Продолжаем разбираться в понятиях и терминах из мира ИИ!

Недавний прогресс в машинном обучении преобразовал статистические методы прогнозирования. Этот рывок в развитии ИИ вызывает мнение, что машинное обучение – это "усовершенствованная статистика". Это отчасти верно, так как цель одинакова – заполнение информационных пробелов и минимизация ошибок.

Эффективное прогнозирование изменило программирование. Традиционные статистические методы и алгоритмы типа "если, то" не так успешны в сложных задачах, как машинное обучение. Представим, что нужно распознать кошку на фотографии. Она может быть в разных позах, в разных частях экрана и любого окраса. Учесть все эти параметры – сложная задача для обычных алгоритмов. А если распознавать нужно не только кошек, но и другие объекты?

Вот тут и приходит на помощь машинное обучение, ключевая технология которого основана на обратном распространении ошибки. Машины учатся примерно так же, как и наш мозг.

Когда ребенка учат слову "кошка", ему показывают животное и повторяют это слово. В машинном обучении действует тот же принцип: показываете компьютеру фотографии с кошками и без них, он учится распознавать паттерны пикселей, связанные с "кошкой".

Проблемы, с которыми сталкиваются современные алгоритмы, переместились из области "Каковы признаки кота?" в область "Есть ли на этом изображении что-то, похожее на кошек, которых я уже видел?".

И вот почему машинное обучение называют искусственным интеллектом: результат его работы – прогнозы, которые становятся точнее с обучением. Высокая точность позволяет машинам выполнять задачи, которые раньше считались прерогативой человеческого интеллекта, такие как распознавание объектов.