「機械学習」と「人工知能」(AI) という用語は同じように使われることがよくありますが、この XNUMX つには重要な違いがあります。 これらが何なのか、そして AI が私たちの世界をどのように変えるのかをご覧ください。 この記事では、AI と機械学習、その例、シンボリック AI と機械学習、データ サイエンスと AI と機械学習、および機械学習の種類について詳しく学びます。
AIと機械学習
AI とは、簡単に言えば、分析、推論、学習などの複雑なタスクを実行できるように、人間の思考方法を模倣するコンピューター ソフトウェアです。 一方、機械学習は、データに基づいてトレーニングされたアルゴリズムを使用して、この種の複雑なジョブを実行できるモデルを作成する AI の分野です。 今日のほとんどの AI は機械学習と連携するため、これらの単語は頻繁に同じ意味で使用されます。 しかし、AI はコンピューター ソフトウェアやシステムに人間と同じように思考をさせるという大きなアイデアであり、ML はそれを実現するための XNUMX つの方法にすぎません。
人工知能（AI）
人工知能は、人間のように動作できるコンピューター システムを作成するために使用されるコンピューター サイエンスの一分野です。 「artificial（人工）」と「Intelligence（知能）」を組み合わせた造語で、「人間が生み出した思考力」を意味します。 したがって、人工知能は、人間のように行動できるインテリジェントなシステムを作成できるテクノロジーの一種であると言えます。 人工知能システムは事前に設計する必要はありません。 代わりに、独自に機能するアルゴリズムを使用します。 強化学習アルゴリズムや深層学習ニューラル ネットワークなどの機械学習手法を使用します。 AIはSiri、GoogleのAlphaGo、AIとのチェスなど、さまざまな場所で使用されています。
機械学習（ML）
機械学習はデータから学習するプロセスです。 これは、明示的にプログラムすることなく、コンピューターが過去のデータや経験から知識を取得できるようにする人工知能の分野と言えます。 機械学習は、コンピューター システムが過去のデータを使用して、特別にプログラムされていなくても、予測や選択を行うのに役立ちます。 機械学習モデルは、正確な結果を導き出したり、データに基づいて予測を策定したりするために、構造化データだけでなく半構造化データも大量に使用する必要があります。
AI と ML の例
以下は AI と ML の例です。
AIの例
人工知能は仕事を非常にうまくこなすことができますが、感情的なレベルで人々とつながるにはまだ至っていません。 それでも、AI の例をいくつか紹介します。
#1。 ロボティクス
産業用ロボットは AI の好例です。 産業用ロボットは、自身の精度とパフォーマンスをチェックでき、また、コストのかかるダウンタイムを回避するために修理が必要な時期を感知することもできます。 これまでにない場所で行動することもできます。
#2. パーソナルアシスタント
人間と AI のインターフェイス ガジェットであるパーソナル アシスタント ツールも AI の一種です。 Google Home、Apple の Siri、Amazon の Alexa、Microsoft の Cortana は最も有名なパーソナル アシスタントです。 ユーザーはこれらのパーソナル アシスタントを使用して、情報の検索、ホテルの予約、カレンダーへのイベントの追加、質問への回答の取得、会議の設定、テキスト メッセージや電子メールの送信などを行うことができます。
ML の例
機械学習 (ML) は、コーディングや専門家の支援を必要とせずに、データから自動的に学習できる AI の一種です。 以下に ML の例をいくつか示します。
#1. 製品の推奨事項
ほとんどの電子商取引サイトには、機械学習を使用して過去のデータに基づいてさまざまな商品を提案するツールがあります。 たとえば、Amazon で機械学習に関する書籍を検索し、そのうちの XNUMX 冊を購入した場合、一定の時間が経過してから再度アクセスすると、Amazon のホームページに機械学習に関する他の書籍のリストが表示されます。 また、あなたが気に入ったもの、ショッピング カートに入れたもの、その他の同様の操作に基づいて、何を購入するべきかが表示されます。
#2. 電子メールのスパムとマルウェアのフィルタリング
迷惑なビジネス大量メール (「スパム」と呼ばれる) は、インターネットを使用する人々にとって大きな問題です。 現在、電子メール サービス プロバイダーの多くは機械学習ツールを使用して、スパム メールや偽のメッセージを特定する方法を自動的に学習しています。 たとえば、Gmail や Yahoo メールのスパム ブロッカーは、事前に設定されたルールを使用してスパム メールを探すだけではありません。 スパムの分類を続けると、学んだことに基づいて独自の新しいルールを考え出します。
シンボリック AI 対機械学習
記号的人工知能 (AI) は、数値の代わりに記号やアイデアの処理と操作を扱う AI の分野です。 シンボリック AI の目標は、論理ルールに基づいて推論するだけでなく、データを表現および操作することによって、人間のように思考および推論できるスマート システムを作成することです。
シンボリック AI と機械学習は、大量のトレーニング データを必要としないため、機械学習や深層学習などの手法とは異なります。 一方、シンボリック AI は、知識の表現と推論に基づいて構築されています。 これにより、知識が明確に定義され、論理的なルールで表現できる領域に適しています。
対照的に、機械学習ではパターンを特定し、予測を生成するために巨大なデータセットが必要です。 ディープラーニングでは、ニューラル ネットワークを使用してデータから直接特性を学習します。 これは、複雑で非構造化データを含む領域に適しています。
各方法をいつ使用するかは、問題の種類と入手可能な情報によって異なります。 シンボリック AI は知識が明確で組織化されている領域で効果を発揮し、機械学習と深層学習は大量のデータと複雑なパターンが存在する領域で効果を発揮します。
データサイエンス vs AI vs 機械学習
データ サイエンスは、AI (およびそのサブセットである機械学習) を使用して、履歴データを理解し、傾向を特定し、予測を行います。 この場合、AI と機械学習は、データ サイエンティストが収集したデータからアイデアを見つけるのに役立ちます。
すでに述べたように、機械学習はデータ サイエンスを次のレベルの自動化に押し上げる AI の一種です。 データ サイエンスと機械学習は多くの点で関連しています。 データ サイエンスの分野の一部に機械学習があります。 データ サイエンスは、機械学習アルゴリズムにデータを提供し、学習し、より賢く予測を行うために使用します。 したがって、機械学習システムはデータをトレーニング セットとして使用しないと学習できないため、データが必要になります。
AI、機械学習、データサイエンスの主な違い
人工知能とは、機械が何らかの形で人間のように動作することを意味します。 機械学習は AI の一部であり、AI の他の部分とともに存在します。 機械学習は、コンピューターがデータから結論を引き出し、その結論を AI アプリに与えることを可能にする一連の方法です。
データ サイエンスは、AI や機械学習以外にも役立ちます。 データ サイエンスでは、知識は機械、機械プロセス、IT システムなどから得られます。それは学習とはまったく関係ないかもしれません。 それは事実を示すための単なる手段かもしれません。
AI は、データ サイエンスにおけるデータ洞察のためのツールとしても使用できます。 主な違いは、データ サイエンスがデータの収集、準備、分析のプロセス全体を対象とすることです。 それは数学や統計の部分だけではありません。 したがって、機械学習と AI の専門家がプロジェクトのライフサイクル全体を通じてアルゴリズムの開発に忙しい一方で、データ サイエンティストはより適応力があり、プロジェクトの要求に応じてさまざまなデータの職業を切り替える必要があります。
分析、表現、予測はすべてデータ サイエンスの一部です。 さまざまな統計手法が使用されます。 一方、AI と機械学習は、モデルとアルゴリズムを使用して、将来何が起こるかを推測します。
AI 対 機械学習 対 データ サイエンス: それらがどのように連携するか
機械学習は、機械に人間と同じように学習させて動作させながら、時間の経過とともに自らの学習を改善しようとする AI の一分野です。 データ サイエンスの最も重要な部分は、意味を見つけたり、存在することを知らなかった問題を見つけたり、困難な問題を解決したりするなど、データから新しい結果を得ることです。 これらの結果を得るには、データを収集し、準備し、分析し、改善するプロセスと考えることができます。 AI と機械学習は、データ サイエンスが実際の有用な洞察を得るために使用するツールです。 一般の人がデータサイエンティストになり、データから新たな洞察を得ることができるツールの使用が増えています。
要約すると、これらすべての例からわかるように、AI、データ サイエンス、機械学習は、分析、戦術、戦略の役割において人間に取って代わることを意図したものではありません。 むしろ、人間が協力して新たな進歩を遂げられるよう支援することを目的としています。 むしろ、人々が新しいアイデアを思いつき、モチベーションを高め、会社の業績を向上させるのに役立つツールとして見ることができます。
機械学習の種類
機械学習は、機械に大量のデータを与え、そこから学習して予測を行ったり、傾向を見つけたり、データを並べ替えたりできるようにするプロセスです。 機械学習には、教師ありトレーニング、教師なし学習、フィードバックによる学習の XNUMX つのタイプがあります。
Gartner というビジネス コンサルティング会社が監修したと考えています。 学習 これは、2022 年になっても企業の IT リーダーが機械学習を使用する最も一般的な方法となるでしょう [2]。 このタイプの機械学習では、入力と出力に関する過去のデータが機械学習アルゴリズムに入力されます。 処理は入力と出力の各セットの間で実行され、これによりアルゴリズムは出力が望ましい結果にできる限り近づくようにモデルを変更できます。 教師あり学習では、ニューラル ネットワーク、デシジョン ツリー、線形回帰、サポート ベクター マシンなどの手法がよく使用されます。
このタイプの機械学習は、アルゴリズムの動作に合わせて学習できるようにアルゴリズムの詳細を与えるため、「教師あり」と呼ばれます。 指定したマシン名付きデータが出力であり、指定した残りの詳細は入力特徴として使用されます。
#1. 教師なし学習
教師あり学習ではユーザーが機械の学習を支援する必要がありますが、教師なし学習では同じ名前のトレーニング セットとデータが使用されません。 代わりに、マシンはデータ内のあまり明白ではないパターンを検索します。 このタイプの機械学習は、パターンを見つけてデータに基づいて選択を行う必要がある場合に非常に役立ちます。 教師なし学習では通常、隠れマルコフ モデル、K 平均法、階層的クラスタリング、混合ガウス モデルなどの手法が使用されます。
教師あり学習シナリオを使用して、どの顧客がローンを滞納したか分からなかったと仮定します。 代わりに、コンピューターに借主情報を入力すると、借主を複数のクラスターに分類する前に、借主間のパターンが検索されます。
#2. 強化学習
強化学習は、人間の学習方法に最も似ている機械学習のタイプです。 学習に使用されるアルゴリズムまたはエージェントは、周囲に対処し、プラスまたはマイナスの報酬を得ることで学習を行います。 時間的差異、深い敵対的ネットワーク、Q 学習はすべて一般的な手法の例です。
銀行融資の顧客の例に戻ると、強化学習アルゴリズムを使用して顧客の詳細を調べることができます。 アルゴリズムが彼らを高リスクとしてラベル付けし、彼らが支払いをしなかった場合、アルゴリズムは多額の報酬を受け取ります。 デフォルトしなかった場合、プログラムはマイナスの報酬を受け取ります。 最終的に、どちらの状況も、問題とその周囲の両方をより深く理解できるようにすることで、機械の学習に役立ちます。
AI と ML はどちらを学ぶのが良いでしょうか?
では、機械学習と AI のどちらから始めるべきでしょうか? 自然言語処理、コンピューター ビジョン、AI を使用するロボットなどの分野で働きたい場合は、まず AI を学ぶ必要があります。
機械学習ではない AI の例は何ですか?
チャットボットのようなルールベースのシステムは、ML を使用せずに AI を使用できる XNUMX つの方法です。 人間がルールを設定するため、ロボットはいくつかの質問に答え、顧客をサポートできます。 機械学習は必要なく、チャットボットが賢くなるために必要なのは、人間による大量の情報だけです。
AI は機械学習よりも優れていますか?
機械学習は、機械やシステムがその間違いから自動的に学習し、時間の経過とともに改善することを可能にする人工知能の分野です。 機械学習では、明示的なプログラミングではなくアルゴリズムを使用して、大量のデータを調べ、その意味を理解し、学習した内容に基づいて選択を行います。
AI と ML のどちらがより多くの収入を得られるでしょうか?
AIエンジニアの平均年収は100,000万ドルをはるかに超えています。 Glassdoor によると、米国の平均給与は 110,000 万ドル以上、最高所得は 150,000 万ドルだという。
AI は多くの数学を使用しますか?
代数は数学全般において非常に重要な部分である可能性があります。 加算、減算、乗算、除算などの基本的な数学スキルに加えて、次の知識も必要です。 指数。 急進派。
参考文献
関連記事
