5 Dinge, die Sie über AI-Schlagworte wissen müssen: kognitiv, neural und tief, oh mein!

Es gibt nie einen Mangel an Schlagwörtern in der IT-Welt, aber wenn es um KI geht, Sie können schwer voneinander zu unterscheiden sein. Es gibt künstliche Intelligenz, aber auch maschinelle Intelligenz. Es gibt maschinelles Lernen, aber es gibt auch tiefes Lernen. Was ist der Unterschied? Hier sind fünf Dinge, die Sie verstehen müssen.

1. AI ist im Grunde ein Überbegriff für alles

Künstliche Intelligenz bezieht sich auf "eine breite Palette von Methoden, Algorithmen und Technologien, die Software so intelligent machen, dass sie einem Außenstehenden menschenähnlich erscheint", sagte Lynne Parker , Direktor der Abteilung für Information und Intelligente Systeme für die National Science Foundation.

Maschinelles Lernen, Computer Vision, Verarbeitung natürlicher Sprache, Robotik und verwandte Themen sind alle Teil der AI, mit anderen Worten.

[Lesen Sie weiter: Ihr neuer PC benötigt diese 15 kostenlosen, ausgezeichneten Programme]

2. Maschinenintelligenz = AI

"Manche Leute mögen Unterschiede zwischen den beiden finden, aber es gibt keine universelle Ansicht, dass die beiden Begriffe etwas anderes bedeuten", sagte Parker.

Es mag tatsächlich eine regionale Präferenz bei der Arbeit geben hinter den Ursprüngen der einzelnen Begriffe. "Machine Intelligence" hat eine "bodenständige technische Sensibilität", die in Europa populär ist, während "künstliche Intelligenz" ein bisschen mehr "Science-Fiction-Gefühl" hat, das es in den USA populärer gemacht hat, sagte Thomas Dietterich, Professor an der Oregon State University und Präsident des Vereins zur Förderung künstlicher Intelligenz. In Kanada wird es oft als "Computational Intelligence" bezeichnet, fügte er hinzu.

3. Maschinelles Lernen ist auch ein umfassender Begriff, der mehrere Technologien abdeckt.

Als Teil von AI bezieht sich maschinelles Lernen auf eine Vielzahl von Algorithmen und Methoden, die es Software ermöglichen, ihre Leistung im Laufe der Zeit zu verbessern, wenn sie mehr Daten erhält. Dazu gehören sowohl neuronale Netze als auch Deep Learning (siehe unten).

"Beim maschinellen Lernen geht es grundsätzlich darum, Trends aus Daten zu erkennen oder die Kategorien zu erkennen, in die die Daten passen, damit die Software neue Daten präsentiert kann richtige Vorhersagen treffen ", erklärte Parker.

Als Beispiel, denk an die Aufgabe, jemandes Gesicht zu erkennen. "Ich habe keine Ahnung, wie ich das Gesicht meiner Frau erkenne", sagte Dietterich. "Dies macht es sehr schwer zu erraten, wie man einen Computer dafür programmiert."

Indem wir von Beispielen lernen, bietet maschinelles Lernen eine Möglichkeit, dies zu tun. "Dies ist" Programmierung durch Input-Output-Beispiele "und nicht durch Codierung", sagte Dietterich.

Zu ​​den gebräuchlichsten maschinellen Lerntechniken gehören neurale Netzwerke, Support-Vektor-Maschinen, Entscheidungsbäume, Bayes'sche Glaubensnetzwerke, k-nächste Nachbarn, Selbst "Organisierende Karten, Fallbasiertes Schließen, instanzbasiertes Lernen, versteckte Markov-Modelle und" viele Regressionstechniken ", sagte Parker.

4. Neuronale Netze sind eine Art maschinelles Lernen, und tiefes Lernen bezieht sich auf eine bestimmte Art.

Neuronale Netze - auch als "künstliche" neuronale Netze bekannt - sind eine Art maschinelles Lernen, das lose darauf basiert, wie Nervenzellen im Gehirn arbeiten "Die tatsächliche Ähnlichkeit ist sehr gering", sagte Parker.

Es gibt viele Arten von neuronalen Netzen, aber im Allgemeinen bestehen sie aus Systemen von Knoten mit gewichteten Verbindungen zwischen ihnen. Knoten, die auch als "Neuronen" bezeichnet werden, sind in mehreren Schichten angeordnet, einschließlich einer Eingabeschicht, in die die Daten in das System eingegeben werden; eine Ausgabeschicht, in der die Antwort gegeben wird; und eine oder mehrere versteckte Schichten, in denen das Lernen stattfindet. Typischerweise lernen neurale Netzwerke durch die Aktualisierung der Gewichte ihrer Verbindungen, sagte Parker.

Deep Learning bezieht sich auf das, was manchmal ein "tiefes neuronales Netzwerk" genannt wird, oder eines, das ein großes System von Neuronen in mehreren verborgenen Schichten umfasst. Ein "flaches" neuronales Netzwerk wird dagegen typischerweise nur ein oder zwei versteckte Schichten haben.

"Die Idee hinter Deep Learning ist nicht neu, aber sie wurde in jüngerer Zeit popularisiert, weil wir jetzt viele Daten und schnelle Prozessoren haben, die bei harten Problemen erfolgreiche Ergebnisse erzielen können", sagte Parker.

5. Kognitives Rechnen: Es ist kompliziert

Kognitives Rechnen ist ein weiteres Teilfeld unter dem KI-Dach, aber es ist nicht so einfach zu definieren. In der Tat, es ist ein wenig umstritten.

Im Wesentlichen bezieht sich Cognitive Computing "auf Computer, die auf Argumentation und Verständnis auf einer höheren Ebene konzentriert ist, oft in einer Weise analog zur menschlichen Erkenntnis - oder zumindest durch menschliche Erkenntnis inspiriert, "Parker sagte. Typischerweise handelt es sich dabei um symbolische und konzeptuelle Informationen und nicht nur um reine Daten oder Sensorströme, um in komplexen Situationen Entscheidungen auf hoher Ebene zu treffen.

Kognitive Systeme nutzen oft eine Vielzahl von maschinellen Lerntechniken, aber auch kognitive Computing ist kein maschinelles Lernverfahren an sich. Stattdessen "ist es oft eine komplette Architektur von mehreren AI-Subsystemen, die zusammenarbeiten", sagte Parker.

"Dies ist eine Untergruppe der KI, die sich mit kognitiven Verhaltensweisen beschäftigt, die wir mit" Denken "im Gegensatz zu Wahrnehmung und motorischer Kontrolle assoziieren, "Dietterich sagte.

Ob Cognitive Computing ist eine echte Kategorie von AI oder einfach ein beliebtes Schlagwort ist jedoch nicht ganz klar.

" 'Cognitive' Marketing-Malarkey ", sagte Tom Austin, ein Vizepräsident und Fellow bei Gartner, in einer E-Mail. "Es bedeutet, dass Maschinen denken. Unsinn. Schlechte Annahmen führen zu schlechten Schlussfolgerungen. "