¿Qué necesitas saber para aprender inteligencia artificial? ¿Es suficiente Python o es necesario dominar el aprendizaje profundo o el aprendizaje automático?

La ola de inteligencia artificial está arrasando el mundo y muchas palabras permanecen en nuestros oídos: inteligencia artificial (Artificial Intelligence), aprendizaje automático (Machine Learning) y aprendizaje profundo (Deep Learning). Muchas personas siempre tienen una comprensión vaga de los significados de estas palabras de alta frecuencia y las relaciones detrás de ellas.

Para ayudar a todos a comprender mejor la inteligencia artificial, este artículo explica el significado de estas palabras en el lenguaje más simple y aclara la relación entre ellas. Espero que sea útil para los colegas que recién están comenzando.

Figura 1 Aplicación de la Inteligencia Artificial

Inteligencia artificial: del concepto a la prosperidad

En 1956, varios científicos informáticos reunidos en la Conferencia de Dartmouth propusieron el concepto de "inteligencia artificial" y soñaba con utilizar ordenadores recién aparecidos en aquella época para construir máquinas complejas con las mismas características esenciales que la inteligencia humana. Desde entonces, la inteligencia artificial ha permanecido en la mente de las personas y lentamente se ha incubado en los laboratorios de investigación científica. En las décadas siguientes, la inteligencia artificial ha experimentado un cambio polar, ya sea considerada una profecía del deslumbrante futuro de la civilización humana o arrojada al basurero como capricho de un lunático tecnológico. Hasta 2012, estas dos voces todavía existían simultáneamente.

A partir de 2012, gracias al aumento del volumen de datos, la mejora de la potencia informática y la aparición de nuevos algoritmos de aprendizaje automático (deep learning), la inteligencia artificial empezó a explotar. Según el "Informe global de talentos de IA" publicado recientemente por LinkedIn, en el primer trimestre de 2017, el número de talentos técnicos globales en el campo de la IA (inteligencia artificial) basados ​​​​en la plataforma LinkedIn superó los 1,9 millones, y el nacional La brecha de talento en inteligencia artificial por sí sola alcanzó más de 5 millones.

El campo de investigación de la inteligencia artificial también se está expandiendo. La Figura 2 muestra las diversas ramas de la investigación de la inteligencia artificial, incluidos los sistemas expertos, el aprendizaje automático, la computación evolutiva, la lógica difusa, la visión por computadora, el procesamiento del lenguaje natural y la recomendación. esperar.

Figura 2 Rama de Investigación de Inteligencia Artificial

Sin embargo, el trabajo de investigación científica actual se concentra en la inteligencia artificial débil y es muy prometedor lograr avances importantes en el futuro cercano. inteligencia artificial en las películas Todos describen una inteligencia artificial fuerte, que es difícil de realizar realmente en el mundo real actual (la inteligencia artificial generalmente se divide en inteligencia artificial débil e inteligencia artificial fuerte. La primera permite que la máquina tenga la capacidad de observar y percibir y puede alcanzar un cierto nivel de comprensión y razonamiento, y una inteligencia artificial sólida permite que las máquinas adquieran capacidades de adaptación y resuelvan algunos problemas que no se han encontrado antes).

Se espera que la inteligencia artificial débil logre un gran avance, ¿cómo se logra y de dónde viene la "inteligencia"? Esto se debe principalmente a un método para lograr inteligencia artificial: el aprendizaje automático.

Aprendizaje automático: un método para realizar la inteligencia artificial

El enfoque más básico del aprendizaje automático es utilizar algoritmos para analizar datos, aprender de ellos y luego tomar decisiones sobre el mundo real. Eventos. Toma de decisiones y previsión. A diferencia de los programas de software tradicionales que están codificados para resolver tareas específicas, el aprendizaje automático utiliza grandes cantidades de datos para "entrenar" y aprender a completar tareas a partir de los datos mediante varios algoritmos.

Por poner un ejemplo sencillo, cuando navegamos por un centro comercial online suele aparecer información de recomendación de productos. Esta es una forma para que el centro comercial identifique qué productos le interesan realmente y está dispuesto a comprar en función de sus registros de compras anteriores y su larga lista de colección. Un modelo de toma de decisiones de este tipo puede ayudar al centro comercial a ofrecer sugerencias a los clientes y fomentar el consumo de productos.

El aprendizaje automático proviene directamente del campo inicial de la inteligencia artificial. Los algoritmos tradicionales incluyen árboles de decisión, agrupamiento, clasificación bayesiana, máquinas de vectores de soporte, EM, Adaboost, etc. En términos de métodos de aprendizaje, los algoritmos de aprendizaje automático se pueden dividir en aprendizaje supervisado (como problemas de clasificación), aprendizaje no supervisado (como problemas de agrupamiento), aprendizaje semisupervisado, aprendizaje conjunto, aprendizaje profundo y aprendizaje por refuerzo.

La aplicación de algoritmos tradicionales de aprendizaje automático en los campos del reconocimiento de huellas dactilares, la detección de rostros basada en Haar y la detección de objetos basada en características HoG básicamente ha alcanzado los requisitos de comercialización o el nivel de comercialización de escenarios específicos, pero cada Fue extremadamente difícil avanzar hasta la aparición de los algoritmos de aprendizaje profundo.

Aprendizaje profundo: una tecnología para realizar el aprendizaje automático

El aprendizaje profundo no es originalmente un método de aprendizaje independiente. También utiliza métodos de aprendizaje supervisados ​​y no supervisados ​​para entrenar redes neuronales profundas. Sin embargo, debido al rápido desarrollo de este campo en los últimos años, se han propuesto algunos métodos de aprendizaje únicos (como las redes residuales), por lo que cada vez más personas lo consideran solo un método de aprendizaje.

El aprendizaje profundo original es un proceso de aprendizaje que utiliza redes neuronales profundas para resolver expresiones de características. La red neuronal profunda en sí no es un concepto nuevo. Puede entenderse a grandes rasgos como una estructura de red neuronal que contiene múltiples capas ocultas. Para mejorar el efecto del entrenamiento de las redes neuronales profundas, las personas han realizado los ajustes correspondientes en los métodos de conexión y funciones de activación de las neuronas. De hecho, tuvimos muchas ideas en los primeros años, pero debido a la cantidad insuficiente de datos de entrenamiento y la potencia de computación retrospectiva en ese momento, los resultados finales no fueron satisfactorios.

El aprendizaje profundo ha logrado una variedad de tareas de manera abrumadora, haciendo posibles aparentemente todas las funciones asistidas por máquinas. Los vehículos autónomos, la atención médica preventiva y recomendaciones de películas aún mejores están a la vuelta de la esquina, o a punto de suceder.

Las diferencias y conexiones entre los tres

El aprendizaje automático es un método para realizar la inteligencia artificial y el aprendizaje profundo es una tecnología para realizar el aprendizaje automático. Usamos el método más simple: círculos concéntricos para mostrar visualmente la relación entre los tres.

Figura 3 Diagrama esquemático de la relación entre los tres.

Actualmente, existe una idea errónea común en la industria de que "el aprendizaje profundo puede eventualmente eliminar todos los demás algoritmos de aprendizaje automático". Esta conciencia surge principalmente porque la aplicación actual del aprendizaje profundo en los campos de la visión por computadora y el procesamiento del lenguaje natural supera con creces los métodos tradicionales de aprendizaje automático, y los medios han exagerado enormemente los informes sobre el aprendizaje profundo.

El aprendizaje profundo es actualmente el método de aprendizaje automático más popular, pero eso no significa que sea el fin del aprendizaje automático. Actualmente existen al menos los siguientes problemas:

1. Los modelos de aprendizaje profundo requieren una gran cantidad de datos de entrenamiento para mostrar efectos mágicos, pero en la vida real, a menudo se encuentran pequeños problemas de muestra y los métodos de aprendizaje profundo no se pueden aplicar. utilizado en este momento, los métodos tradicionales de aprendizaje automático pueden manejarlo;

2. En algunas áreas, los métodos tradicionales simples de aprendizaje automático se pueden resolver bien y no es necesario utilizar un aprendizaje profundo complejo. métodos;

p>

3. La idea del aprendizaje profundo está inspirada en el cerebro humano, pero de ninguna manera es una simulación del cerebro humano, por ejemplo, después de mostrar una bicicleta. para un niño de tres o cuatro años, la volverá a ver incluso si se ve completamente diferente. Lo más probable es que un niño pueda juzgar que una bicicleta es una bicicleta. En otras palabras, el proceso de aprendizaje humano a menudo no requiere grandes cambios. datos de entrenamiento a escala, y el método de aprendizaje profundo actual obviamente no es una simulación del cerebro humano.

Cuando el gurú del aprendizaje profundo Yoshua Bengio respondió una pregunta similar en Quora, hubo un pasaje que dijo particularmente bien. Lo cito aquí para responder a la pregunta anterior:

La ciencia NO es. una batalla, es una colaboración. Todos nos basamos en las ideas de los demás. La ciencia es un acto de amor, no de guerra, por la belleza del mundo que nos rodea y nos encanta compartir y construir algo juntos. ¡Actividad satisfactoria, emocionalmente hablando!

El significado general de este pasaje es que la ciencia no es una guerra sino una cooperación. El desarrollo de cualquier disciplina nunca es un camino de sentido único, sino un aprendizaje mutuo y una cooperación entre ellos. compañeros. Aprendan de las fortalezas de los demás, se complementen y sigan avanzando apoyándose en los hombros de gigantes. Lo mismo ocurre con la investigación sobre el aprendizaje automático. Luchar a muerte es una secta, mientras que la apertura y la tolerancia son el camino correcto.

Combinado con el desarrollo del aprendizaje automático desde 2000, miremos las palabras de Bengio y sintamos profundamente.

Al entrar en el siglo XXI, al observar la historia del desarrollo del aprendizaje automático, los puntos calientes de la investigación se pueden resumir simplemente en aprendizaje múltiple de 2000 a 2006, aprendizaje escaso de 2006 a 2011 y aprendizaje profundo de 2012 al presente. ¿Qué algoritmo de aprendizaje automático se popularizará en el futuro? Andrew Ng, uno de los tres gigantes del aprendizaje profundo, dijo una vez: "Después del aprendizaje profundo, el aprendizaje por transferencia liderará la próxima ola de tecnología de aprendizaje automático". Pero al final, ¿quién puede decir cuál será el próximo tema candente en el aprendizaje automático?