Οι συσκευές που συνδέονται στο Διαδίκτυο^(Internet) ονομάζονται έξυπνες συσκευές. Σχεδόν οτιδήποτε σχετίζεται με το Διαδίκτυο^(Internet) είναι γνωστό ως έξυπνη συσκευή^{(smart device)} . Σε αυτό το πλαίσιο, ο κώδικας που κάνει τις συσκευές ΠΙΟ ΕΞΥΠΝΟΙ –^{(SMARTER – )} ώστε να μπορούν να λειτουργούν με ελάχιστη ή χωρίς ανθρώπινη παρέμβαση – μπορούμε να πούμε ότι βασίζεται στην Τεχνητή Νοημοσύνη^{(Artificial Intelligence)} (AI). Οι άλλοι δύο, δηλαδή: η μηχανική μάθηση^{(Machine Learning)} (ML) και η βαθιά μάθηση^{(Deep Learning)} (DL), είναι διαφορετικοί τύποι αλγορίθμων που έχουν κατασκευαστεί για να προσφέρουν περισσότερες δυνατότητες στις έξυπνες συσκευές. Ας δούμε αναλυτικά παρακάτω AI vs ML vs DL για να καταλάβουμε τι κάνουν και πώς συνδέονται με το AI.

Τι είναι η Τεχνητή Νοημοσύνη σε σχέση με την ML & DL

Η τεχνητή νοημοσύνη μπορεί να ονομαστεί υπερσύνολο διαδικασιών μηχανικής μάθησης^{(Machine Learning)} (ML) και διεργασιών Deep Learning (DL). Το AI είναι συνήθως ένας γενικός όρος που χρησιμοποιείται για ML και DL. Το Deep Learning^{(Deep Learning)} είναι και πάλι, ένα υποσύνολο του Machine Learning (δείτε την παραπάνω εικόνα).

Κάποιοι υποστηρίζουν ότι η Μηχανική Μάθηση^{(Machine Learning)} δεν αποτελεί πλέον μέρος της καθολικής τεχνητής νοημοσύνης. Λένε ότι η ML είναι μια πλήρης επιστήμη από μόνη της και ως εκ τούτου, δεν χρειάζεται να ονομάζεται με αναφορά στην Τεχνητή Νοημοσύνη^{(Artificial Intelligence)} . Το AI ευδοκιμεί στα δεδομένα: Big Data . Όσο περισσότερα δεδομένα καταναλώνει, τόσο πιο ακριβές είναι. Δεν είναι ότι θα προβλέπει πάντα σωστά. Θα υπάρχουν και ψεύτικες σημαίες. Το AI εκπαιδεύεται σε αυτά τα λάθη και γίνεται καλύτερο σε αυτό που υποτίθεται ότι κάνει – με ή χωρίς ανθρώπινη επίβλεψη.

Η τεχνητή νοημοσύνη δεν μπορεί να οριστεί σωστά, καθώς έχει διεισδύσει σχεδόν σε όλους τους κλάδους και επηρεάζει πάρα πολλούς τύπους (επιχειρηματικών) διαδικασιών και αλγορίθμων. Μπορούμε να πούμε ότι η Τεχνητή Νοημοσύνη^{(Intelligence)} βασίζεται στην Επιστήμη Δεδομένων^{(Data Science)} (DS: Big Data ) και περιλαμβάνει τη Μηχανική Μάθηση^{(Machine Learning)} ως ξεχωριστό μέρος της. Ομοίως^(Likewise) , το Deep Learning^{(Deep Learning)} είναι ένα ξεχωριστό μέρος της Machine Learning .

Όπως γέρνει η αγορά πληροφορικής, το μέλλον θα κυριαρχείται με συνδεδεμένες έξυπνες συσκευές, που ονομάζονται Internet of Things (IoT) . Έξυπνες^(Smart) συσκευές σημαίνει τεχνητή νοημοσύνη: άμεσα ή έμμεσα. Χρησιμοποιείτε ήδη τεχνητή νοημοσύνη (AI) σε πολλές εργασίες στην καθημερινή σας ζωή. Για παράδειγμα, πληκτρολογώντας σε ένα πληκτρολόγιο smartphone που βελτιώνεται συνεχώς στην "πρόταση λέξεων". Μεταξύ άλλων παραδειγμάτων όπου εν αγνοία σας ασχολείστε με την Τεχνητή Νοημοσύνη^{(Artificial Intelligence)} είναι η αναζήτηση πραγμάτων στο Διαδίκτυο^(Internet) , οι ηλεκτρονικές αγορές και φυσικά τα πάντα έξυπνα εισερχόμενα email του Gmail και του Outlook .

Τι είναι η Μηχανική Μάθηση

Η Μηχανική Μάθηση^(Learning) είναι ένα πεδίο της Τεχνητής Νοημοσύνης^{(Artificial Intelligence)} όπου ο στόχος είναι να κάνει μια μηχανή (ή υπολογιστή, ή λογισμικό) να μάθει και να εκπαιδεύεται χωρίς πολύ προγραμματισμό. Τέτοιες συσκευές χρειάζονται λιγότερο προγραμματισμό καθώς εφαρμόζουν ανθρώπινες μεθόδους για την ολοκλήρωση εργασιών, συμπεριλαμβανομένης της εκμάθησης πώς να αποδίδουν καλύτερα. Βασικά^(Basically) , το ML σημαίνει να προγραμματίσετε λίγο έναν υπολογιστή/συσκευή/λογισμικό και να του επιτρέψετε να μάθει μόνο του.

Υπάρχουν διάφορες μέθοδοι για τη διευκόλυνση της Μηχανικής Μάθησης^{(Machine Learning)} . Από αυτά, τα ακόλουθα τρία χρησιμοποιούνται ευρέως:

1. Εποπτευόμενος,
2. Χωρίς επίβλεψη και
3. Ενισχυτική μάθηση.

Εποπτευόμενη Μάθηση στη Μηχανική Μάθηση^{(Machine Learning)}

Επιβλέπεται με την έννοια ότι οι προγραμματιστές παρέχουν πρώτα στο μηχάνημα δεδομένα με ετικέτα και ήδη επεξεργασμένες απαντήσεις. Εδώ, οι ετικέτες σημαίνουν τα ονόματα σειρών ή στηλών σε μια βάση δεδομένων ή υπολογιστικό φύλλο. Αφού τροφοδοτήσει τεράστια σύνολα τέτοιων δεδομένων στον υπολογιστή, είναι έτοιμος να αναλύσει περαιτέρω σύνολα δεδομένων και να παράσχει αποτελέσματα μόνος του. Αυτό σημαίνει ότι διδάξατε στον υπολογιστή πώς να αναλύει τα δεδομένα που του τροφοδοτούνται.

Συνήθως, επιβεβαιώνεται χρησιμοποιώντας τον κανόνα 80/20. Τεράστια^(Huge) σύνολα δεδομένων τροφοδοτούνται σε έναν υπολογιστή που προσπαθεί και μαθαίνει τη λογική πίσω από τις απαντήσεις. Το 80 τοις εκατό των δεδομένων από ένα συμβάν τροφοδοτείται στον υπολογιστή μαζί με απαντήσεις. Το υπόλοιπο 20 τοις εκατό τροφοδοτείται χωρίς απαντήσεις για να δούμε αν ο υπολογιστής μπορεί να καταλήξει σε σωστά αποτελέσματα. Αυτό το 20 τοις εκατό χρησιμοποιείται για διασταυρούμενο έλεγχο για να δούμε πώς μαθαίνει ο υπολογιστής (μηχανή).

Μη εποπτευόμενη Μηχανική Εκμάθηση

Η εκμάθηση χωρίς επίβλεψη συμβαίνει όταν το μηχάνημα τροφοδοτείται με τυχαία σύνολα δεδομένων που δεν φέρουν ετικέτα και δεν έχουν τη σειρά. Το μηχάνημα πρέπει να καταλάβει πώς να παράγει τα αποτελέσματα. Για παράδειγμα, αν του προσφέρετε softballs διαφορετικών χρωμάτων, θα πρέπει να μπορεί να κατηγοριοποιήσει ανά χρώματα. Έτσι, στο μέλλον, όταν το μηχάνημα παρουσιαστεί με ένα νέο softball, μπορεί να αναγνωρίσει τη μπάλα με ήδη υπάρχουσες ετικέτες στη βάση δεδομένων του. Δεν υπάρχουν δεδομένα εκπαίδευσης σε αυτή τη μέθοδο. Το μηχάνημα πρέπει να μάθει από μόνο του.

Ενισχυτική Μάθηση

Οι μηχανές που μπορούν να λάβουν μια σειρά αποφάσεων εμπίπτουν σε αυτήν την κατηγορία. Στη συνέχεια, υπάρχει ένα σύστημα ανταμοιβής. Αν το μηχάνημα κάνει καλά ό,τι θέλει ο προγραμματιστής, παίρνει μια ανταμοιβή. Το μηχάνημα είναι προγραμματισμένο με τέτοιο τρόπο ώστε να ζητά μέγιστες ανταμοιβές. Και για να το αποκτήσει, λύνει προβλήματα επινοώντας διαφορετικούς αλγόριθμους σε διαφορετικές περιπτώσεις. Αυτό σημαίνει ότι ο υπολογιστής AI χρησιμοποιεί μεθόδους δοκιμής και λάθους για να καταλήξει σε αποτελέσματα.

Για παράδειγμα, εάν το μηχάνημα είναι αυτοοδηγούμενο όχημα, πρέπει να δημιουργήσει τα δικά του σενάρια στο δρόμο. Δεν υπάρχει περίπτωση ένας προγραμματιστής να προγραμματίσει κάθε βήμα, καθώς δεν μπορεί να σκεφτεί όλες τις δυνατότητες όταν το μηχάνημα είναι στο δρόμο. Εκεί μπαίνει η Ενισχυτική Μάθηση^{(Reinforcement Learning)} . Μπορείτε επίσης να την ονομάσετε δοκιμή και σφάλμα AI.

Πώς διαφέρει το Deep Learning από το Machine Learning

Το Deep Learning^{(Deep Learning)} είναι για πιο περίπλοκες εργασίες. Το Deep Learning^{(Deep Learning)} είναι ένα υποσύνολο του Machine Learning . Μόνο που περιέχει περισσότερα νευρωνικά δίκτυα που βοηθούν τη μηχανή στη μάθηση. Τα ανθρωπογενή^(Manmade) νευρωνικά δίκτυα δεν είναι καινούργια. Εργαστήρια^(Labs) σε όλο τον κόσμο προσπαθούν να δημιουργήσουν και να βελτιώσουν τα νευρωνικά δίκτυα, έτσι ώστε οι μηχανές να μπορούν να λαμβάνουν τεκμηριωμένες αποφάσεις. Πρέπει να έχετε ακούσει για τη Σοφία^(Sophia) , ένα ανθρωποειδές στη Σαουδική Αραβία^(Saudi) που έλαβε την κανονική υπηκοότητα. Τα νευρωνικά δίκτυα είναι σαν τον ανθρώπινο εγκέφαλο αλλά όχι τόσο εξελιγμένα όσο ο εγκέφαλος.

Υπάρχουν μερικά καλά δίκτυα που παρέχουν βαθιά μάθηση χωρίς επίβλεψη. Μπορείτε να πείτε ότι το Deep Learning είναι περισσότερα νευρωνικά δίκτυα που μιμούνται τον ανθρώπινο εγκέφαλο. Ωστόσο, με αρκετά δείγματα δεδομένων, οι αλγόριθμοι Deep Learning μπορούν να χρησιμοποιηθούν για την ανάκτηση λεπτομερειών από δείγματα δεδομένων. Για παράδειγμα, με ένα μηχάνημα DL με επεξεργαστή εικόνας, είναι πιο εύκολο να δημιουργήσετε ανθρώπινα πρόσωπα με συναισθήματα που αλλάζουν ανάλογα με τις ερωτήσεις που τίθενται στο μηχάνημα.

Τα παραπάνω εξηγούν το AI vs MI vs DL σε ευκολότερη γλώσσα. Το AI και το ML είναι τεράστια πεδία – που μόλις ανοίγουν και έχουν τεράστιες δυνατότητες. Αυτός είναι ο λόγος που μερικοί άνθρωποι αντιτίθενται στη χρήση της Μηχανικής Μάθησης^{(Machine Learning)} και της Βαθιάς Μάθησης^{(Deep Learning)} στην Τεχνητή Νοημοσύνη^{(Artificial Intelligence)} .

What are Machine Learning and Deep Learning in Artificial Intelligence

Devicеs connected to the Internеt are called ѕmart deνices. Prettу much everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.

What is Artificial Intelligence with respect to ML & DL

AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).

Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.

Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.

The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.

What is Machine Learning

Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.

There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:

1. Supervised,
2. Unsupervised, and
3. Reinforcement learning.

Supervised Learning in Machine Learning

Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.

Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.

Unsupervised Machine Learning

Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.

Reinforcement Learning

Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.

For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.

How is Deep Learning different from Machine Learning

Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.

There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.

The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.

Related posts

• SMS Organizer: Εφαρμογή SMS που υποστηρίζεται από τη Μηχανική Εκμάθηση

• Γεγονότα, Μύθοι, Συζήτηση για την Τεχνητή Νοημοσύνη

• Τι είναι η βαθιά μάθηση και το νευρωνικό δίκτυο

• Το καλύτερο δωρεάν λογισμικό τεχνητής νοημοσύνης για Windows 10

• Πώς να εγκαταστήσετε το Drupal χρησιμοποιώντας WAMP στα Windows

• Τα καλύτερα σακίδια πλάτης φορητών υπολογιστών για άνδρες και γυναίκες

• Τα καλύτερα εργαλεία για να στείλετε SMS δωρεάν από τον υπολογιστή σας

• Η εφαρμογή ανταλλαγής μηνυμάτων περιόδου λειτουργίας προσφέρει ισχυρή ασφάλεια. Δεν απαιτείται αριθμός τηλεφώνου!

• Το Fix Partner δεν συνδέθηκε με το σφάλμα δρομολογητή στο TeamViewer στα Windows 10

• Τα καλύτερα τραπέζια φορητών υπολογιστών για αγορά μέσω Διαδικτύου

• Τι είναι οι εικονικές πιστωτικές κάρτες και πώς και πού τις αποκτάτε;

• Τι είναι ένας σύνδεσμος Magnet και πώς να ανοίξετε συνδέσμους Magnet σε ένα πρόγραμμα περιήγησης

• Το Whiteboard Fox είναι ένας δωρεάν διαδικτυακός πίνακας που επιτρέπει την κοινή χρήση σε πραγματικό χρόνο

• Μετατρέψτε τους συνδέσμους Magnet σε συνδέσμους άμεσης λήψης χρησιμοποιώντας το Seedr

• Πώς να εγκαταστήσετε τα Windows 95 στα Windows 10

• Πώς να μετατρέψετε δυαδικό σε κείμενο χρησιμοποιώντας αυτόν τον μετατροπέα κειμένου σε δυαδικό

• Το καλύτερο δωρεάν λογισμικό ασφαλούς ψηφιακού φορητού υπολογιστή και διαδικτυακές υπηρεσίες

• Πώς να δημιουργήσετε αυτο-υπογεγραμμένα πιστοποιητικά SSL στα Windows 11/10

• Πώς να κλείσετε τον λογαριασμό σας Payoneer;

• Αποκλείστηκε από τις Ρυθμίσεις διακομιστή και διακομιστή Plex; Εδώ είναι η επιδιόρθωση!