Globoko učenje proti strojnemu učenju

Globoko učenje je spe­ci­a­li­zi­ra­na pod­sku­pi­na strojnega učenja, ki uporablja več­pla­stna nevronska omrežja. Strojno učenje pa se pogosto opira na pre­pro­stej­še algoritme, kot so linearni modeli ali od­lo­če­val­na drevesa. Zaradi bolj zapletene strukture omrežij globoko učenje omogoča pre­po­zna­va­nje bolj za­ple­te­nih vzorcev v večjih zbirkah podatkov.

Strojno učenje in globoko učenje sta pod­po­dro­čji umetne in­te­li­gen­ce. Globoko učenje, ki je pod­sku­pi­na strojnega učenja, temelji na ne­nad­zo­ro­va­nem učenju.

Tako strojno učenje kot globoko učenje omogočata ra­ču­nal­ni­kom spre­je­ma­nje pametnih odločitev, vendar je ta in­te­li­gen­ca omejena na posamezna področja. Takšne oblike umetne in­te­li­gen­ce imenujemo »šibka umetna in­te­li­gen­ca«. Močna umetna in­te­li­gen­ca pa odraža človeško spo­sob­nost spre­je­ma­nja pametnih odločitev v naj­ra­zlič­nej­ših sce­na­ri­jih in kon­te­kstih.

Kakšne so razlike? Globoko učenje proti strojnemu učenju

Od teh dveh je strojno učenje starejša in pre­pro­stej­ša teh­no­lo­gi­ja. Uporablja pri­la­go­dlji­ve algoritme, ki se spre­mi­nja­jo na podlagi človeških povratnih in­for­ma­cij. Da lahko deluje, potrebuje struk­tu­ri­ra­ne podatke. Struk­tu­ri­ra­ni in ka­te­go­ri­zi­ra­ni podatki sistemu pomagajo, da se nauči raz­vr­šča­ti podobne podatke. Glede na raz­vr­sti­tev sistem izvaja naloge, ki jih določi program.

Sistem za strojno učenje lahko na primer ugotovi, ali je na fo­to­gra­fi­ji mačka ali pes, in datoteke nato ustrezno premakne v posamezne mape. Po prvem krogu se za op­ti­mi­za­ci­jo algoritma uporabi povratna in­for­ma­ci­ja, ki jo zagotovi človek. Sistem se tako seznani z napačnimi raz­vr­sti­tva­mi ter s tem, kako pravilno raz­vr­sti­ti podatke, ki so bili napačno raz­vr­šče­ni.

Pri globokem učenju struk­tu­ri­ra­ni podatki niso potrebni. To je zato, ker sistem deluje na podlagi več­pla­stnih ne­vron­skih mrež, ki so zasnovane po vzoru člo­ve­ške­ga možganov in zdru­žu­je­jo različne algoritme. Ta pristop je najbolj primeren za zapletene naloge, pri katerih ni mogoče vnaprej raz­vr­sti­ti vseh vidikov podatkov.

Pomembno: Pri globokem učenju sistem sam poišče ustrezne raz­li­ko­val­ne zna­čil­no­sti v datotekah, brez potrebe po zunanji ka­te­go­ri­za­ci­ji. Z drugimi besedami, raz­vi­jal­ci ga ne po­tre­bu­je­jo uspo­sa­blja­ti. Sistem sam presodi, ali bo spremenil raz­vr­sti­tve ali ustvaril nove ka­te­go­ri­je na podlagi novih vhodnih podatkov.

Medtem ko je strojno učenje mogoče izvajati tudi z manjšimi zbirkami podatkov, globoko učenje zahteva veliko več podatkov. Da bi sistem globokega učenja zagotovil za­ne­slji­ve rezultate, mora imeti na voljo več kot 100 milijonov po­dat­kov­nih točk. Globoko učenje prav tako zahteva več in­for­ma­cij­skih virov in je bistveno dražje od strojnega učenja.

Pregled razlik med strojnim učenjem in globokim učenjem

V čem se raz­li­ku­je­jo primeri uporabe globokega učenja in strojnega učenja?

Strojno učenje lahko obrav­na­va­mo kot pred­ho­dni­ka globokega učenja. Dejansko je globoko učenje sposobno opraviti vse naloge, ki jih zmore strojno učenje. Zato ni potrebno pri­mer­ja­ti globokega učenja in strojnega učenja z vidika njunih zmo­glji­vo­sti.

Globoko učenje pazahteva precej več virov, zaradi česar je manj učin­ko­vi­ta možnost v primerih, kjer je mogoče uporabiti tako strojno učenje kot globoko učenje. Preprosto rečeno: če je mogoče uporabiti strojno učenje, ga je treba uporabiti.

Ker se tako strojno učenje kot globoko učenje šele uve­lja­vlja­ta v običajnem poslovnem okolju, lahko uporaba obeh teh­no­lo­gij podjetjem prinese ogromno kon­ku­renč­no prednost.

Globoko učenje proti strojnemu učenju – pri­mer­ja­va primerov uporabe

V spletnem trženju podjetja pogosto upo­ra­blja­jo orodja za analizo trženja, ki temeljijo na strojnem učenju. Ta orodja lahko ana­li­zi­ra­jo obstoječe podatke in pri­pra­vi­jo za­ne­slji­ve napovedi glede vsebin, ki jih želijo brati stranke, vrste vsebin, ki bodo verjetno privedle do konverzij, ter tržnih kanalov, ki naj­po­go­ste­je vodijo do nakupov.

Strojno učenje se lahko uporablja tudi v kle­pe­tal­nih robotih. Takšni sistemi upo­ra­blja­jo ključne besede v poizvedbi stranke, navodila in vprašanja tipa »da/ne«, da stranke usmerijo k in­for­ma­ci­jam, ki jih iščejo. Z globokim učenjem pa so kle­pe­tal­ni roboti sposobni razumeti naravni jezik in niso odvisni od uporabe določenih ključnih besed. Zaradi tega je njihovo ko­mu­ni­ci­ra­nje z ljudmi veliko bolj učin­ko­vi­to, na­tanč­nost rešitev, ki jih ponujajo, pa se znatno poveča.

Digitalni glasovni pomočniki, kot so Siri, Alexa in Google, danes skoraj vedno upo­ra­blja­jo sintezo govora in globoko učenje. Ti digitalni pomočniki se uve­lja­vlja­jo tudi v poslovnem okolju, kjer lahko upo­rab­ni­ki z njimi ko­mu­ni­ci­ra­jo v naravnem jeziku in tako opra­vlja­jo različne naloge, med drugim oddajajo naročila, pošiljajo e-pošto, pri­pra­vlja­jo poročila in izvajajo raziskave. Prejšnji sistemi, ki so temeljili na strojnem učenju, niso bili sposobni razumeti odtenkov člo­ve­ške­ga govora, zaradi česar so bili za takšne primere uporabe manj učin­ko­vi­ti.

Medtem ko se strojno učenje lahko uporablja na področju poslovne in­te­li­gen­ce za vi­zu­a­li­za­ci­jo pomembnih podatkov podjetja in lažje ra­zu­me­va­nje napovedi za nosilce odločitev, sistemi globokega učenja gredo še korak dlje. Na primer, z ge­ne­ra­tiv­no umetno in­te­li­gen­co lahko podjetja z eno­stav­ni­mi navodili ustvar­ja­jo pri­la­go­je­ne grafike in slike. Tudi veliki jezikovni modeli in obdelava naravnega jezika, ki oba upo­ra­blja­ta algoritme globokega učenja, so koristni pri ustvar­ja­nju vsebin.