Machine Learning болон AI гэж юу вэ?

Хэрэв та хиймэл оюун ухаан худалдаж авах уу эсвэл зүгээр л малгай өмссөн машин сурах уу гэж гайхан бүтээгдэхүүний хуудас руу нүдээ цавчсан бол та ганцаараа биш гэсэн үг. Нэр томьёо нь конфетти шиг эргэлддэг. Машины сургалтын эсрэг хиймэл оюун ухаантай холбоотой ээлтэй, утгагүй гарын авлагыг тайрч, хэд хэдэн хэрэгтэй зүйрлэл нэмж, танд үнэхээр ашиглаж болох практик газрын зургийг энд харуулав.

Үүний дараа унших дуртай нийтлэлүүд:

🔗 AI гэж юу вэ
AI ойлголт, түүх, бодит хэрэглээний талаархи энгийн хэл дээрх танилцуулга.

🔗 Тайлбарлах боломжтой AI гэж юу вэ
Ил тод байдлын загвар яагаад чухал вэ, таамаглалыг тайлбарлах аргууд.

🔗 Хүн дүрст робот AI гэж юу вэ
Хүнтэй төстэй робот системийн чадвар, сорилт, хэрэглээний тохиолдол.

🔗 AI дахь мэдрэлийн сүлжээ гэж юу вэ
Зангилаа, давхрага, сургалтын талаар ойлгомжтой жишээгээр тайлбарлав.

Машины сургалтын эсрэг AI гэж юу вэ? 🌱→🌳

• Хиймэл оюун ухаан (AI) нь өргөн хүрээний зорилго юм: бидний хүний ​​ухаантай холбоотой ажлуудыг гүйцэтгэдэг систем - үндэслэл, төлөвлөлт, ойлголт, хэл - газрын зураг дээрх очих газар Стэнфордын AI индекс нь чиг хандлага, хамрах хүрээний хувьд найдвартай "холбооны төлөв"-ийг санал болгодог. [3]

• Machine Learning (ML) нь хиймэл оюун ухааны дэд хэсэг юм: даалгаврыг сайжруулахын тулд өгөгдлөөс хэв маягийг сурдаг аргууд. Сонгодог, бат бөх хүрээ: ML нь туршлагаараа автоматаар сайжирдаг алгоритмуудыг судалдаг. [1]

Үүнийг шулуун байлгах энгийн арга: AI бол шүхэр, ML бол хавирганы нэг юм . AI болгон ML ашигладаггүй ч орчин үеийн хиймэл оюун ухаан бараг үргэлж үүн дээр тулгуурладаг. Хэрэв AI бол хоол бол ML нь хоол хийх арга техник юм. Бага зэрэг тэнэг, мэдээжийн хэрэг, гэхдээ энэ нь наалддаг.

Машины сургалтыг AI-ийн эсрэг болгодог

Хүмүүс AI-ийн эсрэг Machine Learning-ийг асуухад тэд товчилсон үг биш харин үр дүнгийн араас тавьдаг. Технологи нь эдгээрийг хүргэх үед сайн байдаг:

1. Чадварыг тодорхой болгох

   • Хүний ердийн ажлын урсгалаас илүү хурдан эсвэл илүү үнэн зөв шийдвэр.

   • Бодит цагийн олон хэлний транскрипци гэх мэт урьд өмнө нь бүтээж чадаагүй шинэ туршлага.

2. Найдвартай сургалтын гогцоо

   • Өгөгдөл ирж, загвар өмсөгчид суралцаж, зан чанар сайжирдаг. Гогцоо жүжиггүйгээр эргэлддэг.

3. Бат бөх, аюулгүй байдал

   • Эрсдэл, эрсдлийг бууруулах арга хэмжээг сайтар тодорхойлсон. Ухаалаг үнэлгээ. Ирмэгийн тохиолдлуудад ямар ч гэнэтийн gremlins. NIST AI эрсдэлийн удирдлагын тогтолцоо нь практик, борлуулагчаас хамааралгүй луужин юм. [2]

4. Бизнесийн хувьд тохиромжтой

   • Загварын нарийвчлал, хоцрогдол, зардал нь таны хэрэглэгчдэд хэрэгтэй зүйлтэй нийцдэг. Хэрэв энэ нь нүд гялбам боловч KPI-ийг хөдөлгөхгүй бол энэ нь зүгээр л шинжлэх ухааны үзэсгэлэнгийн төсөл юм.

5. Үйл ажиллагааны төлөвшил

   • Хяналт шалгалт, хувилбар гаргах, санал хүсэлт гаргах, давтан сургах нь ердийн зүйл юм. Уйтгарлах нь энд сайн.

Хэрэв санаачилга эдгээр тавд нийцсэн бол энэ нь сайн хиймэл оюун ухаан, сайн ML эсвэл хоёулаа байх болно. Хэрэв энэ нь тэднийг алдвал энэ нь зугтсан демо байж магадгүй юм.

Machine Learning vs AI-ийг нэг дор харвал: давхаргууд 🍰

Практик сэтгэцийн загвар:

• Өгөгдлийн давхарга
  Түүхий текст, зураг, аудио, хүснэгт. Өгөгдлийн чанар бараг бүх цаг үеийн загварт шуугиан тарьдаг.

• загвар давхарга
  , ойлголт, хэлийг гүнзгийрүүлэн судлах, суурь загварууд улам бүр нэмэгдсээр байна.

• Шалтгаан ба багажийн давхарга
  Загварын гаралтыг даалгаврын гүйцэтгэл болгон хувиргадаг сануулга, хайлт, агентууд, дүрэм журам, үнэлгээний хэрэгсэл.

• Хэрэглээний давхарга
  Хэрэглэгчдэд чиглэсэн бүтээгдэхүүн. Энд хиймэл оюун ухаан ид шид мэт санагддаг, эсвэл заримдаа зүгээр л ... зүгээр.

Machine Learning vs AI нь ихэвчлэн эдгээр давхаргын хамрах хүрээний асуудал юм. ML нь ихэвчлэн загварын давхарга юм. AI нь бүрэн стекийг хамардаг. Практикт түгээмэл байдаг загвар: хөнгөн мэдрэгчтэй ML загвар ба бүтээгдэхүүний дүрэм нь танд илүү төвөгтэй байдлыг шаардах хүртэл илүү хүнд "AI" системийг ялдаг. [3]

Ялгааг харуулсан өдөр тутмын жишээ 🚦

• Спам шүүлтүүр

  • ML: хаяглагдсан цахим шуудан дээр сургагдсан ангилагч.

  • AI: эвристик, хэрэглэгчийн тайлан, дасан зохицох босго, ангилагчийг багтаасан бүхэл бүтэн систем.

• Бүтээгдэхүүний зөвлөмж

  • ML: товшилтын түүх дээрх хамтын шүүлтүүр эсвэл градиент нэмэгдсэн мод.

  • Хиймэл оюун ухаан: контекст, бизнесийн дүрэм, тайлбарыг харгалзан үзсэн төгсгөл хүртэлх хувийн тохируулга.

• Чатын туслахууд

  • ML: хэлний загвар нь өөрөө.

  • AI: санах ой, хайлт, багаж хэрэгсэл ашиглах, хамгаалалтын хашлага, UX бүхий туслах дамжуулах хоолой.

Та хэв маягийг анзаарах болно. ML бол суралцах зүрх юм. AI бол түүний эргэн тойрон дахь амьд организм юм.

Харьцуулах хүснэгт: Machine Learning ба AI хэрэгслүүд, үзэгчид, үнэ, яагаад ажилладаг вэ 🧰

Зориудаар бага зэрэг эмх замбараагүй байдаг - учир нь жинхэнэ тэмдэглэлүүд хэзээ ч төгс эмх цэгцтэй байдаггүй.

*Зөвхөн заагч. Ихэнх үйлчилгээнүүд үнэ төлбөргүй шатлал эсвэл төлбөрөө төлдөг; Одоогийн дэлгэрэнгүй мэдээллийг албан ёсны үнийн хуудаснаас шалгана уу.

Системийн дизайнд Machine Learning vs AI хэрхэн харагддаг вэ 🏗️

1. Шаардлага

   • AI: хэрэглэгчийн үр дүн, аюулгүй байдал, хязгаарлалтыг тодорхойлох.

   • ML: зорилтот хэмжүүр, онцлог, шошго, сургалтын төлөвлөгөөг тодорхойлох.

2. Өгөгдлийн стратеги

   • AI: төгсгөл хүртэлх мэдээллийн урсгал, засаглал, нууцлал, зөвшөөрөл.

   • ML: дээж авах, шошголох, нэмэгдүүлэх, шилжилтийг илрүүлэх.

3. Загварын сонголт

   • Ажиллаж болох хамгийн энгийн зүйлээс эхэл. Бүтэцлэгдсэн/хүснэгтийн өгөгдлийн хувьд градиентаар нэмэгдүүлсэн моднууд нь ихэвчлэн маш хэцүү суурь үзүүлэлт болдог. [5]

   • Бяцхан анекдот: хууран мэхлэх, залилан мэхлэх төслүүд дээр GBDT нь илүү хямд бөгөөд илүү хурдан үйлчлэхийн зэрэгцээ илүү гүн торыг давж байгааг бид олон удаа харсан. [5]

4. Үнэлгээ

   • ML: F1, ROC AUC, RMSE зэрэг офлайн хэмжигдэхүүн.

   • AI: хувиргах, хадгалах, сэтгэл ханамж зэрэг онлайн хэмжүүрүүд, мөн субъектив даалгаврын хүний ​​үнэлгээ. AI индекс нь эдгээр туршлагууд салбарын хэмжээнд хэрхэн хөгжиж байгааг хянадаг. [3]

5. Аюулгүй байдал ба засаглал

   • Бодлого, эрсдэлийн хяналтыг нэр хүндтэй хүрээнээс авдаг. NIST AI RMF нь байгууллагуудад хиймэл оюун ухааны эрсдлийг үнэлэх, удирдах, баримтжуулахад туслах зорилгоор тусгайлан бүтээгдсэн. [2]

Гараараа даллахгүйгээр чухал хэмжүүрүүд 📏

• Нарийвчлал ба ашигтай байдал
  Хоцролт, зардал хамаагүй дээр байвал арай бага нарийвчлалтай загвар ялах болно.

• Шалгалт тохируулга
  Хэрэв систем 90% итгэлтэй гэж хэлвэл энэ нь ихэвчлэн ийм хурдтай байдаг уу? Дутуу хэлэлцсэн, хэт чухал - температурын масштаб гэх мэт хөнгөн засварууд байдаг. [4]

• Бат бөх байдал
  Энэ нь эмх замбараагүй оролт дээр сайн мууддаг уу? Стресс тест болон синтетик захын тохиолдлуудыг туршиж үзээрэй.

• Шударга байдал ба хор хөнөөл
  Бүлгийн гүйцэтгэлийг хэмжих. Мэдэгдэж буй хязгаарлалтуудыг баримтжуулах. Хэрэглэгчийн боловсролыг UI дээр шууд холбоно уу. [2]

• Үйл ажиллагааны хэмжүүр
  Байршуулах хугацаа, буцаах хурд, өгөгдлийн шинэлэг байдал, бүтэлгүйтлийн түвшин. Өдөр авардаг уйтгартай сантехник.

Үнэлгээний практик, чиг хандлагын талаар илүү гүнзгий уншихын тулд Стэнфордын AI индекс нь салбар хоорондын мэдээлэл, дүн шинжилгээг цуглуулдаг. [3]

Болохгүй байх ёстой алдаа, домог 🙈

• Төөрөгдөл: илүү их өгөгдөл үргэлж сайн байдаг.
  Илүү сайн шошго, төлөөлөх түүвэрлэлт нь түүхий эзэлхүүнийг давсан. Тийм ээ, одоо ч гэсэн.

• Төөрөгдөл: гүнзгий суралцах нь бүх зүйлийг шийддэг.
  Жижиг/дунд хүснэгтийн асуудлуудад зориулагдаагүй; модонд суурилсан аргууд нь маш өрсөлдөөнтэй хэвээр байна. [5]

• Төөрөгдөл: AI нь бүрэн бие даасан байдалтай тэнцүү.
  Өнөөдөр хамгийн их үнэ цэнэ нь шийдвэр гаргахад дэмжлэг үзүүлэх, давталт дахь хүмүүстэй хэсэгчилсэн автоматжуулалтаас үүдэлтэй. [2]

• Нөхцөл байдал: асуудлын тодорхой бус мэдэгдэл.
  Хэрэв та амжилтын хэмжигдэхүүнийг нэг мөрөнд хэлж чадахгүй бол сүнс хөөх болно.

• Урвал: өгөгдлийн эрх, нууцлалыг үл тоомсорлодог.
  Байгууллагын бодлого, хууль эрх зүйн удирдамжийг дагаж мөрдөх; хүлээн зөвшөөрөгдсөн хүрээтэй эрсдэлийн хэлэлцүүлгийг зохион байгуулах. [2]

Худалдан авах, барилга барих: шийдвэр гаргах богино зам 🧭

• Хэрэв таны хэрэгцээ нийтлэг, цаг хугацаа бага байвал худалдан авалтаас эхэл Суурийн загвар API болон удирддаг үйлчилгээ нь маш чадвартай. Та хамгаалалтын хашлага, татан авалт, дараа нь үнэлгээ хийх боломжтой.

• Таны өгөгдөл өвөрмөц эсвэл таны даалгавар бол таны шуудан байх үед захиалгаар бүтээгээрэй Өгөгдлийн шугам, загварын сургалтаа эзэмш. MLOps-д хөрөнгө оруулахыг хүлээж байна.

• Гибрид нь хэвийн. Олон багууд хэлний API-г, зэрэглэл тогтоох, эрсдэлд оруулах тусгай ML-г хослуулдаг. Боломжтой зүйлээ ашигла. Шаардлагатай бол хольж, тааруулна.

Machine Learning болон AI хоёрыг хооронд нь салгах шуурхай асуултууд ❓

Бүх AI машин сурах уу?
Үгүй. Зарим хиймэл оюун ухаан нь дүрэм журам, эрэл хайгуул, төлөвлөлтийг бага эсвэл огт сураагүй ашигладаг. ML яг одоо давамгайлж байна. [3]

Бүгд ML AI мөн үү?
Тиймээ, ML нь AI шүхэр дотор амьдардаг. Хэрэв энэ нь даалгаврыг гүйцэтгэхийн тулд өгөгдлөөс суралцвал та хиймэл оюун ухааны бүсэд байна гэсэн үг. [1]

Би баримт бичигт алийг нь хэлэх ёстой вэ: Machine Learning vs AI?
Хэрэв та загвар, сургалт, өгөгдлийн талаар ярьж байгаа бол ML гэж хэлээрэй. Хэрэв та хэрэглэгчдэд тулгарч буй чадварууд болон системийн үйлдлийн талаар ярьж байгаа бол AI гэж хэлээрэй. Хэрэв эргэлзэж байвал тодорхой хэлээрэй.

Надад асар том мэдээллийн багц хэрэгтэй юу?
Үргэлж биш. Ухаалаг функцийн инженерчлэл эсвэл ухаалаг хайлт хийснээр жижиг өгөгдлийн багцууд нь илүү том дуу чимээтэй, ялангуяа хүснэгтэн өгөгдөл дээр илүү сайн ажиллах боломжтой. [5]

Хариуцлагатай хиймэл оюун ухааныг яах вэ?
Үүнийг эхнээс нь жигнэх хэрэгтэй. NIST AI RMF гэх мэт бүтэцлэгдсэн эрсдэлийн туршлагыг ашиглаж, системийн хязгаарлалтыг хэрэглэгчдэд мэдэгдээрэй. [2]

Гүн шумбах: сонгодог ML ба гүнзгий суралцах ба суурь загварууд 🧩

• Сонгодог ML

  • Хүснэгтийн өгөгдөл болон зохион байгуулалттай бизнесийн асуудлуудад тохиромжтой.

  • Сургахад хурдан, тайлбарлахад хялбар, үйлчлэхэд хямд.

  • Ихэнхдээ хүний ​​бүтээсэн онцлог, домайн мэдлэгтэй хослуулдаг. [5]

• Гүнзгий суралцах

  • Бүтэцгүй оролтын хувьд гэрэлтдэг: зураг, аудио, байгалийн хэл.

  • Илүү тооцоолох, нарийн тааруулах шаардлагатай.

  • Өргөтгөл, зохицуулалт, бодолтой архитектуруудтай хослуулсан. [3]

• Суурийн загварууд

  • Өргөн хүрээний өгөгдөл дээр урьдчилан бэлтгэгдсэн, сануулах, нарийн тааруулах эсвэл сэргээх замаар олон даалгаварт дасан зохицох боломжтой.

  • Хамгаалалтын хашлага, үнэлгээ, зардлын хяналт хэрэгтэй. Шуурхай инженерчлэлтэй нэмэлт миль. [2][3]

Бяцхан алдаатай зүйрлэл: сонгодог ML бол унадаг дугуй, гүнзгий суралцах нь мотоцикль, суурь загвар нь заримдаа завины үүрэг гүйцэтгэдэг галт тэрэг юм. Хэрэв та нүдээ цавчих юм бол энэ нь ямар нэгэн утга учиртай юм... тэгээд тэгэхгүй. Ашигтай хэвээр байна.

Та хулгайлах боломжтой хэрэгжилтийн хяналтын хуудас ✅

1. Нэг мөртэй асуудлын мэдэгдлийг бич.

2. Үндсэн үнэн ба амжилтын хэмжүүрүүдийг тодорхойл.

3. Бараа материалын мэдээллийн эх сурвалж ба мэдээллийн эрх. [2]

4. Хамгийн энгийн амьдрах боломжтой загвар бүхий суурь.

5. Аппликешныг эхлүүлэхийн өмнө үнэлгээний дэгээгээр хэрэглээрэй.

6. Санал хүсэлтийн гогцоонуудыг төлөвлөх: шошгололт, шилжилтийн шалгалт, давтан сургах.

7. Баримт бичгийн таамаглал ба мэдэгдэж буй хязгаарлалт.

8. Жижиг туршилтыг ажиллуулж, онлайн хэмжүүрийг офлайн ялалттайгаа харьцуулаарай.

9. Болгоомжтой хэмжиж, тасралтгүй хянаарай. Уйтгартайг тэмдэглэ.

Machine Learning vs AI - гайхалтай хураангуй 🍿

• AI бол таны хэрэглэгчийн мэдрэх ерөнхий чадвар юм.

• ML бол энэ чадавхийн тодорхой хэсгийг хангадаг сургалтын машин юм. [1]

• Амжилт нь загвар өмсөгч загвараас бага бөгөөд асуудлын тодорхой хүрээ, цэвэр өгөгдөл, прагматик үнэлгээ, аюулгүй ажиллагаа юм. [2][3]

• API-г ашиглан хурдан хөдөлж, энэ нь таны шуудуу болох үед тохируулаарай.

• Эрсдэлийг анхаарч үзээрэй. NIST AI RMF-ээс мэргэн ухааныг зээлж ав. [2]

• Хүний хувьд чухал үр дүнг хянах. Зөвхөн нарийвчлал биш. Ялангуяа дэмий хоосон хэмжүүр биш. [3][4]

Эцсийн тайлбар - Хэтэрхий удаан, уншаагүй 🧾

Machine Learning vs AI бол дуэль биш юм. Энэ нь хамрах хүрээ юм. AI бол хэрэглэгчдэд ухаалаг ханддаг бүхэл бүтэн систем юм. ML гэдэг нь тухайн системийн доторх өгөгдлөөс суралцах аргуудын багц юм. Хамгийн аз жаргалтай багууд ML-ийг хэрэгсэл, AI-г туршлага, бүтээгдэхүүний нөлөөллийг зөвхөн онооны самбар гэж үздэг. Үүнийг хүн чанартай, аюулгүй, хэмжигдэхүйц, бага зэрэг сэгсгэр байлгах хэрэгтэй. Мөн санаарай: унадаг дугуй, мотоцикл, галт тэрэг. Энэ нь нэг секундэд утга учиртай байсан, тийм үү? 😉

Лавлагаа

1. Tom M. Mitchell - Machine Learning (номын хуудас, тодорхойлолт). дэлгэрэнгүй уншина уу

2. NIST - AI Risk Management Framework (AI RMF 1.0) (албан ёсны хэвлэл). дэлгэрэнгүй уншина уу

3. Стэнфордын HAI - Хиймэл оюун ухааны индексийн тайлан 2025 (албан ёсны PDF). дэлгэрэнгүй уншина уу

4. Guo, Pleiss, Sun, Weinberger - Орчин үеийн мэдрэлийн сүлжээг тохируулах тухай (PMLR/ICML 2017). дэлгэрэнгүй уншина уу

5. Grinsztajn, Oyallon, Varoquaux - Модонд суурилсан загварууд яагаад хүснэгтийн өгөгдөл дээр гүнзгий суралцахаас давсан хэвээр байна вэ? (NeurIPS 2022 Datasets & Benchmarks). дэлгэрэнгүй уншина уу

Албан ёсны AI Assistant дэлгүүрээс хамгийн сүүлийн үеийн хиймэл оюун ухааныг олоорой

Бидний тухай