Ի՞նչ է մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության:

Եթե ​​երբևէ աչքով եք նայել ապրանքի էջին՝ մտածելով, թե արդյոք գնում եք արհեստական ​​բանականություն, թե՞ պարզապես մեքենայական ուսուցում՝ գլխարկով, ապա դուք միայնակ չեք։ Տերմինները շպրտվում են ինչպես կոնֆետի։ Ահա «Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության» ընկերական, պարզ ուղեցույցը, որը մանրամասն նկարագրում է ամեն ինչ, ավելացնում մի քանի օգտակար փոխաբերություններ և ձեզ տալիս է գործնական քարտեզ, որը կարող եք իրականում օգտագործել։

Հոդվածներ, որոնք կարող են ձեզ դուր գալ կարդալ սրանից հետո.

🔗 Ի՞նչ է արհեստական ​​բանականությունը
Պարզ լեզվով ներածություն արհեստական ​​բանականության հասկացություններին, պատմությանը և իրական կիրառություններին։

🔗 Ի՞նչն է բացատրելի արհեստական ​​բանականությունը
Ինչու է մոդելի թափանցիկությունը կարևոր և կանխատեսումները մեկնաբանելու մեթոդները։

🔗 Ի՞նչ է մարդանման ռոբոտի արհեստական ​​բանականությունը
Մարդանման ռոբոտացված համակարգերի հնարավորությունները, մարտահրավերները և կիրառման դեպքերը։

🔗 Ի՞նչ է նեյրոնային ցանցը արհեստական ​​բանականության մեջ
Հանգույցները, շերտերը և ուսուցումը բացատրված են ինտուիտիվ օրինակներով։

Ի՞նչ է իրականում մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության։ 🌱→🌳

• Արհեստական ​​բանականությունը (ԱԲ) լայն նպատակն է. համակարգեր, որոնք կատարում են այնպիսի առաջադրանքներ, որոնք մենք կապում ենք մարդկային խելացիության հետ՝ դատողություն, պլանավորում, ընկալում, լեզու՝ նպատակակետը : Միտումների և շրջանակի համար Սթենֆորդի ԱԲ ինդեքսը ներկայացնում է հավաստի «միության վիճակի» պատկերացում: [3]

• Մեքենայական ուսուցումը (ՄՈՒ) արհեստական ​​բանականության ենթաբազմություն է. մեթոդներ, որոնք տվյալներից սովորում են օրինաչափություններ՝ առաջադրանքը կատարելագործելու համար: Դասական, կայուն կառուցվածք. ՄՈՒ-ն ուսումնասիրում է ալգորիթմներ, որոնք ավտոմատ կերպով կատարելագործվում են փորձի միջոցով: [1]

Պարզ միջոց՝ ամեն ինչ պարզ պահելու համար. արհեստական ​​բանականությունը հովանոցն է, մեքենավարումը (ML)՝ կողիկներից մեկը ։ Ոչ բոլոր արհեստական ​​բանականություններն են օգտագործում մեքենավարումը, բայց ժամանակակից արհեստական ​​բանականությունը գրեթե միշտ հենվում է դրա վրա։ Եթե արհեստական ​​բանականությունը կերակուրն է, ապա մեքենավարումը պատրաստման տեխնիկան է։ Մի փոքր հիմար է, իհարկե, բայց մնում է։

Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության💡

Երբ մարդիկ հարցնում են մեքենայական ուսուցման և արհեստական ​​բանականության միջև համեմատության մասին, նրանք սովորաբար հետապնդում են արդյունքներ, այլ ոչ թե հապավումներ: Տեխնոլոգիան լավն է, երբ այն ապահովում է հետևյալը.

1. Հստակ կարողությունների ձեռքբերումներ

   • Ավելի արագ կամ ավելի ճշգրիտ որոշումներ, քան մարդկային աշխատանքային հոսքը։

   • Նոր փորձառություններ, որոնք դուք պարզապես չէիք կարող ստեղծել նախկինում, ինչպիսին է իրական ժամանակում բազմալեզու տառադարձումը:

2. Հուսալի ուսուցման ցիկլ

   • Տվյալները հասնում են, մոդելները սովորում են, վարքագիծը բարելավվում է։ Ցիկլը շարունակում է պտտվել առանց դրամայի։

3. Հուսալիություն և անվտանգություն

   • Լավ սահմանված ռիսկեր և մեղմացման միջոցառումներ։ Խելամիտ գնահատում։ Առանց անակնկալների ծայրահեղ դեպքերում։ Գործնական, մատակարարի կողմից չեզոք կողմնացույց է NIST AI ռիսկերի կառավարման շրջանակը։ [2]

4. Բիզնեսի համար հարմար

   • Մոդելի ճշգրտությունը, լատենտությունը և արժեքը համապատասխանում են ձեր օգտատերերի կարիքներին։ Եթե այն շլացուցիչ է, բայց չի փոխում KPI-ը, ապա դա պարզապես գիտական ​​ցուցահանդեսի նախագիծ է։

5. Գործառնական հասունություն

   • Մոնիթորինգը, տարբերակների մշակումը, հետադարձ կապը և վերապատրաստումը սովորական գործընթացներ են։ Այստեղ ձանձրալի լինելը լավ է։

Եթե ​​որևէ նախաձեռնություն հաջողության է հասնում այս հինգ կետերում, դա լավ արհեստական ​​բանականություն է, լավ մեքենայական ուսուցում, կամ երկուսն էլ։ Եթե այն չի հաջողվում, ապա դա հավանաբար դեմո տարբերակ է, որը դուրս է մնացել։

Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության՝ մեկ հայացքով. շերտերը 🍰

Գործնական մտավոր մոդել.

• Տվյալների շերտ՝
  հում տեքստ, պատկերներ, աուդիո, աղյուսակներ: Տվյալների որակը գրեթե միշտ գերազանցում է մոդելի աղմուկը:

• Մոդելի շերտ՝
  դասական մեքենայական մեքենայական մշակման ծառեր և գծային մոդելներ, ընկալման և լեզվի խորը ուսուցում, և ավելի ու ավելի շատ հիմնարար մոդելներ։

• Հիմնավորման և գործիքավորման շերտ
  ՝ հուշում, որոնում, գործակալներ, կանոններ և գնահատման գործիքներ, որոնք մոդելի արդյունքները վերածում են առաջադրանքի կատարման։

• Կիրառական շերտ՝
  օգտատիրոջ համար նախատեսված արտադրանք։ Ահա թե որտեղ է արհեստական ​​բանականությունը կախարդանքի պես զգացվում, կամ երբեմն պարզապես… լավ։

Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության (AI) հիմնականում այս շերտերի շրջանակի հարց է: ML-ը սովորաբար մոդելի շերտն է: Արհեստական ​​բանականությունը ընդգրկում է ամբողջ փաթեթը: Գործնականում տարածված օրինաչափություն է. թեթև հպումով ML մոդելը գումարած ապրանքի կանոնները գերազանցում են ավելի ծանր «AI» համակարգին, մինչև որ իրականում անհրաժեշտ լինի լրացուցիչ բարդություն: [3]

Ամենօրյա օրինակներ, որտեղ տարբերությունը երևում է 🚦

• Սպամի զտում

  • ML: դասակարգիչ, որը մարզվել է պիտակավորված էլեկտրոնային նամակների վրա։

  • Արհեստական ​​բանականություն. ամբողջ համակարգը, ներառյալ հևրիստիկաները, օգտատիրոջ հաղորդագրությունները, ադապտիվ շեմերը, գումարած դասակարգիչը։

• Արտադրանքի առաջարկություններ

  • ML: համագործակցային ֆիլտրացում կամ գրադիենտային ուժեղացված ծառեր սեղմումների պատմության մեջ։

  • Արհեստական ​​բանականություն. ամբողջական անհատականացում, որը հաշվի է առնում համատեքստը, բիզնես կանոնները և բացատրությունները։

• Զրուցարանի օգնականներ

  • ML: լեզվի մոդելն ինքնին։

  • Արհեստական ​​բանականություն՝ օգնականի խողովակաշար՝ հիշողությամբ, որոնման գործընթացով, գործիքների օգտագործմամբ, անվտանգության ցանկապատերով և UX-ով։

Դուք կնկատեք մի օրինաչափություն։ Մաթեմատիկական մեքենայական ուսուցումը ուսուցման սիրտն է։ Արհեստական ​​բանականությունը դրա շուրջը գտնվող կենդանի օրգանիզմն է։

Համեմատական ​​աղյուսակ. Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության գործիքների, լսարան, գներ, թե ինչու են դրանք աշխատում 🧰

Միտումնավոր մի փոքր անկարգ, որովհետև իսկական նոտաները երբեք կատարյալ կոկիկ չեն լինում։

*Միայն ցուցիչ է։ Ծառայությունների մեծ մասն առաջարկում է անվճար մակարդակներ կամ վճարում ըստ օգտագործման։ Տեղեկությունների համար այցելեք պաշտոնական գնագոյացման էջերը։

Ինչպես է մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության՝ դրսևորվում համակարգերի նախագծման մեջ 🏗️

1. Պահանջներ

   • Արհեստական ​​բանականություն. սահմանել օգտատիրոջ արդյունքները, անվտանգությունը և սահմանափակումները։

   • ML: սահմանեք թիրախային չափանիշը, առանձնահատկությունները, պիտակները և մարզման պլանը։

2. Տվյալների ռազմավարություն

   • Արհեստական ​​բանականություն՝ ամբողջական տվյալների հոսք, կառավարում, գաղտնիություն, համաձայնություն։

   • ՄՄ՝ նմուշառում, պիտակավորում, լրացում, դրեյֆի հայտնաբերում։

3. Մոդելի ընտրություն

   • Սկսեք ամենապարզ բանից, որը կարող է աշխատել: Կառուցվածքային/աղյուսակային տվյալների համար գրադիենտով ուժեղացված ծառերը հաճախ շատ դժվար է հաղթահարել բազային գիծը: [5]

   • Մինի-անեկդոտ. հաճախորդների արտահոսքի և խարդախության նախագծերում մենք բազմիցս տեսել ենք, որ GBDT-ները գերազանցում են ավելի խորը ցանցերին՝ միաժամանակ ավելի էժան և արագ սպասարկմամբ։ [5]

4. Գնահատում

   • ML: օֆլայն չափանիշներ, ինչպիսիք են F1, ROC AUC, RMSE:

   • Արհեստական ​​բանականություն. առցանց չափանիշներ, ինչպիսիք են փոխակերպումը, պահպանումը և գոհունակությունը, գումարած մարդկային գնահատում սուբյեկտիվ առաջադրանքների համար: Արհեստական ​​բանականության ինդեքսը հետևում է, թե ինչպես են այս գործելակերպերը զարգանում ամբողջ ոլորտում: [3]

5. Անվտանգություն և կառավարում

   • Քաղաքականությունը և ռիսկերի կառավարումը ձեռք բերեք հեղինակավոր շրջանակներից: NIST AI RMF-ը մշակված է հատուկ կազմակերպություններին օգնելու գնահատել, կառավարել և փաստաթղթավորել արհեստական ​​բանականության ռիսկերը: [2]

Կարևոր չափանիշներ՝ առանց ձեռքի շարժման 📏

• Ճշգրտությունն ընդդեմ օգտակարության։
  Մի փոքր ավելի ցածր ճշգրտությամբ մոդելը կարող է հաղթել, եթե լատենտությունը և արժեքը շատ ավելի լավն են։

• Կալիբրացիա։
  Եթե համակարգը ասում է, որ 90% վստահ է, արդյո՞ք դա սովորաբար ճիշտ է այդ մակարդակով։ Թեթևակի քննարկվող, չափազանց կարևոր, և կան թեթև լուծումներ, ինչպիսին է ջերմաստիճանի սանդղակի փոփոխությունը։ [4]

• Հզորություն։
  Արդյո՞ք այն նրբորեն վատանում է անկանոն մուտքային ազդանշանների դեպքում։ Փորձեք լարվածության թեստեր և սինթետիկ եզրային պատյաններ։

• Արդարություն և վնաս։
  Չափել խմբի աշխատանքը։ Փաստաթղթավորել հայտնի սահմանափակումները։ Կապել օգտատիրոջ կրթությունը անմիջապես UI-ում։ [2]

• Գործառնական չափանիշներ՝
  տեղակայման ժամանակը, հետադարձման արագությունը, տվյալների թարմացումը, խափանումների մակարդակը։ Ձանձրալի ջրմուղագործությունը, որը փրկում է օրը։

Գնահատման պրակտիկայի և միտումների վերաբերյալ ավելի խորը ընթերցանության համար Սթենֆորդի արհեստական ​​բանականության ինդեքսը հավաքում է միջոլորտային տվյալներ և վերլուծություններ: [3]

Խուսափելու թակարդներ և առասպելներ 🙈

• Միֆ. ավելի շատ տվյալներ միշտ ավելի լավ են։
  Ավելի լավ պիտակները և ներկայացուցչական նմուշառումը գերազանցում են հում ծավալին։ Այո, միևնույն է։

• Միֆ. խորը ուսուցումը լուծում է ամեն ինչ։
  Ոչ թե փոքր/միջին աղյուսակային խնդիրների համար. ծառի վրա հիմնված մեթոդները մնում են չափազանց մրցունակ։ [5]

• Միֆ. Արհեստական ​​բանականությունը նշանակում է լիակատար ինքնավարություն:
  Այսօր ամենամեծ արժեքը գալիս է որոշումների կայացման աջակցությունից և մասնակի ավտոմատացումից՝ մարդկանց մասնակցությամբ: [2]

• Թակարդ. խնդրի անորոշ ձևակերպումներ։
  Եթե չկարողանաք հաջողության չափանիշը մեկ տողով ձևակերպել, ապա կհետապնդեք ուրվականներին։

• Թակարդ. տվյալների իրավունքների և գաղտնիության անտեսում:
  Հետևեք կազմակերպության քաղաքականությանը և իրավական ուղեցույցներին. ռիսկերի վերաբերյալ քննարկումները կառուցեք ճանաչված շրջանակի միջոցով: [2]

Գնում vs շինարարություն. կարճ որոշման ուղի 🧭

• Սկսեք գնելուց, եթե ձեր կարիքը տարածված է, իսկ ժամանակը սուղ է: Հիմքի մոդելի API-ները և կառավարվող ծառայությունները չափազանց հզոր են: Դուք կարող եք ավելի ուշ ամրացնել պաշտպանիչ ցանկապատերը, վերականգնել և գնահատել դրանք:

• Կառուցեք անհատականացված լուծումներ , երբ ձեր տվյալները եզակի են կամ առաջադրանքը ձեր խրամատն է։ Տիրապետեք ձեր տվյալների խողովակաշարերին և մոդելների ուսուցմանը։ Ակնկալեք ներդրումներ կատարել MLO-ներում։

• Հիբրիդը նորմալ է։ Շատ թիմեր համատեղում են լեզվի համար նախատեսված API-ը և դասակարգման կամ ռիսկերի գնահատման համար նախատեսված հատուկ ML-ը։ Օգտագործեք այն, ինչը աշխատում է։ Խառնեք և համապատասխանեցրեք անհրաժեշտության դեպքում։

Հաճախակի տրվող հարցեր մեքենայական ուսուցման և արհեստական ​​բանականության միջև եղած խճճվածքը պարզելու համար ❓

Արդյո՞ք միայն արհեստական ​​բանականությունը մեքենայական ուսուցում է։
Ոչ։ Որոշ արհեստական ​​բանականություն օգտագործում է կանոններ, որոնում կամ պլանավորում՝ գրեթե առանց ուսուցման։ Մաթեմատիկական մեքենայական ուսուցումը պարզապես գերիշխող է այս պահին։ [3]

Ամբողջ մեքենայական ուսուցումը արհեստական ​​բանականություն է՞:
Այո, մեքենայական ուսուցումը գտնվում է արհեստական ​​բանականության հովանու ներքո: Եթե այն սովորում է տվյալներից՝ առաջադրանք կատարելու համար, ապա դուք գտնվում եք արհեստական ​​բանականության տարածքում: [1]

Ի՞նչ պետք է ասեմ փաստաթղթերում՝ մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության։
Եթե խոսքը մոդելների, ուսուցման և տվյալների մասին է, ասենք՝ մեքենայական ուսուցումը։ Եթե խոսքը օգտատիրոջ հետ շփվելու հնարավորությունների և համակարգի վարքագծի մասին է, ասենք՝ արհեստական ​​բանականությունը։ Կասկածի դեպքում եղեք կոնկրետ։

Արդյո՞ք ինձ անհրաժեշտ են հսկայական տվյալների բազմություններ:
Ոչ միշտ: Խելամիտ գործառույթների ճարտարագիտության կամ խելացի որոնման միջոցով, փոքր, կուրացված տվյալների բազմությունները կարող են գերազանցել ավելի մեծ, աղմկոտ տվյալների բազմություններին, հատկապես աղյուսակային տվյալների դեպքում: [5]

Իսկ ի՞նչ կասեք պատասխանատու արհեստական ​​բանականության մասին:
Սկզբից կիրառեք այն: Օգտագործեք կառուցվածքային ռիսկերի կառավարման մեթոդներ, ինչպիսին է NIST AI RMF-ը, և տեղեկացրեք օգտատերերին համակարգի սահմանափակումների մասին: [2]

Խորը ուսումնասիրություն. դասական մեքենայական ուսուցում vs խորը ուսուցում vs հիմնական մոդելներ 🧩

• Դասական մեքենայական ուսուցում

  • Հիանալի է աղյուսակային տվյալների և կառուցվածքային բիզնես խնդիրների համար։

  • Արագ է մարզվում, հեշտ է բացատրվում, էժան է մատուցվում։

  • Հաճախ զուգակցվում է մարդու կողմից ստեղծված առանձնահատկությունների և տիրույթի գիտելիքների հետ։ [5]

• Խորը ուսուցում

  • Հարմար է չկառուցված մուտքային տվյալների համար՝ պատկերներ, աուդիո, բնական լեզու։

  • Պահանջում է ավելի շատ հաշվարկ և զգույշ կարգավորում։

  • Զուգորդված է լրացման, կանոնավորման և մտածված ճարտարապետությունների հետ։ [3]

• Հիմքի մոդելներ

  • Նախապես վարժեցված է լայն տվյալների վրա, կարող է հարմարվել բազմաթիվ առաջադրանքների՝ հուշման, նուրբ կարգավորման կամ վերականգնման միջոցով։

  • Անհրաժեշտ են պաշտպանիչ ցանկապատեր, գնահատում և ծախսերի վերահսկում: Ավելի շատ վազք՝ լավ արագ ինժեներիայի շնորհիվ: [2][3]

Փոքրիկ թերի փոխաբերություն. դասական մեքենայական ուսուցումը հեծանիվ է, խորը ուսուցումը՝ մոտոցիկլետ, իսկ հիմնական մոդելները՝ գնացք, որը երբեմն ծառայում է նաև որպես նավակ։ Այն կարծես թե իմաստ ունի, եթե կկոցես աչքերդ… և հետո այլևս իմաստ չունի։ Այն դեռևս օգտակար է։

Իրականացման ստուգաթերթիկ, որը կարող եք գողանալ ✅

1. Գրեք խնդրի մեկ տողանոց ձևակերպումը։

2. Սահմանեք իրական ճշմարտության և հաջողության չափանիշները։

3. Գույքագրման տվյալների աղբյուրներ և տվյալների իրավունքներ։ [2]

4. Հիմք՝ ամենապարզ կենսունակ մոդելով։

5. Գործարկումից առաջ հավելվածը համալրեք գնահատման կեռիկներով։

6. Հետադարձ կապի ցիկլերի պլանավորում՝ պիտակավորում, դրեյֆի ստուգումներ, կադենսի վերապատրաստում։

7. Փաստաթղթավորեք ենթադրությունները և հայտնի սահմանափակումները։

8. Անցկացրեք փոքր փորձնական ծրագիր, համեմատեք առցանց չափանիշները ձեր անցանց հաղթանակների հետ։

9. Զգուշորեն մասշտաբավորվեք, անդադար վերահսկեք։ Գովաբանեք ձանձրալիությունը։

Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության՝ համառոտ ամփոփում 🍿

• Արհեստական ​​բանականությունը ձեր օգտատիրոջ կողմից փորձառվող ընդհանուր կարողությունն է։

• (ML) ուսուցման մեխանիզմ է, որը հզորացնում է այդ կարողության մի մասը։ [1]

• Հաջողությունը կախված չէ մոդելային նորաձևությունից և ավելի շատ՝ հստակ խնդիրների ձևակերպումից, մաքուր տվյալներից, պրագմատիկ գնահատումից և անվտանգ գործողություններից։ [2][3]

• Օգտագործեք API-ներ արագ շարժվելու համար, հարմարեցրեք դրանք, երբ այն դառնա ձեր խրամատը։

• Հաշվի առեք ռիսկերը: Վերցրեք գիտելիքներ NIST AI RMF-ից: [2]

• Հետևեք արդյունքներին, որոնք կարևոր են մարդկանց համար։ Ոչ միայն ճշգրտությունը։ Հատկապես ոչ թե ունայնության չափանիշները։ [3][4]

Վերջնական դիտողություններ - Շատ երկար է, չեմ կարդացել 🧾

Մեքենայական ուսուցումն ընդդեմ արհեստական ​​բանականության մենամարտ չէ։ Այն շրջանակի մեջ է։ Արհեստական ​​բանականությունը ամբողջ համակարգն է, որը խելացիորեն է գործում օգտատերերի համար։ Մարդկային ուսուցումը մեթոդների ամբողջություն է, որոնք սովորում են այդ համակարգի ներսում գտնվող տվյալներից։ Ամենաերջանիկ թիմերը մեքենայական ուսուցումը համարում են գործիք, արհեստական ​​բանականությունը՝ փորձ, իսկ ապրանքի ազդեցությունը՝ միակ ցուցատախտակը, որն իրականում կարևոր է։ Պահպանեք այն մարդկային, անվտանգ, չափելի և մի փոքր կոպիտ։ Հիշե՛ք նաև՝ հեծանիվներ, մոտոցիկլետներ, գնացքներ։ Մի վայրկյան իմաստ ուներ, չէ՞։ 😉

Հղումներ

1. Թոմ Մ. Միտչել - Մեքենայական ուսուցում (գրքի էջ, սահմանում): կարդալ ավելին

2. NIST - Արհեստական ​​բանականության ռիսկերի կառավարման շրջանակ (AI RMF 1.0) (պաշտոնական հրապարակում): կարդալ ավելին

3. Սթենֆորդի արհեստական ​​ինտելեկտի ինդեքսի զեկույց 2025 (պաշտոնական PDF): կարդալ ավելին

4. Գուո, Պլեյս, Սան, Վայնբերգեր - Ժամանակակից նեյրոնային ցանցերի տրամաչափման մասին (PMLR/ICML 2017): կարդալ ավելին

5. Գրինշտեյն, Օյալոն, Վարոկու - Ինչո՞ւ են ծառի վրա հիմնված մոդելները դեռևս գերազանցում աղյուսակային տվյալների վրա խորը ուսուցման ցուցանիշներին (NeurIPS 2022 տվյալների հավաքածուներ և չափանիշեր): կարդալ ավելին

Գտեք արհեստական ​​բանականության վերջին նորույթները պաշտոնական արհեստական ​​բանականության օգնականների խանութում

Մեր մասին