人工知能vs機械学習vsディープラーニング|違い
人工知能（AI）、機械学習（ML）、ディープラーニング（DL）という用語は、最近非常に一般的になっています。これらは、特にビッグデータ、分析、検索とインデックス作成を処理するときに、同じ意味で使用されることがよくあります。これらの3つの用語は非常に関連していますが、同じものではありません。
今日のストーリーでは、AI、ML、DLとは正確には何であり、それらが互いにどのように異なるかを説明します。心配しないでください。複雑な科学用語は使用しません。できるだけ短くシンプルにします。
人工知能
AIは、1956年にジョンマッカーシーによって最初に造られたコンピュータサイエンスの下位区分です。コンピューターは通常、私たちが命令するタスクを実行します。ただし、AIは、人間と同じように、インテリジェントに考えて実行できるマシンまたはソフトウェアを構築する方法です。これには、言語の理解、音と視覚の認識、学習、計画、問題の解決などが含まれます。
たとえば、従来のプログラムは特定の質問にしか答えることができませんが、AIプログラムは一般的な質問に答えることができます。
AIには4つのタイプがあります–
- 完全に反応的： 基本的なタイプで、結論を出すことはできません。例– GoogleのAlphaGo、IBMのDeepBlue
- 限られたメモリ： 適切な決定を下し、行動を起こすことができます。例–チャットボット、自動運転車
- 心の理論： 思考、感情を理解し、社会的に相互作用することができます。 —まだ構築されていません*
- 自己認識： 自分自身についての表現を形成し、自己状態を認識し、他人の感情を予測することができます。 –まだ構築されていません*
* 3番目と4番目のタイプのマシンは実際には存在しませんが、スターウォーズのR2D2（タイプ3）やエクスマキナのエヴァ（タイプ4）などのSF映画でデモンストレーションされています。
機械学習
MLはAIのサブセットであり、明示的にプログラムすることなく、経験から学習、行動、改善する機能をシステムに提供します。したがって、MLは、特定のタスクを実行するための特定の命令を使用してすべてのメソッドを明示的に記述するのではなく、過去の経験から学習できるようにプログラムをトレーニングする手法です。ここで、トレーニングとは、プログラムに大量のデータを供給し、プログラムがそれ自体を構成して改善できるようにすることを指します。
たとえば、MLアルゴリズムに何千もの猫の写真を提供すると、猫がどのように見えるか（猫の身長、色、顔の形など）が認識され始めます。最終的には、写真内の猫を識別して自動的にタグ付けできます。精度レベルが十分に高くなると、アルゴリズムは猫がどのように見えるかを正確に知ることができます。
機械学習の種類：
- 監視対象： 定義された出力を持つデータを通じて機械学習を明示的に行います。
- 教師なし： マシンはデータ（パターン/構造）を理解し、データセットから推論を引き出します。
- 補強： AIへのアプローチ、ポジティブな強化とネガティブな強化から学び、ポジティブな結果に報いる。
ディープラーニング
ディープラーニングは、人間の脳の構造と機能、または多くのニューロンの相互接続に触発されたアルゴリズムを扱う機械学習のサブフィールドです。これらのアルゴリズムは、脳の生物学的構造を模倣する人工ニューラルネットワーク（ANN）として知られています。
ニューロンには個別の層があり、他のニューロンへの接続があります。これらのレイヤーは、関連する概念または決定木のネストされた階層として視覚化できます。各レイヤーは、特定の機能を選択して、特定のパスを学習または追跡することができます。深さは複数のレイヤーによって構築されます。ネットワークのレイヤーが多いほど、ネットワークはより深く/複雑になります。
十分に訓練されるために、深層学習ネットワークは大量のアイテムを必要とします。システムは、アイテムを定義するエッジごとにコードを記述するのではなく、数百万のデータポイントへの露出から学習します。
Googleの脳は、1,000万を超える画像サンプルを取得した後、猫を認識するディープラーニングの完璧な例です。これらのネットワークは、アイテムを定義する特定の基準でコーディングする必要はありません。多数のサンプルにさらされた後、エッジを識別できます。
2017年10月、GoogleBrainのチーフであるJeffDeanは、バークレーのVBサミットで次のように述べています–
現在、ディープラーニングで開発された画像認識システムは、人間よりも優れています。これは、猫の認識から、MRIスキャンでの血液がんや腫瘍の指標の特定にまで及びます。
グーグルAlphaGoは囲碁（チェスよりもはるかに複雑）のゲームで訓練され、それは何度も何度も対戦することによってその神経ネットワークを進歩させました。 2016年3月、プロ棋士を倒した最初のコンピュータープログラムになりました。
読む：評価に基づく18の最高のチェスエンジン
AIMLとDLの視覚化
画像クレジット：Nvidia
AI、ML、DLの関係を考える最も簡単な方法は、それらを同心円として視覚化することです。この円では、人工知能が最初に来て、次に機械学習、最後に現在のAI爆発を推進しているディープラーニングが続きます。
バストからブームへ
人工知能は、1956年以来、人間の想像力の一部であり、研究室で煮えています。テキストの控えめな表現、信号処理、音声、画像など、多くの主要なAIの問題について、2012年から7年間で、過去25年間よりも進歩を遂げてきました。認識（大変な仕事）。
過去数年間にAIが爆発的に増加した主な理由は、並列処理をさらに高速かつ安価にするGPUの幅広い可用性です。また、実質的に無限のストレージとビッグデータの動き全体（テキスト、画像、トランザクションなど）にも関係しています。
今日、すべてのテクノロジー大手企業はAIプロジェクトに多額の投資を行っており、何十億もの人々がウェブ検索エンジン、ソーシャルメディア、eコマースプラットフォームを介して毎日AIソフトウェアとやり取りしています。そして、私たちが最もやり取りするAIのタイプの1つ（または唯一のタイプと言えます）は機械学習です。
統計によると、AI市場の世界的な収益は2025年までに59兆ドルを超えるでしょう。
読む：量子コンピューターに関する18の最も興味深い事実
ディープラーニングのおかげでAIは未来です
ディープラーニングは、あらゆるタイプの機械支援を可能にする方法でタスクを分割することにより、機械学習のいくつかの実用的なアプリケーションを可能にしました。より優れた製品の推奨事項とストーリーの提案、より優れた予防医療、自動運転車—今日、これらすべてが可能です。ディープラーニングの助けを借りて、AIは人間が長い間想像していたSFの状態に到達することさえできます。
産業技術