Глубокое обучение против машинного обучения — в чем различия?

Многие люди с подозрением относятся к искусственному интеллекту. Они не понимают, как компьютеры могут «учиться» и принимать разумные решения. Тем не менее, концепцию искусственного интеллекта может понять каждый.

Машинное обучение и глубокое обучение — две наиболее важные концепции, делающие ИИ возможным. Эти два термина часто смешивают, но они описывают два принципиально разных метода со своими областями применения.

И машинное обучение, и глубокое обучение являются подразделами искусственного интеллекта. Оба подхода приводят к тому, что компьютеры способны принимать разумные решения. Глубокое обучение, однако, является подтипом машинного обучения, поскольку оно основано на обучении без наблюдения.

В обоих случаях этот интеллект ограничен отдельными областями применения. Мы говорим о так называемом «слабом искусственном интеллекте», в отличие от «сильного искусственного интеллекта», который обладает человекоподобной способностью принимать разумные решения во многих областях и ситуациях.

Обе технологии полагаются на наличие большого количества данных, на основе которых системы могут обучаться. Однако на этом сходство заканчивается.

С исторической точки зрения машинное обучение является более старой и простой технологией. Она работает на основе алгоритма, который адаптируется при получении обратной связи от человека. Одним из требований для использования этой технологии является наличие структурированных данных. Сначала системе подаются структурированные и классифицированные данные, и таким образом она понимает, как классифицировать новые данные того же типа. В зависимости от классификации система затем выполняет запрограммированные действия. Например, она может определить, изображена ли на фотографии собака или кошка, и распределить файлы по соответствующим папкам.

За начальным этапом применения следует оптимизация алгоритма с помощью обратной связи с человеком — для этого системе сообщается о любых неправильных классификациях и правильных классификациях.

При глубоком обучении структурированные данные не нужны. Система работает с многослойными нейронными сетями, которые объединяют различные алгоритмы, смоделированные на основе человеческого мозга. Поэтому система может обрабатывать и неструктурированные данные.

Этот подход наиболее подходит для сложных задач, где не все аспекты объектов можно заранее разделить на категории.

Важно: при глубоком обучении система сама находит подходящие дифференцирующие характеристики в файлах, при этом внешняя категоризация не требуется. Другими словами, обучение со стороны разработчика не требуется. Система сама считает, нужно ли изменить классификацию или создать новые категории на основе новых входных данных.

Если машинное обучение уже может работать с управляемым пулом данных, то глубокое обучение требует гораздо большего объема данных. Чтобы система выдавала надежные результаты, необходимо иметь более 100 миллионов точек данных.

Технология глубокого обучения также более дорогостоящая. Она требует больше ИТ-ресурсов и стоит значительно дороже машинного обучения, что означает, что — по крайней мере, на данный момент — она не подходит для крупных компаний.

Машинное обучение можно рассматривать как предшественника глубокого обучения. Фактически, все задачи, которые могут быть решены с помощью машинного обучения, могут быть также обработаны с помощью глубокого обучения. Не стоит даже взвешивать глубокое обучение и машинное обучение.

Однако, поскольку глубокое обучение требует значительно больше ресурсов, оно не является эффективной процедурой. Поэтому области применения обеих технологий четко разделены, и если машинное обучение можно использовать, то машинное обучение будет использоваться.

Использование обеих технологий дает компаниям огромное конкурентное преимущество, так как и машинное обучение, и глубокое обучение далеки от стандартов в повседневной бизнес-среде.

Онлайн-маркетинг: Какие маркетинговые меры дают результаты? Люди, как правило, не очень хорошо умеют анализировать большие объемы данных и давать достоверные оценки. Именно здесь на помощь приходят инструменты маркетинговой аналитики, основанные на машинном обучении. Они могут оценить существующие данные и сделать надежные прогнозы относительно того, какой контент приведет к конверсии, какой контент хотят читать клиенты и какие маркетинговые каналы в первую очередь приведут к покупке.

Поддержка клиентов:  Чат-боты могут быть основаны на машинном обучении. Они ориентируются на ключевые слова, включенные в запрос пользователя, и могут направлять клиентов к искомой информации с помощью запросов и вопросов «да/нет» в диалоге.

Продажи: Если это работает для Netflix и Amazon, то это можно использовать и в продажах. Благодаря машинному обучению системы могут успешно предсказывать, какие продукты и услуги могут заинтересовать существующих клиентов. В этом случае системы могут предоставлять очень подробные рекомендации, которые, в случае большого ассортимента продукции и продуктов с высокой степенью настройки, упрощают продажи.

Бизнес-аналитика: Машинное обучение также может быть использовано для визуализации важных бизнес-данных и облегчения понимания прогнозов человеком, принимающим решения.

ИТ-безопасность: В отличие от машинного обучения, системы ИТ- и кибербезопасности, основанные на глубоком обучении, распознают не только заранее определенные опасности, но и новые, доселе неизвестные угрозы, поскольку они воспринимаются нейронной сетью как аномалии при распознавании образов. Эффективность мер безопасности может быть значительно повышена с помощью глубокого обучения.

Поддержка клиентов: Чат-боты, основанные на глубоком обучении, понимают человеческий язык и не полагаются на использование определенных ключевых слов. Диалог становится гораздо более эффективным, а предлагаемое решение — более точным.

Создание контента: Благодаря глубокому обучению создание контента может быть автоматизировано. Если имеется достаточное количество контента в виде пула данных, система может создавать новый контент на его основе и выполнять переводы автономно.

Речевые помощники: Цифровые помощники, такие как Siri, Alexa и Google, основаны на глубоком обучении. В бизнес-контекстах также используются первые речевые помощники. Например, пользователи могут естественным образом просить их оформить заказ, отправить электронную почту, создать отчет или провести исследование.

Помимо перечисленных здесь областей применения, обе технологии могут использоваться и во многих других сферах, например, в медицине, науке или мобильности.