AI versus Machine Learning
versus Deep Learning

Todas as siglas

É quase mais difícil entender todas as siglas que cercam a inteligência artificial (AI) do que a tecnologia subjacente de AI vs. machine learning vs. deep learning. Junte isso com as diferentes disciplinas de AI, bem como domínios de aplicação, e é fácil para uma pessoa comum se desconectar. É por isso que é uma boa ideia primeiro olhar para como cada uma pode ser claramente definida ao comparar a ciência por trás de tecnologias complexas como machine learning vs. AI ou NLP vs. machine learning.

Abaixo, tentamos explicar as partes importantes da inteligência artificial e como elas se encaixam. Na Sonix, estamos focados especificamente no reconhecimento automático de fala, por isso explicamos as principais tecnologias com isso em mente. Os insights que fornecemos sobre aplicações de AI vs. ML vs. DL conectam-se diretamente ao trabalho que realizamos para nossos clientes.

Primeiro, vamos começar com algumas das siglas mais usadas e suas definições:

• Artificial Intelligence (AI) — a ampla disciplina de criar máquinas inteligentes
• Machine Learning (ML) — refere-se a sistemas que podem aprender com a experiência
• Deep Learning (DL) — refere-se a sistemas que podem aprender com a experiência em grandes conjuntos de dados
• Artificial Neural Networks (ANN) — refere-se a modelos de redes neurais humanas projetados para ajudar os computadores a aprender
• Natural Language Processing (NLP) — refere-se a sistemas que podem entender a linguagem
• Automated Speech Recognition (ASR) — refere-se ao uso de técnicas baseadas em hardware e software de computador para identificar e processar a voz humana

Inteligência artificial (AI) é a disciplina abrangente que cobre tudo relacionado a tornar as máquinas inteligentes. Seja um robô, uma geladeira, um carro ou uma aplicação de software, se você os está tornando inteligentes, então é AI. Machine Learning (ML) é comumente usado junto com AI, mas eles não são a mesma coisa. ML é um subconjunto de AI. ML refere-se a sistemas que podem aprender sozinhos. Sistemas que ficam cada vez mais inteligentes ao longo do tempo sem intervenção humana. Deep Learning (DL) é ML, mas aplicado a grandes conjuntos de dados. A maior parte do trabalho de AI agora envolve ML porque o comportamento inteligente requer conhecimento considerável, e o aprendizado é a maneira mais fácil de obter esse conhecimento. A imagem abaixo captura a relação entre machine learning vs. AI vs. DL.

Existem muitas técnicas e abordagens para ML. Uma dessas abordagens são as redes neurais artificiais (ANN), às vezes chamadas apenas de redes neurais. Um bom exemplo disso é o mecanismo de recomendação da Amazon. A Amazon usa redes neurais artificiais para gerar recomendações para seus clientes. A Amazon sugere produtos mostrando a você "clientes que visualizaram este item também visualizaram" e "clientes que compraram este item também compraram". A Amazon assimila dados de todas as experiências de navegação de seus usuários e usa essas informações para fazer recomendações de produtos eficazes.

Na Sonix, convertemos áudio em texto usando máquinas. As principais tecnologias subjacentes são o reconhecimento automático de fala (ASR) e o processamento de linguagem natural (NLP). ASR é o processamento de fala para texto, enquanto NLP é o processamento do texto para entender o significado. Como os humanos falam com coloquialismos e abreviações, é necessária uma análise computacional extensiva da linguagem natural para gerar resultados precisos.

ASR e NLP enquadram-se na AI. ML e NLP têm alguma sobreposição, pois o ML é frequentemente usado para tarefas de NLP. O ASR também se sobrepõe ao ML. Historicamente, ele tem sido uma força motriz por trás de muitas técnicas de machine learning. Ao comparar AI vs. machine learning, é crucial entender as sobreposições e diferenças dentro do diagrama.

Em resumo, DL é um subconjunto de ML, e ambos são subconjuntos de AI. ASR e NLP enquadram-se na AI e sobrepõem-se a ML e DL. É incrível como todos estão interligados. Não se trata tanto de machine learning vs. AI, mas sim de como essas tecnologias relativamente novas podem criar e melhorar métodos para resolver problemas de alto nível em tempo real.