Beth yw Dysgu Peirianyddol yn erbyn AI?

Os ydych chi erioed wedi syllu ar dudalen cynnyrch gan feddwl tybed a ydych chi'n prynu deallusrwydd artiffisial neu ddim ond dysgu peirianyddol gyda het ymlaen, nid chi yw'r unig un. Mae'r termau'n cael eu taflu o gwmpas fel conffeti. Dyma'r canllaw cyfeillgar, di-lol i Ddysgu Peirianyddol vs AI sy'n torri drwodd, yn ychwanegu ychydig o drosiadau defnyddiol, ac yn rhoi map ymarferol i chi y gallwch ei ddefnyddio mewn gwirionedd.

Erthyglau y gallech fod eisiau eu darllen ar ôl yr un hon:

🔗 Beth yw AI
Cyflwyniad mewn iaith glir i gysyniadau, hanes a defnyddiau go iawn AI.

🔗 Beth yw AI esboniadwy
Pam mae tryloywder modelau yn bwysig a dulliau i ddehongli rhagfynegiadau.

🔗 Beth yw robot dynolryw AI
Galluoedd, heriau, ac achosion defnydd ar gyfer systemau robotig tebyg i ddynolryw.

🔗 Beth yw rhwydwaith niwral mewn AI
Nodau, haenau, a dysgu wedi'u hegluro gydag enghreifftiau greddfol.

Beth yw Dysgu Peirianyddol yn erbyn AI, mewn gwirionedd? 🌱→🌳

• Deallusrwydd Artiffisial (AI) yw'r nod eang: systemau sy'n cyflawni tasgau rydyn ni'n eu cysylltu â deallusrwydd dynol - rhesymu, cynllunio, canfyddiad, iaith - y gyrchfan ar y map. Ar gyfer tueddiadau a chwmpas, mae Mynegai AI Stanford yn cynnig "cyflwr yr undeb" credadwy. [3]

• Dysgu Peirianyddol (ML) yn is-set o AI: dulliau sy'n dysgu patrymau o ddata i wella mewn tasg. Fframio clasurol, gwydn: mae ML yn astudio algorithmau sy'n gwella'n awtomatig trwy brofiad. [1]

Ffordd syml o'i gadw'n syth: AI yw'r ymbarél, ML yw un o'r asennau . Nid yw pob AI yn defnyddio ML, ond mae AI modern bron bob amser yn pwyso arno. Os mai AI yw'r pryd bwyd, ML yw'r dechneg goginio. Ychydig yn wirion, yn sicr, ond mae'n glynu.

Yn gwneud Dysgu Peirianyddol yn erbyn AI💡

Pan fydd pobl yn gofyn am Ddysgu Peirianyddol yn erbyn Deallusrwydd Artiffisial, maen nhw fel arfer ar ôl canlyniadau, nid acronymau. Mae'r dechnoleg yn dda pan mae'n cyflawni'r rhain:

1. Enillion gallu clir

   • Penderfyniadau cyflymach neu fwy cywir na llif gwaith dynol nodweddiadol.

   • Profiadau newydd na allech chi eu creu o'r blaen, fel trawsgrifio amlieithog amser real.

2. Dolen ddysgu ddibynadwy

   • Mae data'n cyrraedd, mae modelau'n dysgu, mae ymddygiad yn gwella. Mae'r ddolen yn parhau i droelli heb ddrama.

3. Cadernid a diogelwch

   • Risgiau a lliniariadau wedi'u diffinio'n dda. Gwerthusiad synhwyrol. Dim gremlins annisgwyl mewn achosion ymylol. Cwmpawd ymarferol, niwtral o ran gwerthwr yw Fframwaith Rheoli Risg AI NIST. [2]

4. Addasrwydd busnes

   • Mae cywirdeb, oedi a chost y model yn cyd-fynd â'r hyn sydd ei angen ar eich defnyddwyr. Os yw'n ddisglair ond nad yw'n symud dangosydd perfformiad allweddol, dim ond prosiect ffair wyddoniaeth ydyw.

5. Aeddfedrwydd gweithredol

   • Mae monitro, fersiynau, adborth ac ailhyfforddi yn bethau arferol. Mae diflasu yn beth da yma.

Os yw menter yn llwyddo i gyrraedd y pum hynny, mae'n AI da, yn ML da, neu'r ddau. Os yw'n methu â'u cyflawni, mae'n debyg mai demo sydd wedi dianc ydyw.

Dysgu Peirianyddol vs Deallusrwydd Artiffisial ar yr olwg gyntaf: yr haenau 🍰

Model meddyliol ymarferol:

• Haen ddata
  Testun crai, delweddau, sain, tablau. Mae ansawdd data yn curo hype model bron bob tro.

• Haen model Coed
  clasurol tebyg i ML a modelau llinol, dysgu dwfn ar gyfer canfyddiad ac iaith, a modelau sylfaen gynyddol.

• Haen rhesymu ac offeru
  Harneisiau ysgogi, adfer, asiantau, rheolau a gwerthuso sy'n troi allbynnau model yn berfformiad tasgau.

• Haen y cymhwysiad
  Y cynnyrch sy'n wynebu'r defnyddiwr. Dyma lle mae AI yn teimlo fel hud, neu weithiau dim ond… iawn.

Mae Dysgu Peirianyddol yn erbyn Deallusrwydd Artiffisial yn bennaf yn fater o gwmpas ar draws yr haenau hyn. ML fel arfer yw'r haen fodel. Mae Deallusrwydd Artiffisial yn cwmpasu'r pentwr llawn. Patrwm cyffredin yn ymarferol: mae model ML ysgafn ynghyd â rheolau cynnyrch yn curo system "Deallusrwydd Artiffisial" drymach nes bod angen y cymhlethdod ychwanegol arnoch mewn gwirionedd. [3]

Enghreifftiau bob dydd lle mae'r gwahaniaeth yn dangos 🚦

• Hidlo sbam

  • ML: dosbarthwr wedi'i hyfforddi ar negeseuon e-bost wedi'u labelu.

  • AI: y system gyfan gan gynnwys hewristigau, adroddiadau defnyddwyr, trothwyon addasol, ynghyd â'r dosbarthwr.

• Argymhellion cynnyrch

  • ML: hidlo cydweithredol neu goed â hwb graddiant ar hanes clicio.

  • AI: personoli o'r dechrau i'r diwedd sy'n ystyried cyd-destun, rheolau busnes ac esboniadau.

• Cynorthwywyr sgwrsio

  • ML: y model iaith ei hun.

  • AI: y biblinell gynorthwyol gyda chof, adfer, defnyddio offer, rheiliau gwarchod diogelwch, ac UX.

Fe sylwch chi ar batrwm. ML yw'r galon ddysgu. AI yw'r organeb fyw o'i chwmpas.

Tabl Cymharu: Dysgu Peirianyddol vs offer AI, cynulleidfaoedd, prisiau, pam maen nhw'n gweithio 🧰

Ychydig yn flêr yn fwriadol - oherwydd nid yw nodiadau go iawn byth yn berffaith daclus.

*Dangosiadol yn unig. Mae'r rhan fwyaf o wasanaethau'n cynnig haenau am ddim neu dalu wrth ddefnyddio; gwiriwch y tudalennau prisio swyddogol am y manylion diweddaraf.

Sut mae Dysgu Peirianyddol yn erbyn AI yn ymddangos mewn dylunio systemau 🏗️

1. Gofynion

   • AI: diffinio canlyniadau defnyddwyr, diogelwch a chyfyngiadau.

   • ML: diffinio metrig targed, nodweddion, labeli a chynllun hyfforddi.

2. Strategaeth data

   • AI: llif data o'r dechrau i'r diwedd, llywodraethu, preifatrwydd, caniatâd.

   • ML: samplu, labelu, cynyddu, canfod drifft.

3. Dewis model

   • Dechreuwch gyda'r peth symlaf a allai weithio. Ar gyfer data strwythuredig/tablaidd, mae coed â hwb graddiant yn aml yn llinell sylfaen anodd iawn i'w churo. [5]

   • Stori fach: ar brosiectau troi a thwyll, rydym wedi gweld GBDTs dro ar ôl tro yn rhagori ar rwydi dyfnach tra'n rhatach ac yn gyflymach i'w gwasanaethu. [5]

4. Gwerthusiad

   • ML: metrigau all-lein fel F1, ROC AUC, RMSE.

   • AI: metrigau ar-lein fel trosi, cadw, a boddhad, ynghyd â gwerthusiad dynol ar gyfer tasgau goddrychol. Mae Mynegai AI yn olrhain sut mae'r arferion hyn yn esblygu ledled y diwydiant. [3]

5. Diogelwch a llywodraethu

   • Sicrhewch bolisïau a rheolaethau risg o fframweithiau ag enw da. Mae'r NIST AI RMF wedi'i gynllunio'n benodol i helpu sefydliadau i asesu, rheoli a dogfennu risgiau AI. [2]

Metrigau sy'n bwysig, heb y chwifio llaw 📏

• Cywirdeb yn erbyn defnyddioldeb
  Gallai model sydd â chywirdeb ychydig yn is ennill os yw'r latency a'r cost yn llawer gwell.

• Calibradu
  Os yw'r system yn dweud ei bod yn 90% hyderus, a yw fel arfer yn gywir ar y gyfradd honno? Heb ei drafod yn ddigonol, yn rhy bwysig - ac mae atebion ysgafn fel graddio tymheredd. [4]

• Cadernid
  A yw'n dirywio'n raslon ar fewnbynnau anhrefnus? Rhowch gynnig ar brofion straen ac achosion ymyl synthetig.

• Tegwch a niwed
  Mesur perfformiad grŵp. Dogfennu cyfyngiadau hysbys. Cysylltu addysg defnyddwyr yn uniongyrchol yn y rhyngwyneb defnyddiwr. [2]

• Metrigau gweithredol
  Amser i'w ddefnyddio, cyflymder dychwelyd, ffresni data, cyfraddau methiant. Y plymio diflas sy'n achub y dydd.

I gael darlleniad dyfnach ar arferion a thueddiadau gwerthuso, mae Mynegai AI Stanford yn casglu data a dadansoddiadau traws-ddiwydiant. [3]

Peryglon a mythau i'w hosgoi 🙈

• Myth: mae mwy o ddata bob amser yn well.
  Mae labeli gwell a samplu cynrychioliadol yn curo cyfaint crai. Ydy, o hyd.

• Myth: mae dysgu dwfn yn datrys popeth.
  Nid ar gyfer problemau tablaidd bach/canolig; mae dulliau sy'n seiliedig ar goed yn parhau i fod yn hynod gystadleuol. [5]

• Myth: Mae deallusrwydd artiffisial yn cyfateb i ymreolaeth lawn.
  Daw'r rhan fwyaf o werth heddiw o gefnogaeth i benderfyniadau ac awtomeiddio rhannol gyda bodau dynol yn rhan o'r broses. [2]

• Peryglon: datganiadau problem amwys.
  Os na allwch chi nodi'r metrig llwyddiant mewn un llinell, byddwch chi'n mynd ar ôl ysbrydion.

• Peryglon: anwybyddu hawliau data a phreifatrwydd.
  Dilynwch bolisi sefydliadol a chanllawiau cyfreithiol; strwythurwch drafodaethau risg gyda fframwaith cydnabyddedig. [2]

Prynu vs adeiladu: llwybr penderfynu byr 🧭

• Dechreuwch gyda phrynu os yw eich angen yn gyffredin ac mae amser yn brin. Mae APIs model sylfaen a gwasanaethau rheoledig yn hynod alluog. Gallwch ychwanegu rheiliau gwarchod, adferiad a gwerthuso yn ddiweddarach.

• Adeiladu pwrpasol pan fydd eich data yn unigryw neu pan fo'r dasg yn gyfrifoldeb i chi. Byddwch yn berchen ar eich piblinellau data a hyfforddiant modelu. Disgwyliwch fuddsoddi mewn MLOps.

• Mae hybrid yn normal. Mae llawer o dimau'n cyfuno API ar gyfer iaith ynghyd â ML personol ar gyfer graddio neu sgorio risg. Defnyddiwch yr hyn sy'n gweithio. Cymysgwch a chyfatebwch yn ôl yr angen.

Cwestiynau Cyffredin Cyflym i ddatrys problemau Dysgu Peirianyddol a Deallusrwydd Artiffisial ❓

A yw AI i gyd yn ddysgu peirianyddol?
Na. Mae rhywfaint o AI yn defnyddio rheolau, chwilio, neu gynllunio gydag ychydig iawn o ddysgu neu ddim dysgu o gwbl. Mae ML yn syml yn drech ar hyn o bryd. [3]

A yw ML i gyd yn AI?
Ydy, mae ML yn byw o fewn ymbarél AI. Os yw'n dysgu o ddata i gyflawni tasg, rydych chi mewn tiriogaeth AI. [1]

Pa un ddylwn i ei ddweud mewn dogfennau: Dysgu Peirianyddol vs Deallusrwydd Artiffisial?
Os ydych chi'n siarad am fodelau, hyfforddiant a data, dywedwch ddysgu peirianyddol. Os ydych chi'n siarad am alluoedd sy'n wynebu'r defnyddiwr ac ymddygiad system, dywedwch Deallusrwydd Artiffisial. Pan fyddwch mewn amheuaeth, byddwch yn benodol.

Oes angen setiau data enfawr arnaf?
Nid bob amser. Gyda pheirianneg nodweddion doeth neu adferiad clyfar, gall setiau data llai wedi'u curadu berfformio'n well na rhai swnllyd mwy - yn enwedig ar ddata tablaidd [5].

Beth am AI cyfrifol?
Ei gynnwys o'r cychwyn cyntaf. Defnyddiwch arferion risg strwythuredig fel y NIST AI RMF a chyfleu cyfyngiadau'r system i ddefnyddwyr. [2]

Plymio dwfn: dysgu dwfn clasurol vs modelau sylfaenol 🧩

• ML Clasurol

  • Gwych ar gyfer data tablaidd a phroblemau busnes strwythuredig.

  • Cyflym i'w hyfforddi, hawdd i'w egluro, rhad i'w weini.

  • Yn aml wedi'i baru â nodweddion a gwybodaeth am y maes a grefftwyd gan ddyn. [5]

• Dysgu dwfn

  • Yn disgleirio ar gyfer mewnbynnau anstrwythuredig: delweddau, sain, iaith naturiol.

  • Angen mwy o gyfrifiadura a thiwnio gofalus.

  • Wedi'i baru ag ehangu, rheoleiddio, a phensaernïaeth feddylgar. [3]

• Modelau sylfaen

  • Wedi'i hyfforddi ymlaen llaw ar ddata eang, yn addasadwy i lawer o dasgau trwy annog, mireinio neu adfer.

  • Angen rheiliau gwarchod, gwerthusiad, a rheoli costau. Milltiroedd ychwanegol gyda pheirianneg brydlon dda. [2][3]

Trosiad bach diffygiol: mae dysgu dwfn clasurol yn feic, mae dysgu dwfn yn feic modur, ac mae modelau sylfaen yn drên sydd weithiau'n gweithredu fel cwch. Mae'n gwneud synnwyr os ydych chi'n llygadrythu… ac yna dydy e ddim. Yn dal yn ddefnyddiol.

Rhestr wirio gweithredu y gallwch ei dwyn ✅

1. Ysgrifennwch y datganiad problem un llinell.

2. Diffinio gwirionedd sylfaenol a metrigau llwyddiant.

3. Ffynonellau data rhestr eiddo a hawliau data. [2]

4. Llinell sylfaen gyda'r model hyfyw symlaf.

5. Offerynnwch yr ap gyda bachynnau gwerthuso cyn ei lansio.

6. Dolenni adborth cynllunio: labelu, gwiriadau drifft, cadans ailhyfforddi.

7. Dogfennu rhagdybiaethau a chyfyngiadau hysbys.

8. Cynhaliwch gynllun peilot bach, cymharwch fetrigau ar-lein â'ch enillion all-lein.

9. Graddiwch yn ofalus, monitro'n ddi-baid. Dathlwch y diflas.

Dysgu Peirianyddol vs AI - y crynodeb cryno 🍿

• AI yw'r gallu cyffredinol y mae eich defnyddiwr yn ei brofi.

• ML yw'r peirianwaith dysgu sy'n pweru darn o'r gallu hwnnw. [1]

• Mae llwyddiant yn ymwneud llai â ffasiwn modelu a mwy â fframio problemau clir, data glân, gwerthuso pragmatig, a gweithrediadau diogel. [2][3]

• Defnyddiwch APIs i symud yn gyflym, addaswch pan ddaw'n ffos i chi.

• Cadwch risgiau mewn golwg. Benthycwch ddoethineb gan y NIST AI RMF. [2]

• Tracio canlyniadau sy'n bwysig i fodau dynol. Nid cywirdeb yn unig. Yn enwedig nid metrigau gwagedd. [3][4]

Sylwadau Terfynol - Rhy Hir, Wnes i Ddim Ei Ddarllen 🧾

Nid gornest yw Dysgu Peirianyddol yn erbyn Deallusrwydd Artiffisial. Mae'n ymwneud â chwmpas. Deallusrwydd Artiffisial yw'r system gyfan sy'n ymddwyn yn ddeallus i ddefnyddwyr. Dysgu Peirianyddol yw'r set o ddulliau sy'n dysgu o ddata y tu mewn i'r system honno. Mae'r timau hapusaf yn trin Dysgu Peirianyddol fel offeryn, Deallusrwydd Artiffisial fel y profiad, ac effaith cynnyrch fel yr unig sgôrfwrdd sy'n cyfrif mewn gwirionedd. Cadwch ef yn ddynol, yn ddiogel, yn fesuradwy, ac ychydig yn anwadal. Hefyd, cofiwch: beiciau, beiciau modur, trenau. Roedd yn gwneud synnwyr am eiliad, iawn? 😉

Cyfeiriadau

1. Tom M. Mitchell - Dysgu Peirianyddol (tudalen llyfr, diffiniad). darllen mwy

2. NIST - Fframwaith Rheoli Risg AI (AI RMF 1.0) (cyhoeddiad swyddogol). darllen mwy

3. Adroddiad Mynegai Deallusrwydd Artiffisial Stanford HAI (PDF swyddogol). darllen mwy

4. Guo, Pleiss, Sun, Weinberger - Ar Galibro Rhwydweithiau Niwral Modern (PMLR/ICML 2017). darllen mwy

5. Grinsztajn, Oyallon, Varoquaux - Pam mae modelau sy'n seiliedig ar goed yn dal i berfformio'n well na dysgu dwfn ar ddata tablaidd? (Setiau Data a Meincnodau NeurIPS 2022). darllen mwy

Dewch o hyd i'r AI Diweddaraf yn y Siop Swyddogol ar gyfer Cynorthwywyr AI

Amdanom Ni