Pahami perbedaan antara Pembelajaran Mesin dan Kecerdasan Buatan

A inteligência buatan dan pembelajaran mesin adalah kata kunci dalam industri teknologi dalam beberapa tahun terakhir, tetapi apa sebenarnya artinya? Di sini Anda dapat melihat postingan yang kami buat untuk menjelaskan secara detail apa itu pembelajaran mesin, tetapi pertanyaan yang ingin kami sampaikan di sini adalah bagaimana kami dapat membedakan kedua istilah ini.

pembelajaran digital

Kedua istilah tersebut sering dikacaukan dan salah digunakan oleh perusahaan yang ingin membuat teknologinya canggih. Faktanya, kecerdasan buatan dan pembelajaran mesin sangat berbeda, dengan implikasi berbeda untuk apa yang dapat dilakukan komputer dan bagaimana mereka berinteraksi dengan kita.

O pembelajaran mesin adalah paradigma komputasi yang mendorong pertumbuhan "Data besar" e IA. Ini didasarkan pada pengembangan jaringan saraf dan pembelajaran yang mendalam. Ini biasanya digambarkan sebagai meniru cara manusia belajar, tetapi ini tidak benar. Pembelajaran mesin benar-benar berhubungan dengan analisis statistik dan pembelajaran berulang.

Alih-alih membangun program tradisional yang terdiri dari pernyataan logis e pohon keputusan, Satu jaringan syaraf dibangun khusus untuk pelatihan dan pembelajaran menggunakan jaringan paralel neuron, masing-masing dikonfigurasi untuk tujuan tertentu.

Sifat jaringan saraf tertentu bisa sangat rumit, tetapi kunci cara kerjanya adalah menerapkan bobot (atau faktor penting) ke beberapa atribut input. Menggunakan jaringan dengan berbagai bobot dan lapisan, dimungkinkan untuk menghasilkan probabilitas atau perkiraan bahwa input Anda cocok dengan satu atau lebih output yang ditentukan.

Masalah dengan jenis perhitungan ini, seperti halnya dengan pemrograman biasa, adalah ketergantungan pada bagaimana pemrogram manusia mengaturnya, dan menyesuaikan kembali semua bobot ini untuk menyempurnakan keakuratan keluaran dapat memakan waktu berjam-jam agar layak. Transisi jaringan saraf ke domain pembelajaran mesin setelah loop umpan balik korektif diperkenalkan.

“Melatih” mesin

Dengan memantau keluaran, membandingkannya dengan masukan, dan secara bertahap mengurangi bobot neuron, jaringan dapat melatih dirinya sendiri untuk meningkatkan akurasi. Bagian penting di sini adalah bahwa algoritma pembelajaran mesin dapat belajar dan bertindak tanpa pemrogram, menentukan semua kemungkinan dalam kumpulan data.

Melatih jaringan dapat dilakukan dengan berbagai cara, tetapi semuanya melibatkan pendekatan brute-force iteratif untuk memaksimalkan akurasi keluaran dan melatih jalur optimal melalui jaringan. Namun, pelatihan mandiri ini masih merupakan proses yang lebih efisien daripada mengoptimalkan algoritme secara manual dan memungkinkan algoritme untuk mengubah dan mengurutkan data dalam jumlah yang jauh lebih besar dalam waktu yang jauh lebih cepat daripada yang mungkin dilakukan.

Setelah dilatih, algoritme pembelajaran mesin dapat mengklasifikasikan input baru di seluruh jaringan dengan kecepatan dan akurasi tinggi secara real time. Ini menjadikannya teknologi penting untuk visi komputer, pengenalan ucapan, pemrosesan bahasa, dan proyek penelitian ilmiah.

Apa itu AI dan bukan

Pembelajaran mesin adalah teknik pemrosesan yang cerdas, tetapi tidak memiliki kecerdasan nyata. Algoritme tidak perlu memahami dengan tepat mengapa ia mengoreksi dirinya sendiri, hanya bagaimana ia bisa lebih akurat di masa mendatang.

Algoritme pembelajaran mesin yang dapat menyaring database gambar dan mengidentifikasi objek utama dalam gambar tidak terlihat cerdas, karena tidak menerapkan informasi tersebut dengan cara "manusiawi".

Kecerdasan buatan dapat dibagi menjadi dua kelompok besar, terapan ou umum. Sebuah kecerdasan buatan yang diterapkan itu jauh lebih layak sekarang. Ini lebih terkait dengan contoh pembelajaran mesin di atas dan dirancang untuk melakukan tugas tertentu. Ini bisa berupa inventaris komersial, mengelola lalu lintas di kota cerdas, atau membantu mendiagnosis pasien.

A kecerdasan buatan umum itu, seperti namanya, lebih luas dan lebih mampu. Itu mampu menangani berbagai tugas yang lebih luas, memahami hampir semua kumpulan data, dan karena itu tampaknya berpikir lebih luas, seperti halnya manusia. AI umum secara teoritis dapat belajar di luar kumpulan pengetahuan aslinya, berpotensi mengarah pada pertumbuhan kemampuannya yang tak terkendali.

Melihat ke masa depan

Terlepas dari semua jargon ilmiah dan pembicaraan teknis, penerapan pembelajaran mesin dan kecerdasan buatan sudah ada di sini. Kami masih jauh dari hidup berdampingan dengan AI umum, tetapi jika Anda menggunakan Google Asisten atau Amazon Alexa, Anda sudah berinteraksi dengan bentuk AI terapan.

Pembelajaran mesin yang digunakan untuk pemrosesan bahasa adalah salah satu pendukung utama perangkat pintar saat ini, meskipun perangkat tersebut tentunya tidak cukup pintar untuk menjawab semua pertanyaan Anda.

Rumah pintar hanyalah kasus penggunaan terakhir. Pembelajaran mesin telah digunakan dalam domain data besar untuk sementara waktu, dan kasus penggunaan ini semakin merambah wilayah AI. HAI Google menggunakannya untuk alat mesin pencari. HAI Facebook digunakan untuk mengoptimalkan iklan.

Ada perbedaan besar antara pembelajaran mesin dan kecerdasan buatan, meskipun yang pertama adalah komponen yang sangat penting dari yang terakhir. Kami pasti akan terus mendengar banyak pembicaraan tentang keduanya sepanjang 2018 dan seterusnya.