Яка різниця між машинним навчанням та глибоким навчанням? Посібник простою мовою
Одне — це широка область, інше — потужна техніка всередині неї. Ось точно, як вони взаємопов'язані.
Машинне навчання — це відділ штучного інтелекту, де комп'ютери вчаться розпізнавати закономірності в даних замість дотримання напрацьованих людиною правил. Глибоке навчання — це конкретний метод у межах машинного навчання, який використовує багатошарові мережі, які грубо натхнені структурою мозку. Кожна система глибокого навчання — це машинне навчання, але більшість систем машинного навчання — це не глибоке навчання.
Як насправді працює звичайне машинне навчання?
Класичне машинне навчання подає комп'ютеру дані плюс набір ознак, які люди вже вирішили, що мають значення. Наприклад, щоб виявити спам-листування, програміст міг би наказати системі звернути увагу на слова типу «безплатно» та «термінально», а також на домен відправника.
Алгоритм потім вчиться, які комбінації цих вибраних вручну ознак найкраще передбачають спам. Це добре працює, коли експерти вже знають, на що шукати. Недоліком є те, що хтось повинен виконати цю роботу з вибору ознак експерта наперед, і це може зайняти багато часу.
Поширені класичні методи включають дерева рішень (правила у вигляді блок-схеми, які моделює будує сама), логістичну регресію (оцінювання ймовірності результату) та машини опорних векторів (проведення найкращої межі між категоріями в даних). Кожний достатньо прозорий, щоб зазвичай ви могли перевірити, чому він прийняв рішення.
То що робить глибоке навчання іншим?
Глибоке навчання повністю пропускає крок ручного створення ознак. Ви подаєте йому сирові дані, такі як пікселі, зразки аудіо або слова, і воно само з'ясовує, які закономірності мають значення, пропускаючи дані через багато складених шарів простих математичних операцій. Ці стеки називаються нейронними мережами.
Кожний шар вчиться дещо абстрактнішій ознаці. У мережі розпізнавання зображень ранні шари помічають ребра, середні шари помічають форми, а пізніші шари помічають об'єкти. Google DeepMind описує це ієрархічне представлення навчання як те, що дозволило AlphaFold передбачити структури білків, які спантеличили традиційні методи протягом десятиліть.
Компроміс: глибоке навчання зазвичай потребує значно більше даних та обчислювальної потужності для навчання, а рішення, які воно приймає, важче пояснити.
Порівняння поруч
| Ознака | Класичне машинне навчання | Глибоке навчання |
|---|---|---|
| Вибір ознак | Експерт-людина вибирає їх | Модель знаходить їх автоматично |
| Потрібні дані | Сотні-тисячі прикладів | Часто мільйони прикладів |
| Вартість обчислень | Низька до середньої | Висока (часто потрібні GPU) |
| Пояснюваність | Зазвичай зрозуміла | Часто «чорна скринька» |
| Найкраще для | Структуровані таблиці, малі набори даних | Зображення, аудіо, текст, відео |
| Приклад алгоритму | Випадковий ліс | Згорткова нейронна мережа |
Можете навести приклад обох у дії?
Звісно. Команда боротьби з шахрайством у банку може використовувати класичну модель градієнтного посилення (метод машинного навчання, який комбінує багато малих дерев рішень), щоб позначити сумнівні транзакції, тому що логіку моделі можна показати регуляторам. Тим часом функція розблокування обличчя на вашому телефоні використовує глибоке навчання, конкретно згорткову нейронну мережу, тому що розпізнавання обличчя за сирими пікселями в умовах мінливого освітлення — це саме та складна проблема, для якої було розроблено глибоке навчання.
Чи завжди перемагає глибоке навчання?
Не зовсім. Коли ваш набір даних малий або ваші дані розташовані в охайних стовпцях та рядках, класичне машинне навчання часто переважає глибоке навчання та навчається за секунди замість годин. Дослідження з Carnegie Mellon та інших установ, опубліковане на arXiv, показує, що моделі на основі дерев часто перевершують глибоке навчання на структурованих табличних даних. Вибір правильного інструменту залежить від типу ваших даних, вашого бюджету та того, чи потрібно вам пояснити рішення людині.
Скільки це коштує використовувати?
Для класичного машинного навчання безплатні бібліотеки з відкритим вихідним кодом, такі як scikit-learn, працюють на звичайному ноутбуці. Глибоке навчання — інша справа. Навчання великої моделі зображення чи мови може коштувати тисячі доларів у хмарних обчисленнях. API OpenAI дозволяє отримувати доступ до попередньо навчених моделей глибокого навчання за плату за токен (токен — це приблизно три чверті слова), тому ви платите за те, що використовуєте, замість навчання з нуля.
Чи є якісь упіймання щодо конфіденційності?
У будь-якому випадку, якщо ви надіслали свої дані хмарній службі для навчання або запуску моделі, цей постачальник може їх бачити. Абсолютно просто. Перевірте, чи служба використовує ваші дані для вдосконалення своїх власних моделей, тому що деякі роблять це за умовчанням. Для конфіденційних даних шукайте варіанти на пристрої або контракти, які явно забороняють навчання на ваших вхідних даних. Закон ЄС про штучний інтелект класифікує деякі використання цих систем як високого ризику, що викликає додаткові зобов'язання щодо прозорості та обробки даних.
Часті запитання
Чи нейронна мережа — це те саме, що глибоке навчання?
Майже, але не зовсім. Нейронна мережа всього з одним-двома шарами технічно поверхова і рахується як звичайне машинне навчання. Глибоке навчання конкретно означає нейронні мережі з багатьма шарами, зазвичай більше трьох, де саме ця глибина надає методу його потужність.
Чи мне потрібно розуміти обидва, щоб використовувати інструменти штучного інтелекту сьогодні?
Не дійсно. Більшість готових інструментів штучного інтелекту обробляють складність за вас. Знання різниці допомагає вам вибрати правильний інструмент і зрозуміти, чому система може вийти з ладу, але вам не потрібно будувати жодну з них з нуля, щоб отримати користь.
