AI, uczenie maszynowe i deep learning: czym się różnią?
Te trzy terminy używane są tak, jakby były synonimami, i wywołało to więcej chaotycznych spotkań produktowych niż niemal cokolwiek innego w dzisiejszej branży technologicznej. Nie są synonimami. To kategorie zawierające się jedna w drugiej, a wiedza o tym, o której właściwie mowa, zmienia pytania, jakie warto zadawać.
Sztuczna inteligencja to najszersze pojęcie
AI oznacza po prostu system komputerowy, który robi coś, co normalnie wymagałoby ludzkiej inteligencji – rozumuje, rozumie język, rozpoznaje obrazy, podejmuje decyzje w warunkach niepewności. To ogromny parasol. Program szachowy z lat 90., który przeszukuje możliwe ruchy, to AI. Współczesny model, który pisze za was e-maila – też. Podobnie filtr antyspamowy w skrzynce odbiorczej. Działają w zupełnie różny sposób, ale według standardowej definicji wszystkie trzy to AI.
Co istotne: nie każda AI w ogóle uczy się z danych. Niektóre starsze systemy AI to po prostu starannie napisane ręcznie reguły i algorytmy przeszukiwania. Dlatego AI to zewnętrzny okrąg, a nie wewnętrzny.
Uczenie maszynowe to jeden ze sposobów budowania AI
Uczenie maszynowe to ta część AI, w której system uczy się swojego zachowania z danych, zamiast być wprost zaprogramowanym za pomocą reguł. Do tej kategorii należy większość współczesnej AI. Wykrywanie oszustw, filtrowanie spamu, silniki rekomendacji, prognozowanie popytu – wszystko to uczenie maszynowe, a co za tym idzie AI, choć w rozmowie rzadko nazywa się je „AI”, bo to słowo stało się skrótem myślowym na coś bardziej konkretnego.
Deep learning to jeden ze sposobów realizowania uczenia maszynowego
Uczenie głębokie (deep learning) to konkretna technika w ramach uczenia maszynowego, która wykorzystuje sieci neuronowe – warstwowe struktury matematyczne luźno inspirowane sposobem, w jaki łączą się neurony w mózgu. „Warstwy” nakładają się na siebie, a każda kolejna uczy się bardziej abstrakcyjnego wzorca niż poprzednia. Nazwa „głębokie” odnosi się do liczby warstw, a nie do tego, że jest w jakimś mglistym sensie mądrzejsze.
To właśnie uczenie głębokie umożliwiło obecną falę AI – rozpoznawanie obrazów, zamianę mowy na tekst i duże modele językowe stojące za narzędziami takimi jak ChatGPT. Ale nie każde uczenie maszynowe to uczenie głębokie. Wiele codziennych biznesowych zastosowań uczenia maszynowego – przewidywanie odejść klientów, scoring leadów, prognozowanie popytu – świetnie działa na starszych, prostszych technikach (drzewa decyzyjne, modele regresji), które trenują się szybciej, potrzebują mniej danych i znacznie łatwiej je wyjaśnić interesariuszowi, który chce wiedzieć, dlaczego model podjął daną decyzję.
Dlaczego to rozróżnienie naprawdę ma znaczenie
- Wymagania dotyczące danych są skrajnie różne. Modele uczenia głębokiego często potrzebują ogromnych zbiorów danych, by dobrze działać. Prostszym modelom uczenia maszynowego może wystarczyć kilka tysięcy wierszy.
- Koszt i szybkość różnią się o rząd wielkości. Trenowanie i uruchamianie modelu uczenia głębokiego – zwłaszcza dużego modelu językowego – kosztuje wyraźnie więcej mocy obliczeniowej niż tradycyjny model uczenia maszynowego, zarówno przy budowie, jak i na produkcji.
- Im głębiej, tym trudniej o wyjaśnialność. Drzewo decyzyjne zwykle potrafi dokładnie powiedzieć, dlaczego podjęło daną decyzję. Głęboka sieć neuronowa z milionami parametrów na ogół tego nie potrafi – przynajmniej nie w formie, którą człowiek mógłby prześledzić krok po kroku.
Pytanie, które naprawdę ma znaczenie dla waszego produktu
Gdy ktoś mówi „dodajmy AI”, sensownym pytaniem uzupełniającym nie jest „u jakiego dostawcy”, tylko „o której z tych trzech rzeczy właściwie mówimy i czy problem to uzasadnia?”. Wiele realnych problemów biznesowych da się doskonale rozwiązać prostym uczeniem maszynowym, a nawet zwykłymi regułami – za ułamek kosztu i złożoności systemu uczenia głębokiego, zbudowanego do rozwiązywania znacznie trudniejszego problemu niż wasz.
Dokładnie taką rozmowę o zakresie Burncode prowadzi przed rozpoczęciem jakichkolwiek prac nad AI – dopasowujemy technikę do faktycznego problemu, a nie odwrotnie, żebyście nie płacili za złożoność na poziomie uczenia głębokiego przy zadaniu, z którym równie dobrze poradziłby sobie prostszy model (albo żaden).