В чем разница между машинным обучением и искусственным интеллектом?

Если вы когда-либо, всматриваясь в страницу товара, задавались вопросом, покупаете ли вы искусственный интеллект или просто машинное обучение с прической, вы не одиноки. Эти термины используются как конфетти. Вот дружелюбное и простое руководство по сравнению машинного обучения и ИИ, которое поможет разобраться во всем, добавит несколько полезных метафор и предоставит вам практическую схему, которую вы действительно сможете использовать.

Статьи, которые могут вас заинтересовать после этой:

🔗 Что такое ИИ?
Вводное изложение концепций, истории и реального применения искусственного интеллекта простым языком.

🔗 Что такое объяснимый ИИ?
Почему важна прозрачность моделей и какие существуют методы интерпретации прогнозов.

🔗 Что такое человекоподобный робот с искусственным интеллектом?
Возможности, проблемы и варианты применения человекоподобных роботизированных систем.

🔗 Что такое нейронная сеть в искусственном интеллекте?
Узлы, слои и обучение объяснены с помощью наглядных примеров.

В чём разница между машинным обучением и искусственным интеллектом? 🌱→🌳

• Искусственный интеллект (ИИ) – это общая цель: системы, выполняющие задачи, которые мы связываем с человеческим интеллектом – рассуждение, планирование, восприятие, язык – конечная цель . Что касается тенденций и масштабов, то индекс ИИ Стэнфордского университета предлагает достоверное «состояние дел». [3]

• Машинное обучение (МО) — это подмножество ИИ: методы, которые изучают закономерности на основе данных для улучшения выполнения задачи. Классическая, устойчивая концепция: МО изучает алгоритмы, которые автоматически улучшаются с опытом. [1]

Проще говоря: ИИ — это зонтик, а машинное обучение — одна из его составляющих . Не каждый ИИ использует машинное обучение, но современный ИИ почти всегда опирается на него. Если ИИ — это блюдо, то машинное обучение — это техника приготовления. Немного нелепо, конечно, но запоминается.

Сопоставление машинного обучения и ИИ💡

Когда люди спрашивают о машинном обучении и искусственном интеллекте, они обычно ищут результаты, а не аббревиатуры. Технология хороша, когда она обеспечивает следующее:

1. Очевидный рост возможностей

   • Принятие решений происходит быстрее и точнее, чем при обычном рабочем процессе с участием человека.

   • Новые возможности, которые раньше было просто невозможно реализовать, например, многоязычная транскрипция в реальном времени.

2. Надежный цикл обучения

   • Поступают данные, модели обучаются, поведение улучшается. Цикл продолжается без каких-либо проблем.

3. Прочность и безопасность

   • Четко определенные риски и меры по их смягчению. Разумная оценка. Отсутствие неожиданных проблем в крайних случаях. Практическим, независимым от поставщиков ориентиром является структура управления рисками в области ИИ NIST. [2]

4. Соответствие бизнесу

   • Точность, задержка и стоимость модели должны соответствовать потребностям ваших пользователей. Если она впечатляет, но не влияет на ключевые показатели эффективности, это всего лишь проект для научной выставки.

5. Операционная зрелость

   • Мониторинг, версионирование, обратная связь и переобучение — это рутинная работа. Здесь скучно — это хорошо.

Если инициатива успешно справляется с этими пятью задачами, это хороший ИИ, хорошее машинное обучение или и то, и другое. Если же она их не выполняет, это, вероятно, неудачная попытка.

Машинное обучение против ИИ: краткий обзор: уровни 🍰

Практическая ментальная модель:

• Слой данных:
  необработанный текст, изображения, аудио, таблицы. Качество данных почти всегда превосходит ажиотаж вокруг модели.

• Модельный слой:
  классическое машинное обучение, такое как деревья и линейные модели, глубокое обучение для распознавания речи и языка, и все чаще — базовые модели.

• Слой рассуждений и инструментов:
  подсказки, поиск информации, агенты, правила и средства оценки, которые преобразуют результаты модели в показатели выполнения задачи.

• Прикладной уровень.
  Продукт, с которым взаимодействует пользователь. Именно здесь ИИ кажется волшебством, а иногда просто… нормальным.

Сравнение машинного обучения и ИИ в основном сводится к вопросу масштаба на этих уровнях. Машинное обучение обычно представляет собой уровень модели. ИИ охватывает весь стек. Распространенная схема на практике: упрощенная модель машинного обучения плюс правила продукта превосходит более сложную систему «ИИ», пока вам действительно не понадобится дополнительная сложность. [3]

Примеры из повседневной жизни, где видна разница 🚦

• Фильтрация спама

  • ML: классификатор, обученный на размеченных электронных письмах.

  • ИИ: вся система, включая эвристические алгоритмы, отчеты пользователей, адаптивные пороговые значения, а также классификатор.

• Рекомендации по продуктам

  • ML: коллаборативная фильтрация или деревья с градиентным бустингом на основе истории кликов.

  • Искусственный интеллект: комплексная персонализация, учитывающая контекст, бизнес-правила и пояснения.

• Чат-помощники

  • ML: сама языковая модель.

  • Искусственный интеллект: конвейер работы ассистента, включающий память, поиск информации, использование инструментов, механизмы безопасности и пользовательский интерфейс.

Вы заметите закономерность. Машинное обучение — это сердце процесса обучения. Искусственный интеллект — это живой организм, окружающий его.

Сравнительная таблица: Инструменты машинного обучения и ИИ, целевые аудитории, цены, почему они работают 🧰

Слегка неаккуратно сделано намеренно — потому что настоящие записи никогда не бывают идеально аккуратными.

*Информация носит ориентировочный характер. Большинство сервисов предлагают бесплатные тарифы или оплату по факту использования; актуальную информацию можно найти на официальных страницах с ценами.

Как машинное обучение и искусственный интеллект проявляются в проектировании систем 🏗️

1. Требования

   • ИИ: определение результатов для пользователей, обеспечение безопасности и установление ограничений.

   • ML: определение целевой метрики, признаков, меток и плана обучения.

2. Стратегия работы с данными

   • ИИ: сквозной поток данных, управление, конфиденциальность, согласие.

   • Машинное обучение: выборка, маркировка, расширение данных, обнаружение дрейфа.

3. Выбор модели

   • Начните с самого простого, что может сработать. Для структурированных/табличных данных деревья градиентного бустинга часто представляют собой очень сложную базовую модель, которую трудно превзойти. [5]

   • Небольшая история: в проектах по борьбе с оттоком клиентов и мошенничеством мы неоднократно наблюдали, как GBDT превосходили по показателям более глубокие сети, при этом будучи дешевле и быстрее в обслуживании. [5]

4. Оценка

   • ML: офлайн-метрики, такие как F1, ROC, AUC, RMSE.

   • ИИ: онлайн-метрики, такие как конверсия, удержание и удовлетворенность, а также оценка человеком субъективных задач. Индекс ИИ отслеживает, как эти практики развиваются в масштабах всей отрасли. [3]

5. Безопасность и управление

   • Политики и меры контроля рисков разрабатываются на основе авторитетных методологий. NIST AI RMF специально разработан для того, чтобы помочь организациям оценивать, управлять и документировать риски, связанные с ИИ. [2]

Показатели, имеющие значение, без лишних слов 📏

• Точность против полезности.
  Модель с немного меньшей точностью может оказаться лучше, если задержка и стоимость будут значительно меньше.

• Калибровка.
  Если система показывает 90% уверенности, то насколько она обычно верна в этом случае? Мало обсуждается, но чрезвычайно важна — и существуют простые решения, такие как масштабирование температуры. [4]

• Надежность.
  Проявляет ли она плавное снижение производительности при работе с некорректными входными данными? Попробуйте стресс-тесты и синтетические крайние случаи.

• Справедливость и вред.
  Измерьте эффективность работы группы. Задокументируйте известные ограничения. Включите обучение пользователей прямо в пользовательский интерфейс. [2]

• Операционные показатели:
  время развертывания, скорость отката, актуальность данных, частота сбоев. Скучные технические детали, которые спасают положение.

Для более глубокого изучения практики и тенденций оценки, индекс искусственного интеллекта Стэнфордского университета собирает данные и анализы по различным отраслям. [3]

Подводные камни и мифы, которых следует избегать 🙈

• Миф: чем больше данных, тем лучше.
  Более качественные метки и репрезентативная выборка превосходят простое количество. Да, это по-прежнему так.

• Миф: глубокое обучение решает все.
  Не подходит для небольших/средних табличных задач; методы, основанные на деревьях, остаются чрезвычайно конкурентоспособными. [5]

• Миф: ИИ равен полной автономии.
  Сегодня наибольшую ценность представляют системы поддержки принятия решений и частичная автоматизация с участием человека. [2]

• Ловушка: расплывчатые формулировки проблемы.
  Если вы не можете сформулировать критерий успеха в одной строке, вы будете гоняться за призраками.

• Подводная яма: игнорирование прав на данные и конфиденциальность.
  Следуйте политике организации и правовым рекомендациям; структурируйте обсуждения рисков в соответствии с признанной структурой. [2]

Покупка или строительство: краткий путь принятия решения 🧭

• Начните с покупки, если ваша потребность типична, а времени мало. API-интерфейсы на основе базовой модели и управляемые сервисы обладают широкими возможностями. Позже вы сможете добавить механизмы защиты, получения данных и оценки.

• Создавайте индивидуальные решения, когда ваши данные уникальны или задача является вашим конкурентным преимуществом. Контролируйте свои конвейеры обработки данных и обучение моделей. Будьте готовы инвестировать в MLOps.

• Гибридный подход — это нормально. Многие команды объединяют API для языка программирования и собственную систему машинного обучения для ранжирования или оценки рисков. Используйте то, что работает. Комбинируйте по мере необходимости.

Краткий раздел часто задаваемых вопросов, чтобы разобраться в различиях между машинным обучением и искусственным интеллектом ❓

Все ли системы ИИ используют машинное обучение?
Нет. Некоторые системы ИИ используют правила, поиск или планирование, практически не обучаясь. Машинное обучение просто доминирует в настоящее время. [3]

Все ли машинное обучение относится к ИИ?
Да, машинное обучение находится в рамках ИИ. Если оно учится на основе данных для выполнения задачи, вы находитесь на территории ИИ. [1]

Что лучше написать в документации: машинное обучение или ИИ?
Если речь идёт о моделях, обучении и данных, используйте ML. Если же речь идёт о возможностях, доступных пользователю, и поведении системы, используйте ИИ. В случае сомнений, будьте конкретны.

Нужны ли мне огромные наборы данных?
Не всегда. При грамотном проектировании признаков или интеллектуальном поиске, небольшие тщательно отобранные наборы данных могут превзойти большие зашумленные наборы данных, особенно в случае табличных данных. [5]

А как насчет ответственного ИИ?
Заложите его с самого начала. Используйте структурированные методы оценки рисков, такие как NIST AI RMF, и сообщайте пользователям об ограничениях системы. [2]

Подробный анализ: классическое машинное обучение против глубокого обучения против базовых моделей 🧩

• Классическое машинное обучение

  • Отлично подходит для работы с табличными данными и структурированными бизнес-задачами.

  • Быстро обучают, легко объяснить, недорого обслуживать.

  • Часто сочетается с созданными человеком функциями и знаниями предметной области. [5]

• Глубинное обучение

  • Отлично подходит для неструктурированных входных данных: изображений, аудио, естественного языка.

  • Требуется больше вычислительных ресурсов и тщательная настройка.

  • В сочетании с расширением, регуляризацией и продуманной архитектурой. [3]

• Базовые модели

  • Обучается на обширных данных, адаптируется к множеству задач посредством подсказок, тонкой настройки или поиска информации.

  • Необходимы ограничительные меры, оценка и контроль затрат. Дополнительный пробег при качественном и оперативном проектировании. [2][3]

Небольшая, но не совсем удачная метафора: классическое машинное обучение — это велосипед, глубокое обучение — мотоцикл, а базовые модели — поезд, который иногда служит и лодкой. Если присмотреться, то вроде бы всё понятно… а потом перестаёт быть. Но всё равно полезно.

Контрольный список внедрения, который вы можете позаимствовать ✅

1. Напишите условие задачи в одну строку.

2. Определите эталонные показатели и метрики успеха.

3. Источники данных инвентаризации и права на данные. [2]

4. Исходный уровень определяется с помощью простейшей жизнеспособной модели.

5. Перед запуском приложения необходимо добавить в него оценочные механизмы.

6. Планируйте циклы обратной связи: маркировка, проверка отклонений, переобучение ритму.

7. Предположения, изложенные в документе, и известные ограничения.

8. Проведите небольшой пилотный проект, сравните онлайн-показатели с вашими успехами в офлайн-режиме.

9. Масштабируйте осторожно, осуществляйте неустанный мониторинг. Радуйтесь скучному.

Машинное обучение против ИИ — краткое резюме 🍿

• Искусственный интеллект — это совокупность возможностей, которые пользователь получает в результате использования.

• Машинное обучение — это механизм обучения, который обеспечивает значительную часть этих возможностей. [1]

• Успех заключается не столько в модельной моде, сколько в четкой формулировке проблемы, чистых данных, прагматичной оценке и безопасной работе. [2][3]

• Используйте API для быстрого развития и индивидуальной настройки, когда это станет вашим конкурентным преимуществом.

• Учитывайте риски. Воспользуйтесь опытом NIST AI RMF. [2]

• Отслеживайте результаты, которые важны для людей. Не просто точность. И уж тем более не показатели тщеславия. [3][4]

Заключительные замечания — Слишком длинно, не стал читать 🧾

Машинное обучение против ИИ — это не дуэль, а вопрос масштаба. ИИ — это целая система, которая интеллектуально взаимодействует с пользователями. Машинное обучение — это набор методов, которые учатся на данных внутри этой системы. Самые счастливые команды рассматривают машинное обучение как инструмент, ИИ — как пользовательский опыт, а влияние продукта — как единственный действительно важный показатель. Главное — человечность, безопасность, измеримость и немного изобретательности. И помните: велосипеды, мотоциклы, поезда. На секунду это показалось логичным, правда? 😉

Ссылки

1. Том М. Митчелл — Машинное обучение (страница книги, определение). Читать далее

2. NIST — Рамочная программа управления рисками в области ИИ (AI RMF 1.0) (официальная публикация). Подробнее

3. Отчет Стэнфордского университета об индексе искусственного интеллекта (HAI) (официальный PDF-файл). Подробнее.

4. Го, Плейсс, Сунь, Вайнбергер — О калибровке современных нейронных сетей (PMLR/ICML 2017). Читать далее

5. Гринштайн, Ояллон, Варок — Почему древовидные модели по-прежнему превосходят глубокое обучение на табличных данных? (Наборы данных и бенчмарки NeurIPS 2022). Читать далее

Найдите новейшие разработки в области ИИ в официальном магазине ИИ-помощников

О нас