Süni intellekt, maşın öyrənməsi və dərin öyrənmə: fərq nədir?

Bu üç termindən sanki sinonimdirlər kimi istifadə olunur və bu, hazırda texnologiya sahəsində demək olar ki, hər şeydən çox çaşqın məhsul iclaslarına səbəb olub. Onlar sinonim deyil. Onlar bir-birinin içində yerləşən kateqoriyalardır və əslində hansından danışdığınızı bilmək hansı sualları verməli olduğunuzu dəyişir.

Süni intellekt ən geniş anlayışdır

Süni intellekt sadəcə adətən insan zəkası tələb edən bir işi görən kompüter sistemi deməkdir — mühakimə yürütmək, dili anlamaq, təsvirləri tanımaq, qeyri-müəyyənlik şəraitində qərar qəbul etmək. Bu, çox geniş anlayışdır. 1990-cı illərin mümkün gedişləri nəzərdən keçirən şahmat proqramı süni intellektdir. Sizin üçün e-poçt yazan müasir model də. Poçt qutunuzdakı spam filtri də. Onlar tamamilə fərqli şəkildə işləyir, amma standart tərifə görə hər üçü süni intellekt sayılır.

Diqqətəlayiqdir ki, süni intellektin hamısı verilənlərdən öyrənməyə əsaslanmır. Bəzi köhnə Sİ sistemləri sadəcə diqqətlə əl ilə yazılmış qaydalar və axtarış alqoritmlərindən ibarətdir. Məhz buna görə süni intellekt daxili deyil, xarici dairədir.

Maşın öyrənməsi süni intellekt yaratmağın bir üsuludur

Maşın öyrənməsi süni intellektin elə alt sahəsidir ki, burada sistem qaydalarla açıq şəkildə proqramlaşdırılmaq əvəzinə davranışını verilənlərdən öyrənir. Müasir süni intellektin əksəriyyəti məhz bu kateqoriyaya aiddir. Fırıldaqçılığın aşkarlanması, spam filtrləmə, tövsiyə sistemləri, tələbatın proqnozlaşdırılması — bunların hamısı maşın öyrənməsidir və deməli, həm də süni intellektdir, lakin danışıqda insanlar onları nadir hallarda «süni intellekt» adlandırır, çünki bu söz daha konkret bir şeyin qısa adına çevrilib.

Dərin öyrənmə maşın öyrənməsini qurmağın bir üsuludur

Dərin öyrənmə maşın öyrənməsi daxilində neyron şəbəkələrdən istifadə edən xüsusi texnikadır — bunlar beyində neyronların necə əlaqələndiyindən qismən ilhamlanmış çoxqatlı riyazi strukturlardır: «qatlar» bir-birinin üzərinə yığılır və hər biri əvvəlkindən daha mücərrəd qanunauyğunluq öyrənir. Ona «dərin» deyilir, çünki qatların sayı çoxdur, hansısa qeyri-müəyyən mənada daha ağıllı olduğuna görə yox.

Süni intellektin indiki dalğasını mümkün edən məhz dərin öyrənmədir — təsvirlərin tanınması, nitqin mətnə çevrilməsi və ChatGPT kimi alətlərin arxasında dayanan böyük dil modelləri daxildə hamısı dərin öyrənmədir. Lakin maşın öyrənməsinin hamısı dərin öyrənmə deyil. Gündəlik biznesdə istifadə olunan maşın öyrənməsinin böyük hissəsi — müştəri itkisinin proqnozlaşdırılması, potensial müştərilərin qiymətləndirilməsi, tələbatın proqnozu — daha sürətli öyrədilən, daha az verilən tələb edən və modelin qərarı niyə verdiyini bilmək istəyən maraqlı tərəfə izah etmək xeyli asan olan daha köhnə, daha sadə texnikalarla (qərar ağacları, reqressiya modelləri) yaxşı işləyir.

Bu fərq niyə həqiqətən vacibdir

• Verilənlərə tələblər kəskin fərqlənir. Dərin öyrənmə modelləri yaxşı nəticə göstərmək üçün çox vaxt nəhəng verilənlər toplusuna ehtiyac duyur. Daha sadə maşın öyrənməsi modelləri bir neçə min sətirlə işləyə bilər.
• Xərc və sürət bir tərtib fərqlənir. Dərin öyrənmə modelini — xüsusən də böyük dil modelini — öyrətmək və işlətmək ənənəvi maşın öyrənməsi modelindən hesablama resursları baxımından nəzərəçarpacaq dərəcədə baha başa gəlir: həm hazırlanması, həm də canlı mühitdə işlədilməsi.
• Dərinləşdikcə izah edilə bilənlik azalır. Qərar ağacı adətən qərarı niyə verdiyini dəqiq deyə bilir. Milyonlarla parametri olan dərin neyron şəbəkə isə ümumiyyətlə bunu insanın sətir-sətir izləyə biləcəyi heç bir formada edə bilmir.

Məhsulunuz üçün həqiqətən vacib olan sual

Kimsə «gəlin süni intellekt əlavə edək» deyəndə faydalı növbəti sual «hansı təchizatçı?» deyil — «bu üçündən əslində hansından danışırıq və problem buna dəyərmi?» sualıdır. Bir çox real biznes problemi sizdəkindən qat-qat çətin problemi həll etmək üçün qurulmuş dərin öyrənmə sisteminin xərc və mürəkkəbliyinin cüzi bir hissəsi ilə sadə maşın öyrənməsi, hətta adi qaydalarla mükəmməl həll olunur.

Burncode istənilən Sİ işinə başlamazdan əvvəl məhz belə bir əhatə müəyyənləşdirmə söhbəti aparır — texnikanı real problemə uyğunlaşdırırıq, əksinə yox. Beləliklə, daha sadə modelin (və ya ümumiyyətlə modelsiz həllin) eyni dərəcədə yaxşı öhdəsindən gələcəyi tapşırıq üçün dərin öyrənmə səviyyəsində mürəkkəbliyə pul ödəmirsiniz.