Хотя искусственный интеллект (ИИ) и машинное обучение иногда используются как взаимозаменяемые понятия, их не следует рассматривать как одно целое. На самом деле, присутствуют некоторые явные различия. Термин «искусственный интеллект» — это широкое понятие, представляющее общую концепцию машин, способных выполнять интеллектуальные задачи, а «машинное обучение» — это определённое подмножество алгоритмов для ИИ, которые выделяют их в отдельное специализированное программное применение. Давайте попробуем разобраться более основательно и простыми понятиями, в чём же состоит эта разница.
ИИ представляет собой комбинацию компьютерных систем и наборов данных для имитации человеческого интеллекта. В прошлом даже первые компьютеры рассматривались инженерами как «логические машины» и «механические мозги», поскольку они были способны воспроизводить арифметические действия, запоминая их порядок и генерируя результат, исходя из первоначально заведённых условий. С развитием технологий развивалось и человеческое понимание того, как работает человеческий разум, а вместе с ним и концепция ИИ. Ранние попытки создания интеллектуальных систем и построение сложных нейронных сетей, столкнулись со значительными препятствиями из-за ограниченной скорости вычислений и памяти. Сегодня, благодаря достижениям в области распределённых вычислений, технологиям GPU и TPU, а также высокоскоростному Интернету, эта область преобразилась.
Искусственный интеллект, который мы знаем сегодня, был изобретён Джоном Маккарти в 1956 году. Проще говоря, ИИ призван имитировать процессы принятия решений человеком и выполнять сложные задачи более человекоподобным образом, чем когда-либо. Это касается компьютеров, которые способны выполнять задачи, характерные для человеческого интеллекта – сейчас это уже высокопроизводительные сервера, как правило размещаемые в крупных центрах обработки данных (ЦОД) и объединённые в сеть (нейросеть). Такая архитектура представляет собой гораздо более широкую концепцию, чем машинное обучение. К традиционным задачам ИИ относятся: планирование, решение проблем, автоматизация процессов, понимание языков, распознавание голосов и изображений, обучение, и любые задачи, которые можно было бы считать «умными». Существует два типа искусственного интеллекта: общий и прикладной.
Прикладной (или, как его иногда называют – слабый) ИИ встречается гораздо чаще, а примеры его реализации можно наблюдать повсеместно вокруг нас. Сосредоточен на одной узкой (предопределённой) задаче. Он не может обобщаться на невидимые задачи и, конечно, не обладает сознанием. В результате он характеризуется превосходством в этой одной способности, но испытывает недостаток в других областях. К прикладным системам, например, относятся: приложение распознавания музыки по мелодии, системы рекомендации в различных применениях, голосовые помощники (Алиса), автоматические переводчики, преобразование аудио в текст и т.п.
Общий ИИ представляет возможности всего вышеперечисленного функционала в совокупности с другими действиями, а также его алгоритмы одновременно характерны для человеческого интеллекта. Это более продвинутые «интеллектуальные машины», которые могут успешно выполнять любую интеллектуальную задачу, которую может выполнить человек. ИИ может сделать собственные алгоритмы умнее, осознавая свои прошлые итерации, и усовершенствовать собственные способности, возможности и знания.
Системы или устройства, основанные на общем ИИ и способные выполнять любые задачи, пока не существуют в нашей реальности. Скорее всего, пройдёт ещё много времени, прежде чем они будут созданы. Однако именно здесь новые достижения были бы наиболее захватывающими. Беспокоиться о злобном ИИ-убийце сегодня — это то же самое, что беспокоиться о перенаселении планеты Марс. К счастью, до искусственного интеллекта того типа, который можно наблюдать в фантастическом сериале «Мире Дикого Запада», человечеству ещё далеко.
Хотя искусственный интеллект — это термин довольно широкого применения, но машинное обучение представляет собой подмножество таких алгоритмов ИИ. В сущности — это способ «обучения», который позволяет алгоритмам развиваться (вначале под управлением человека, а потом самостоятельно). В этом случае «обучение» означает подачу алгоритму огромного количества данных, чтобы он мог корректировать себя и постоянно совершенствоваться. В более усовершенствованных итерациях, когда происходит самообучение, термин трансформируется в «глубокое обучение». Оба этих названия были впервые введены в употребление Артуром Сэмюэлем, американским пионером в области компьютерных игр и искусственного интеллекта, ещё в далёком 1959 году. Автор определил этот термин, как «область изучения, которая даёт компьютерам возможность обучаться без явного программирования со стороны человека».
Усовершенствованные процессы, работающие с помощью запрограммированных нейросетей (которые тоже бывают разных типов и архитектур) позволяет компьютерам распознавать закономерности в огромных наборах данных и действовать на их основе. Это современное применение ИИ и реализация идеи предоставления машинам доступа к данным и возможности обучаться самостоятельно. Например, примером машинного обучения является способность компьютеров распознавать изображения. Для наглядности, давайте разберём такой пример:
Допустим, вы собираете и вводите в систему огромное количество различных изображений (речь идёт о базе данных в которой сотни тысяч или даже миллионы изображений). Только на некоторых из них изображены хот-доги, а на всех других разнообразные другие композиции (включая билборды с рекламой хот-догов). У нас есть теги для 50% изображений, которые содержат изображения «хот-дога» или не содержат их. Для остальных 50% у нас нет вообще никаких тегов. Алгоритм машинного обучения изучает эти изображения вместе с их тегами, выявляя закономерности. В конечном итоге система может построить модель определения хот-дога на изображении, которую впоследствии можно использовать для классификации картинок, без какого-либо дополнительного описания или тегов.
Но в данном случае система отберёт также те изображения, на которых присутствуют рекламные материалы с хот-догами. При внесении нескольких указаний системе, что именно данная компоновка не соответствует заданию, «умная машина» отсортирует и их. Но она обязательно запомнит этот алгоритм, а в следующих случаях, когда надо будет провести классификацию по другим параметрам (допустим, что мы будем искать гамбургер), обязательно задаст пользователю уточняющий вопрос – требуется ли отфильтровать также те картинки, на которых изображены рекламные материалы с гамбургерами. Так машина учится отличать одни предметы от других. Это примитивный единичный пример, но он показывает сам принцип самообучения. В более сложных архитектурах, по фильтрации признаков, система сможет с большой вероятностью распознать факты мошенничества в большом количестве финансовых транзакций.
Несмотря на различия, которые мы сейчас разобрали, ИИ и машинное обучение служат одной цели. Они предоставляют людям невероятно передовые технологии, о которых наши бабушки и дедушки даже не мечтали и не ожидали их появления. Благодаря им мы можем наслаждаться умными домами, автомобилями или даже технологиями голосовых помощников или системы помощи водителям в автомобилях, которые становятся все более полезными. И пока мы можем извлекать из этого пользу — всё это прекрасно. Однако история доказывает, что почти все технологические достижения можно использовать как во благо, так и во зло. Разработчикам и программистам всегда надо учитывать это обстоятельство.