Comprendi la differenza tra Machine Learning e Intelligenza Artificiale

A intelligenza artificiale e apprendimento automatico sono parole d'ordine nel settore tecnologico negli ultimi anni, ma cosa significano esattamente? Qui puoi dare un'occhiata a un post che abbiamo pubblicato spiegando in dettaglio cos'è l'apprendimento automatico, ma la domanda che vogliamo affrontare qui è come possiamo distinguere tra questi due termini.

apprendimento digitale

I due termini vengono spesso confusi e utilizzati in modo errato dalle aziende che vogliono rendere sofisticata la propria tecnologia. In effetti, l'intelligenza artificiale e l'apprendimento automatico sono molto diversi, con implicazioni diverse su ciò che i computer possono fare e su come interagiscono con noi.

O apprendimento automatico è il paradigma informatico che guida la crescita di "Grandi dati" e IA. Si basa sullo sviluppo di reti neurali e apprendimento profondo. Questo di solito è descritto come un'imitazione del modo in cui gli umani apprendono, ma non è corretto. L'apprendimento automatico si riferisce davvero all'analisi statistica e all'apprendimento iterativo.

Invece di costruire un programma tradizionale composto da affermazioni logiche e alberi decisionali, One rete neurale è costruito appositamente per la formazione e l'apprendimento utilizzando una rete parallela di neuroni, ciascuno configurato per uno scopo specifico.

La natura di una particolare rete neurale può essere molto complicata, ma la chiave del modo in cui funzionano è l'applicazione di pesi (o fattori di importanza) ad alcuni attributi dell'input. Utilizzando reti di vari pesi e strati, è possibile produrre una probabilità o stimare che il proprio input corrisponda a uno o più degli output definiti.

Il problema con questo tipo di calcolo, come con la normale programmazione, è la dipendenza da come il programmatore umano lo imposta e riaggiustare tutti questi pesi per mettere a punto l'accuratezza dell'output può richiedere molte ore uomo per essere fattibile. Una rete neurale passa al dominio dell'apprendimento automatico una volta introdotto un ciclo di feedback correttivo.

"Addestrare" la macchina

Monitorando l'output, confrontandolo con l'input e riducendo gradualmente il peso dei neuroni, una rete può addestrarsi per migliorare la precisione. La parte importante qui è che un algoritmo di apprendimento automatico è in grado di apprendere e agire senza programmatori, specificando tutte le possibilità all'interno del set di dati.

L'addestramento di una rete può essere eseguito in diversi modi, ma tutti implicano un approccio iterativo di forza bruta per massimizzare la precisione dell'output e addestrare i percorsi ottimali attraverso la rete. Tuttavia, questo autoapprendimento è ancora un processo più efficiente rispetto all'ottimizzazione manuale di un algoritmo e consente agli algoritmi di modificare e ordinare quantità di dati molto maggiori in tempi molto più rapidi di quanto sarebbe altrimenti possibile.

Una volta addestrato, un algoritmo di apprendimento automatico è in grado di classificare nuovi input attraverso la rete con grande velocità e precisione in tempo reale. Questo lo rende una tecnologia essenziale per la visione artificiale, il riconoscimento vocale, l'elaborazione del linguaggio e i progetti di ricerca scientifica.

Cos'è e cosa non è l'IA

L'apprendimento automatico è una tecnica di elaborazione intelligente, ma non ha alcuna vera intelligenza. Un algoritmo non ha bisogno di capire esattamente perché si autocorregge, ma solo come può essere più accurato in futuro.

Un algoritmo di apprendimento automatico in grado di setacciare un database di immagini e identificare l'oggetto principale nell'immagine non sembra davvero intelligente, perché non applica tali informazioni in modo "umano".

Le intelligenze artificiali possono essere divise in due gruppi principali, applicato ou generale. UN intelligenza artificiale applicata è molto più praticabile ora. È più legato agli esempi di apprendimento automatico sopra e progettato per eseguire attività specifiche. Questo potrebbe essere l'inventario commerciale, la gestione del traffico in una città intelligente o aiutare a diagnosticare i pazienti.

A intelligenza artificiale generale è, come suggerisce il nome, più ampio e più capace. È in grado di gestire una gamma più ampia di attività, comprendere praticamente qualsiasi insieme di dati e quindi sembra pensare in modo più ampio, proprio come fanno gli umani. L'IA generale potrebbe teoricamente apprendere al di fuori del suo set di conoscenze originale, portando potenzialmente a una crescita incontrollata delle sue capacità.

Guardando al futuro

Nonostante tutto il gergo scientifico e i discorsi tecnici, le applicazioni dell'apprendimento automatico e dell'intelligenza artificiale sono già qui. Siamo ancora molto lontani dal vivere insieme all'IA generale, ma se stai usando Google Assistant o Amazon Alexa, stai già interagendo con una forma di IA applicata.

L'apprendimento automatico utilizzato per l'elaborazione del linguaggio è uno dei principali fattori abilitanti dei dispositivi intelligenti di oggi, anche se certamente non sono abbastanza intelligenti da rispondere a tutte le tue domande.

La casa intelligente è solo l'ultimo caso d'uso. L'apprendimento automatico è stato impiegato nel dominio dei big data ormai da un po' di tempo e questi casi d'uso stanno invadendo sempre più il territorio dell'IA. IL Google lo usa per gli strumenti dei motori di ricerca. IL Facebook utilizza per ottimizzare la pubblicità.

C'è una grande differenza tra machine learning e intelligenza artificiale, sebbene il primo sia una componente molto importante della seconda. Continueremo sicuramente a sentire parlare molto dei due per tutto il 2018 e oltre.