人工智能vs机器学习vs深度学习


    深度学习是机器学习的一个子集,而机器学习是人工智能的一个子集。这些新兴技术中的每一项都在几乎所有领域重塑IT行业的格局。
    从计算机时代开始之前,科学家就被可能创造出像人类一样的机器的想法所吸引。但在过去十年中,技术进步才能使某些形式的人工智能(AI)成为现实。
    随着人工智能用例数量的激增,人们对人工智能应用的兴趣也急剧上升。许多调查发现,90%以上的企业或者已经在运营中使用人工智能,或者计划在不久的将来使用人工智能。
    人工智能初创公司渴望利用这一趋势,都急于将人工智能功能推向市场。在销售大数据分析和数据科学工具的供应商中,两种类型的人工智能变得特别受欢迎:机器学习和深度学习。
    虽然许多解决方案都带有“人工智能”、“机器学习”和/或“深度学习”标签,但这些术语的真正含义的混淆仍然存在于市场中。下图提供了这些不同技术之间关系的直观表示:
    如图所示,机器学习是人工智能的一个子集。换句话说,所有的机器学习都是人工智能,但并非所有人工智能都是机器学习。
    同样,深度学习是机器学习的一个子集。同样,所有深度学习都是机器学习,但并非所有机器学习都是深度学习。
    人工智能、机器学习和深度学习都是相互关联的,深度学习嵌套在机器学习中,而机器学习又是人工智能更大学科的一部分。
    人工智能“包含”机器学习和深度学习
    计算机擅长数学和逻辑推理,但他们很难掌握人类可以很自然地完成的其他任务。例如,人类婴儿只有几个月大时就学会识别和命名物体,但直到最近,机器才能识别图片中的物体。虽然任何一个蹒跚学步的孩子都能很容易地分辨猫和狗,但电脑实施这项任务要困难得多。事实上,验证码服务有时会使用这种类型的问题来确保特定用户是人类而不是机器人。
    在20世纪50年代,科学家们开始讨论如何让机器像人类一样“思考”。 1956年,约翰·麦卡锡组织了一次关于这一主题的会议,“人工智能”这一术语进入了词典。那些参加的专家呼吁更多地研究“关于学习的每一个方面或智力的任何其他特征原则上都可以被如此精确地描述,以至于可以制造一台机器来模拟它的猜想。”
    这些早期研究人员中的一些人认为,他们解决这些问题只需要几年时间。然而实际上,计算机硬件和软件花费了几十年才能达到可以实现图像识别、自然语言处理和机器学习等人工智能应用的程度。
    批评者指出,人工智能系统与计算机之间存在着很大的区别,前者能够分辨猫和狗之间的区别,并与人类一样具有真正的智能。大多数研究人员认为,人们离创造一种人工通用智能(也叫强人工智能)还有几年甚至几十年的时间,这种人工智能似乎和人类一样有意识,如果可能创造出这样一个系统的话。
    如果人工智能的进步有一天会成为现实,那么机器学习似乎肯定会在系统的能力中发挥重要作用。
    机器学习:人工智能的关键驱动因素
    正如第一次人工智能会议的与会者所说的那样,机器学习是人工智能的一个特殊分支,它与计算机“自我提高”有关。另一位20世纪50年代的计算机科学家Arthur Samuel将机器学习定义为“在没有明确编程的情况下学习的能力”。
    在传统的计算机编程中,开发人员通过计算机实施确切的操作,给定一组输入,系统将返回一组输出,就像人类程序员告诉它一样。
    机器学习是不同的,因为没有人告诉机器究竟该做什么。相反,他们提供机器数据并允许它自己学习。
    一般来说,机器学习有三种不同的形式:
    (1)强化学习
    强化学习是最古老的机器学习类型之一,它在教授计算机如何玩游戏时非常有用。
    强化学习对于自动驾驶汽车等应用程序也很有用,在这些应用程序中,系统可以接收有关其是否表现良好或不良的反馈,并使用该数据随时间推移而改进。
    (2)监督学习
    监督学习在分类应用中特别有用,例如教授机器学习系统来区分狗和猫的图片。
    在这种情况下,人们将为应用程序提供大量以前标记为狗或猫的图像。根据该训练数据,计算机将得出关于区分这两种动物的结论,并且能够将其学到的东西应用于新图片。
    随着系统随着时间的推移吸收更多数据,它将在任务中变得越来越好。据说这种技术是“监督的”,因为它要求人类在学习过程的前沿和之后对图像进行标记,并监督学习过程。
    (3)无监督学习
    相比之下,无监督学习并不依赖于人类为系统标记训练数据。相反,计算机使用聚类算法或其他数学技术来找到数据组之间的相似性。
    无监督机器学习对于许多企业领导者感兴趣的大数据分析类型特别有用。例如,组织可以使用无监督学习来发现客户群之间的相似性,并更好地定位其营销或定制其定价。
    一些推荐引擎依赖于无监督的学习来告诉人们谁喜欢一部电影或一本书,可能还喜欢其他的电影或书籍。无监督的学习也可以帮助识别可能表明某人的信誉或提出保险索赔的可能性的特征。
    各种人工智能应用,如计算机视觉、自然语言处理、面部识别、文本对文本、语音对文本、知识引擎、情感识别等,经常使用机器学习能力。一些机器学习的主要类型有两种或更多的组合,在一些情况下,被称为“半监督”,因为它们包含了一些监督学习的技术和一些无监督学习的技术。有些机器学习技术(例如深度学习)可以被监管、监督或两者兼而有之。
    深度学习:推动机器学习和人工智能的动力
    “深度学习”这个术语在20世纪80年代首次投入使用,使其成为比机器学习或人工智能更新的概念。
    深度学习描述了监督和非监督机器学习系统有时使用的特定类型的架构。具体来说,它是一种分层架构,其中一个层接受输入并生成输出。然后,它将该输出传递到体系结构中的下一层,该层使用它来创建另一个输出。然后,该输出可以成为系统中下一层的输入,依此类推。该架构被称为“深层”,因为它有很多层。
    为了创建这些分层系统,许多研究人员设计了以人脑为模型的计算系统。从广义上讲,他们称这些深度学习系统为人工神经网络(ANN)。人工神经网络有几种不同的类型,包括深度神经网络、卷积神经网络、递归神经网络等。这些神经网络使用与人脑中的神经元相似的节点。
    神经网络和深度学习在过去十年中变得越来越流行,其部分原因是硬件的进步,特别是图形处理单元(GPU)的改进,使它们更加可行。传统上,系统设计人员使用图形处理单元(GPU)来执行显示高质量视频和3D游戏所需的高级计算。
    然而,这些图形处理单元(GPU)也擅长深度学习所需的计算类型。随着图形处理单元(GPU)性能的提高和成本的降低,人们已经能够创建高性能系统,可以在更短的时间内完成深度学习任务,并且成本远低于过去的情况。
    如今,任何人都可以通过Amazon Web Services、Microsoft Azure、谷歌云和IBM Cloud等云计算服务轻松访问深度学习功能。