تفاوت بین AI ، ML و DL

هوش مصنوعی (AI). آموزش ماشین (ML). Deep Learning (DL). ممکن است این اصطلاحات را پیدا کرده باشید و فهمیدید که بعضی اوقات آنها بصورت متقابل استفاده می شوند. در واقعیت ، آنها کاملاً متفاوت هستند.

هوش مصنوعی (AI)

هوش مصنوعی به عنوان توانایی دستگاه برای تقلید از رفتارهای شناختی انسان مانند تصمیم گیری ، یادگیری ، حل مسئله و غیره تعریف شده است. مهندسی دانش هسته اصلی تحقیق و توسعه هوش مصنوعی است. ماشین آلات یا سیستم های رایانه ای می توانند یاد بگیرند که اگر با حجم زیادی از داده ها تغذیه می شوند. اوایل هوش مصنوعی اولیه فقط قادر به تقلید آنچه می تواند دانش حسابدار از کد مالیات یا مشکلات اساسی حساب باشد. آنها فقط به الگوریتم هایی که دانشمندان رایانه نوشته اند بستگی داشت. برخی از متخصصان این موارد را "هوش مصنوعی خوب و قدیمی" می نامند.

آموزش ماشین (ML)

ML زیر مجموعه ای از AI است. این موفقیت زمانی اتفاق می افتد که آرتور ساموئل ، 1959 ، به جای آموزش سیستم ، همه چیزهایی را که باید در مورد جهان بداند ، درک کند ، برای آنها امکان دارد که سیستم ها را یاد بگیرند و عملکرد خود را بهبود بخشند.

دلیل دوم این موفقیت ، ظهور Big Data است. Big Data مقدار بسیار زیادی از داده های جمع آوری شده از ابتدای دوره دیجیتال است. با پیشرفت رایانه ، اینترنت و فناوری ، همه چیز در دست شماست. ما تقریباً هر عمل دیجیتالی را که انجام دادیم ، مسیرهای دیجیتال را ترک می کنیم. از معاملات آنلاین تا جدیدترین جستجوی شما. همه چیز برای تجزیه و تحلیل ضبط و در دسترس است.

با استفاده از این داده ها ، رمزگذاری سیستم ها برای تفکر مانند انسان و دسترسی به آنها به تمام اطلاعات مربوط به جهان بسیار کارآمد است. از این رو ، این اصطلاح یادگیری ماشین را به دنیا آورد زیرا سیستم ها دائماً از طریق آزمایش و خطا در حال یادگیری و بهبود خود هستند. هدف آنها به حداقل رساندن خطا یا حداکثر رساندن احتمال صحت اظهارات آنهاست.

امکان انجام آزمایش و خطا به لطف توسعه شبکه های عصبی امکان پذیر است. شبکه های عصبی مجموعه ای از الگوریتم ها هستند تا دستگاه را قادر می سازد اطلاعات را به گونه ای انجام دهد که مغز انسان انجام می دهد. همانطور که گفته شد ، بر اساس داده هایی که به سیستم تغذیه می شوند ، بر روی یک سیستم احتمال کار می کند. گنجاندن حلقه بازخورد سیستم را قادر می سازد با مشاهده اینکه پیش بینی های آنها صحیح یا نادرست است و با گذشت زمان بهبود می یابد ، بیاموزد.

Deep Learning (DL)

DL برش لبه ML در نظر گرفته شده است. تمرکز اصلی DL توسعه شبکه های عصبی به شبکه های عصبی عمیق است. DL فقط بر تقلید از عملکرد شناختی مغز انسان تمرکز دارد. کلمه "عمیق" به چندین لایه شبکه عصبی اشاره دارد. DL به جای درک داده ها از نظر کد نویسی ، سیستم را قادر می سازد تا داده های پیچیده مانند سیگنال های دستگاه ، سیگنال های صوتی ، فیلم ها ، گفتارها و کلمات نوشتاری را طبقه بندی کند. این سیستم قادر به نتیجه گیری مشابه با نتیجه توسط یک انسان است.

یکی از بهترین نمونه ها اتومبیل های خودران گرا هستند. با کمک سنسورها و آنالیزهای پردازنده ، سیستم یاد می گیرد موانع را تشخیص داده و واکنش مناسب را ارائه دهد. با توسعه DL ، شرکت گوگل ، DeepMind قادر به ایجاد یک هوش مصنوعی است که قادر است بیماری چشم را تا دقت 94.5٪ تشخیص دهد.

به طور خلاصه ، می توانید بگویید که AI تصویر گسترده ای از فیلد است و ML یک قسمت تخصصی از AI است و در آخر ، DL نسخه مطلوبی از ML است. آنها در بسیاری از موارد مشابه هستند اما در عین حال متفاوت هستند.

در ابتدا در: www.nexusmediaworks.com منتشر شده است