Машинное обучение — это способ обучения компьютера без программирования и явных инструкций, базирующийся на использовании шаблонов и логических выводов.
Введение
Искусственный интеллект и машинное обучение на текущий момент уже применюется многими организациями. Часто данные понятия используются как синонимы. Искусственный интеллект развивается просто семимильными шагами. Уже существуют беспилотные транспортные средства, компьютер способен обыграть человека (и даже чемпиона мира) в шахматы, созданы системы, предназначенные для автоматизированного обслуживания клиентов. Искусственный интеллект сегодня может считаться ведущей технологией, способной вызвать качественный скачок в развитии промышленности.
Сравнительный анализ характеристик машинного обучения и гибридной схемы
Машинное обучение является одной из ветвей искусственного интеллекта. Главным его алгоритмом работы может считаться обучение на основании имеющихся начальных данных. Сегодня машинное обучение многие специалисты считают наилучшим инструментальным набором для бизнесменов, базой которого выступает искусственный интеллект. Подобные системы способны достаточно оперативно применять знания, которые были накоплены в процессе обучения на очень больших массивах данных. Это может сделать их незаменимыми в сфере распознавания образов, речи, разных объектов и тому подобных операциях.
Набор обычных стандартных программ имеет в своем составе заранее известные алгоритмы и инструкции, позволяющие решить поставленные задачи, а машинное обучение предоставляет возможность научить саму систему различным действиям, таким как, например, распознание шаблонов и составление прогнозов.
Программы Deep Blue и DeepMind можно привести в качестве примеров использования искусственного интеллекта. Но Deep Blue реализована на раньше составленной и занесенной в информационную базу фиксированной совокупности правил и условий, и она не применяла технологию машинного обучения. Зато в программе DeepMind уже использовалась технология машинного обучения. Передовые мировые корпорации, такие как Amazon, Baidu, Google, IBM, Microsoft и другие, уже могут предоставить системы машинного обучения, которые предназначены для использования в различных процессах бизнеса.
Одной из разновидностей машинного обучения практически может считаться глубокое обучение. Оно использует некоторые методы машинного обучения, позволяющие решить поставленные задачи. Помимо этого, существуют также нейронные сети, функционирующие аналогично нахождению решений людьми. Для глубокого обучения требуются огромные базы данных и по этой причине они имеют достаточно высокую стоимость. Это объясняется тем фактом, что в соответствии с алгоритмом обучения, следует настроить достаточно много разных параметров для исключения неверных выводов.
Глубокое обучение можно применять и в бизнесе. Ведь можно найти значительные информационные массивы (к примеру, состоящие из нескольких миллионов изображений), и применить их, для того чтобы обнаружить необходимые характеристики. Сложный поиск в текстах, обнаружение действий мошенников, наличие спама, перевод рукописей в текстовый файл, и много других сложных задач можно решить с помощью глубокого обучения.
А в качестве альтернативы машинному обучению может рассматриваться гибридный искусственный интеллект. Ниже представлена его общая схема.
Рисунок 1. Гибридный искусственный интеллект. Автор24 — интернет-биржа студенческих работ
Как следует из приведенной схемы, гибридная искусственная интеллектуальная система является ничем иным, как универсальной кибернетической машиной, которая обладает следующими основными элементами:
- аффекторами,
- подсистемой управления,
- эффекторами.
С помощью аффекторов кибернетическая машина может воспринимать сигналы окружающей действительности, обрабатываемые в подсистеме управления, сигналы из которой дальше должны передаваться в эффекторы, воздействующие на окружающую среду. Это структура является общей схемой всех автономных агентов, и это означает, что гибридная искусственная интеллектуальная система одновременно может считаться и интеллектуальным агентом, осуществляя агентский подход.
Основным отличием гибридной интеллектуальной системы является тот факт, что ее аффекторы (сенсоры, датчики) и эффекторы (исполнительные устройства) соединены с подсистемой управления и принятия решений посредством нейронных сетей. Это означает использование сильных сторон восходящего, или «грязного» подхода. Аффекторная нейронная сеть воспринимает пошедшие очистку сенсорами сигналы внешней среды и выполняет их преобразование в символы, подаваемые на вход универсальной машины вывода. Эта машина выполняет вывод на базе символьных знаний из своей базы знаний и выдает итоговый результат, который также должен быть представлен в форме символов. Это означает реализацию сильных сторон нисходящего, или «чистого» подхода. Символьный итоговый результат должен подаваться на вход моторной нейронной сети, преобразующей высокоуровневые символы в необходимые сигналы управления исполнительными устройствами.
Помимо этого, внутри гибридной интеллектуальной системы необходимо осуществить реализацию контрольных связей от всех ее компонентов к сенсорам. Это позволяет реализовать адаптационные механизмы, которые основаны на гомеостазе внутреннего состояния системы. Сенсоры должны фиксировать изменения внутреннего состояния всех подсистем, их компонентов и комплексов, а в случае выхода контролируемых значений за пределы заданных гомеостатических интервалов подсистемой управления должно быть принято решение, целью которого станет возврат неправильных показателей в установленный интервал.
Как раз система, обладающая подобной архитектурной организацией, при переходе через заданный порог сложности можно считать разумной. Причем разумность в этом смысле может определяться как адекватная реакция не только на стимулы внешней среды, но и на внутреннее состояние.
