AI mod Machine Learning mod Deep Learning

Alle akronymerne

Det er næsten sværere at forstå alle de akronymer, der omgiver kunstig intelligens (AI), end den bagvedliggende teknologi i AI vs. machine learning vs. deep learning. Læg dertil de forskellige discipliner inden for AI samt anvendelsesområder, og det er nemt for den gennemsnitlige person at koble fra. Derfor er det en god idé først at se på, hvordan hver enkelt kan defineres klart, når man sammenligner videnskaben bag komplekse teknologier som machine learning vs. AI eller NLP vs. machine learning.

Nedenfor forsøger vi at forklare de vigtigste dele af kunstig intelligens, og hvordan de passer sammen. Hos Sonix fokuserer vi specifikt på automatisk talegenkendelse, så vi forklarer de vigtigste teknologier med det i tankerne. Den indsigt, vi giver vedrørende AI vs. ML vs. DL-applikationer, relaterer direkte til det arbejde, vi udfører for vores kunder.

Lad os først starte med nogle af de mest anvendte akronymer og deres definitioner:

• Artificial Intelligence (AI) — den brede disciplin med at skabe intelligente maskiner
• Machine Learning (ML) — refererer til systemer, der kan lære af erfaring
• Deep Learning (DL) — refererer til systemer, der kan lære af erfaring på store datasæt
• Artificial Neural Networks (ANN) — refererer til modeller af menneskelige neurale netværk, der er designet til at hjælpe computere med at lære
• Natural Language Processing (NLP) — refererer til systemer, der kan forstå sprog
• Automated Speech Recognition (ASR) — refererer til brugen af computerhardware og softwarebaserede teknikker til at identificere og behandle menneskelig tale

Kunstig intelligens (AI) er den overordnede disciplin, der dækker alt relateret til at gøre maskiner smarte. Uanset om det er en robot, et køleskab, en bil eller en softwareapplikation, så er det AI, hvis du gør dem smarte. Machine Learning (ML) bruges ofte sammen med AI, men de er ikke det samme. ML er en delmængde af AI. ML refererer til systemer, der kan lære af sig selv. Systemer, der bliver klogere og klogere over tid uden menneskelig indgriben. Deep Learning (DL) er ML, men anvendt på store datasæt. Det meste AI-arbejde involverer nu ML, fordi intelligent adfærd kræver betydelig viden, og læring er den nemmeste måde at opnå den viden på. Billedet nedenfor viser forholdet mellem machine learning vs. AI vs. DL.

Der findes mange teknikker og tilgange til ML. En af disse tilgange er kunstige neurale netværk (ANN), undertiden blot kaldet neurale netværk. Et godt eksempel på dette er Amazons anbefalingsmotor. Amazon bruger kunstige neurale netværk til at generere anbefalinger til deres kunder. Amazon foreslår produkter ved at vise dig "kunder, der så på denne vare, så også på" og "kunder, der købte denne vare, købte også". Amazon samler data fra alle brugernes browseroplevelser og bruger disse oplysninger til at give effektive produktanbefalinger.

Hos Sonix konverterer vi lyd til tekst ved hjælp af maskiner. De principielle underliggende teknologier er automatiseret talegenkendelse (ASR) og natural language processing (NLP). ASR er behandlingen af tale til tekst, mens NLP er behandlingen af teksten for at forstå betydningen. Da mennesker taler med hverdagsudtryk og forkortelser, kræver det omfattende computeranalyse af naturligt sprog for at skabe nøjagtige resultater.

ASR og NLP hører under AI. ML og NLP har et vist overlap, da ML ofte bruges til NLP-opgaver. ASR overlapper også med ML. Det har historisk set været en drivkraft bag mange machine learning-teknikker. Når man sammenligner AI vs. machine learning, er det afgørende at forstå overlappene og forskellene i diagrammet.

Kort sagt er DL en delmængde af ML, og begge er delmængder af AI. ASR & NLP hører under AI og overlapper med ML & DL. Det er fantastisk, hvordan de alle er flettet sammen. Det handler ikke så meget om machine learning vs. AI, men mere om, hvordan disse relativt nye teknologier kan skabe og forbedre metoder til at løse problemer på højt niveau i realtid.