Gilusis mokymasis ir mašininis mokymasis

Gilusis mokymasis yra spe­cia­li­zuo­ta mašininio mokymosi sritis, kurioje naudojami dau­gias­luoks­niai ne­u­ro­ni­niai tinklai. Tuo tarpu mašininis mokymasis dažnai remiasi pa­pras­tes­niais al­go­rit­mais, pa­vyz­džiui, li­ni­ji­niais modeliais ar sprendimų medžiais. Dėl gilesnės tinklo struk­tū­ros gilusis mokymasis leidžia aptikti su­dė­tin­ges­nius dės­nin­gu­mus di­des­niuo­se duomenų rin­ki­niuo­se.

Mašininis mokymasis ir gilusis mokymasis yra dirbtinio intelekto sritys. Gilusis mokymasis, kuris yra mašininio mokymosi dalis, grin­džia­mas ne­kont­ro­liuo­ja­mu mokymusi.

Tiek mašininis mokymasis, tiek gilusis mokymasis leidžia kom­piu­te­riams priimti protingus spren­di­mus, tačiau šis pro­tin­gu­mas ap­si­ri­bo­ja at­ski­ro­mis sritimis. Tokios dirbtinio intelekto rūšys vadinamos „silpnuoju DI“. Tuo tarpu „stiprusis DI“ atspindi žmogui būdingą gebėjimą priimti protingus spren­di­mus įvai­riau­sio­se si­tu­aci­jo­se ir kon­teks­tuo­se.

Kuo jie skiriasi? Gilusis mokymasis ir mašininis mokymasis

Iš šių dviejų tech­no­lo­gi­jų mašininis mokymasis yra senesnė ir pa­pras­tes­nė. Ji naudoja pri­si­tai­kan­čius al­go­rit­mus, kurie keičiasi at­si­žvelg­da­mi į žmogaus pateiktą grįž­ta­mą­ją in­for­ma­ci­ją. Kad ji veiktų, jai rei­ka­lin­gi struk­tū­ri­zuo­ti duomenys. Turint su­skirs­ty­tus į ka­te­go­ri­jas struk­tū­ri­zuo­tus duomenis, sistema gali išmokti kla­si­fi­kuo­ti panašius duomenis. Pri­klau­so­mai nuo kla­si­fi­ka­ci­jos, sistema atlieka prog­ra­mo­je nurodytas užduotis.

Pa­vyz­džiui, mašininio mokymosi sistema gali nustatyti, ar nuo­trau­ko­je yra katė ar šuo, ir ati­tin­ka­mai perkelti failus į reikiamas aplankus. Po pirmojo etapo pa­tei­kia­mi žmogaus at­si­lie­pi­mai, kad būtų op­ti­mi­zuo­tas al­go­rit­mas. Sistema su­pa­žin­di­na­ma su klai­din­gais kla­si­fi­ka­vi­mo atvejais bei sužino, kaip teisingai su­skirs­ty­ti klai­din­gai kla­si­fi­kuo­tus duomenis.

Naudojant giluminį mokymąsi, struk­tū­ri­zuo­ti duomenys nėra būtini. Taip yra todėl, kad sistema veikia pa­si­telk­da­ma dau­gias­luoks­nius ne­u­ro­ni­nius tinklus, kurie yra sukurti pagal žmogaus smegenų modelį ir apjungia įvairius al­go­rit­mus. Šis metodas la­biau­siai tinka su­dė­tin­goms užduotims, kai ne visus duomenų aspektus galima iš anksto su­skirs­ty­ti į ka­te­go­ri­jas.

Svarbu: Taikant giluminį mokymąsi, sistema pati nustato tinkamus failų ski­ria­muo­sius požymius, todėl nereikia jokio išorinio kla­si­fi­ka­vi­mo. Kitaip tariant, jos nereikia mokyti kūrėjams. Sistema pati nu­spren­džia, ar keisti kla­si­fi­ka­ci­jas, ar kurti naujas ka­te­go­ri­jas, remdamasi naujais įvesties duo­me­ni­mis.

Nors mašininis mokymasis gali veikti ir su ma­žes­niais duomenų rin­ki­niais, giliam mokymuisi reikia kur kas daugiau duomenų. Kad giliojo mokymosi sistema pateiktų patikimus re­zul­ta­tus, jai reikia daugiau nei 100 milijonų duomenų taškų. Giliam mokymuisi taip pat reikia daugiau IT išteklių, be to, jis yra žymiai bran­ges­nis nei mašininis mokymasis.

Mašininio mokymosi ir giluminio mokymosi skirtumų apžvalga

Kuo skiriasi giluminio mokymosi ir mašininio mokymosi taikymo atvejai?

Mašininį mokymąsi galima laikyti giluminio mokymosi pirmtaku. Iš tiesų, giluminis mokymasis gali atlikti visas užduotis, kurias atlieka mašininis mokymasis. Todėl nėra būtina lyginti giluminio ir mašininio mokymosi galimybes.

Tačiaugiluminis mokymasis rei­ka­lau­ja žymiai daugiau išteklių, todėl jis yra mažiau efektyvus pa­si­rin­ki­mas tais atvejais, kai galima taikyti tiek mašininį, tiek giluminį mokymąsi. Pa­pras­čiau tariant: jei galima naudoti mašininį mokymąsi, tai ir reikėtų jį naudoti.

Kadangi tiek mašininis mokymasis, tiek gilusis mokymasis vis dar įsi­tvir­ti­na įpras­ti­nė­je verslo aplinkoje, šių abiejų tech­no­lo­gi­jų nau­do­ji­mas gali suteikti įmonėms mil­ži­niš­ką kon­ku­ren­ci­nį pranašumą.

Gilusis mokymasis ir mašininis mokymasis — taikymo atvejų pa­ly­gi­ni­mas

In­ter­ne­ti­nė­je rin­ko­da­ro­je įmonės dažnai naudoja rin­ko­da­ros analizės įrankius, kuriuose taikomas mašininis mokymasis. Šie įrankiai gali įvertinti turimus duomenis ir pateikti patikimas prognozes apie tai, kokį turinį nori skaityti klientai, kokio tipo turinys grei­čiau­siai paskatins kon­ver­si­jas ir kokie rin­ko­da­ros kanalai daž­niau­siai lemia pirkimus.

Mašininis mokymasis taip pat gali būti taikomas pokalbių robotams. Tokios sistemos naudoja raktinius žodžius kliento už­klau­so­se, patarimus ir „taip“ arba „ne“ tipo klausimus, kad nukreiptų klientus prie ieškomos in­for­ma­ci­jos. Tačiau pa­si­telk­da­mi giluminį mokymąsi, pokalbių robotai sugeba suprasti natūralią kalbą ir ne­pri­klau­so nuo konkrečių raktinių žodžių naudojimo. Dėl to jų bend­ra­vi­mas su žmonėmis tampa daug efek­ty­ves­nis, o teikiamų sprendimų tikslumas žymiai padidėja.

Šiandien tokie skait­me­ni­niai balso asi­sten­tai kaip „Siri“, „Alexa“ ir „Google“ beveik visada naudoja kalbos sintezę ir giluminį mokymąsi. Šie skait­me­ni­niai asi­sten­tai vis labiau įsi­tvir­ti­na ir verslo aplinkoje, kur var­to­to­jai gali bendrauti su jais natūralia kalba, kad atliktų įvairias užduotis, įskaitant užsakymų pateikimą, el. laiškų siuntimą, ataskaitų rengimą ir in­for­ma­ci­jos paiešką. Anks­tes­nės, mašininio mokymosi pagrindu sukurtos sistemos ne­su­ge­bė­jo suprasti žmogaus kalbos niuansų, todėl tokiems naudojimo atvejams jos buvo mažiau veiks­min­gos.

Nors mašininis mokymasis gali būti nau­do­ja­mas verslo ana­li­ti­kos srityje siekiant vi­zu­a­li­zuo­ti svarbius įmonės duomenis ir padaryti prognozes lengviau su­pran­ta­mas sprendimų pri­ėmė­jams, giluminio mokymosi sistemos žengia dar vienu žingsniu toliau. Pa­vyz­džiui, nau­do­da­mos ge­ne­ra­ty­vi­nę dirbtinį intelektą, įmonės gali kurti in­di­vi­dua­li­zuo­tus grafikus ir vaizdus, nau­do­da­mos paprastas komandas. Taip pat didieji kalbos modeliai ir na­tū­ra­lio­sios kalbos ap­do­ro­ji­mas, kuriuose abiejuose naudojami giluminio mokymosi al­go­rit­mai, taip pat yra naudingi kuriant turinį.