Perbedaan antara pembelajaran mesin dan kecerdasan buatan

Pertanyaan saya adalah ini:

Apakah ada perbedaan antara pembelajaran mesin dan kecerdasan buatan? Atau apakah istilah-istilah ini merujuk pada hal yang sama?

Bidang mata pelajaran Kecerdasan Buatan dan Pembelajaran Mesin (ditambah Ilmu Data) secara longgar didefinisikan, sehingga sulit untuk membuat pernyataan yang ketat tentang bagaimana mereka berhubungan. Dalam kasus umum, tampaknya ada bagian yang tumpang tindih, tetapi mereka cukup jauh dari "subjek yang sama dengan dua nama berbeda" seperti yang disarankan dalam pertanyaan.

Istilah Kecerdasan Buatan memiliki banyak kemungkinan makna dan interpretasi - versi mana yang dirujuk bervariasi berdasarkan waktu dan sumber yang menggunakannya. Buku teks tentang kecerdasan buatan sering kali akan membahas topik-topik seperti algoritma pencarian, deduksi logis dan hal-hal lain yang jelas bukan pembelajaran mesin seperti yang dipraktikkan saat ini.

Misalnya, kita dapat merujuknya ke Artificial General Intelligence (atau "AI keras"), dan harus jelas dalam kasus ini bahwa setidaknya beberapa bentuk algoritma pembelajaran diperlukan untuk memenuhi tujuan AGI. Namun, jauh lebih tidak jelas berapa banyak AGI dapat diselesaikan dengan menggabungkan pembelajaran mesin ke dalam struktur yang kompleks.

Istilah Machine Learning memiliki beberapa definisi kerja yang berbeda, tetapi ini adalah yang populer:

Suatu program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa kelas tugas T dan kinerja ukuran P jika kinerjanya pada tugas-tugas di T, yang diukur dengan P, meningkat dengan pengalaman E.

Ini jauh lebih didefinisikan daripada Kecerdasan Buatan, tetapi masih memiliki banyak ruang lingkup.

Tren untuk mengkonfigurasikan AI dan ML tampaknya merupakan masalah media dan pemasaran, bukan teknis. Saya menduga ini sebagian karena kemajuan dalam 5-10 tahun terakhir dalam jaringan saraf. Model jaringan saraf telah membuat kemajuan yang kuat, terutama dalam pemrosesan sinyal gambar, video, audio. Ada juga analogi dengan otak biologis yang dapat menarik - terutama ketika materi pelajaran disederhanakan untuk dikonsumsi oleh media arus utama.

Perlu disebutkan Ilmu Data juga. Seperti Kecerdasan Buatan, istilah ini agak tidak jelas didefinisikan. Juga seperti AI, Ilmu Data memiliki lebih dari sekadar Pembelajaran Mesin. Bagi para praktisi Ilmu Data, ML adalah bagian dari alat untuk mencapai tujuan - bagi sebagian orang itu adalah bagian besar dari apa yang mereka lakukan, bagi yang lain itu hanya satu bagian dari ruang lingkup yang lebih luas (sebenarnya melatih dan memperbaiki model ML mungkin hanya memerlukan waktu sebagian kecil dari waktu data ilmuwan, analis atau ahli statistik). Saya pikir masuk akal untuk menyatakan bahwa Kecerdasan Buatan dan Ilmu Data berhubungan dengan Pembelajaran Mesin dengan cara yang sama.

Pembelajaran mesin dalam istilah awam adalah algoritma yang memungkinkan mesin untuk mengidentifikasi pola dalam data dan kemudian mengembangkan model yang dapat digunakan untuk memprediksi data yang tidak terlihat.

Inteligensi buatan adalah kemampuan mesin untuk membuat keputusan cerdas yang setara atau lebih baik daripada rekan manusia mereka.

Perbedaan antara keduanya :

AI adalah bidang yang sangat luas dari kecerdasan komputer di mana pembelajaran mesin adalah salah satu cara ia mendapatkan kecerdasan untuk memprediksi hasil. Namun AI juga mengandung robotika, sintesis ucapan, visi komputer dan lainnya.

Jadi jika saya menggambar diagram Venn dari kecerdasan buatan maka pembelajaran mesin akan menjadi bagian.

Deep Learning adalah subset dari Machine Learning yang merupakan subset dari Inteligensi Buatan. Pembelajaran mesin adalah pendekatan khusus untuk AI tetapi bukan satu-satunya. Symbolic Logic, Bayersian Statistics adalah beberapa contoh pendekatan AI yang tidak menggunakan algoritma pembelajaran mesin apa pun.

Contoh AI yang bagus, tetapi bukan pembelajaran mesin adalah perhitungan evolusioner. Di sini alih-alih belajar dari pengalaman (seperti dalam definisi Tom M. Mitchell) kita memiliki perubahan genotipe dalam setiap generasi versi program komputer, diukur dengan kinerjanya pada tugas (ekspresi fenotip di lingkungan).

Seperti yang dikatakan Melanie Mitchell :

'... sejak hari-hari awal komputer diterapkan ... untuk memodelkan otak, meniru pembelajaran manusia, dan mensimulasikan evolusi biologis ... Yang pertama telah tumbuh menjadi bidang jaringan saraf, yang kedua menjadi pembelajaran mesin, dan yang ketiga ke dalam apa yang sekarang disebut "perhitungan evolusi," ... 'Meskipun, sekarang jaringan saraf sebagian besar dianggap sebagai bagian dari pembelajaran mesin.

ML, oleh Tom M. Mitchell:

Suatu program komputer dikatakan belajar dari pengalaman E sehubungan dengan beberapa kelas tugas T dan kinerja ukuran P jika kinerjanya pada tugas-tugas di T, yang diukur dengan P, meningkat dengan pengalaman E.

AI, tetapi tidak ML:

• MEMBANTING
• Pencarian jalur : Algoritma Bellman – Ford , algoritma pencarian A * , algoritma Dijkstra
• Rantai Markov
• automata seluler

Terima kasih, Servan Grüninger , atas bantuan Anda.

Lihat juga: Bagaimana pembelajaran mesin berhubungan dengan kecerdasan buatan?

Seperti yang dikatakan Tom Mitchell dalam bukunya "Machine Learning adalah kemampuan untuk belajar tanpa diprogram secara eksplisit."

Algoritma pembelajaran mesin banyak digunakan dan ditemui setiap hari. Contohnya adalah rekomendasi otomatis ketika membeli produk atau perangkat lunak pengenalan suara yang menyesuaikan dengan suara Anda.

AI adalah teknologi apa pun yang memungkinkan suatu sistem untuk menunjukkan kecerdasan seperti manusia.

"Jika kita pasang beberapa foto kucing melakukan hal yang berbeda atau di tempat yang berbeda ke komputer, tetapi semua foto masih ditandai sebagai kucing, maka komputer akan belajar dari setiap foto yang ditunjukkan," kata Kamelia Aryafar, Ph.D. , direktur pembelajaran mesin di Overstock, "Akhirnya, ia akan mengenali bahwa kucing adalah penyebut yang umum dalam setiap rangkaian data, yang pada gilirannya membantu komputer belajar mengidentifikasi kucing."

Ketika sebuah mesin dapat mengetahui perbedaan antara objek dan membuat pilihan untuk membuang atau menerimanya, berdasarkan kriteria yang dipahami, AI lahir. Bahkan, setiap saat keputusan dibuat oleh mesin, itu adalah kecerdasan buatan dan telah melampaui pembelajaran mesin belaka.

Mari kita ambil tes Turing total sebagai contoh. Komputer sering dikatakan cerdas jika dapat lulus tes Turing total.

Komputer lulus ujian jika seorang interogator manusia, setelah mengajukan beberapa pertanyaan tertulis, tidak dapat mengetahui apakah tanggapan tertulis berasal dari seseorang atau dari komputer. Tes Turing total juga mencakup sinyal video sehingga interogator dapat menguji kemampuan persepsi subjek, serta peluang bagi interogator untuk melewatkan benda-benda fisik "melalui lubang palka."

Untuk lulus Tes Turing total, komputer harus memiliki kemampuan berikut:

• pemrosesan bahasa alami untuk memungkinkannya berkomunikasi dengan sukses dalam bahasa Inggris;
• representasi pengetahuan untuk menyimpan apa yang diketahui atau didengarnya;
• alasan otomatis untuk menggunakan informasi yang disimpan untuk menjawab pertanyaan dan untuk menarik kesimpulan baru;
• robotika untuk memanipulasi objek dan bergerak;
• visi komputer untuk melihat objek, dan
• pembelajaran mesin untuk beradaptasi dengan keadaan baru dan untuk mendeteksi dan memperkirakan pola.

Seperti yang mungkin sudah Anda lihat, Pembelajaran Mesin adalah bagian dari Kecerdasan Buatan yang berkaitan dengan kemampuan agen cerdas untuk belajar .

Kecerdasan buatan : program yang dapat merasakan, beralasan, bertindak dan beradaptasi.

Pembelajaran mesin : Algoritma yang kinerjanya meningkat saat mereka terkena data mode dari waktu ke waktu.