Inteligência Artificial vs Aprendizado de Máquina vs Aprendizado Profundo | A diferença

Os termos Inteligência Artificial (IA), Aprendizado de Máquina (ML) e Aprendizado Profundo (DL) se tornaram muito comuns atualmente. Eles são freqüentemente usados ​​de forma intercambiável, especialmente ao lidar com Big Data, análise e pesquisa e indexação. Embora esses três termos estejam muito relacionados, eles não são a mesma coisa.

Na história de hoje, vamos explicar o que exatamente é IA, ML e DL, e como eles são diferentes um do outro. Não se preocupe; não usaremos nenhum termo científico complicado - vamos mantê-lo curto e o mais simples possível.

Inteligência Artificial

AI é a subdivisão da ciência da computação, cunhada pela primeira vez em 1956 por John McCarthy. O computador geralmente executa tarefas que comandamos. No entanto, a IA é uma forma de construir uma máquina ou software que pode pensar de forma inteligente e funcionar sozinho, como os humanos. Isso inclui coisas como compreensão da linguagem, reconhecimento de sons e visuais, aprendizagem, planejamento e resolução de problemas.

Por exemplo, um programa convencional pode responder apenas a perguntas específicas, mas o programa AI pode responder a perguntas genéricas.

Existem quatro tipos de IA -

1. Totalmente reativo: Tipo básico, não consigo tirar conclusões. Exemplo - Google ’AlphaGo, IBM’s DeepBlue
2. Memória limitada: Pode tomar decisões adequadas e agir. Exemplo - Chatbots, veículos que dirigem sozinhos
3. Teoria da Mente: Pode compreender pensamentos, emoções e interagir socialmente. - Ainda não construído *
4. Auto-conhecimento: Pode formar representações sobre si mesmo, estar ciente do estado de si mesmo e pode prever os sentimentos dos outros. –Não construído ainda *

* Embora o terceiro e o quarto tipo de máquina não existam realmente, eles são demonstrados em filmes de ficção científica, como R2D2 (tipo 3) de Star Wars e Eva (tipo 4) de Ex Machina.

Aprendizado de máquina

ML é um subconjunto de IA que fornece ao sistema a capacidade de aprender, agir e melhorar com a experiência sem ser explicitamente programado. Portanto, em vez de escrever explicitamente todos os métodos com instruções específicas para realizar uma tarefa específica, o ML é uma técnica de treinamento de um programa para que ele possa aprender com as experiências anteriores. Aqui, treinamento se refere a alimentar uma grande quantidade de dados para o programa e permitir que o programa se configure e melhore.

Por exemplo, se você fornecer milhares de fotos de gatos ao algoritmo de ML, ele começará a reconhecer a aparência de um gato - altura, cor, formato do rosto etc. Eventualmente, ele pode identificar e marcar gatos automaticamente nas fotos. Quando o nível de precisão é alto o suficiente, o algoritmo pode dizer com precisão a aparência de um gato.

Tipos de aprendizado de máquina:

1. Supervisionado: Faz a máquina aprender explicitamente por meio de dados com saídas definidas.
2. Não supervisionado: A máquina entende os dados (padrão / estrutura) e tira inferências dos conjuntos de dados.
3. Reforço: Uma abordagem à IA, aprenda com o reforço positivo e negativo e recompense os resultados positivos.

Aprendizado profundo

Deep Learning é um subcampo do aprendizado de máquina que lida com algoritmos inspirados na estrutura e função do cérebro humano, ou interconexão de muitos neurônios. Esses algoritmos são conhecidos como Redes Neurais Artificiais (RNAs) que imitam a estrutura biológica do cérebro.

Os neurônios têm camadas discretas e conexões com outros neurônios. É possível visualizar essas camadas como uma hierarquia aninhada de conceitos relacionados ou árvores de decisão. Cada camada é capaz de selecionar um determinado recurso para aprender ou seguir um caminho específico. A profundidade é construída por várias camadas - quanto mais camadas uma rede possui, mais profunda / complexa ela é.

Para serem bem treinadas, as redes de aprendizagem profunda exigem grandes quantidades de itens. Em vez de escrever código para cada borda que define itens, o sistema aprende com a exposição a milhões de pontos de dados.

O cérebro do Google é um exemplo perfeito de aprendizado profundo para reconhecer gatos depois de coletar mais de dez milhões de amostras de imagens. Essas redes não precisam ser codificadas com critérios específicos que definem itens; eles podem identificar bordas após serem expostos a um grande número de amostras.



Em outubro de 2017, o chefe do Google Brain, Jeff Dean disse no VB Summit, Berkeley -

Hoje, os sistemas de reconhecimento de imagem desenvolvidos para aprendizagem profunda são melhores do que os humanos - isso varia desde o reconhecimento de gatos até a identificação de indicadores de câncer no sangue e tumores em exames de ressonância magnética.

O Google AlphaGo treinou no jogo Go (muito mais complicado do que xadrez) e avançou sua rede neural jogando contra si mesmo indefinidamente. Em março de 2016, ele se tornou o primeiro programa de computador a derrotar um jogador profissional de Go humano.

Leia:18 melhores motores de xadrez com base em suas classificações

Visualizando AI ML e DL

Crédito da imagem:Nvidia

A maneira mais simples de pensar no relacionamento de IA, ML e DL é visualizá-los como círculos concêntricos, nos quais a inteligência artificial vem primeiro, depois o aprendizado de máquina e, por fim, o aprendizado profundo, que está impulsionando a atual explosão da IA.

Do busto ao crescimento

A inteligência artificial faz parte da imaginação humana e fervilha em laboratórios de pesquisa desde 1956. Fizemos mais progresso em 7 anos desde 2012 do que nos 25 anos anteriores em vários problemas importantes de IA, como atenuação de texto, processamento de sinal, voz e imagem reconhecimento (um trabalho difícil).

O principal motivo da explosão da IA ​​nos últimos anos é a ampla disponibilidade de GPUs que tornam o processamento paralelo ainda mais rápido e barato. Também tem a ver com armazenamento praticamente infinito e todo o movimento do Big Data - texto, imagem, transações, etc.

Hoje, todas as empresas gigantes da tecnologia estão investindo pesadamente em projetos de IA e bilhões de pessoas interagem com o software de IA diariamente por meio de mecanismos de pesquisa na web, mídia social e plataformas de comércio eletrônico. E um dos tipos (ou você pode dizer o único tipo) de IA com o qual mais interagimos é o aprendizado de máquina.
De acordo com o statista, a receita global do mercado de IA ultrapassaria US $ 59 trilhões em 2025.

Leia:18 fatos mais interessantes sobre computadores quânticos

IA é o futuro, graças ao aprendizado profundo

O Deep Learning possibilitou várias aplicações práticas de Aprendizado de Máquina, dividindo tarefas de maneiras que fazem com que todos os tipos de assistências de máquina pareçam possíveis. Melhores recomendações de produtos e sugestões de histórias, melhores cuidados de saúde preventivos, veículos sem motorista - hoje, tudo isso é possível. Com a ajuda do Deep Learning, a IA pode até chegar ao estado de ficção científica que os humanos imaginaram por muito tempo.