Το κύμα της τεχνητής νοημοσύνης σαρώνει τον κόσμο και πολλές λέξεις πάντα κράζουν στα αυτιά μας: τεχνητή νοημοσύνη (Τεχνητή Νοημοσύνη), μηχανική μάθηση (Μηχανική Μάθηση), βαθιά μάθηση (Βαθιά Μάθηση). Πολλοί άνθρωποι έχουν πάντα μια αόριστη κατανόηση της έννοιας αυτών των λέξεων υψηλής συχνότητας και της σχέσης πίσω από αυτές. Αυτό το άρθρο διευκρινίζει την έννοια αυτών των λέξεων στην απλούστερη γλώσσα, η οποία μπορεί να βοηθήσει όλους να κατανοήσουν καλύτερα τη σχέση μεταξύ τους.
Από αυτοκίνητα έως smartphones, σε ψηφιακούς βοηθούς, ακόμη και ρομπότ. Δεν μιλάμε μόνο για τα πρωτοποριακά νέα χαρακτηριστικά που εμφανίζονται κάθε μέρα. Επιπλέον, οι συσκευές, οι υπολογιστές και οι μηχανές εκτελούν όλες τις εργασίες έξυπνα. Πώς το κάνουν; — Μέσω της τεχνητής νοημοσύνης, aka AI.
Ο όρος "τεχνητή νοημοσύνη" επινοήθηκε για πρώτη φορά από τον γνωστικό επιστήμονα John McCarthy, ο οποίος έγραψε στο βιβλίο του: "Αυτή η έρευνα βασίζεται στην υπόθεση ότι οποιαδήποτε μαθησιακή συμπεριφορά ή άλλο πνευματικό χαρακτηριστικό μπορεί καταρχήν να είναι μια ακριβής περιγραφή, έτσι ώστε μια μηχανή να μπορεί να κατασκευαστεί για να την προσομοιώσει". Από τότε, η τεχνητή νοημοσύνη στοιχειώνει το μυαλό των ανθρώπων και σιγά-σιγά εκκολάπτεται σε εργαστήρια επιστημονικής έρευνας. Στις δεκαετίες που ακολούθησαν, η τεχνητή νοημοσύνη αντιστρέφει τις πολώσεις της, ή αποκαλείται προφητεία του εκθαμβωτικού μέλλοντος του ανθρώπινου πολιτισμού, ή ρίχνεται στον σωρό των σκουπιδιών ως φαντασιώσεις τεχνολογικών τρελών. Μέχρι το 2012, και οι δύο φωνές υπήρχαν ταυτόχρονα.
Εικόνα | Κλάδος Έρευνας Τεχνητής Νοημοσύνης
Μετά το 2012, χάρη στην αύξηση του όγκου των δεδομένων, τη βελτίωση της υπολογιστικής ισχύος και την εμφάνιση νέων αλγορίθμων μηχανικής μάθησης (βαθιά μάθηση), η τεχνητή νοημοσύνη άρχισε να εκρήγνυται. Ωστόσο, το τρέχον έργο επιστημονικής έρευνας επικεντρώνεται στο αδύναμο τμήμα της τεχνητής νοημοσύνης και είναι πολύ αισιόδοξο ότι θα γίνει μια σημαντική ανακάλυψη στο εγγύς μέλλον. Το μεγαλύτερο μέρος της τεχνητής νοημοσύνης στις ταινίες απεικονίζει ισχυρή τεχνητή νοημοσύνη, και αυτό το μέρος είναι δύσκολο να επιτευχθεί στον σημερινό πραγματικό κόσμο. (Η τεχνητή νοημοσύνη συνήθως χωρίζεται σε αδύναμη τεχνητή νοημοσύνη και ισχυρή τεχνητή νοημοσύνη. Το πρώτο επιτρέπει στις μηχανές να έχουν την ικανότητα να παρατηρούν και να αντιλαμβάνονται και να επιτυγχάνουν ένα ορισμένο επίπεδο κατανόησης και συλλογισμού, ενώ η ισχυρή τεχνητή νοημοσύνη επιτρέπει στις μηχανές να αποκτήσουν προσαρμοστικές ικανότητες και να λύσουν ορισμένα προβλήματα που δεν είχαν προηγουμένως αντιμετωπίσει προβλήματα).
Η αδύναμη τεχνητή νοημοσύνη αναμένεται να κάνει ανακαλύψεις, πώς επιτυγχάνεται και από πού προέρχεται η «νοημοσύνη»; Αυτό οφείλεται σε μεγάλο βαθμό σε μια προσέγγιση στην τεχνητή νοημοσύνη – μηχανική μάθηση.
Χρησιμοποιούμε την απλούστερη μέθοδο για να απεικονίσουμε τη σχέση μεταξύ των τριών.
Τεχνητή νοημοσύνη
Με απλά λόγια, η τεχνητή νοημοσύνη περιγράφει τους διάφορους τρόπους με τους οποίους μια μηχανή αλληλεπιδρά με τον κόσμο γύρω της. Με προηγμένη, ανθρώπινη νοημοσύνη, μια μηχανή ή συσκευή τεχνητής νοημοσύνης μπορεί να μιμηθεί την ανθρώπινη συμπεριφορά ή να εκτελέσει εργασίες όπως ένας άνθρωπος μέσω των συνδυασμένων αποτελεσμάτων του λογισμικού και του υλικού.
Μπορούμε να δούμε πολλά για την τεχνητή νοημοσύνη σήμερα, όπως η αναγνώριση ομιλίας (που χρησιμοποιείται σε έξυπνες συσκευές προσωπικού βοηθού), η αναγνώριση προσώπου (που χρησιμοποιείται σε φίλτρα που είναι σήμερα δημοφιλή στα μέσα κοινωνικής δικτύωσης) ή η αναγνώριση αντικειμένων (όπως η αναζήτηση μήλου και η εικόνα πορτοκαλιών).
Μηχανική Μάθηση
Η μηχανική μάθηση είναι μια προσέγγιση ή υποσύνολο της τεχνητής νοημοσύνης που δίνει έμφαση στη «μάθηση» και όχι στα προγράμματα υπολογιστών. Ένα μηχάνημα χρησιμοποιεί πολύπλοκους αλγορίθμους για να αναλύσει μεγάλες ποσότητες δεδομένων, να εντοπίσει μοτίβα στα δεδομένα και να κάνει μια πρόβλεψη, μια διαδικασία που δεν απαιτεί από έναν άνθρωπο να γράψει συγκεκριμένες οδηγίες στο λογισμικό του μηχανήματος. Αφού παρερμηνεύει μια ριπή κρέμας για ένα πορτοκάλι, η αναγνώριση μοτίβων του συστήματος βελτιώνεται με την πάροδο του χρόνου καθώς μαθαίνει από τα λάθη του και διορθώνεται σαν άνθρωπος.
Βαθιά Μάθηση
Η βαθιά μάθηση είναι ένα υποσύνολο μηχανικής μάθησης που οδηγεί σε μεγάλα βήματα στη νοημοσύνη των υπολογιστών. Χρησιμοποιεί πολλά δεδομένα και υπολογιστική ισχύ για να προσομοιώσει βαθιά νευρωνικά δίκτυα. Ουσιαστικά, αυτά τα δίκτυα μιμούνται τη συνδεσιμότητα του ανθρώπινου εγκεφάλου, ταξινομώντας σύνολα δεδομένων και ανακαλύπτοντας συσχετισμούς μεταξύ τους. Με πρόσφατα μαθημένη γνώση (χωρίς ανθρώπινη παρέμβαση), η μηχανή μπορεί να εφαρμόσει τις γνώσεις της σε άλλα σύνολα δεδομένων. Όσο περισσότερα δεδομένα επεξεργάζεται μια μηχανή, τόσο ακριβέστερες θα είναι οι προβλέψεις της.
Για παράδειγμα, μια συσκευή βαθιάς μάθησης θα μπορούσε να εξετάσει μεγάλα δεδομένα — όπως το χρώμα, το σχήμα, το μέγεθος, ο χρόνος ωρίμανσης και η προέλευση του φρούτου — για να καθορίσει με ακρίβεια αν ένα μήλο είναι πράσινο μήλο ή ένα πορτοκάλι είναι ένα πορτοκαλί αίμα.
Οι διαφορές μεταξύ τεχνητής τεχνητής, μηχανικής μάθησης και βαθιάς μάθησης δεν είναι τόσο προφανείς όσο τα μήλα και τα πορτοκάλια, είναι πιο λεπτές. Η μηχανική μάθηση είναι μια μέθοδος για την επίτευξη τεχνητής νοημοσύνης και η βαθιά μάθηση είναι μια τεχνολογία για την επίτευξη μηχανικής μάθησης. Τώρα καταλαβαίνεις τη διαφορά μεταξύ τους;
