Мы все знакомы с термином «искусственный интеллект». Возможно, из таких популярных фильмов, как «Терминатор», «Матрица», «Особое мнение». Но вы, наверняка, также слышали и о таких понятиях, как «Машинное обучение» (ML — Machine Learning) и «Глубокое обучение» (DL — Deep Learning), которые часто путают с понятием искусственного интеллекта. В результате, разница между AI, ML и DL могла потеряться.
Начнем с краткого объяснения этих понятий и их отличий. Затем поговорим о том, как связаны AI и IoT и как технологии, сплетаясь в одно целое, заложили основу для прогресса.
В чем же разница между AI, ML и DL?
Впервые термин «искусственный интеллект» ввел в 1956 году американский информатик Джон Маккарти.
Искусственный интеллект — это машина, способная выполнять задачи, характерные для человеческого интеллекта: планирование, распознавание объектов и звуков, обучение и решение задач.
По масштабу области применения AI можно разделить на две категории: общие и узкие. Общий AI будет иметь все характеристики человеческого интеллекта, включая упомянутые выше возможности. Узкий AI виртуозно владеет некоторыми аспектами человеческого интеллекта, а в других областях — полный ноль. Например, AlphaGo.
Машинное обучение (Machine learning, ML)
Machine Learning — это способ получения AI. Фразу придумал Артур Самуэль, пионер в области искусственного интеллекта, в 1959 году. Он определил ML как «способность учиться, не будучи явно запрограммированным». Вы можете получить AI и без использования машинного обучения, но для этого потребуется написать миллионы строк кода со сложными правилами и деревьями решений.
Поэтому в отличие от «жесткого кодинга» ПО с инструкциями для выполнения конкретной задачи, т.е. прямого решения задачи, ML — это процесс «обучения» алгоритма. «Обучение» предполагает подачу огромного количества данных в алгоритм, что позволяет алгоритму самостоятельно корректироваться и улучшаться.
Машинное обучение используется, например, для совершенствования компьютерного зрения (способность машины распознавать объект на изображении или видео). Для этого нужно собрать базу изображений, затем разметить на них объекты. Например, можно отобрать изображения, на которых есть кошка. Сравнивая фото с/без кошки алгоритм построит модель, которая точно пометит картинку, как содержащую кошку. Как только уровень точности станет достаточно высоким, можно делать вывод, что машина «узнала», как выглядит кошка.
Глубокое обучение (Deep Learning, DL)
Deep Learning — один из многих подходов к Machine Learning.Другие подходы включают в себя обучение на основе дерева решений, индуктивное логическое программирование, кластеризацию, обучение с подкреплением, байесовские сети и другие.
Deep Learning основан на структуре и функциональности мозга, а именно на нейронных сетях. Нейросети (Artificial Neural Networks, или искусственные нейронные сети) — это алгоритмы, которые имитируют биологическую структуру мозга.
Нейросети состоят из «нейронов», которые имеют дискретные слои и соединения с другими «нейронами». Каждый слой выделяет определенную функцию для изучения, как кривые/ребра при распознавании изображений. Именно это расслоение дает Deep Learning его название. Глубина создается использованием нескольких, а не одного слоя.
AI и Internet of Things неразрывно связаны между собой
Интернет вещей (Internet of Things, IoT) — это устройства, которые находятся в сети и взаимодействуют между собой с участием или без участия человека. Устройства генерируют большие данные, которые могут быть использованы другими устройствами.
Связи между AI и IoT очень похожи на связи между мозгом и телом человека.Через органы чувств наше тело собирает сенсорную информацию: мы видим, слышим, чувствуем прикосновения. Далее эта информация поступает в мозг для обработки, и мозг дает сигнал на дальнейшее действие. Например, если коснемся горячего предмета, то мы моментально отдергиваем руку.
Все подключенные устройства, которые составляют Internet of Things, похожи на наше тело, они посылают сигналы о том, что происходит в мире. Искусственный интеллект, понимая эти данные, определяя, какие действия выполнять, подобен нашему мозгу. И подключенные устройства IoT снова похожи на наше тело — выполняют физические действия или общаются с другими.
Синергетический эффект
В последние годы машинное обучение и глубокое обучение привели большому скачку в развитии AI. Как упоминалось выше, ML и DL требуют огромного количества данных для работы, они собираются миллиардами датчиков и поступают в Internet of Things. Таким образом, IoT создает датасеты для улучшения AI.
Улучшение AI будет также способствовать внедрению Internet of Things, создавая “добродетельный” цикл, в котором обе области будут интенсивно развиваться. AI дает возможность IoT быть полезным.
С промышленной точки зрения AI применяется для прогнозирования и анализа производственных процессов, чтобы добиться большей эффективности.
Теперь потребителям нет необходимости приспосабливаться к технологиям, технологии сами адаптируются под нас. Вместо того чтобы нажимать, вводить текст и искать, мы просто спрашиваем у машины, что нам нужно. Например, информацию о погоде или маршруте.
Совершенствование технологий направлено на производство более дешевых и мощных устройств, что позволило сделать рывок в развитии AI в последние годы. Например, новейшие батареи могут служить годами без необходимости подключения к источнику питания. Беспроводная связь, обусловленная появлением смартфонов, позволила отправлять большие объемы данных по низким ценам, позволяя датчикам отправлять информацию в облако. В свою очередь, облако позволяет хранить терабайты данных и обрабатывать их с “бесконечной” вычислительной способностью.
Конечно, проблемы взаимодействия AI с обществом до конца не изучены. Но по тому, c какой скоростью растут прогресс и внедрение AI и IoT, это влияние будет увеличиваться в геометрической прогрессии.
Перевод — Айсылу Фарвазова
