Что такое ИИ, машинное обучение и глубокое обучение? В чём различия между этими тремя терминами?

В современную эпоху технологий термины ИИ, машинное обучение и глубокое обучение встречаются всё чаще. Многие даже используют их как взаимозаменяемые понятия, однако на самом деле это три тесно связанные, но не идентичные концепции.

Например, когда программа AlphaGo компании Google в 2016 году обыграла чемпиона по игре го Ли Седоля, СМИ поочерёдно использовали термины ИИ, машинное обучение и глубокое обучение для описания этой победы. На самом деле и ИИ, и машинное обучение, и глубокое обучение внесли вклад в успех AlphaGo, но они не являются одним и тем же.

Эта статья поможет Вам чётко понять различия между ИИ, машинным обучением и глубоким обучением, а также их взаимосвязь. Давайте вместе с INVIAI разберёмся в деталях!

Что такое искусственный интеллект (ИИ)?

Искусственный интеллект (Artificial Intelligence - AI) — это обширная область компьютерных наук, сосредоточенная на создании машинных систем, способных имитировать человеческий интеллект и когнитивные функции.

Иными словами, ИИ включает все методы, позволяющие компьютерам выполнять задачи, которые обычно требуют человеческого интеллекта, такие как решение проблем, принятие решений, восприятие окружающей среды, понимание языка и др. ИИ не ограничивается методами обучения на данных, но также включает системы, основанные на правилах или знаниях, заранее запрограммированных человеком.

На практике системы ИИ могут быть разработаны разными способами: на основе фиксированных правил, экспертных знаний или данных с возможностью самообучения. Обычно ИИ делят на две основные категории:

• Узкий ИИ (слабый ИИ): искусственный интеллект с ограниченной областью применения, специализирующийся на выполнении конкретной задачи (например, игра в шахматы, распознавание лиц). Большинство современных систем ИИ относятся к этой категории.
• Общий ИИ (сильный ИИ): искусственный интеллект, способный понимать и выполнять любые интеллектуальные задачи, доступные человеку. Это пока остаётся целью будущего и не реализовано на практике.

>>> Нажмите, чтобы узнать больше: Что такое ИИ?

Что такое машинное обучение?

Машинное обучение (ML) — это подмножество ИИ, сосредоточенное на разработке алгоритмов и статистических моделей, позволяющих компьютерам самостоятельно обучаться на данных и постепенно повышать точность без явного программирования каждого шага. Вместо того чтобы человек прописывал все инструкции, алгоритмы ML анализируют входные данные, выявляют закономерности и делают прогнозы или принимают решения при встрече с новыми данными.

Классическое определение, предложенное Артуром Самуэлем в 1959 году, описывает машинное обучение как «область исследований, позволяющую компьютерам обучаться самостоятельно без явного программирования». Алгоритмы ML обычно делятся на несколько основных типов:

• Обучение с учителем (supervised learning): модель обучается на размеченных данных (например, прогноз цены дома на основе исторических данных с известными ценами).
• Обучение без учителя (unsupervised learning): модель самостоятельно находит структуру или группы в данных без меток (например, кластеризация клиентов по схожему поведению).
• Обучение с подкреплением (reinforcement learning): модель взаимодействует с окружающей средой и учится действовать через систему вознаграждений и наказаний (например, ИИ, улучшающий навыки игры с каждым раундом).

Важно отметить, что не все системы ИИ являются машинным обучением, но все алгоритмы машинного обучения относятся к ИИ. ИИ шире ML — это как квадрат и прямоугольник: все квадраты — прямоугольники, но не все прямоугольники — квадраты.

Многие традиционные системы ИИ, например, программы для игры в шахматы на основе алгоритмов поиска, не «обучаются» на данных, а следуют заранее заданным правилам — они считаются ИИ, но не ML.

Что такое глубокое обучение?

Глубокое обучение (DL) — специализированная ветвь машинного обучения, в которой модели используют многослойные искусственные нейронные сети для обучения на данных.

Термин «глубокое» указывает на наличие множества скрытых слоёв (обычно более трёх) — такая многослойная структура позволяет модели изучать сложные признаки на высоком уровне абстракции. Глубокое обучение вдохновлено работой человеческого мозга, где искусственные «нейроны» связаны между собой, имитируя биологические нейронные сети.

Сила глубокого обучения заключается в способности автоматически извлекать признаки из необработанных данных: глубокие модели могут самостоятельно выявлять важные шаблоны и характеристики без необходимости вручную задавать входные признаки. Благодаря этому глубокое обучение особенно эффективно для сложных данных, таких как изображения, звук, естественный язык — где ручное определение полезных признаков затруднено.

Однако для высокой эффективности модели глубокого обучения требуют большого объёма данных и мощных вычислительных ресурсов (GPU, TPU и др.) для обучения. Взамен, при достаточном объёме данных и вычислительных мощностях, глубокое обучение может превосходить в задачах распознавания изображений, речи, машинного перевода, игр и даже достигать или превосходить уровень человека в некоторых областях.

Взаимосвязь между ИИ, машинным обучением и глубоким обучением

Как уже упоминалось, глубокое обучение ⊂ машинное обучение ⊂ ИИ: ИИ — самая широкая область, машинное обучение — её часть, а глубокое обучение — часть машинного обучения. Это означает, что все алгоритмы глубокого обучения являются алгоритмами машинного обучения, а все методы машинного обучения относятся к ИИ.

Однако обратное не всегда верно — не все системы ИИ используют машинное обучение, а машинное обучение — лишь один из подходов к реализации ИИ.

Например, система ИИ может основываться только на наборе правил, созданных человеком (без машинного обучения), как программа для классификации фруктов по штрих-кодам. В то же время, при более сложных задачах и большом объёме данных применяются методы машинного и глубокого обучения для повышения эффективности.

Основные различия между ИИ, машинным обучением и глубоким обучением

Несмотря на иерархическую связь, ИИ, ML и DL имеют чёткие различия по охвату, принципам работы и техническим требованиям:

Область применения

ИИ — общее понятие, включающее все методы, позволяющие машинам имитировать интеллект (как на основе правил, так и обучения на данных). Машинное обучение уже более узкое понятие, включающее только методы ИИ, основанные на самостоятельном обучении машин на данных. Глубокое обучение — ещё более узкое подмножество ML, использующее многослойные нейронные сети, поэтому DL одновременно является ML и ИИ.

Методы обучения и роль человека

В традиционном машинном обучении человек играет значительную роль — например, инженер выбирает и извлекает подходящие признаки из данных для подачи в алгоритм.

В отличие от этого, глубокое обучение автоматически выполняет большую часть работы по извлечению признаков; многослойные нейронные сети способны самостоятельно выявлять важные характеристики на разных уровнях абстракции из необработанных данных, снижая зависимость от экспертов.

Проще говоря, для сложных задач (например, распознавания изображений) традиционная ML-модель может требовать от инженера указать признаки, такие как форма, цвет, контуры, тогда как DL-модель может самостоятельно «увидеть» и изучить эти признаки.

Требования к данным

Алгоритмы машинного обучения обычно показывают хорошие результаты даже при умеренном или небольшом объёме качественных и чётко выраженных данных. В то же время модели глубокого обучения требуют очень больших наборов данных (миллионы примеров) для раскрытия своего потенциала.

Например, система распознавания речи на основе глубокого обучения может нуждаться в десятках тысяч часов аудиозаписей для достижения высокой точности. Это делает глубокое обучение особенно подходящим в эпоху «больших данных», когда более 80% данных организаций — неструктурированные (текст, изображения) и требуют глубокого анализа.

Требования к вычислительной инфраструктуре

Поскольку модели глубокого обучения обычно очень сложны и обрабатывают огромные объёмы данных, их обучение требует высокой вычислительной мощности. Традиционные алгоритмы машинного обучения могут эффективно работать на CPU, даже на персональных компьютерах, тогда как глубокое обучение практически всегда требует поддержки GPU (или TPU, FPGA) для ускорения параллельных вычислений матриц.

Время обучения моделей глубокого обучения значительно больше, чем у простых ML-моделей — иногда оно измеряется часами или даже днями в зависимости от объёма данных.

Производительность и точность

Главная цель ИИ — успешно решать поставленные задачи, не обязательно через обучение на данных. В то время как машинное обучение направлено на оптимизацию точности прогнозов через обучение на тренировочных данных, иногда в ущерб объяснимости модели.

Глубокое обучение может достигать значительно более высокой точности по сравнению с традиционными методами ML при наличии достаточного объёма данных и вычислительных ресурсов — многие задачи распознавания с помощью DL достигли рекордных результатов, но при этом требуют больших затрат на вычисления.

Подходящие области применения

Машинное обучение часто используется для анализа данных и прогнозирования при умеренном объёме данных и умеренных вычислительных требованиях. Например, ML полезно для прогнозирования поведения клиентов, анализа кредитных рисков, обнаружения мошенничества и фильтрации спама — задач с относительно простой структурой данных.

В то же время глубокое обучение превосходит в сложных задачах с высокими требованиями к точности и обработке неструктурированных данных, таких как распознавание изображений, речи, обработка естественного языка, автономное вождение и др. Эти области обычно имеют огромные объёмы данных и требуют моделей, способных «понимать» тонкие признаки, что хорошо реализуется в многослойных нейронных сетях.

Практическое применение ИИ, ML и глубокого обучения

Для лучшего понимания различий рассмотрим несколько типичных примеров применения каждой технологии:

Искусственный интеллект (ИИ): ИИ присутствует во многих интеллектуальных системах вокруг нас — от алгоритмов прогнозирования пользовательского спроса в Google, приложений такси Uber/Grab с оптимизацией маршрутов, до автоматических систем управления в коммерческих самолётах. Программы вроде Deep Blue для игры в шахматы и AlphaGo для игры в го также считаются ИИ.

Обратите внимание, что некоторые системы ИИ могут не использовать машинное обучение, например, AI-программы для управления NPC (персонажами) в играх, основанные на фиксированных правилах, написанных разработчиками.

Машинное обучение: Машинное обучение широко применяется в различных сферах. Типичные примеры — виртуальные ассистенты вроде Siri, Alexa, Google Assistant, которые учатся на данных пользователей для понимания команд и адекватного ответа. Фильтры спама и вредоносного ПО также используют ML-алгоритмы для распознавания нежелательных писем на основе изученных шаблонов.

Кроме того, традиционное ML применяется для бизнес-прогнозов, анализа финансовых рисков и в рекомендательных системах, например, для предложений фильмов на Netflix или товаров на Amazon.

Глубокое обучение: Глубокое обучение лежит в основе недавних прорывов в ИИ. Системы распознавания речи (преобразование голоса в текст, виртуальные ассистенты), распознавания изображений (обнаружение объектов, лиц на фото), автономного вождения и анализа видео в реальном времени — все используют глубокое обучение для достижения высокой точности.

Глубокое обучение также является базовой технологией для современных моделей генеративного ИИ (Generative AI), таких как GPT-4, лежащий в основе ChatGPT. Эти огромные фундаментальные модели обучаются на гигантских объёмах текстовых и визуальных данных, что позволяет им создавать новый контент и выполнять разнообразные задачи. Практика показывает, что применение мощных моделей глубокого обучения, таких как генеративный ИИ, может многократно ускорить создание ценности по сравнению с традиционными методами.

В итоге, ИИ, машинное обучение и глубокое обучение — это не синонимы, а иерархически связанные и чётко различающиеся понятия.

ИИ — это общая картина машинного интеллекта, в которой машинное обучение и глубокое обучение — важные подходы для реализации этой цели. Машинное обучение позволяет машинам учиться на данных и постепенно улучшаться, а глубокое обучение идёт дальше, используя многослойные нейронные сети, достигая выдающихся результатов при наличии больших данных.

Правильное понимание различий между ИИ, ML и DL помогает не только использовать точную терминологию, но и выбирать подходящие технологические решения: иногда достаточно простой модели машинного обучения для решения задачи, а в других случаях необходим глубокий анализ с помощью глубокого обучения. В будущем, с ростом объёмов данных и усложнением требований, глубокое обучение прогнозируется как ключевой фактор, стимулирующий новые достижения в области ИИ.