Min menu

Pages

Apprentissage Automatique contre Intelligence Artificielle

Quelle est la différence entre l'IA (Intelligence Artificielle) et le machine learning (ML) ?

L'Intelligence Artificielle (AI) et l'Apprentissage Automatique (ML Machine Learning) sont deux termes sont souvent utilisés de manière interchangeable, mais ils sont des technologies fondamentalement différentes.

Apprentissage Automatique contre Intelligence Artificielle

Nous sommes au cœur d'une ère fascinante d'innovation. La norme de certaines technologies numériques s'accélère dans la mesure où ce qui était limité aux domaines de la science-fiction il y a quelques décennies est devenu une réalité.

Avec les technologies avançant, cependant, le niveau de complexité impliqué dans la compréhension et l'explication de la manière dont ils travaillent, et même ce qu'ils sont.

Cela est particulièrement vrai pour certains termes tels que l'intelligence artificielle (AI) et l'Apprentissage Automatique (ML). Ils peuvent sembler similaires, tombant sous la même catégorie plus large, mais sont de manière significativement différente de différentes manières.

Bien qu'ils soient souvent utilisés de manière interchangeable, en particulier dans la promotion et la publicité des entreprises, ils ne sont pas réellement la même chose. La confusion provient du fait que l'AI est un terme parapluie qui s'applique largement à tout ce qui est considéré comme « intelligent » d'une certaine manière. 

Par exemple, les haut-parleurs intelligents tels que Alexa et Siri, sont généralement considérés comme « AI », de même que les assistants virtuels intégrés à des sites Web et des services.

Celles-ci sont parmi les interfaces les plus couramment utilisées en ce qui concerne l'AI, mais la technologie est également appliquée dans plusieurs contextes d'entreprise, tels que l'automatisation du back-office de nombreuses organisations. 

L'AI est également intégré dans d'autres scénarios, notamment l'équilibrage de la charge intelligente, par exemple, ou certains systèmes de sécurité réseau.

L'apprentissage de la machine, quant à elle, est un sous-ensemble d'AI. Cela signifie que lorsque l'Apprentissage Automatique peut être décrit comme une forme d'AI, AI n'inclut pas l'apprentissage de la machine par défaut. ML elle-même intègre également diverses subdivisions telles que l'apprentissage du renforcement et l'apprentissage profond.

Quelle est la différence entre ML et AI ?

L'histoire de l'AI est longue. Pendant des milliers d'années, les humains ont rêvé de machines qui pourraient «venir à la vie», se comporter et penser comme les humains. Il y avait un moment où les premiers ordinateurs, en raison de leur nature "logique", ont également été considérés comme un type d'intelligence artificielle.

Dans sa manifestation actuelle, toutefois, l'idée d'AI peut retracer son histoire à l'informatique britannique et à la Seconde Guerre mondiale, Alan Turing. Il a proposé un test, qu'il a appelé le jeu d'imitation mais est plus communément appelé le test Turing, où une personne conversente avec deux autres, dont une machine, via un canal de texte uniquement. Si l'interrogateur est incapable de dire la différence entre la machine et la personne, la machine est considérée comme ayant «passé» le test.

Ce concept de base est appelé « général AI » et est généralement considéré comme quelque chose que les chercheurs n'ont pas encore pleinement atteint.

Cependant, l'AI « étroite » ou « appliqué » a été beaucoup plus réussie à la création de modèles de travail. Plutôt que de tenter de créer une machine capable de tout faire, ce champ tente de créer un système pouvant effectuer une tâche unique ainsi que, sinon mieux que, un humain.

C'est dans cette discipline d'AI étroite que l'idée de l'apprentissage de la machine est apparue, dès le milieu du XXe siècle. D'abord définis par AI Pioneer Arthur Samuel dans un document académique de 1959, ML représente "la capacité d'apprendre sans être explicitement programmée".

Utilisations et applications

Comment fonctionne l'apprentissage automatique ?

L'intérêt pour l'Apprentissage Automatique a ciré ciré et lié au fil des ans, mais avec des données de plus en plus important de la stratégie commerciale, elle est tombée en faveur de la part des organisations de rechercher des moyens d'analyser et d'utiliser les grandes quantités d'informations qu'ils collectent sur une base presque constante. .

Lorsque ces données sont placées dans un programme d'Apprentissage Automatique, le logiciel l'analyse non seulement, mais apprend quelque chose de nouveau avec chaque nouveau jeu de données, devenant une source croissante d'intelligence. 

Cela signifie que les informations pouvant être apprises des sources de données deviennent plus avancées et plus informatives, aidant les entreprises à développer leurs activités conformément aux attentes des clients.

Une application de ML est dans un moteur de recommandation, comme l'algorithme d'actualités de Facebook ou la fonctionnalité de la recommandation de produit Amazon. ML peut analyser combien de personnes aiment, commenter ou partager des postes ou ce que les autres achètent d'avoir des intérêts similaires. Il montrera ensuite le poste à d'autres que le système pense l'aimera.

Machine Learning (ML) est également particulièrement utile pour la reconnaissance d'images, en utilisant des humains pour identifier ce qui est dans une image comme une sorte de programmation, puis en utilisant cela pour identifier de manière autonome dans une image. Par exemple, l'Apprentissage Automatique peut identifier la distribution des pixels utilisés dans une image, entraînant ce que le sujet est.

Les entreprises se tournent maintenant vers Machine Learning pour piloter des analyses prédictives, car une analyse de données importante devient de plus en plus répandue. L'association avec des statistiques, l'exploitation minière des données et la prédiction est devenue suffisamment dominante pour que certains soutiennent que l'apprentissage automatique est un champ distinct de l'AI.

La raison en est que la technologie AI, telle que la transformation des langues naturelles ou le raisonnement automatisé, peut être faite sans avoir la capacité d'apprentissage de la machine. Il n'est pas toujours nécessaire que ML Systems aient d'autres caractéristiques d'AI.

Comment fonctionne l'Intelligence Artificielle (AI) ?

Il existe des centaines de cas d'utilisation pour l'AI, et plus devient apparemment car les entreprises adoptent des renseignements artificiels pour lutter contre les défis commerciaux.

L'une des utilisations les plus courantes de l'AI est destinée à l'automatisation dans la cybersécurité. Par exemple, les algorithmes d'AI peuvent être programmés pour détecter les menaces qui peuvent être difficiles à repérer, telles que des changements subtils du comportement des utilisateurs ou une augmentation inexpliquée de la quantité de données transférées vers et à partir d'un nœud particulier (tel qu'un ordinateur. ou capteur). 

À la maison, les assistants comme Google Home ou Alexa peuvent aider à automatiser l'éclairage, le chauffage et les interactions avec les entreprises via Chatbots.

Il existe des craintes bien fondées que l'Intelligence Artificielle remplace les rôles d'emploi humains, tels que la saisie de données, à un rythme plus rapide que le marché du travail pourra s'adapter. 

L'auteur et le capital-fui capitaliste Kai-Fu Lee, qui a travaillé à la fois à Apple et à Google et a gagné un doctorat de Carnegie Mellon pour le développement d'une reconnaissance vocale avancée d'AI, a averti en 2019 que "De nombreux emplois qui semblent un peu complexe, un chef , un serveur, beaucoup de choses, deviendront automatisés."

"Nous aurons automatisé des magasins automatisés, des restaurants automatisés et tous ensemble, dans 15 ans, cela va remplacer environ 40% des emplois dans le monde."

La différence entre l'Intelligence Artificielle et l'Apprentissage Automatique

Pour que les choses se déroulent plus confuses lorsqu'il s'agit de nommer et d'identifier ces termes, il y a un certain nombre d'autres termes lancés dans le chapeau. Ceux-ci comprennent des réseaux de neurones artificiels, par exemple, qui traitent des informations de processus d'une manière qui imite les neurones et la synapses dans l'esprit humain.

Cette technologie peut être utilisée pour l'Apprentissage Automatique; Bien que tous les réseaux de neurones ne soient pas un IA ou Machine Learning, et tous les programmes Apprentissage Automatique n'utilisent pas de réseaux de neurones sous-jacents.

Comme il s'agit d'un domaine en développement, les termes apparaissent et hors de l'existence tout le temps et les barrières entre les différentes zones d'Intelligence Artificielle sont toujours assez perméables. Comme la technologie devient plus répandue et plus mature, ces définitions deviendront probablement plus concrètes et bien connues. 

D'autre part, si nous développons une IA généralisée, toutes ces définitions peuvent soudainement cessez d'être pertinentes.

reaction:

Commentaires