ディープラーニング、機械学習、AIの違いは何ですか?
過去数年にわたって、会話が人工知能(AI)、ビッグデータ、および分析についてである場合、「ディープラーニング」という用語はビジネス言語に定着しました。 そして、それには正当な理由があります。それは、多くの産業に革命を起こしている自律的な自己学習システムの開発に関して、大きな期待を示しているAIへのアプローチです。
ディープラーニングは、Googleの音声および画像認識アルゴリズムで使用され、NetflixとAmazonは、次に見たいものまたは購入したいものを決定するために使用され、MITの研究者は将来を予測するために使用されます。これらのツールを販売する地位を確立している成長し続ける業界は、これがどれほど革新的であるかについて常に熱心に語っています。しかし、それは正確には何ですか?そして、それはセクシーな新しいレーベルの下で「昔ながらの」AIを私たちに押し付けるために使用されている別の流行ですか?
前回の記事では、AIと機械学習(ML)の違いについて書きました。 MLはAIのサブ分野として説明されることがよくありますが、それを現在の最先端技術と考えるのが良いです。これは、業界や社会ができるツールを提供することで今日最も有望な分野であるAIの分野です。変化を促進するために使用します。
次に、ディープラーニングを最先端の最先端と考えることがおそらく最も役立ちます。 MLはAIのコアアイデアの一部を取り、私たち自身の意思決定を模倣するように設計されたニューラルネットワークで現実世界の問題を解決することに焦点を当てています。ディープラーニングは、MLツールと技術のサブセットにさらに焦点を当て、「思考」を必要とするあらゆる問題(人間または人工)の解決にそれらを適用します。
それはどのように機能しますか?
基本的にディープラーニングには、コンピューターシステムに大量のデータを供給することが含まれます。このデータを使用して、他のデータに関する決定を行うことができます。このデータは、機械学習の場合と同様に、ニューラルネットワークを介して供給されます。これらのネットワーク-通過するデータのすべてのビットの一連のバイナリの真/偽の質問を行う、または数値を抽出する論理構造であり、受信した回答に従ってデータを分類します。
ディープラーニングの作業はこれらのネットワークの開発に重点を置いているため、ディープニューラルネットワークと呼ばれるものになります。これは、たとえばGoogleの画像ライブラリやTwitterのツイートのファイアホースと同じ大きさのデータセットの分類に対処するために必要な複雑さのロジックネットワークです。
データセットはこれらと同じくらい包括的であり、分類を処理するのに十分に洗練された論理ネットワークにより、コンピュータが人間に表すものを高い確率で正確に画像および状態を取得することは簡単になります。
写真は、これがどのように機能するかを示す良い例です。写真にはさまざまな要素が含まれており、1トラックの計算中心の考え方を持つコンピューターが、コンピューターでそれらを解釈する方法を学ぶのは簡単ではありません。私たちと同じように。しかし、ディープラーニングは、マシン信号、オーディオ、ビデオ、スピーチ、書き言葉など、あらゆる形式のデータに適用でき、まるで人間が到達したかのような結論を生成します。実際の例を見てみましょう。
公道を通過した特定のメーカーとモデルの車両の数を自動的に記録して報告するように設計されたシステムを取り上げます。まず、車の形状、サイズ、エンジン音さえも含む膨大な車種のデータベースへのアクセスが与えられます。これは手動でコンパイルすることも、インターネットを検索するようにプログラムされている場合はシステムが自動的に収集し、そこで見つけたデータを取り込むこともできます。
次に、処理が必要なデータ(この場合は路側のカメラとマイクでキャプチャされた洞察を含む実際のデータ)を取得します。センサーからのデータと「学習」したデータを比較することにより、一定の精度で、通過する車両をメーカーとモデルで分類できます。
これまでのところ、これは比較的簡単です。 「深い」部分が発生するのは、システムが、時間の経過とともに経験を重ねるにつれて、受け取る新しいデータで「トレーニング」することにより、正しい分類の確率を高めることができるということです。言い換えれば、それは私たちのように、その過ちから学ぶことができます。たとえば、特定の車両が類似のサイズとエンジンノイズに基づいて特定のメーカーとモデルであると誤って判断し、判断に重要である可能性が低いと判断した別の差別化要因を見落とす可能性があります。この差別化要因が実際に2台の車両の違いを理解するために不可欠であることを知ることで、次回は正しい結果の確率が向上します。
あなたはより多くのAI機械学習を見ることができます。https://bap-software.net/knowledge/artificial-intelligence-machine-learning/
では、ディープラーニングは何ができるでしょうか?
おそらく、この記事を完成させ、なぜこれがすべての原因となっているのかについて洞察を与える最良の方法は、今日のディープラーニングの使用例をいくつか示すことです。現在デプロイされているか、現在作業中の印象的なアプリケーションには、次のものがあります。
自動運転車のナビゲーション–センサーとオンボード分析を使用して、車は障害物を認識し、ディープラーニングを使用してそれらに適切に反応することを学習しています。
白黒画像の色を変更–コンピュータに物体を認識させ、人間にとってどのように見えるべきかを学習させることにより、色を白黒の写真やビデオに戻すことができます。
法的手続きの結果を予測する–英国とアメリカの研究者のチームが開発したシステムは、事件の基本的な事実を説明すると、裁判所の決定を正しく予測できることが最近示されました。
精密医療–ディープラーニング技術は、個人のゲノムに合わせて遺伝的に調整された医薬品の開発に使用されています。