόπους ως βασική βιομηχανία τεχνολογίας.
Ένα από τα ορόσημα στην τεχνητή νοημοσύνη είναι η εμφάνιση και υιοθέτηση της μηχανικής μάθησης, μια συγκεκριμένη προσέγγιση για την επίτευξη των στόχων τεχνητής νοημοσύνης.
Η εκμάθηση μηχανών χρησιμοποιεί εξελιγμένους αλγορίθμους και προγράμματα για να βοηθήσει το λογισμικό υπολογιστών να βελτιωθεί κατά τη λήψη ορισμένων ομάδων αποφάσεων σε ένα περιβάλλον επιδόσεων. Αντί να προγραμματίζει απλώς έναν υπολογιστή για να κάνει μια σειρά από πράγματα ξανά και ξανά, όπως συνέβη με τα χειροκίνητα προγράμματα της δεκαετίας του 1970 και του 1980, η μηχανική μάθηση αρχίζει να χρησιμοποιεί ευρετικά μοντέλα, μοντέλα συμπεριφοράς και άλλα είδη προβολών για να επιτρέψει τεχνολογία για να βελτιώσει τη λήψη αποφάσεων και να εξελιχθεί με την πάροδο του χρόνου. Η μηχανική μάθηση έχει εφαρμοστεί στην καταπολέμηση του ηλεκτρονικού ταχυδρομείου ανεπιθύμητης αλληλογραφίας, στην υλοποίηση προσωπικοτήτων τεχνητής νοημοσύνης όπως η IBM Watson και στην επίτευξη στόχων τεχνητής νοημοσύνης με άλλους τρόπους.
Η βαθιά μάθηση, με τη σειρά της, βασίζεται στη μηχανική μάθηση. Οι ειδικοί περιγράφουν τη βαθιά μάθηση ως τη χρήση αλγορίθμων για την οδήγηση αφαίρεσης υψηλού επιπέδου, όπως η χρήση τεχνητών νευρωνικών δικτύων για την εκπαίδευση τεχνολογιών σε εργασίες. Η βαθιά μάθηση αναλαμβάνει τη μηχανική μάθηση στο επόμενο επίπεδο προσπαθώντας να μοντελοποιήσει την πραγματική δραστηριότητα του ανθρώπινου εγκεφάλου και να την εφαρμόσει στην τεχνητή λήψη αποφάσεων ή σε άλλες γνωσιακές εργασίες.
Η βαθιά εκμάθηση έχει αποδειχθεί μέσω παραδειγμάτων όπως τα προγράμματα βελτιστοποίησης της αλυσίδας εφοδιασμού αιχμής, τα προγράμματα εργαστηριακού εξοπλισμού και άλλων τύπων καινοτομιών, όπως το γενετικό δίκτυο αντιπάλων, όπου δύο αντιτιθέμενα δίκτυα, ένα γενετικό και διακριτικό δίκτυο, σκέψεις διακρίσεων. Αυτός ο συγκεκριμένος τύπος βαθιάς εκμάθησης μπορεί να εφαρμοστεί στην επεξεργασία εικόνας και σε άλλες χρήσεις.
Η πραγματικότητα είναι ότι η βαθιά εκμάθηση οδηγεί την τεχνητή νοημοσύνη πιο κοντά σε αυτό που οι ειδικοί θεωρούν ότι είναι "ισχυρή ΑΙ", τεχνητή νοημοσύνη που είναι περισσότερο ή λιγότερο πλήρως ικανή να αναπαράγει πολλές ανθρώπινες λειτουργίες σκέψης. Αυτό δημιουργεί μια σημαντική συζήτηση σχετικά με τον τρόπο αποτελεσματικής αντιμετώπισης αυτών των αναδυόμενων τεχνολογιών και πώς να φροντίσουμε για έναν κόσμο στον οποίο οι υπολογιστές σκέπτονται με μερικούς από τους ίδιους τρόπους που κάνουμε.
