인터넷(Internet) 에 연결된 장치를 스마트 장치라고 합니다. 인터넷(Internet) 과 관련된 거의 모든 것이 스마트 장치(smart device) 로 알려져 있습니다 . 이러한 맥락에서 최소한의 또는 사람의 개입 없이 작동할 수 있도록 장치 를 더 ( –)스마트 하게 만드는 코드는 (SMARTER – )인공 지능(Artificial Intelligence) (AI) 을 기반으로 한다고 말할 수 있습니다 . 다른 두 가지, 즉 머신 러닝(Machine Learning) (ML)과 딥 러닝(Deep Learning) (DL)은 스마트 장치에 더 많은 기능을 제공하기 위해 구축된 서로 다른 유형의 알고리즘입니다. AI 대 ML 대 DL(AI vs ML vs DL ) 을 아래에서 자세히 살펴보고 그들이 하는 일과 AI와 어떻게 연결되는지 이해 합시다 .
ML 및 DL과 관련된 인공 지능이란 무엇입니까?
AI는 머신 러닝(Machine Learning) (ML) 프로세스와 딥 러닝(Deep Learning) (DL) 프로세스의 상위 집합이라고 할 수 있습니다. AI는 일반적으로 ML 및 DL에 사용되는 포괄적인 용어입니다. 딥 러닝(Deep Learning) 은 다시 머신 러닝(Machine Learning) 의 하위 집합입니다 (위 이미지 참조).
일부에서는 머신 러닝(Machine Learning) 이 더 이상 보편적인 AI의 일부가 아니라고 주장합니다 . 그들은 ML이 그 자체로 완전한 과학이므로 인공 지능(Artificial Intelligence) 과 관련하여 부를 필요가 없다고 말합니다 . AI는 데이터에서 번성합니다: 빅 데이터(Big Data) . 더 많은 데이터를 소비할수록 더 정확합니다. 항상 정확하게 예측한다는 것은 아닙니다. 거짓 플래그도 있을 것입니다. AI는 이러한 실수에 대해 스스로 훈련하고 인간의 감독 여부에 관계없이 해야 할 일을 더 잘하게 됩니다.
인공 지능 은 거의 모든 산업에 침투하여 너무 많은 유형의 (비즈니스) 프로세스 및 알고리즘에 영향을 미치기 때문에 제대로 정의할 수 없습니다. 인공 지능(Intelligence) 은 데이터 과학(Data Science) (DS: Big Data )을 기반으로 하며 (Big Data)기계 학습(Machine Learning) 을 별개의 부분으로 포함 한다고 말할 수 있습니다 . 마찬가지로 (Likewise)딥 러닝(Deep Learning) 은 머신 러닝(Machine Learning) 의 별개의 부분입니다 .
IT 시장이 기울어지는 방식으로 미래는 사물 인터넷(IoT)(Internet of Things (IoT)) 이라고 하는 연결된 스마트 장치가 지배할 것 입니다. 스마트(Smart) 장치는 직간접적으로 인공 지능을 의미합니다. 당신은 이미 일상 생활의 많은 작업에서 인공 지능(AI)을 사용하고 있습니다. 예를 들어, "단어 제안"에 계속 나아지는 스마트폰 키보드에 입력. 자신도 모르는 사이에 인공 지능(Artificial Intelligence) 을 다루는 다른 예로 는 인터넷(Internet) , 온라인 쇼핑, 그리고 물론 항상 스마트한 Gmail 및 Outlook 이메일 받은 편지함 에서 항목을 검색하는 것이 있습니다.
머신 러닝이란
기계 학습(Learning) 은 많은 프로그래밍 없이 기계(또는 컴퓨터 또는 소프트웨어)가 스스로 학습하고 훈련하도록 하는 것을 목표로 하는 인공 지능(Artificial Intelligence) 의 한 분야입니다 . 이러한 장치는 더 나은 수행 방법 학습을 포함하여 작업을 완료하기 위해 인간의 방법을 적용하므로 프로그래밍이 덜 필요합니다. 기본적으로(Basically) ML은 컴퓨터/기기/소프트웨어를 약간 프로그래밍하여 스스로 학습할 수 있도록 하는 것을 의미합니다.
기계 학습(Machine Learning) 을 용이하게 하는 몇 가지 방법이 있습니다 . 그 중 다음 세 가지가 광범위하게 사용됩니다.
- 감독,
- 무감독, 그리고
- 강화 학습.
기계 학습(Machine Learning) 의 지도 학습
프로그래머가 먼저 레이블이 지정된 데이터와 이미 처리된 답변을 기계에 제공한다는 의미에서 감독됩니다. 여기서 레이블은 데이터베이스 또는 스프레드시트의 행 또는 열 이름을 의미합니다. 방대한 데이터 세트를 컴퓨터에 공급한 후에는 추가 데이터 세트를 분석하고 자체적으로 결과를 제공할 준비가 됩니다. 즉, 컴퓨터에 제공된 데이터를 분석하는 방법을 컴퓨터에 가르쳤습니다.
일반적으로 80/20 규칙을 사용하여 확인됩니다. 엄청난(Huge) 양의 데이터가 답 뒤에 있는 논리를 시도하고 학습하는 컴퓨터에 제공됩니다. 이벤트 데이터의 80%가 답변과 함께 컴퓨터에 제공됩니다. 나머지 20%는 컴퓨터가 적절한 결과를 얻을 수 있는지 확인하기 위해 응답 없이 제공됩니다. 이 20%는 컴퓨터(기계)가 학습하는 방식을 확인하기 위한 교차 검사에 사용됩니다.
비지도 머신 러닝
비지도 학습은 레이블이 지정되지 않고 순서가 지정되지 않은 임의의 데이터 세트가 머신에 공급될 때 발생합니다. 기계는 결과를 산출하는 방법을 알아내야 합니다. 예를 들어 다양한 색상의 소프트볼을 제공하는 경우 색상별로 분류할 수 있어야 합니다. 따라서 미래에 기계에 새 소프트볼이 제공되면 데이터베이스에 이미 있는 레이블이 있는 공을 식별할 수 있습니다. 이 방법에는 훈련 데이터가 없습니다. 기계는 스스로 학습해야 합니다.
강화 학습
일련의 결정을 내릴 수 있는 기계가 이 범주에 속합니다. 다음으로 보상 시스템이 있습니다. 기계가 프로그래머가 원하는 모든 것을 잘하면 보상을 받습니다. 기계는 최대의 보상을 갈망하는 방식으로 프로그래밍되어 있습니다. 그리고 그것을 얻기 위해 다른 경우에 다른 알고리즘을 고안하여 문제를 해결합니다. 이는 AI 컴퓨터가 시행착오 방법을 사용하여 결과를 도출한다는 것을 의미합니다.
예를 들어 기계가 자율 주행 차량이라면 도로에서 자체 시나리오를 만들어야 합니다. 기계가 이동 중일 때 모든 가능성을 생각할 수 없기 때문에 프로그래머가 모든 단계를 프로그래밍할 수 있는 방법은 없습니다. 이것이 강화 학습(Reinforcement Learning) 이 등장하는 곳입니다. 시행 착오 AI라고 부를 수도 있습니다.
딥 러닝은 머신 러닝 과 어떻게 다른가요?(Machine Learning)
딥 러닝(Deep Learning) 은 더 복잡한 작업을 위한 것입니다. 딥 러닝(Deep Learning) 은 머신 러닝(Machine Learning) 의 하위 집합입니다 . 머신이 학습하는 데 도움이 되는 더 많은 신경망이 포함되어 있다는 것뿐입니다. 인공(Manmade) 신경망은 새로운 것이 아닙니다. 전 세계의 연구실(Labs) 은 기계가 정보에 입각한 결정을 내릴 수 있도록 신경망을 구축하고 개선하기 위해 노력하고 있습니다. 일반 시민권을 부여 받은 사우디(Saudi) 의 휴머노이드 소피아(Sophia) 에 대해 들어보셨을 것입니다 . 신경망은 인간의 두뇌와 비슷하지만 두뇌만큼 정교하지는 않습니다.
비지도 딥 러닝을 제공하는 몇 가지 좋은 네트워크가 있습니다. 딥러닝(Deep Learning) 은 인간의 두뇌를 모방한 신경망 이라고 할 수 있습니다 . 그러나 충분한 샘플 데이터가 있으면 딥 러닝(Deep Learning) 알고리즘을 사용하여 샘플 데이터에서 세부 정보를 선택할 수 있습니다. 예를 들어, 이미지 프로세서 DL 머신을 사용하면 머신이 묻는 질문에 따라 감정이 변하는 사람의 얼굴을 만드는 것이 더 쉽습니다.
위는 더 쉬운 언어로 AI 대 MI 대 DL을 설명합니다. AI와 ML은 막 열려 있고 엄청난 잠재력을 지닌 광대한 분야입니다. 이것이 일부 사람들이 인공 지능(Artificial Intelligence) 에서 머신 러닝(Machine Learning) 과 딥 러닝(Deep Learning) 을 사용하는 것을 반대하는 이유 입니다.
What are Machine Learning and Deep Learning in Artificial Intelligence
Devices connected to the Internet are called smart devices. Pretty much everything related to the Internet is known as a smart device. In this context, the code that makes the devices SMARTER – so that it can work with minimal or without any human intervention – can be said to be based on Artificial Intelligence (AI). The other two, namely: Machine Learning (ML), and Deep Learning (DL), are different types of algorithms built to bring more capabilities to the smart devices. Let’s see AI vs ML vs DL in detail below to understand what they do and how they are connected to AI.
What is Artificial Intelligence with respect to ML & DL
AI can be called a superset of Machine Learning (ML) processes, and Deep Learning (DL) processes. AI usually is an umbrella term that is used for ML and DL. Deep Learning is again, a subset of Machine Learning (see image above).
Some argue that Machine Learning is no more a part of the universal AI. They say ML is a complete science in its own right and thus, need not be called with reference to Artificial Intelligence. AI thrives on data: Big Data. The more data it consumes, the more accurate it is. It is not that it will always predict correctly. There will be false flags as well. The AI trains itself on these mistakes and becomes better at what it is supposed to do – with or without human supervision.
Artificial Intelligence cannot be defined properly as it has penetrated into almost all industries and affects way too many types of (business) processes and algorithms. We can say that Artificial Intelligence is based on Data Science (DS: Big Data) and contains Machine Learning as its distinct part. Likewise, Deep Learning is a distinct part of Machine Learning.
The way the IT market is tilting, the future would be dominated with connected smart devices, called the Internet of Things (IoT). Smart devices mean artificial intelligence: directly or indirectly. You are already using artificial intelligence (AI) in many tasks in your daily life. For example, typing on a smartphone keyboard that keeps on getting better on “words suggestion”. Among other examples where you unknowingly are dealing with Artificial Intelligence are searching for things on the Internet, online shopping, and of course, the ever-smart Gmail and Outlook email inboxes.
What is Machine Learning
Machine Learning is a field of Artificial Intelligence where the aim is to make a machine (or computer, or a software) learn and train itself without much programming. Such devices need less programming as they apply human methods to complete tasks, including learning how to perform better. Basically, ML means programming a computer/device/software a bit and allowing it to learn on its own.
There are several methods to facilitate Machine Learning. Of them, the following three are used extensively:
- Supervised,
- Unsupervised, and
- Reinforcement learning.
Supervised Learning in Machine Learning
Supervised in a sense that programmers first provide the machine with labeled data and already processed answers. Here, labels mean the row or column names in a database or spreadsheet. After feeding huge sets of such data to the computer, it is ready to analyze further data sets and provide results on its own. That means you taught the computer how to analyze the data fed to it.
Usually, it is confirmed using the 80/20 rule. Huge sets of data are fed to a computer that tries and learns the logic behind the answers. 80 percent of data from an event is fed to the computer along with answers. The remaining 20 percent is fed without answers to see if the computer can come up with proper results. This 20 percent is used for cross-checking to see how the computer (machine) is learning.
Unsupervised Machine Learning
Unsupervised Learning happens when the machine is fed with random data sets that are not labeled, and not in order. The machine has to figure out how to produce the results. For example, if you offer it softballs of different colors, it should be able to categorize by colors. Thus, in the future, when the machine is presented with a new softball, it can identify the ball with already present labels in its database. There is no training data in this method. The machine has to learn on its own.
Reinforcement Learning
Machines that can make a sequence of decisions fall into this category. Then there is a reward system. If the machine does good at whatever the programmer wants, it gets a reward. The machine is programmed in a way that it craves maximum rewards. And to get it, it solves problems by devising different algorithms in different cases. That means the AI computer uses trial and error methods to come up with results.
For example, if the machine is a self-driving vehicle, it has to create its own scenarios on road. There is no way a programmer can program every step as he or she can’t think of all the possibilities when the machine is on the road. That is where Reinforcement Learning comes in. You can also call it trial and error AI.
How is Deep Learning different from Machine Learning
Deep Learning is for more complicated tasks. Deep Learning is a subset of Machine Learning. Only that it contains more neural networks that help the machine in learning. Manmade neural networks are not new. Labs across the world are trying to build and improve neural networks so that the machines can make informed decisions. You must have heard of Sophia, a humanoid in Saudi that was provided regular citizenship. Neural networks are like human brains but not as sophisticated as the brain.
There are some good networks that provide for unsupervised deep learning. You can say that Deep Learning is more neural networks that imitate the human brain. Still, with enough sample data, the Deep Learning algorithms can be used to pick up details from sample data. For example, with an image processor DL machine, it is easier to create human faces with emotions changing according to the questions the machine is asked.
The above explains AI vs MI vs DL in easier language. AI and ML are vast fields – that are just opening up and have tremendous potential. This is the reason some people are against using Machine Learning and Deep Learning in Artificial Intelligence.
