ხელოვნური ინტელექტი (AI) და მანქანური სწავლება (ML) ხშირად ერთსა და იმავედ მოიაზრება, თუმცა ეს ზუსტი არ არის. AI ფართო სფერო და საერთო სახელია, ხოლო მანქანური სწავლება — მისი ერთ-ერთი ძირითადი მიდგომა. მარტივად რომ ვთქვათ, ყველა ML სისტემა AI-ის ნაწილია, მაგრამ ყველა AI სისტემა მონაცემებიდან სწავლას არ იყენებს.
AI სისტემას შეუძლია, ადამიანების მიერ განსაზღვრული მიზნისთვის შექმნას პროგნოზი, რეკომენდაცია ან გადაწყვეტილება. მაგალითად, მან შეიძლება დაახარისხოს ფოტო, შემოგთავაზოთ ვიდეო ან დაგეგმოს მოქმედება. ეს არ ნიშნავს, რომ სისტემას ადამიანური ცნობიერება ან სამყაროს გაგება აქვს: ის კონკრეტული ამოცანის შესასრულებლად არის შექმნილი.
AI: ფართო ცნება, ML: მონაცემებზე დაფუძნებული მეთოდი
ხელოვნური ინტელექტი მოიცავს სხვადასხვაგვარ მიდგომას. ზოგი სისტემა მუშაობს წინასწარ დაწერილი წესებით, ზოგი კი — მანქანური სწავლების მოდელით. NIST-ის განმარტებით, AI სისტემამ შეიძლება წარმოქმნას პროგნოზი, რეკომენდაცია ან გადაწყვეტილება, რომელიც რეალურ ან ვირტუალურ გარემოზე მოქმედებს.
მანქანური სწავლება AI-ის ქვეჯგუფია. ამ შემთხვევაში პროგრამისტი ყველა შესაძლო გადაწყვეტილების წესს ხელით არ წერს. მოდელს აჩვენებენ მონაცემებსა და მაგალითებს; ის მონაცემებში სტატისტიკურ ნიმუშებს პოულობს და შემდეგ ცდილობს, ეს ნიმუშები ახალ შემთხვევებზეც გამოიყენოს.
სიტყვა „სწავლა“ აქ ტექნიკური მნიშვნელობით გამოიყენება. მოდელი სწავლებისას საკუთარ პარამეტრებს არეგულირებს, რათა სასწავლო მაგალითებში აღმოჩენილი კავშირების საფუძველზე ახალი მონაცემები დაახარისხოს ან პროგნოზი გააკეთოს. ეს არ ნიშნავს, რომ მას გამოცდილება, ცნობიერება ან ადამიანური გაგება უყალიბდება.
წინასწარ დაწერილი წესები თუ მონაცემებიდან ნასწავლი ნიმუშები?
განსხვავების გასაგებად სასარგებლოა ორი მიდგომის შედარება.
- წესებზე დაფუძნებული პროგრამა: ადამიანი წინასწარ წერს ლოგიკას — მაგალითად, „თუ ტემპერატურა 0°C-ზე დაბალია, მიუთითე ყინვა“ ან „თუ გამომგზავნი საეჭვო სიაშია, წერილი სპამში გადაიტანე“.
- მანქანური სწავლების სისტემა: მოდელს აჩვენებენ ბევრ მონიშნულ მაგალითს და ის თავად ეძებს ნიშნებს, რომლებიც შედეგს უკავშირდება. მაგალითად, „სპამ“ და „არასპამ“ წერილებზე სწავლების შემდეგ ახალ წერილს აფასებს.
წესებზე დაფუძნებული სისტემა ხშირად მარტივად ასახსნელი და პროგნოზირებადია. ის გამოსადეგია მაშინ, როცა წესები მკაფიო და შედარებით სტაბილურია. თუმცა ყველა გამონაკლისის წინასწარ გაწერა რთულია; ბევრი წესის დაგროვებამ კი პროგრამა შეიძლება მოუქნელი გახადოს.
ML მოდელსაც ადამიანი მართავს: საჭიროა ამოცანის განსაზღვრა, მონაცემების შერჩევა, მოდელის შეფასება და კონტროლი. მისი უპირატესობა ისაა, რომ რთულ ნიმუშებს მონაცემებიდან პოულობს. მაგრამ მონაცემების ხარისხი და მოდელის შემოწმება გადამწყვეტია, რადგან ახალ შემთხვევებზე შესაძლოა შეცდეს.
სად გვხვდება მანქანური სწავლება ყოველდღიურად?
რეკომენდაციები. ვიდეოსერვისებმა, ონლაინ-მაღაზიებმა და სხვა პლატფორმებმა შეიძლება გაითვალისწინონ, რას უყურებთ, რას ყიდულობთ, რომელ გვერდზე ჩერდებით და როგორ იქცევიან მსგავსი ინტერესების მქონე მომხმარებლები. ამ ნიშნებით სისტემა სავარაუდოდ საინტერესო კონტენტს ან პროდუქტს გთავაზობთ. კონკრეტული სერვისის შიდა ტექნოლოგია ყოველთვის საჯარო არ არის, ამიტომ შეუძლებელია ყველა პლატფორმაზე ერთნაირი მეთოდის მტკიცება.
სპამ-ფილტრი. ძველებურ ან მარტივ ფილტრს შეიძლება აკრძალული სიტყვებისა და მისამართების სია ჰქონდეს. ML-ზე დაფუძნებული ფილტრი კი მრავალი მონიშნული წერილიდან სწავლობს, რა კომბინაციები ჰგავს სპამს. ორივე მიდგომა შეიძლება გამოიყენებოდეს, და არცერთი არის უშეცდომო: სასარგებლო წერილი შეიძლება სპამად მონიშნოს ან პირიქით.
ხმის ამოცნობა. თანამედროვე სისტემების ბევრი ტიპი აუდიო სიგნალებსა და ენობრივ ნიმუშებს ამუშავებს, რათა ნათქვამი სიტყვები ამოიცნოს. შედეგზე გავლენას ახდენს ფონური ხმაური, აქცენტი, დიალექტი, იშვიათი სიტყვები და სახელები.
გამოსახულების კლასიფიკაცია. მოდელს შეიძლება მიეწოდოს მონიშნული სურათების დიდი ნაკრები, რათა ახალ ფოტოში გარკვეული კატეგორია ამოიცნოს. მაგალითად, სისტემამ შეიძლება შეაფასოს, რომელ კლასს მიეკუთვნება გამოსახულება. ეს შეფასებაა და არა ადამიანის მსგავსი „დანახვა“, ამიტომ ბუნდოვანმა, უჩვეულო ან არასრულმა სურათმა შეცდომა შეიძლება გამოიწვიოს.
მანქანური სწავლების მოდელებს ხშირად დიდი გამოთვლითი რესურსი სჭირდებათ. ამ კონტექსტისთვის წაიკითხეთ, რა განსხვავებაა AI ჩიპებსა და ჩვეულებრივ პროცესორებს შორის.
რატომ არ ნიშნავს პასუხი ყოველთვის გაგებას?
AI სისტემის დამაჯერებელი პასუხი არ არის იმის მტკიცებულება, რომ ის საკითხს ადამიანივით იგებს ან აუცილებლად სწორია. მოდელი მონაცემებში აღმოჩენილ კავშირებზე მუშაობს და შეიძლება არასწორი კლასიფიკაცია, არასათანადო რეკომენდაცია ან მცდარი პასუხი შექმნას. ამიტომ მნიშვნელოვანია შედეგის გადამოწმება, განსაკუთრებით მაშინ, როცა გადაწყვეტილებას მნიშვნელოვანი შედეგი აქვს.
მთავარი განსხვავება ასე დასამახსოვრებელია: AI არის ამოცანების ფართო სფერო, ML კი ერთ-ერთი გზა, რომლითაც AI სისტემა მონაცემებიდან ნიმუშებს სწავლობს. წესებზე დაფუძნებული პროგრამაც შეიძლება AI მიდგომის ნაწილი იყოს, მიუხედავად იმისა, რომ მანქანურ სწავლებას საერთოდ არ იყენებდეს.
