Machine Learning e Deep Learning: qual è la differenza?

Oggi l’intelligenza artificiale è ovunque, ma i fondamenti su come funziona questa nuova e influente tecnologia possono creare confusione. Due dei campi più importanti dello sviluppo dell’intelligenza artificiale sono il “machine learning” e il suo sottocampo, il “deep learning”. Ecco una rapida spiegazione di queste due importanti discipline e di come stanno contribuendo all’evoluzione dell’automazione.

Innanzitutto, cos’è l’IA?

Vale la pena ricordare cos’è veramente l’intelligenza artificiale. I sostenitori dell’intelligenza artificiale dicono che sperano di poterlo fare un giorno creare una macchina che possa “pensare” si. Il cervello umano è uno strumento magnifico, capace di eseguire calcoli che superano di gran lunga la capacità di qualsiasi macchina attualmente esistente. Gli ingegneri del software coinvolti nello sviluppo dell’intelligenza artificiale sperano di creare prima o poi una macchina in grado di fare tutto ciò che un essere umano può fare a livello intellettuale, ma che possa anche superarlo. Attualmente, le applicazioni di intelligenza artificiale in gran parte nel mondo degli affari e del governo quantità agli algoritmi predittiviil tipo quello suggerisci la tua prossima canzone su Spotify o provare a venderti un prodotto simile a quello che hai tu comprato su Amazon la settimana scorsa. Tuttavia, i sostenitori dell’intelligenza artificiale credono che la tecnologia alla fine sarà in grado di ragionare e prendere decisioni molto più complicate. è qui che entrano in gioco ML e DL.

Apprendimento automatico, spiegato

L’apprendimento automatico (o ML) è un’ampia categoria di intelligenza artificiale che si riferisce al processo mediante il quale ai programmi software viene “insegnato” come fare previsioni o “decisioni”. Un ingegnere IBM, Jeff Crume, Spiegare L’apprendimento automatico è una “forma molto sofisticata di analisi statistica”. Secondo Crume, questa analisi consente alle macchine di fare “previsioni o decisioni”. sulla base dei dati”. Più informazioni vengono immesse nel sistema, più esso sarà in grado di fornirci previsioni accurate. dice.

A differenza della programmazione generale in cui si trova una macchina progettato per completare un compito molto specifico, l’apprendimento automatico ruota attorno all’addestramento di un algoritmo per identificare autonomamente modelli nei dati. Come notato sopra, l’apprendimento automatico comprende un’ampia varietà di attività.

Apprendimento profondo, spiegato

Apprendimento approfondito È apprendimento automatico. È una di quelle sottocategorie di machine learning menzionate sopra che, come altre forme di ML, si concentra sull’insegnamento dell’intelligenza artificiale a “pensare”. A differenza di altre forme di machine learning, il DL cerca di consentire agli algoritmi di svolgere gran parte del proprio lavoro. Il DL è alimentato da modelli matematici noti come reti neurali artificiali (ANN). Queste reti cercano di emulare i processi che avvengono naturalmente all’interno dell’essere umano. cervello: cose come il processo decisionale e l’identificazione di modelli.

La differenza fondamentale tra ML e DL

Una delle maggiori differenze tra il deep learning e altre forme di machine learning è il livello di “supervisione” fornito a una macchina. Nelle forme meno complicate di apprendimento automatico, è probabile che il computer partecipi apprendimento supervisionato—un processo mediante il quale un essere umano aiuta la macchina a riconoscere modelli in dati strutturati ed etichettati e quindi a migliorare la sua capacità di eseguire analisi predittive.

L’apprendimento automatico si basa su enormi quantità di “dati di addestramento”. Tali dati vengono spesso compilati da esseri umani attraverso l’etichettatura dei dati (molti di questi umani Non vengono pagati molto bene). Attraverso questo processo, viene costruito un set di dati di addestramento, che può poi essere inserito nell’algoritmo di intelligenza artificiale e utilizzato per insegnargli a identificare modelli. Ad esempio, se un’azienda stesse addestrando un algoritmo a riconoscere una marca specifica di auto nelle foto, alimenterebbe l’algoritmo con enormi quantità di foto di quel modello di auto che erano state taggate manualmente dal personale umano. Viene inoltre creato un “set di dati” per misurare l’accuratezza del potere predittivo della macchina, una volta addestrata.

Nel frattempo, quando si parla di DL, una macchina partecipa a un processo chiamato “apprendimento non supervisionato”.” L’apprendimento non supervisionato prevede che una macchina utilizzi la sua rete neurale per identificare modelli in ciò che viene chiamato dati non strutturati o “grezzi”.—che sono dati che non sono stati ancora etichettati o organizzati in un database. Le aziende possono utilizzare algoritmi automatizzati per vagliare fasce di dati non organizzati, evitando così grandi quantità di lavoro umano.

Come funzionano le reti neurali

Le ANN sono costituite da quelli che vengono chiamati “nodi”. Secondo il MIT, una ANN può avere “migliaia o addirittura milioni” di nodi. Questi nodi possono essere un po’ complicati, ma la spiegazione breve è che, come i nodi del cervello umano, trasmettono ed elaborano informazioni. In una rete neurale, i nodi sono disposti in modo organizzato. Questo è noto come “strati”. Pertanto, le reti di apprendimento “profondo” coinvolgono più livelli di nodi. Le informazioni si muovono attraverso la rete e interagiscono con i suoi vari ambienti, contribuendo al processo decisionale della macchina quando sottoposte a input umano.

Un altro concetto chiave nelle ANN è “peso”, che un commentatore confronta alle sinapsi del cervello umano. I pesi, che sono solo valori numerici, sono distribuiti in tutta la rete neurale di un’intelligenza artificiale e aiutano a determinare il risultato finale dell’output finale di quel sistema di intelligenza artificiale. I pesi sono input di informazioni che aiutano a calibrare una rete neurale in modo che possa prendere decisioni. L’approfondimento del MIT nelle reti neurali Lo spiega così:

A ciascuna delle sue connessioni in entrata, un nodo assegnerà un numero noto come “peso”. Quando la rete è attiva, il nodo riceve un dato diverso, un numero diverso, su ciascuna delle sue connessioni e lo moltiplica per il peso associato. Quindi aggiungi i prodotti risultanti, che producono un singolo numero. Se quel numero è inferiore a un valore soglia, il nodo non passa alcun dato al livello successivo. Se il numero supera il valore di soglia, il nodo si “attiva”, il che nelle reti neurali odierne generalmente significa inviare il numero – la somma degli input ponderati – lungo tutte le sue connessioni di output.

In breve: le reti neurali sono strutturate per aiutare un algoritmo a raggiungere le proprie conclusioni sui dati che gli sono stati forniti. Nella sua programmazione, l’algoritmo può identificare connessioni utili in ampie quantità di dati, aiutando gli esseri umani a trarre le proprie conclusioni sulla base della loro analisi.

Perché il machine learning è importante per lo sviluppo dell’intelligenza artificiale?

Il machine learning e il deep learning aiutano ad addestrare le macchine a svolgere attività predittive e interpretative che in precedenza erano dominio esclusivo degli esseri umani. Ciò può avere molti vantaggi, ma l’ovvio svantaggio è che queste macchine possono (e, siamo onesti, lo faranno) inevitabilmente essere utilizzate per cose nefaste, non solo utili, come sistemi di sorveglianza governativi e privati, e la continua automazione delle strutture militari. e difesa. Ovviamente sono utili anche per suggerimenti o codifiche da parte dei consumatori e, nella migliore delle ipotesi, per ricerche medico-sanitarie. Come qualsiasi altro strumento, se l’intelligenza artificiale abbia un impatto positivo o negativo sul mondo dipende in gran parte da chi la utilizza.