AI/ML – czy na pewno znasz ich znaczenie?

Kiedyś istniało wyraźne, techniczne oddzielenie terminów takich jak sztuczna inteligencja (AI – Artificial Intelligence) i uczenie maszynowe (ML – Machine Learning) – jeszcze niedawno te technologie pozostawały w dużej mierze teoretyczne. Gdy tylko stały się praktyczne w realnym świecie, a następnie przekształcane w produkty, wkroczyli marketerzy.

Powszechne nadużywanie terminów AI/ML w marketingu zaczęło prowadzić do mylenia znaczenia tych słów. Możesz myśleć o tym jako o stosunkowo niewielkim problemie – dopóki nie zdasz sobie sprawy, że jest to sedno niektórych całkowicie zwodniczych praktyk. Badania wykazały, że nawet 40 procent europejskich startupów, które twierdzą, że używają sztucznej inteligencji, w rzeczywistości kłamie lub wyolbrzymia swoje możliwości.

Jeśli nie wiesz, czym dokładnie jest sztuczna inteligencja/uczenie maszynowe ani jaka jest między nimi różnica, to jest o wiele bardziej prawdopodobne, że możesz zostać oszukany, gdy kupujesz produkt oparty na tych technologiach.

Czym jest sztuczna inteligencja?

Istnieje automatyczne powiązanie między sztuczną inteligencją a science fiction. Kiedy ludzie myślą o sztucznej inteligencji, zwykle myślą o Terminatorze, Star Trek, itp. Stanowią one bardzo specyficzną formę sztucznej inteligencji, znaną jako AGI - sztuczna ogólna inteligencja (znana również jako silna sztuczna inteligencja) – forma cyfrowa świadomości, która może dorównać lub przewyższyć ludzką wydajność w dowolnej liczbie wskaźników. AGI równie dobrze poradzi sobie z rozwiązywaniem równań matematycznych, prowadzeniem ludzkiej rozmowy czy komponowaniem sonetu.

Obecnie nie ma działającego przykładu AGI, a prawdopodobieństwo stworzenia takiego systemu jest nadal niskie. Próby stworzenia AGI obracają się obecnie wokół idei skanowania i modelowania ludzkiego mózgu, a następnie replikacji ludzkiego mózgu w oprogramowaniu. Jest to rodzaj podejścia odgórnego – ludzie są jedynym przykładem działającej świadomości, więc aby stworzyć inne czujące systemy, warto zacząć od punktu widzenia naszych mózgów i spróbować je skopiować.

Jeśli przyjmiesz podejście oddolne, otrzymasz tak zwaną wąską lub słabą sztuczną inteligencję. Jest to rodzaj sztucznej inteligencji, który widzisz na co dzień – sztuczna inteligencja, która wyróżnia się w jednym konkretnym zadaniu. Sztuczna inteligencja obsługuje aplikacje, które pomagają znaleźć muzykę do słuchania, oznaczać znajomych na zdjęciach w mediach społecznościowych, może pomóc chronić przed złośliwym oprogramowaniem itp.

Ten rodzaj wąskiej sztucznej inteligencji robi tylko jedną rzecz, ale robi to znacznie szybciej i lepiej niż człowiek. Wyobraź sobie skanowanie miliona zamówień dziennie, aby upewnić się, że nie ma fałszerstw – szybko się znudzisz i zaczniesz popełniać błędy. Sztuczna inteligencja może przetwarzać te rozkazy w mgnieniu oka i wyłapywać więcej błędów i podejrzanych działań, niż potrafiłby kiedykolwiek wyszkolony ludzki obserwator.

Czym jest uczenie maszynowe?

Uczenie maszynowe i sztuczna inteligencja to nie to samo – ALE, jeśli chcesz stworzyć wąską sztuczną inteligencję w prosty sposób, uczenie maszynowe jest coraz częściej jedyną opcją.

Uczenie maszynowe polega na tym, że robisz coś źle, a potem w końcu robisz to dobrze. Oto wyjaśnienie laika, jak to działa.

Załóżmy, że tworzysz program do rozpoznawania obrazów, aby znaleźć zdjęcia uroczych psów. Najpierw dajesz programowi pewne wyobrażenie o tym, jak wygląda pies. Następnie pokazujesz mu zestaw danych obrazów – niektóre z psami, inne bez. Każesz swojemu oprogramowaniu wybrać psy. Najprawdopodobniej oprogramowanie zrobi to w większości źle. W porządku. Mówisz programowi, które zdjęcia są prawidłowe, a następnie powtarzasz z różnymi zestawami danych, aż oprogramowanie zacznie pewnie wybierać psy.

Ten przykład pokazuje główną zasadę zalet uczenia maszynowego: w żadnym momencie nie musisz wchodzić w zawiłości oprogramowania i kodować go, aby rozpoznawać psy. Zamiast tego maszyna „koduje się sama”, generując modele matematyczne, aby znaleźć psy, a następnie udoskonalając je, gdy jest szkolona na dodatkowych danych.

To są podstawy tego, jak to działa.

Korzystając z uczenia maszynowego, oszczędzasz czas i wysiłek w tworzeniu wąskiej sztucznej inteligencji. Zamiast ręcznie tworzyć złożone i rozgałęzione drzewo decyzyjne, drzewo decyzyjne rośnie samoczynnie i zwiększa swoją użyteczność za każdym razem, gdy napotyka nowe dane i je klasyfikuje. Uczenie maszynowe znacznie zwiększa skuteczność naukowców zajmujących się danymi, dzięki ograniczeniu wysiłku związanego z tworzeniem modeli i kategoryzacją danych.

AI/ML dla lepszej wydajności

Różnica między uczeniem maszynowym a sztuczną inteligencją polega na tym, że uczenie maszynowe jest jednym z – ale nie jedynym – prekursorem tworzenia wąskiej sztucznej inteligencji. W szczególności uczenie maszynowe to najlepszy i najszybszy sposób na stworzenie wąskiego modelu sztucznej inteligencji w celu kategoryzacji danych, wykrywania oszustw, rozpoznawania obrazów lub przewidywania przyszłości (między innymi).

Chociaż marketing na wiele sposobów zniekształcił znaczenie uczenia maszynowego i sztucznej inteligencji, zaletą technologii skomercjalizowania jest to, że używanie i tworzenie modeli uczenia maszynowego jest teraz łatwiejsze niż kiedykolwiek — zakładając, że pracujesz z firmą, która sprzedaje oryginalny produkt.