Djupinlärning kontra maskininlärning: Vad är skillnaden?

Att förstå de senaste framstegen inom artificiell intelligens (AI) verkar överväldigande, men om du vill lära dig grunderna går det att förenkla många AI-innovationer till två koncept: maskininlärning och djupinlärning. Det finns exempel på maskininlärning och djupinlärning överallt. De finns i självkörande bilar, hur Netflix vet vilket program du vill titta på härnäst och hur Facebook känner igen ansikten på foton. Maskininlärning och djupinlärning verkar ofta vara utbytbara modeord, men det finns skillnader mellan dem. Exakt vad innebär de båda koncepten som dominerar samtal om AI och hur skiljer de sig åt? Läs för att få veta.

Djupinlärning kontra maskininlärning

Det första steget för att förstå skillnaden mellan maskininlärning och djupinlärning är att känna till att djupinlärning är maskininlärning. Djupinlärning anses mer specifikt vara en utveckling av maskininlärning. Den använder ett programmerbart neural nätverk som gör det möjligt för datorer att fatta korrekta beslut utan hjälp från människor. Men först måste vi definiera maskininlärning.

Hur fungerar maskininlärning?

Ett enkelt exempel på en maskininlärningalgoritm är en musikströmningstjänst på begäran. Tjänsten fattar beslut om vilka nya låtar eller artister den rekommenderar till en lyssnare genom att maskininlärningsalgoritmer associerar lyssnarens preferenser med andra som har liknande musiksmak. Den här tekniken kallas ofta helt enkelt för AI och används i många tjänster med automatiserade rekommendationer. Maskininlärning innehåller mycket komplicerad matematik och programmering som i slutändan utför samma mekaniska funktion som en ficklampa, bil eller datorskärm. När vi säger att något har "maskininlärning" innebär det att utföra en funktion med given data som blir gradvis bättre med tiden. På samma sätt som du har en ficklampa som tänds varje gång du säger "det är mörkt", känner den igen olika fraser som innehåller ordet "mörk". Maskininlärning driver alla möjliga automatiserade uppgifter som sträcker sig över olika branscher, från datasäkerhetsföretag som jagar skadlig kod till anställda i finanssektorn som vill ha aviseringar om föredelaktiga affärer. AI-algoritmer programmeras för att kontinuerligt lära på ett sätt som simulerar en virtuell personlig assistent, något som de gör ganska bra. Sättet på vilket datorer kan lära sig nya saker blir riktigt intressant (och spännande) när vi börjar tala om djupinlärning och djupa neurala nätverk.

Hur fungerar djupinlärning?

En djupinlärningsmodell är utformad att kontinuerligt analysera data med en logisk struktur som liknar hur människan drar slutsatser. Djupinlärningstillämpningar slutför analysen genom att använda en skiktad alogoritmstruktur kallad artificiellt neuralt nätverk. Utformningen av ett artificiellt neuralt nätverk inspireras av det biologiska neuronnätverket i den mänskliga hjärnan och leder til lett inlärningssystem med större förmåga än vanliga maskininlärningsmodeller. Det är en knepig uppgift att säkerställa att en djupinlärningsmodell inte drar felaktiga slutsatser. Som andra exempel på AI krävs mycket övning för en korrekt inlärningsprocess. När det fungerar som avsett beskrivs funktionell djupinlärning ofta som ett vetenskapligt under vilka många anser vara ryggraden i verklig artificiell intelligens. Ett bra exempel på djupinlärning är Googles AlphaGo. Google skapade ett datorprogram med ett eget neuralt nätverk som lärde sig spela det abstrakta brädspelet Go, vilket är känt för att kräva ett skarpt intellekt och intuition. Genom att spela mot professionella Go-spelare lärde sig AlphaGos djupinlärningsmodell att spela på en aldrig tidigare uppnådd nivå i AI och utan att någon annan talade om när den skulle göra ett visst drag (som en vanlig maskininlärningsmodell kräver). Det väckte mycket uppseende när AlphaGo besegrade flera kända mästare på spelet. Datorn fattade inte bara de komplicerade dragen och spelets abstrakta aspekter, utan blev även en av de bästa spelarna. Det var en kamp mellan mänsklig och artificiell intelligens och den senare vann. Föreställ dig i mer praktiska användningsfall en bildigenkänningsapp som kan identifiera växt- eller fågelarter på ett fotografi. Sådan bildklassificering möjliggörs av ett djupt neuralt nätverk. Djupinlärning stöder även taligenkänning och översättning och kör bokstavligen självkörande bilar.

Skillnaden mellan maskininlärning och djupinlärning

I praktiken är djupinlärning bara en underavdelning inom maskininlärning. Djupinlärning är i själva verket maskininlärning och fungerar på liknande sätt (en orsak till att termerna ibland blandas ihop). Förmågorna är dock olika. Grundläggande maskininlärningsmodeller blir gradvis bättre på att utföra sina specifika funktioner när de tar in ny data, men behöver fortfarande en del mänsklig inblandning. Om en AI-algoritm returnerar en felaktig förutsägelse måste en tekniker gå in och göra justeringar. I en djupinlärningsmodell kan algoritmen utan mänsklig hjälp avgöra om en förutsägelse är korrekt eller inte genom sitt eget neurala nätverk. Vi går tillbaka till exemplet med ficklampan: Det går att programmera den att tändas när den känner igen att någon säger ordet "mörk". När den fortsätter inlärningen kan den till slut utföra uppgiften när den hör en fras som innehåller ordet. Men om ficklampan har en djupinlärningsmodell kan den lista ut att tända den när den hör "jag ser inte" eller "strömbrytaren fungerar inte", kanske tillsammans med en ljussensor. En djupinlärningsmodell lär sig genom sin egen databearbetningsmetod, en teknik som ser ut att ha en egen hjärna. Sammanfattningsvis, huvudskillnaderna mellan maskininlärning och djupinlärning är:

• Maskininlärning använder algoritmer till att tolka data, lära av denna data och fatta informerade beslut grundade på sina kunskaper.
• Djupinlärning strukturerar algoritmer i lager för att skapa ett “artificiellt neuralt nätverk” som lär sig och fattar intelligenta beslut på egen hand.
• Djupinlärning är en underavdelning av maskininlärning. Båda ligger i den breda kategorin artificiell intelligens, men djupinlärning är mer människolik AI.

Vilka är de olika typerna av maskininlärning

Vi går lite längre för att titta på maskininlärningens huvudtyper och hur de skiljer sig från varandra.

Vilka är de olika typerna av djupinlärningsalgoritmer?

Maskininlärning kan hjälpa datorer att klara uppseendeväckande uppgifter, men de är fortfarande inte i närheten av mänsklig intelligens. Djupa neurala nätverk är å andra sidan utformade efter den mänskliga hjärnan och är en ännu mer sofistikerad nivå inom artificiell intelligens. Det finns flera olika typer av djupinlärningsalgoritmer. Vi undersöker de populäraste modellerna.

Konvolutionellt neuralt nätverk

Konvolutionella neurala nätverk (CNN) är algoritmer särskilt utvecklade för bildbehandling och objektidentifiering. Konvolution är en unik process som filtrerar genom en bild för att utvärdera alla element i den. CNN används ofta till att driva datorseende, ett AI-fält som lär datorer att bearbeta den visuella världen. Ansiktsigenkänningsteknik är ett vanligt användningsområde för datorseende.

Återkopplande neurala nätverk

Återkopplande neurala nätverk (RNN) har inbyggda återkopplingsslingor som gör det möjligt för algoritmerna att "minnas" tidigare data punkter. RNN använder minnet av tidigare händelser till att förstå aktuella händelser eller till och med förutsäga framtiden. Ett djupt neuralt nätverk "tänker" bättre med den här nivån av sammanhang. En kartapp med RNN kan till exempel "komma ihåg" när trafiken brukar öka. Den använder sedan den här kunskapen till att rekommendera en annan väg när du håller på att köra in i rusningstrafiken.

Data som framtidens bränsle

Den enorma mängden ny data som skapas i den nuvarande stordataeran kan ge upphov till innovationer vi ännu inte ens kan föreställa oss. Enligt experter inom datavetenskap kommer troligen en del av dessa genombrott inom djupinlärningsprogram. Andrew Ng, tidigare vetenskapschef för Kinas ledande sökmotor Baidu och en av de ledande i Google Brain Project, gav en bra liknelse till djupinlärningsmodeller i Wired: "Jag anser att AI liknar att bygga en rymdraket. Det behövs en enorm motor och massor av bränsle", sade han till Wireds journalist Caleb Garling. "Om du har en stor motor och lite bränsle kommer du inte ut i omloppsbana. Om du har en liten motor och ett ton bränsle lyfter inte ens raketen. För att bygga en raket behöver du en enorm motor och en massa bränsle. Liknelsen med djupinlärning är raketmotorn djupinlärningsmodeller och bränslet är de enorma mängderna data vi matar in i algoritmerna".

Vad innebär maskininlärning och djupinlärning för kundtjänst?

Många av dagens AI-tillämpningar inom kundtjänst använder maskininlärningsalgoritmer. De används till självbetjäning, för att öka medarbetarnas produktivitet och för att göra arbetsflöden mer tillförlitliga. Data som matas in i algoritmerna kommer från ett kontinuerligt flöde med inkommande kundfrågor, inklusive relevant sammanhang till problemen köpare står inför. Att samla all sådan information i ett AI-program leder i sin tur till snabbare och mer korrekta förutsägelser. Det här har gjort artificiell intelligens till en spännande möjlighet för många företag och många branschledare tror att de mest praktiska användningsfallen för företagsrelaterad AI ligger inom kundtjänst. Både maskininlärning och djupinlärning används för bearbetning av naturligt språk (NLP), en gren inom datavetenskapen som gör det möjligt för datorer att förstå text och språk. I CX-världen är Amazon Alexa and Apples Siri två exempel på "virtuella medarbetare" som använder taligenkänning för att svara på kundernas frågor. AI-drivna chattbotar i kuntjänst använder och samma inlärningsmetoder för att svara på skriven text. Ett bra exempel är Zendesks AI-chattbot, Answer Bot, som har en djupinlärningsmodell för att förstå sammanhanget i ett supportärende och lär sig vilka hjälpartiklar den föreslår till en kund.