تفاوت بین علم داده، یادگیری ماشین(machine learning) و هوش مصنوعی چیست؟

تفاوت بین علم داده، یادگیری ماشین (machine learning) و هوش مصنوعی چیست؟

در این مقاله سعی داریم تا تفاوت بین علم داده، یادگیری ماشین (machine learning) و هوش مصنوعی را برای شما بیان کنیم در ادامه با ما همراه باشید.

حوزه‌های علم داده، یادگیری ماشین (machine learning) و هوش مصنوعی همپوشانی زیادی دارند، اما قابل استفاده به جای هم نیستند.امروزه، علم داده، هوش مصنوعی و یادگیری ماشینی (machine learning) واژه‌های مهمی هستند. ما چیزهای زیادی در مورد آنها می شنویم، اما آنها برای چه هستند؟ آیا بین علم داده، هوش مصنوعی و ML تفاوتی وجود دارد؟ آیا آنها به هم متصل هستند، چگونه؟

زمینه ها همپوشانی زیادی بین هر سه وجود دارد و به اندازه کافی در اطراف هر یک از آنها تبلیغات وجود دارد که انتخاب می تواند مانند یک موضوع بازاریابی باشد.بیشتر متخصصان در این زمینه ها درک شهودی دارند که چگونه یک کار خاص را می توان به عنوان علم داده، یادگیری ماشین (ML) یا هوش مصنوعی (AI) طبقه بندی کرد. حتی اگر بیان آن در کلمات دشوار باشد.

بنابراین در این پست، من یک تعریف بسیار ساده از تفاوت بین این سه زمینه را پیشنهاد می کنم:

• علم داده بینش تولید می کند
• یادگیری ماشینی(machine learning) پیش بینی ها را تولید می کند
• هوش مصنوعی اعمالی را تولید می کند

این تعریف یک راه مفید برای تشخیص این سه نوع کار و جلوگیری از اشتباه در فهم این سه عنوان مباشد.

تفاوت علم داده با یادگیری ماشین (machine learning)

علم داده از دو حوزه دیگر متمایز است زیرا هدف آن یک هدف ویژه انسانی است: کسب بینش و درک. باز هم، هر چیزی که بینش ایجاد می کند، به عنوان علم داده واجد شرایط نیست (تعریف کلاسیک علم داده این است که شامل ترکیبی از آمار، مهندسی نرم افزار و تخصص دامنه است). اما می توانیم از این تعریف برای تشخیص آن از ML و AI استفاده کنیم.

تمایز اصلی این است که در علم داده همیشه یک انسان در حلقه وجود دارد: کسی که بینش را می‌فهمد، شکل را می‌بیند یا از نتیجه‌گیری سود می‌برد. منطقی نیست که بگوییم “الگوریتم شطرنج بازی کردن ما از علم داده برای انتخاب حرکت بعدی خود استفاده می کند” یا “Google Maps از علم داده برای توصیه مسیرهای رانندگی استفاده می کند.”

بنابراین، این تعاریف از علم داده مورد تأکید می باشد:

• استنباط آماری (Statistical inference)
• تجسم داده ها (Data visualization)
• طراحی آزمایش (Experiment design)
• دانش دامنه (Domain knowledge)
• دانش دامنه (Communication)

دانشمندان داده ممکن است از ابزارهای ساده استفاده کنند: آنها می توانند درصدها را گزارش کنند و نمودارهای خطی را بر اساس کوئری ها از SQL ایجاد کنند. آن‌ها همچنین می‌توانند از روش‌های بسیار پیچیده استفاده کنند: ممکن است با ذخیره‌گاه‌های داده توزیع‌شده برای تجزیه و تحلیل تریلیون‌ها رکورد، توسعه تکنیک‌های آماری پیشرفته و ساخت تجسم‌های تعاملی کار کنند. از هر چیزی که استفاده می کنند، هدف به دست آوردن درک بهتری از داده هایشان است.

تفاوت یادگیری ماشین (machine learning) با هوش مصنوعی

یادگیری ماشین (machine learning) به عنوان زمینه پیش بینی می باشد: “با توجه به مثال X با ویژگی های خاص، Y را در مورد آن پیش بینی کنید.” این پیش‌بینی‌ها می‌توانند در مورد آینده باشند، اما همچنین می‌توانند در مورد کیفیت‌هایی باشند که فوراً برای رایانه آشکار نیستند. سایتی به عنوان https://www.kaggle.com/competitions رقابتی برای علاقه مندان به یادگیری ماشین (machine learning) برگزار میکند که برخی از داده های آموزشی را ارائه می دهند و سپس می بینند که آیا رقبا می توانند پیش بینی های دقیقی در مورد نمونه های جدید انجام دهند یا خیر.

همپوشانی زیادی بین علم داده و یادگیری ماشین (machine learning) وجود دارد. به عنوان مثال، رگرسیون لجستیک می تواند برای ترسیم بینش در مورد روابط (“هر چه یک کاربر ثروتمندتر باشد، احتمال بیشتری دارد که محصول ما را بخرد، بنابراین ما باید استراتژی بازاریابی خود را تغییر دهیم”) و برای انجام پیش بینی ها (این کاربر دارای 53 درصد شانس خرید محصول ما است، بنابراین ما باید آن را به آنها پیشنهاد دهیم.) مورد استفاده قرار گیرد.

از یادگیری ماشین (machine learning) و علم داده در کنار هم میتوان استفاده کرد: به عنوان مثال ممکن است مدلی را روی داده‌های Stack Overflow قرار دهیم تا مشخص کنیم کدام کاربران احتمالاً به دنبال شغل هستند (یادگیری ماشین)، اما سپس خلاصه‌ها و تجسم‌هایی بسازم که چرایی مدل را بررسی می‌کنند. آثار (علم داده). این یک راه مهم برای کشف نقص در مدل شما و مبارزه با سوگیری الگوریتمی است. این یکی از دلایلی است که دانشمندان داده اغلب مسئول توسعه اجزای یادگیری ماشین یک محصول هستند.

تفاوت هوش مصنوعی با یادگیری ماشین(machine learning)

هوش مصنوعی به مراتب قدیمی‌ترین و شناخته‌شده‌ترین در بین این سه نام است. این اصطلاح به لطف محققان، روزنامه‌نگاران و استارت‌آپ‌هایی که به دنبال پول یا توجه هستند، با تبلیغات زیادی احاطه شده است.

یکی از موضوعات رایج در تعاریف هوش مصنوعی این است که یک عامل مستقل اقداماتی را اجرا یا توصیه می کند (به عنوان مثال، پول، مک ورث و گوبل 1998، راسل و نورویگ 2003). برخی از سیستم هایی که فکر می کنم باید به عنوان هوش مصنوعی توصیف شوند عبارتند از:

• الگوریتم های بازی (Deep Blue، AlphaGo)
• رباتیک و تئوری کنترل (برنامه ریزی حرکت، راه رفتن ربات دوپا)
• بهینه سازی (Google Maps انتخاب مسیر)
• پردازش زبان طبیعی
• یادگیری تقویتی

باز هم می توانیم همپوشانی های زیادی را با سایر زمینه ها ببینیم. اما تمایزاتی نیز وجود دارد. اگر من برخی از داده‌های فروش را تجزیه و تحلیل کنم و کشف کنم که مشتریان صنایع خاص بیشتر از سایرین تجدید می‌شوند (استخراج یک بینش)، خروجی برخی از اعداد و نمودارها است، نه یک اقدام خاص. (مدیران ممکن است از این نتیجه گیری ها برای تغییر استراتژی فروش ما استفاده کنند، اما این اقدام مستقل نیست.) این بدان معناست که من کار خود را به عنوان علم داده توصیف می کنم: بسیار وحشتناک است که بگویم من از هوش مصنوعی برای بهبود فروش خود استفاده می کنم. ”

تفاوت بین هوش مصنوعی و ML کمی ظریف‌تر است و از نظر تاریخی ML اغلب به عنوان زیر شاخه هوش مصنوعی در نظر گرفته می‌شود (به ویژه بینایی کامپیوتر یک مشکل کلاسیک هوش مصنوعی بود). اما بنظر می رسد که حوزه ML تا حد زیادی از هوش مصنوعی جدا شده است، تا حدی به دلیل واکنش‌هایی که در بالا توضیح داده شد: اکثر افرادی که تصمیم می‌گیرند روی مشکلات پیش‌بینی کار کنند، دوست ندارند خود را به عنوان محقق هوش مصنوعی توصیف کنند. (این کمک کرد که بسیاری از پیشرفت‌های مهم ML از آمار حاصل شود، که حضور کمتری در بقیه زمینه‌های هوش مصنوعی داشت). این بدان معناست که اگر می‌توانید مشکلی را به‌عنوان «پیش‌بینی X از Y» توصیف کنید، توصیه می‌کنم از عبارت AI کاملاً اجتناب کنید.

مطالعه موردی: چگونه می توان از این سه با هم استفاده کرد؟

فرض کنید ما در حال ساخت یک ماشین خودران بودیم و روی مشکل خاص توقف در تابلوهای ایست کار می کردیم. ما به مهارت هایی نیاز داریم که از هر سه این زمینه ها استخراج شود.

MI: خودرو باید با استفاده از دوربین های خود علامت توقف را تشخیص دهد. ما مجموعه‌ای از میلیون‌ها عکس از اشیاء کنار خیابان می‌سازیم و الگوریتمی را آموزش می‌دهیم تا پیش‌بینی کنیم کدام یک دارای علامت توقف است.

AI: هنگامی که خودروی ما بتواند علائم توقف را تشخیص دهد، باید تصمیم بگیرد که چه زمانی اقدام به ترمز زدن کند. استفاده از آنها خیلی زود یا خیلی دیر خطرناک است، و ما برای کنترل شرایط جاده های مختلف به آن نیاز داریم (به عنوان مثال، تشخیص اینکه در یک جاده لغزنده به اندازه کافی سرعت کاهش نمی یابد)، که یک مشکل تئوری کنترل است.

Data science: در تست‌های خیابانی متوجه می‌شویم که عملکرد خودرو به اندازه کافی خوب نیست، در برخی از علائم توقف ماشین به جای توقف، حرکت می‌کند. پس از تجزیه و تحلیل داده‌های تست خیابانی، به این بینش دست می‌یابیم که میزان خطاها به زمان روز بستگی دارد: احتمال اینکه علامت توقف قبل از طلوع یا بعد از غروب خورشید را از دست بدهد، بیشتر است. ما متوجه شدیم که بیشتر داده‌های آموزشی ما فقط شامل اشیاء در نور کامل روز است، بنابراین مجموعه داده بهتری شامل تصاویر شبانه ایجاد می‌کنیم و به مرحله یادگیری ماشینی برمی‌گردیم.

برای مطالعه مقاله هوش مصنوعی چیست بر روی لینک کلیک کنید