Markedsføring.dk den 15. november 2018
Hvad er forskellen på AI, Machine- og Deep learning?
AI. Artificial intelligence. Robotter og maskiner som modsat NI – Normal Intelligence- er artifical, altså kunstig.
Og kan reagere næsten som var det menneskelig intelligens på de ”ordrer” eller algoritmer, de er programmeret til.
AI nævnes ofte i forbindelse med machine learning og deep learning. Men hvad er forskellen? Den bedste måde at differentiere de tre begreber på, er at se dem som én samlet enhed.
I denne enhed er deep learning en undergruppe af machine learning, og machine learning er en undergruppe af AI. Helt overordnet er AI en hvilken som helst klasse af algoritmer, der gør det muligt for en computer at udføre opgaver på en rationel måde.
Machine learning er algoritmer der processerer data, lærer fra dette data og derefter anvender hvad den har lært, til at træffe velinformerede beslutninger.
Deep learning er en mere kompleks udgave af machine learning, der konstant lærer og selv kan bestemme om dens forudsigelse er korrekt eller ej.
Kunstig intelligens er altså en kombination af en masse forskellige machine learnings eller deep learnings algoritmer og benytter disse til at udføre opgaver på en rationel måde.
Artificial intelligence – Den menneskelige intelligens udført af maskiner:
AI er som nævnt paraplybegrebet som dækker over de andre to. Tidsmæssigt er det også det første formulerede begreb, herefter kom machine learning og endeligt deep learning, hvorfra vi lige nu ser nye teknologier udvikle sig.
Et klassisk eksempel på kunstig intelligens er en skak engine. Moderne skak engines kan i dag spille skak bedre end noget menneske kan.
Her tillader algoritmerne at løse et problem ved at evaluere de erfaringer den har gjort sig, givet sin nuværende position. Den sammensætter dermed tusindvis af forskellige træk i forhold til tidligere evalueringer og ud fra dette benytter den sig af det bedst mulige træk.
Machine Learning – et instrument til berigelse af data/forudsigelser:
Machine learning den del af AI, som beskæftiger sig med automatisering og effektivisering af komplekse statistiske modelleringsmetoder, der benyttes til analyser af store mængder (big) og kompleks data.
Nogle typiske benyttelser af machine learning, er e.g. klassificeringer, klyngeanalyser, forudsigelser etc. disse bliver opnået gennem historisk data, som man så at sige fodrer algoritmen. Der findes mange forskellige machine learning modeller, der alle benytter sig af forskellig teori, der er derfor ikke én model der er den ’bedste’. At finde den ’bedste’ ML model kommer meget an på ens data, og man skal derfor have en hvis viden indenfor, hvilket data man arbejder med, for at kunne beslutte hvilken model der passer bedst til ens specifikke data. Af machine learning modeller kan nævnes eks. neural networks, decision tree model, og support vector machine.
Deep learning – Machine learning med hukommelse:
Deep learning er som sagt en mere kompleks udgave af machine learning, der konstant lærer af sine egne forudsigelser eller træk.
En deep learning algoritme har, hvad man vil kalde for ’hukommelse’, som en almindelig machine learning algoritme ikke har. Denne hukommelse eller disse ”minder”, som West World seeren måske vil kalde det, gør, at maskinen er i stand til at forbedre sig selv hele tiden, og at dens næste træk derfor kan føles meget menneskeligt, som om den responderer på netop den aktuelle situation.
Et godt eksempel på deep learning teknologier indeholder således talegenkendelses systemer såsom Siri og Alexa, og der kan også nævnes endnu et spileksempel, nemlig Elon Musk’s algoritme, der har slået samtlige topspillere inden for e-gamet Dota2, uden noget kendskab til spillets kode.