ИИ, машинное обучение и глубокое обучение: в чём разница?
Эти три термина используют как синонимы, и сейчас это порождает больше путаницы на продуктовых совещаниях, чем почти что-либо ещё в технологиях. Они не синонимы. Это вложенные друг в друга категории, и от того, о какой из них на самом деле идёт речь, зависит, какие вопросы стоит задавать.
Искусственный интеллект — самое широкое понятие
ИИ — это просто компьютерная система, которая делает то, что обычно требует человеческого интеллекта: рассуждает, понимает язык, распознаёт изображения, принимает решения в условиях неопределённости. Это очень широкий зонтик. Шахматная программа из 1990-х, перебирающая возможные ходы, — это ИИ. Современная модель, которая пишет за вас письмо, — тоже ИИ. И спам-фильтр в вашем почтовом ящике — тоже. Они работают совершенно по-разному, но по стандартному определению все три считаются ИИ.
Важно: не всякий ИИ вообще учится на данных. Некоторые более старые ИИ-системы — это просто тщательно написанные вручную правила и алгоритмы поиска. Поэтому ИИ — внешний круг, а не внутренний.
Машинное обучение — один из способов создать ИИ
Машинное обучение — это та часть ИИ, где система получает своё поведение из данных, а не программируется явными правилами. К этой категории и относится большая часть современного ИИ. Обнаружение мошенничества, фильтрация спама, рекомендательные системы, прогнозирование спроса — всё это машинное обучение, а значит, и ИИ, но в разговоре их редко называют «ИИ», потому что это слово стало обозначением чего-то более конкретного.
Глубокое обучение — один из способов реализовать машинное обучение
Глубокое обучение — конкретный подход внутри машинного обучения, основанный на нейронных сетях: многослойных математических структурах, отдалённо напоминающих связи между нейронами мозга, где «слои» расположены друг над другом и каждый следующий выучивает более абстрактную закономерность, чем предыдущий. «Глубоким» его называют из-за количества слоёв, а не потому, что оно в каком-то расплывчатом смысле умнее.
Именно глубокое обучение сделало возможной нынешнюю волну ИИ: распознавание изображений, преобразование речи в текст и большие языковые модели, на которых работают инструменты вроде ChatGPT, — всё это глубокое обучение. Но не всё машинное обучение — глубокое. Значительная часть повседневного машинного обучения в бизнесе — прогноз оттока, скоринг лидов, прогнозирование спроса — прекрасно работает на более старых и простых методах (деревья решений, регрессионные модели), которые быстрее обучаются, требуют меньше данных и гораздо проще объясняются заинтересованным лицам, желающим понять, почему модель приняла то или иное решение.
Почему это различие действительно важно
- Требования к данным различаются радикально. Моделям глубокого обучения для хороших результатов часто нужны огромные наборы данных. Более простые модели машинного обучения могут работать с несколькими тысячами строк.
- Стоимость и скорость различаются на порядок. Обучение и работа модели глубокого обучения — особенно большой языковой модели — требует заметно больше вычислительных ресурсов, чем традиционная модель машинного обучения, и при разработке, и в продакшене.
- Чем глубже, тем хуже объяснимость. Дерево решений обычно может точно сказать, почему приняло решение. Глубокая нейросеть с миллионами параметров, как правило, не может — по крайней мере в форме, которую человек способен проследить шаг за шагом.
Вопрос, который действительно важен для вашего продукта
Когда кто-то говорит «давайте добавим ИИ», полезный следующий вопрос — не «какой вендор», а «о чём из этих трёх мы на самом деле говорим и оправдывает ли это задача?» Многие реальные бизнес-задачи прекрасно решаются простым машинным обучением или даже обычными правилами — за долю стоимости и сложности системы глубокого обучения, созданной для решения куда более трудной задачи, чем ваша.
Именно такой разговор о рамках задачи Burncode проводит до начала любой работы с ИИ: подбираем метод под реальную задачу, а не наоборот, чтобы вы не платили за сложность уровня глубокого обучения там, где более простая модель (или вовсе никакая) справилась бы ничуть не хуже.