AI vs. ML vs. DL

AI? ML? DL?

近年來,人工智慧 (AI, Artificial Intelligence)機器學習 (ML, Machine Learning) 和 深度學習 (DL, Deep Learning) 這三個名詞越來越常出現在人們眼中,在各行各業中多多少少都會看到他們出現,但並不是所有人都能清楚分辨這三者中的差異,跟著這篇文章,和我們一起認識 AI、ML 和 DL ,了解他們之間的區別吧。

以下皆以簡稱表示人工智慧、機器學習以及深度學習

  • AI: 人工智慧 (Artificial Intelligence)
  • ML: 機器學習 (Machine Learning)
  • DL: 深度學習 (Deep Learning)
Russian Doll

簡單來說,就像一組俄羅斯娃娃,當你打開最外面那一個娃娃時,會發現裡面有一個較小的娃娃,繼續打開還會有更小的娃娃,層層包覆,這就是AI、ML 和 DL 的概念: DL 是 ML 的子項目、而 ML 是 AI 的子項目,也就是說,AI 可以視作一個總稱,其中包含了 ML 和 DL,所有的 ML 都可以被視作 AI 的一種,但 AI 並不一定是 ML。

ML history TW
AI、ML 和 DL 發展沿革

AI 人工智慧 (Artificial Intelligence)

被稱作 「AI 之父」 的 John McCarthy (見下圖) 曾經將 AI 定義為「生產有智慧機器的工程及科學」。

[AI is] the science and engineering of making intelligent machines.

– John McCarthy

近十多年來,AI 在各領域都是非常熱門的話題,無論是數學、統計學、資訊科學等,在學術界和各種類型業界都可以看到 AI 的身影,AI 技術也成為許多人心中對未來生活的美好想像。

John Mccarthy
AI 之父 – John Mccarthy

目前,有許多的方式去描述及定義 AI 是什麼,但普遍來說,AI 就是「能表現出智慧的機器或系統」,我們可以想像 AI 是一個能處理平常需要人工才能做好事情的電腦系統,舉例來說:詐騙偵測、人臉辨識、語音同步翻譯…等,這些都是目前 AI 被大量運用的領域。而為了達成這些應用目標以及讓 AI 有更好的能力去模擬人類智能,ML 和 DL 因為被開發並快速發展應用。

機器學習 (Machine Learning, ML)

ML 是 AI 的一部分,不能直接將 AI 和 ML 劃上等號。以學術性的角度來看,ML 主要是在處理及研究兩個相互有關聯的問題:

  • 如何建構一個能夠根據經驗自我改善的電腦系統?
  • 這種能夠自我學習的系統,背後是以什麼基礎理論、模型、演算法在支撐的?這些基礎理論是否能適用於人際、組織或電腦系統內部?

以這種觀點去了解 ML 過於抽象嗎?那讓我們以另一種角度去理解 ML。

ML 是運用統計學分析及數學理論專門被開發出來的一類演算法,這類演算法能在分析輸入的資料之後產出相應的輸出,這中間的分析過程是 動態的 而且 不需要人為去操控,也就是說,ML 這類演算法是可以在分析輸入數據的過程中 自己不斷學習並強化改善 其中用來分析的模型。

ML idea TW

在 ML 中,分析過程通常是 針對某一個條件或維度進行最佳化,舉例來說,最小化某一個誤差或是最大化某一項預測的可能性,這後面存在著大量的數學模型以及程式語言需要撰寫,研究學者們主要就是在針對這些數學分析模型進行研究、開發及改善。就一般使用者的角度來看,ML 就是讓機器或系統有能力自己去學習,而且不需要針對所有可能遇到的情況撰寫完整的程式語言(具備學習能力的自適應系統),以下是一個常見的 ML 流程。

ML pipeline TW

根據不同的資料數據以及訓練情境 ML 可以被分成許多不同的類型,像是監督式學習、非監督式學習、強化學習…等,在之後的文章中我們會針對這些分類進行較為詳細的介紹。

深度學習 (Deep Learning, DL)

在提到 DL 的時候,目前並沒有一個特別精準的定義,但通常 DL 都是指 深度人工類神經網路 (deep artificial neural networks),在 deep learning 中的 “deep” 是一個技術性的術語,它指的是類神經網路中的層數,這種人工類神經網路能夠類似人一樣具有決定能力、判斷能力和學習能力。因為 DL 通常代指這類人工類神經網路,因此它被包含在 ML 之下,也就是說,DL 是 ML 之下的一個分支。

Deep learning structure

DL 中人工類神經網路裡的網狀結構是 模仿生物神經網路 (動物或人的中樞神經系統,特別是大腦)結構和功能所建立的數學模型或計算模型,它有可能與上圖類似或是更為複雜,其中包含了大量的人工節點 (nodes),也被稱作為神經元 (neurons),這些神經元連接在一起構成了一個類似生物神經網路的複雜網狀結構,而神經元之間的連接強度就是在這些網路中需要被計算的可調節權重 (weight),簡單來說,DL 或是這種人工類神經網路就是 將數學模型、統計模型或是運算模型進行「神經化」。當神經網路被建構完成之後,就可以將數據資料輸入進去進行想測試的實驗,最大的特點是 它能夠通過已知資料的實驗運用來學習和歸納總結,而且精準度比 ML 更高

總結

簡單歸納一下,AI 人工智慧是指由人製造出來的機器所表現出來的智慧,通常 AI 是指透過電腦程式或系統來呈現人類智慧的技術。機器學習 (ML) 是人工智慧 (AI) 的一個分支,主要是針對 能通過經驗自動改進的電腦演算法  的研究,而深度學習 (DL) 是機器學習 (ML) 的分支,是一種 以人工類神經網路為架構,對資料進行特徵學習的演算法 ,並且 DL 能提供比 ML 更好的效能跟精準度。

ML 和 DL 都需要大量的數學及演算法的運算,因此硬體的進步是近年來 ML 和 DL 獲得大量關注的重要因素,高效能圖形處理器 (GPU) 的出現極大的提高了數值和矩陣運算的速度,使得 ML 和 DL 中演算法的執行時間顯著的縮短。

在此我們概略性地介紹了 AI、ML 和 DL,AI 這個領域近年來爆炸性的在學術界及各領域蓬勃發展,隨時都有更新更優化的演算法、更多功能性的模型以及更有效的 AI 應用出現,在許多方面 AI 也表現出非常強大的能力去解決人們困擾許久的艱難問題,DL 則開創出眾多 ML 的實際應用,也更全面地推廣了 AI 應用領域去解決許多困難的任務,未來我們會提供更多關於 AI、ML、DL 領域的相關文章,希望對您有所幫助!

References:

Related articles:

撰文者:鄭杰峰
美國喬治亞理工學院 電機博士
迎棧科技 技術專欄作家

訂閱電子報

Select list(s)*

 

Loading