Машинное обучение и глубокое обучение: в чём разница? Объяснение простым языком
Одно — это обширная область, другое — мощная техника внутри неё. Вот как они соотносятся.
Машинное обучение — это раздел искусственного интеллекта, где компьютеры учатся распознавать закономерности в данных вместо следования заранее написанным правилам. Глубокое обучение — это конкретный метод в рамках машинного обучения, использующий многоуровневые сети, в общих чертах вдохновленные структурой мозга. Каждая система глубокого обучения — это машинное обучение, но большинство систем машинного обучения — это не глубокое обучение.
Как работает обычное машинное обучение?
Классическое машинное обучение подаёт компьютеру данные плюс набор признаков, которые люди уже решили, что имеют значение. Например, чтобы обнаруживать спам в электронной почте, программист может указать системе обращать внимание на слова типа «бесплатно» и «срочно», а также на домен отправителя.
Алгоритм затем учится определять, какие комбинации этих выбранных вручную признаков лучше всего предсказывают спам. Это хорошо работает, когда эксперты уже знают, что искать. Недостаток в том, что кто-то должен проделать эту работу по выбору признаков в начале, и это может занять много времени.
Распространённые классические методы включают деревья решений (правила в виде блок-схемы, которые строит сама модель), логистическую регрессию (оценка вероятности результата) и опорные векторы (проведение оптимальной границы между категориями в данных). Каждый из них прозрачен настолько, что обычно можно понять, почему модель приняла то или иное решение.
А чем глубокое обучение отличается?
Глубокое обучение полностью пропускает этап ручного выбора признаков. Вы подаёте ему сырые данные, такие как пиксели, образцы звука или слова, а оно само определяет, какие закономерности имеют значение, пропуская данные через множество наложенных друг на друга слоёв простых математических операций. Эти стопки называют нейронными сетями.
Каждый слой учится распознавать немного более абстрактный признак. В сети распознавания изображений ранние слои замечают края, средние слои замечают формы, а более поздние слои замечают объекты. Google DeepMind описывает это иерархическое обучение представлений как то, что позволило AlphaFold предсказывать структуры белков, над которыми традиционные методы работали десятилетиями.
Компромисс: глубокому обучению обычно требуется намного больше данных и вычислительной мощности для обучения, и принимаемые им решения сложнее объяснить.
Сравнение рядом
| Характеристика | Классическое машинное обучение | Глубокое обучение |
|---|---|---|
| Выбор признаков | Выбирает эксперт-человек | Модель находит их автоматически |
| Требуемые данные | Сотни-тысячи примеров | Часто миллионы примеров |
| Стоимость вычислений | Низкая до средней | Высокая (часто требует GPU) |
| Объяснимость | Обычно понятна | Часто «чёрный ящик» |
| Лучше всего подходит для | Структурированные таблицы, небольшие наборы данных | Изображения, аудио, текст, видео |
| Пример алгоритма | Случайный лес | Сверточная нейронная сеть |
Можете привести пример обоих в действии?
Конечно. Команда по предотвращению мошенничества в банке может использовать классическую модель градиентного бустинга (метод машинного обучения, который объединяет много маленьких деревьев решений), чтобы выявить подозрительные транзакции, потому что логику работы модели можно показать регуляторам. Тем временем функция разблокировки по лицу на вашем телефоне использует глубокое обучение, в частности сверточную нейронную сеть, потому что распознавание лица по сырым пиксельным данным при изменяющемся освещении — это именно то беспорядочное задание, для которого было создано глубокое обучение.
Всегда ли побеждает глубокое обучение?
Вовсе нет. Когда ваш набор данных маленький или ваши данные организованы аккуратно в колонки и строки, классическое машинное обучение часто превосходит глубокое обучение и обучается за секунды, а не за часы. Исследование Университета Карнеги-Меллона и других учреждений, опубликованное на arXiv, показывает, что модели на основе деревьев часто превосходят глубокое обучение на структурированных табличных данных. Выбор правильного инструмента зависит от типа ваших данных, вашего бюджета и от того, нужно ли объяснять решение человеку.
Сколько это стоит использовать?
Для классического машинного обучения бесплатные библиотеки с открытым исходным кодом, такие как scikit-learn, работают на обычном ноутбуке. Глубокое обучение — это другой разговор. Обучение большой модели изображений или языка может стоить тысячи долларов облачных вычислений. API OpenAI позволяет вам получить доступ к предварительно обученным моделям глубокого обучения за плату за токен (токен примерно равен трём четвертям слова), так что вы платите за то, что используете, а не за обучение с нуля.
Есть ли какие-нибудь подводные камни с приватностью?
В любом подходе, если вы отправляете свои данные облачному сервису для обучения или запуска модели, этот поставщик может их видеть. Просто и ясно. Проверьте, использует ли сервис ваши данные для улучшения собственных моделей, потому что некоторые делают это по умолчанию. Для чувствительных данных ищите варианты на устройстве или контракты, которые явно запрещают обучение на ваших вводах. Закон об ИИ ЕС классифицирует определённые применения этих систем как высокорискованные, что влечёт за собой дополнительные обязательства по прозрачности и обработке данных.
Частые вопросы
Нейронная сеть — это то же самое, что глубокое обучение?
Почти, но не совсем. Нейронная сеть с одним или двумя слоями технически считается поверхностной и относится к обычному машинному обучению. Глубокое обучение конкретно означает нейронные сети с множеством слоёв, обычно более трёх, где именно эта глубина даёт методу его мощь.
Нужно ли мне понимать оба, чтобы использовать инструменты ИИ сегодня?
Не совсем. Большинство готовых инструментов ИИ берут сложность на себя. Знание различий помогает выбрать правильный инструмент и понять, почему система может дать сбой, но вам не нужно создавать ни один из них с нуля, чтобы получить от них пользу.
