Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz

Meine Frage lautet:

Gibt es einen Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz? Oder beziehen sich diese Begriffe auf dasselbe?

Die Themenbereiche Künstliche Intelligenz und Maschinelles Lernen (plus Data Science) sind lose definiert, so dass es schwierig ist, strenge Aussagen über ihre Beziehung zu treffen. Im allgemeinen Fall scheint es Teile zu geben, die sich überschneiden, aber sie sind weit davon entfernt, "dasselbe Thema mit zwei verschiedenen Namen" zu sein, wie in der Frage vorgeschlagen.

Der Begriff Künstliche Intelligenz hat viele mögliche Bedeutungen und Interpretationen - welche Version zu bezeichnen ist, variiert je nach Zeit und Quelle, in der sie verwendet wird. Lehrbücher über künstliche Intelligenz behandeln häufig Themen wie Suchalgorithmen, logische Ableitungen und andere Dinge, die eindeutig nicht maschinelles Lernen sind, wie es heute praktiziert wird.

Zum Beispiel könnten wir uns auf künstliche allgemeine Intelligenz (oder "harte KI") beziehen , und es sollte in diesem Fall klar sein, dass zumindest irgendeine Form von Lernalgorithmus (en) erforderlich wäre, um die Ziele von AGI zu erreichen. Es ist jedoch weit weniger klar, wie viel AGI durch die Kombination von maschinellem Lernen in komplexen Strukturen gelöst werden kann.

Der Begriff Maschinelles Lernen hat einige unterschiedliche Arbeitsdefinitionen, aber diese sind sehr beliebt:

Ein Computerprogramm soll aus der Erfahrung E in Bezug auf eine Klasse von Aufgaben T und das Leistungsmaß P lernen, wenn sich seine Leistung bei Aufgaben in T, gemessen durch P, mit der Erfahrung E verbessert.

Dies ist weitaus enger definiert als künstliche Intelligenz, hat aber immer noch viel Spielraum.

Der Trend, KI und ML zusammenzuführen, scheint ein Medien- und Marketingproblem zu sein, kein technisches. Ich vermute, dass dies teilweise auf Fortschritte in neuronalen Netzen in den letzten 5 bis 10 Jahren zurückzuführen ist. Neuronale Netzwerkmodelle haben große Fortschritte gemacht, insbesondere bei der Signalverarbeitung von Bildern, Video und Audio. Es gibt auch eine Analogie zu biologischen Gehirnen, die überzeugend sein kann - insbesondere wenn das Thema für den Konsum durch Mainstream-Medien vereinfacht wird.

Erwähnenswert ist auch Data Science. Wie bei der künstlichen Intelligenz ist der Begriff etwas unklar definiert. Ebenso wie AI hat Data Science mehr zu bieten als nur maschinelles Lernen. Für Data Science-Praktiker ist ML Teil eines Toolkits zur Erreichung von Zielen - für einige Menschen ist es ein großer Teil ihrer Arbeit, für andere nur ein Teil eines breiteren Anwendungsbereichs (tatsächlich ist das Trainieren und Verfeinern eines ML-Modells möglicherweise nur erforderlich ein kleiner Teil der Zeit eines professionellen Datenwissenschaftlers, Analytikers oder Statistikers). Ich halte es für vernünftig festzustellen, dass künstliche Intelligenz und Datenwissenschaft in ähnlicher Weise mit maschinellem Lernen zusammenhängen.

Maschinelles Lernen in Laienbegriffen ist ein Algorithmus, mit dem Maschinen Muster in Daten identifizieren und dann ein Modell entwickeln können, mit dem unsichtbare Daten vorhergesagt werden können.

Künstliche Intelligenz ist die Fähigkeit von Maschinen, intelligente Entscheidungen zu treffen, die ihrem menschlichen Gegenstück entsprechen oder besser sind.

Unterschied zwischen den beiden :

KI ist ein sehr weites Feld der Computerintelligenz, in dem maschinelles Lernen eine der Möglichkeiten ist, die Intelligenz zur Vorhersage von Ergebnissen zu gewinnen. KI enthält aber auch Robotik, Sprachsynthese, Computer Vision und andere.

Wenn ich also ein Venn-Diagramm der künstlichen Intelligenz zeichnen würde, wäre maschinelles Lernen eine Teilmenge.

Deep Learning ist eine Teilmenge des maschinellen Lernens, die eine Teilmenge der künstlichen Intelligenz ist. Maschinelles Lernen ist ein besonderer Ansatz für die KI, aber nicht der einzige. Symbolische Logik, Bayersianische Statistik sind einige Beispiele für KI-Ansätze, bei denen keinerlei Algorithmen für maschinelles Lernen verwendet werden.

Ein gutes Beispiel für KI, aber nicht für maschinelles Lernen ist die evolutionäre Berechnung. Anstatt aus Erfahrungen zu lernen (wie in der Definition von Tom M. Mitchell), ändert sich der Genotyp in jeder Generation von Computerprogrammversionen, gemessen an der Leistung bei der Aufgabe (Phänotypausdruck in der Umgebung).

Wie Melanie Mitchell es ausdrückt:

'... von den frühesten Tagen an wurden Computer eingesetzt ... um das Gehirn zu modellieren, das menschliche Lernen nachzuahmen und die biologische Evolution zu simulieren ... Das erste hat sich zum Bereich der neuronalen Netze entwickelt, das zweite zum maschinellen Lernen und das dritte in das, was jetzt "evolutionäre Berechnung" genannt wird, ... "Obwohl neuronale Netze heute meist als Teil des maschinellen Lernens betrachtet werden.

ML, von Tom M. Mitchell:

Ein Computerprogramm soll aus der Erfahrung E in Bezug auf eine Klasse von Aufgaben T und das Leistungsmaß P lernen, wenn sich seine Leistung bei Aufgaben in T, gemessen durch P, mit der Erfahrung E verbessert.

AI, aber nicht ML:

• ZUSCHLAGEN
• Pfadfindung : Bellman-Ford-Algorithmus , A * -Suchalgorithmus , Dijkstra-Algorithmus
• Markov-Ketten
• zellulare Automaten

Vielen Dank, Servan Grüninger , für Ihre Hilfe.

Siehe auch: Wie hängt maschinelles Lernen mit künstlicher Intelligenz zusammen?

Wie der große Tom Mitchell in seinem Buch sagte: "Maschinelles Lernen ist die Fähigkeit zu lernen, ohne explizit programmiert zu werden."

Algorithmen für maschinelles Lernen sind weit verbreitet und werden täglich angetroffen. Beispiele sind automatische Empfehlungen beim Kauf eines Produkts oder einer Spracherkennungssoftware, die sich an Ihre Stimme anpasst.

KI ist jede Technologie, die es einem System ermöglicht, menschenähnliche Intelligenz zu demonstrieren.

"Wenn wir mehrere Fotos von Katzen, die verschiedene Dinge tun oder an verschiedenen Orten, an einen Computer anschließen, aber alle Fotos immer noch als Katzen gekennzeichnet sind, lernt der Computer aus jedem Foto, das gezeigt wird", sagte Kamelia Aryafar, Ph.D. , Direktor für maschinelles Lernen bei Overstock : „Irgendwann wird es erkennen, dass die Katze der gemeinsame Nenner in jedem Datensatz ist, was wiederum dem Computer hilft, das Erkennen von Katzen zu lernen.“

Wenn eine Maschine den Unterschied zwischen Objekten erkennen und anhand verständlicher Kriterien entscheiden kann, ob sie verworfen oder akzeptiert werden sollen, ist die KI geboren. Tatsächlich ist jedes Mal, wenn eine Entscheidung von einer Maschine getroffen wird, dies künstliche Intelligenz und geht über das bloße maschinelle Lernen hinaus.

Nehmen wir als Beispiel den gesamten Turing-Test . Ein Computer wird oft als intelligent bezeichnet, wenn er den gesamten Turing-Test bestehen kann.

Ein Computer besteht den Test, wenn ein menschlicher Vernehmer nach einigen schriftlichen Fragen nicht feststellen kann, ob die schriftlichen Antworten von einer Person oder von einem Computer stammen. Der gesamte Turing-Test enthält auch ein Videosignal, damit der Interrogator die Wahrnehmungsfähigkeiten des Probanden testen kann, sowie die Möglichkeit für den Interrogator, physische Objekte "durch die Luke" zu führen.

Um den gesamten Turing-Test zu bestehen, muss der Computer über die folgenden Funktionen verfügen:

• Verarbeitung natürlicher Sprache , um eine erfolgreiche Kommunikation auf Englisch zu ermöglichen;
• Wissensrepräsentation, um zu speichern, was es weiß oder hört;
• automatisierte Argumentation , um die gespeicherten Informationen zu verwenden, um Fragen zu beantworten und neue Schlussfolgerungen zu ziehen;
• Robotik , um Objekte zu manipulieren und sich zu bewegen;
• Computer Vision , um Objekte wahrzunehmen, und
• maschinelles Lernen , um sich an neue Umstände anzupassen und Muster zu erkennen und zu extrapolieren.

Wie Sie vielleicht schon sehen, ist Maschinelles Lernen eine Teilmenge der Künstlichen Intelligenz , dass Bedenken mit der Fähigkeit eines intelligenten Agenten zu lernen .

Künstliche Intelligenz : Programm, das spüren, argumentieren, handeln und sich anpassen kann.

Maschinelles Lernen : Algorithmen, deren Leistung sich verbessert, wenn sie im Laufe der Zeit Modusdaten ausgesetzt werden.