Искусственный интеллект и машинное обучение. Или искусственный интеллект против машинного обучения? Одинаковы ли эти понятия? А, быть может, одно является частью другого? Надо срочно разобраться, так как оба словосочетания всё прочнее входят в наш лексикон.
Искусственный интеллект и машинное обучение: понятия
Итак, искусственным интеллектом можно назвать систему программного обеспечения (а, возможно, и сопутствующее оборудование), которое решает задачи аналогично человеческому мозгу. Подробнее о том, что такое искусственный интеллект (ИИ), описано здесь. Но вот машинное обучение — что же это за процесс такой, и как он связан с ИИ?
Машинное обучение — это процесс развития искусственного интеллекта. Машину, компьютер, программу можно научить выполнению определённых задач — запрограммировать их на выполнение определённых действий. Но это не совсем то. Машинное обучение — это способ научить самостоятельно принимать решения, научить учиться, выпустив искусственный интеллект в свободное плавание. Кстати, об этом.
В июне 2021 года был запущен в самостоятельное плавание первое в мире управляемое искусственным интеллектом судно под названием Mayflower (MAS400). Путь его был проложен через Атлантику. По задумке создателей, оно должно было повторить историческое путешествие одноимённого торгового судна из британского Плимута в американский Массачусетс. Однако современный Mayflower не справилось с задачей и вернулось в Британию после возникновения неисправности. Что ж, искусственный интеллект сработал. Хоть и не так, как было задумано изначально.
Искусственный интеллект и машинное обучение:
3 типа
Машинное обучение подразумевает предоставление компьютеру (программе, машине — нужное подчеркнуть) большого объёма данных, чтобы он научился делать прогнозы, принимать решения, классифицировать данные, а главное — находить закономерности. Специалисты могут действовать тремя разными способами: обеспечить тотальный контроль над процессом, «отпустить вожжи», или применить третий, усреднённый метод (свободное обучение под наблюдением — «reinforcement learning»).
Первый тип (тотальный контроль) остаётся самым популярным методом машинного обучения. Особенно в корпоративной сфере. В этом случае специалисты предоставляют машине тщательно отобранную информацию, чтобы помочь ей обучиться. Машине дают задачу, например, найти какую-нибудь закономерность в предоставленной выборке. К примеру, выявить мошеннические действия в банковской сфере по определённым параметрам. Выявить риск того или иного заболевания. Данный метод в каком-то смысле является наиболее безопасным, поскольку специалисты ставят машине строгие рамки, за которые она не будет выходить.
Второй тип, напротив, не предполагает использование «помеченных» данных. Если рассматривать этот метод на примере тех же банковских операций, компьютеру предоставляется просто выборка данных о клиентах. А он, в свою очередь, сам ищет закономерности. И, иногда выдаёт поистине интересные результаты. Самые отчаянные выпускают свои программы в бесконтрольное «плавание» по сети. Результаты получаются не то, что интересные, а порой пугающие.
Такой способ широко используется для создания прогностических моделей. В нём господствует принцип кластеризации, по которому создаётся специальная модель. По ней объекты группируются на основе определенных свойств. А принцип ассоциации определяет правила, по которым кластеры оказываются связанными между собой.
Третий тип машинного обучения (его ещё называют «машинное обучение с подкреплением») по своей сути очень близок к тому методу, который используется для людей. Машина обучается, взаимодействуя с окружающей средой и получая вознаграждение за успешно найденные закономерности. Этакий метод кнута и пряника, если изволите. Вернёмся к примеру с банковской сферой. Если после сессии машинного обучения компьютер определил клиента с высоким риском, которому нельзя выдавать кредит (и это действительно так), то компьютер получит условное поощрение. В обратном случае — наказание.
Нет, никто не будет класть конфеты на системный блок или бить по нему ногой — не воспринимайте буквально. В определенной программной среде будут стоять специальные отметки о верификации данных. Так компьютер сможет лучше общаться с окружающей средой и данными и лучше понимать их.
К слову, помимо банковской сферы, такое обучение (комбинированное — его можно назвать так) может применяться, скажем, в обучении автомобилей автономной парковке или вовсе автопилоту. Или же динамическому управлению светофорами для уменьшения пробок. Постепенно ИИ распространяется во сферы нашей жизни. И сегодня машинное обучение уже востребовано в обрабатывающей промышленности (например, выявление ошибок оборудования), здравоохранении (анализ результатов клинических исследований пациента), розничной торговли (оптимизация запасов и прогноз потребительского спроса).
Машинное обучение на службе искусственного интеллекта
Итак, как понятно из вышесказанного, машинное обучение — неотъемлемая часть искусственного интеллекта. Это, вероятно, его единственная возможность быть похожим на человеческий — уметь обучаться. Ведь, по сути, без возможности развиваться (в том числе, самостоятельно), ИИ становится простой программой с заранее определённым функционалом.
Наиболее передовым методом машинного обучения является глубокое обучение. В таких моделях используются продвинутые нейронные сети. Они функционируют аналогично человеческому мозгу для логического анализа данных. Такое обучение позволяет в итоге искусственному интеллекту изучать сложнейшие закономерности и делать прогнозы независимо от человеческого участия. Но это уже немного иная история.