AI versus Machine Learning
versus Deep Learning

Alle acroniemen

Het is bijna moeilijker om alle acroniemen rondom artificial intelligence (AI) te begrijpen dan de onderliggende technologie van AI vs. machine learning vs. deep learning. Combineer dat met de verschillende disciplines van AI en de toepassingsgebieden, en het is begrijpelijk dat de gemiddelde persoon afhaakt. Daarom is het een goed idee om eerst te kijken hoe elk van deze duidelijk gedefinieerd kan worden bij het vergelijken van de wetenschap achter complexe technologieën zoals machine learning vs. AI of NLP vs. machine learning.

Hieronder proberen we de belangrijke onderdelen van artificial intelligence uit te leggen en hoe ze in elkaar passen. Bij Sonix richten we ons specifiek op automatische spraakherkenning, dus we leggen de belangrijkste technologieën met dat in gedachten uit. De inzichten die we bieden met betrekking tot AI vs. ML vs. DL-toepassingen sluiten direct aan bij het werk dat we voor onze klanten uitvoeren.

Laten we eerst beginnen met enkele van de meest gebruikte acroniemen en hun definities:

• Artificial Intelligence (AI) — de brede discipline van het creëren van intelligente machines
• Machine Learning (ML) — verwijst naar systemen die kunnen leren van ervaring
• Deep Learning (DL) — verwijst naar systemen die kunnen leren van ervaring op grote datasets
• Artificial Neural Networks (ANN) — verwijst naar modellen van menselijke neurale netwerken die zijn ontworpen om computers te helpen leren
• Natural Language Processing (NLP) — verwijst naar systemen die taal kunnen begrijpen
• Automated Speech Recognition (ASR) — verwijst naar het gebruik van computerhardware en op software gebaseerde technieken om de menselijke stem te identificeren en te verwerken

Artificial intelligence (AI) is de overkoepelende discipline die alles omvat wat te maken heeft met het slim maken van machines. Of het nu een robot, een koelkast, een auto of een softwareapplicatie is: als je ze slim maakt, dan is het AI. Machine Learning (ML) wordt vaak samen met AI gebruikt, maar het is niet hetzelfde. ML is een subset van AI. ML verwijst naar systemen die zelfstandig kunnen leren. Systemen die in de loop van de tijd steeds slimmer worden zonder menselijke tussenkomst. Deep Learning (DL) is ML maar dan toegepast op grote datasets. Het meeste AI-werk omvat nu ML omdat intelligent gedrag aanzienlijke kennis vereist, en leren de gemakkelijkste manier is om die kennis te verkrijgen. De afbeelding hieronder toont de relatie tussen machine learning vs. AI vs. DL.

Er zijn veel technieken en benaderingen voor ML. Een van die benaderingen is artificial neural networks (ANN), soms ook gewoon neurale netwerken genoemd. Een goed voorbeeld hiervan is de aanbevelingsmotor van Amazon. Amazon gebruikt artificial neural networks om aanbevelingen voor zijn klanten te genereren. Amazon suggereert producten door te tonen "klanten die dit item bekeken, bekeken ook" en "klanten die dit item kochten, kochten ook". Amazon verwerkt gegevens van de browse-ervaringen van al zijn gebruikers en gebruikt die informatie om effectieve productaanbevelingen te doen.

Bij Sonix zetten we audio om naar tekst met behulp van machines. De belangrijkste onderliggende technologieën zijn automated speech recognition (ASR) en natural language processing (NLP). ASR is de verwerking van spraak naar tekst, terwijl NLP de verwerking van de tekst is om de betekenis te begrijpen. Omdat mensen spreken met spreektaal en afkortingen, is er uitgebreide computeranalyse van natuurlijke taal nodig om tot nauwkeurige resultaten te komen.

ASR en NLP vallen onder AI. ML en NLP hebben enige overlap, omdat ML vaak wordt gebruikt voor NLP-taken. ASR overlapt ook met ML. Het is historisch gezien een drijvende kracht geweest achter veel machine-learning technieken. Bij het vergelijken van AI vs. machine learning is het cruciaal om de overlappen en verschillen in het diagram te begrijpen.

Samengevat is DL een subset van ML, en beide zijn subsets van AI. ASR & NLP vallen onder AI en overlappen met ML & DL. Het is verbazingwekkend hoe ze allemaal met elkaar verweven zijn. Het gaat niet zozeer om machine learning vs. AI, maar meer over hoe deze relatief nieuwe technologieën methoden kunnen creëren en verbeteren om complexe problemen in real-time op te lossen.