Care este diferența dintre inteligență artificială, machine learning și deep learning?

Termenii inteligență artificială, machine learning (învățarea automată)și deep learning (învățarea profundă) sunt adesea folosiți ca și cum ar desemna același lucru. În realitate, ei descriu concepte diferite, aflate însă într-o relație strânsă.

Cea mai simplă modalitate de a înțelege această relație este să ne imaginăm trei cercuri concentrice. Inteligența artificială (AI) este cercul cel mai mare. În interiorul său se află machine learning (ML), adică învățarea automată. În interiorul machine learning se află, la rândul său, deep learning (DL), adică învățarea profundă.

Prin urmare:

Deep learning ⊂ Machine learning ⊂ Inteligență artificială.

Orice sistem de deep learning este un sistem de machine learning și, în sens larg, un sistem de inteligență artificială. Dar nu orice sistem de inteligență artificială utilizează machine learning și nu orice sistem de machine learning utilizează deep learning.

Această distincție este importantă pentru a înțelege atât istoria inteligenței artificiale, cât și modul în care funcționează aplicațiile moderne, inclusiv ChatGPT, sistemele de recunoaștere facială, automobilele autonome sau instrumentele de generare a imaginilor.

Ce este inteligența artificială?

Inteligența artificială (Artificial Intelligence – AI) este domeniul cel mai larg. El urmărește dezvoltarea unor sisteme informatice capabile să îndeplinească sarcini care, dacă ar fi realizate de oameni, ar necesita de obicei anumite forme de inteligență.

Aceste sarcini pot include:

• înțelegerea și producerea limbajului;
• recunoașterea imaginilor și a obiectelor;
• rezolvarea problemelor;
• planificarea;
• luarea deciziilor;
• efectuarea unor predicții;
• învățarea din experiență;
• jocurile de strategie;
• controlul roboților și al altor sisteme autonome.

Inteligența artificială este, așadar, mai degrabă un domeniu și un obiectiv general decât o anumită tehnologie.

Un program de inteligență artificială nu trebuie neapărat să „învețe”. Primele sisteme AI funcționau, în mare parte, pe baza unor reguli introduse explicit de programatori.

De exemplu, un sistem ar putea primi regula:

„Dacă temperatura depășește 38 °C și pacientul prezintă anumite simptome, verifică posibilitatea existenței unei infecții.”

Un astfel de sistem poate lua decizii sau formula recomandări fără să fi învățat singur aceste reguli din date.

Acesta este unul dintre motivele pentru care inteligența artificială nu este sinonimă cu machine learning.

Inteligența artificială bazată pe reguli

O parte importantă a istoriei inteligenței artificiale este reprezentată de sistemele bazate pe reguli, cunoscute uneori sub denumirea de AI simbolică.

Programatorii sau experții umani formulau reguli de tipul:

DACĂ apare condiția X, ATUNCI execută acțiunea Y.

Un exemplu simplificat ar putea fi un program de șah.

Programatorii pot introduce reguli referitoare la mutările permise ale pieselor, la evaluarea poziției, la protejarea regelui sau la avantajul material.

Programul nu este obligat să descopere aceste reguli singur.

În anii 1970 și 1980 au devenit populare și sistemele expert, proiectate pentru a reproduce într-un domeniu restrâns procesul de decizie al unui specialist uman.

Un sistem expert medical, de exemplu, putea utiliza sute sau mii de reguli elaborate împreună cu medicii.

Problema acestei abordări este că lumea reală este extrem de complexă. Pentru multe probleme este aproape imposibil să fie formulate manual toate regulile necesare.

Cum ar putea un programator să scrie reguli exacte pentru recunoașterea tuturor pisicilor posibile din fotografii?

O pisică poate fi albă, neagră sau multicoloră, văzută din față sau din profil, parțial ascunsă, aflată într-o cameră sau în aer liber. Numărul variațiilor este enorm.

În asemenea situații a devenit mult mai eficient ca sistemul să învețe regulile din exemple.

Aici intervine machine learning.

Ce este machine learning?

Machine learning (ML), în limba română învățare automată, este o ramură a inteligenței artificiale în care sistemele informatice învață modele și regularități din date, în loc ca fiecare regulă să fie programată explicit.

Ideea fundamentală este relativ simplă.

În loc să îi spunem calculatorului în detaliu:

„Acestea sunt toate regulile prin care poți recunoaște o pisică”,

îi oferim foarte multe exemple de imagini cu pisici și fără pisici.

Un algoritm de machine learning analizează aceste exemple și încearcă să descopere caracteristicile statistice care permit diferențierea lor.

După antrenare, sistemului îi poate fi prezentată o imagine pe care nu a mai văzut-o niciodată și i se poate cere să estimeze dacă aceasta conține sau nu o pisică.

Machine learning înseamnă, prin urmare, trecerea de la:

„Programatorul stabilește toate regulile”

la:

„Algoritmul descoperă anumite reguli sau modele din date.”

Aceasta este una dintre cele mai importante schimbări din istoria informaticii moderne.

Cum învață un sistem de machine learning?

Într-un sistem informatic tradițional avem, simplificat:

date + reguli → rezultat.

În machine learning, procesul de antrenare poate fi văzut astfel:

date + rezultate cunoscute → model.

Modelul rezultat poate fi apoi aplicat unor date noi:

date noi + model → predicție.

Să presupunem că dorim să estimăm prețul unei locuințe.

Putem furniza algoritmului date despre mii de locuințe vândute anterior:

• suprafața;
• numărul camerelor;
• anul construcției;
• cartierul;
• etajul;
• existența unui garaj;
• distanța față de centrul orașului;
• prețul la care locuința a fost vândută.

Algoritmul analizează relațiile dintre aceste caracteristici și prețuri.

După antrenare, putem introduce caracteristicile unei locuințe noi, iar sistemul va estima prețul probabil.

Modelul nu „înțelege” proprietățile imobiliare în același mod în care le înțelege un agent imobiliar. El identifică relații statistice în date și le utilizează pentru a produce o predicție.

Principalele tipuri de machine learning

Machine learning include numeroase tehnici, dar trei categorii sunt deosebit de importante.

Învățarea supervizată utilizează exemple pentru care rezultatul corect este deja cunoscut.

De exemplu, unui sistem îi pot fi prezentate mii de mesaje etichetate „spam” sau „nu este spam”. Algoritmul învață caracteristicile asociate fiecărei categorii și poate clasifica ulterior mesaje noi.

Învățarea nesupervizată utilizează date care nu au fost etichetate în prealabil. Algoritmul încearcă să descopere singur structuri, grupuri sau regularități.

De exemplu, un magazin online poate analiza comportamentul clienților și îi poate grupa automat în categorii cu comportamente asemănătoare.

Învățarea prin întărire (reinforcement learning) presupune ca un sistem să învețe prin interacțiunea cu un mediu. Acțiunile bune sunt recompensate, iar cele nefavorabile sunt penalizate.

Această metodă poate fi utilizată în robotică, jocuri sau optimizarea unor procese complexe.

Machine learning nu înseamnă însă automat deep learning. Există numeroși algoritmi de învățare automată care nu utilizează rețele neuronale profunde.

Ce este deep learning?

Deep learning, sau învățarea profundă, este o categorie specială de machine learning bazată în principal pe rețele neuronale artificiale cu mai multe straturi.

Denumirea „deep” – „profund” – se referă tocmai la existența mai multor niveluri sau straturi prin care informația este prelucrată.

Rețelele neuronale artificiale au fost inspirate, într-o manieră foarte simplificată, de organizarea neuronilor biologici. Această analogie nu trebuie însă dusă prea departe: un neuron artificial este în esență o structură matematică, iar rețelele neuronale actuale nu reproduc fidel funcționarea creierului uman.

O rețea neuronală poate conține:

• un strat de intrare;
• numeroase straturi intermediare, numite și straturi ascunse;
• un strat de ieșire.

Fiecare strat transformă informația primită și o transmite mai departe.

În timpul antrenării sunt ajustate milioane sau chiar miliarde de valori numerice numite parametri, astfel încât rezultatele produse de rețea să devină din ce în ce mai apropiate de cele dorite.

De ce a devenit deep learning atât de important?

Rețelele neuronale sunt studiate de multe decenii, dar dezvoltarea spectaculoasă a deep learning a fost posibilă prin combinarea mai multor factori.

În primul rând, există astăzi cantități uriașe de date digitale: texte, imagini, înregistrări audio, videoclipuri și numeroase alte tipuri de informații.

În al doilea rând, puterea de calcul a crescut enorm. Procesoarele grafice și alte sisteme specializate permit efectuarea rapidă a unui număr foarte mare de operații matematice.

În al treilea rând, metodele matematice și arhitecturile rețelelor neuronale s-au îmbunătățit considerabil.

Deep learning s-a dovedit deosebit de eficient în domenii în care informația este foarte complexă, precum:

• recunoașterea imaginilor;
• recunoașterea vorbirii;
• traducerea automată;
• procesarea limbajului natural;
• generarea imaginilor;
• analiza videoclipurilor;
• conducerea autonomă;
• modelele lingvistice de mari dimensiuni.

Tehnologii precum ChatGPT se bazează pe deep learning.

Un exemplu: recunoașterea unei pisici

Diferența dintre cele trei concepte poate fi ilustrată prin aceeași problemă: construirea unui sistem care recunoaște pisicile în fotografii.

Într-o abordare clasică de inteligență artificială bazată pe reguli, un programator ar încerca să definească anumite caracteristici: forma urechilor, existența mustăților, forma ochilor și alte elemente.

Problema este că variațiile imaginilor sunt prea numeroase pentru a putea fi descrise eficient prin reguli manuale.

Într-o abordare de machine learning, putem extrage anumite caracteristici ale imaginilor și putem lăsa un algoritm să învețe combinațiile care indică probabil existența unei pisici.

Într-o abordare de deep learning, rețeaua neuronală poate învăța singură inclusiv caracteristicile relevante.

În straturile inițiale poate identifica elemente simple precum margini și contraste. Straturile următoare pot combina aceste informații pentru a detecta forme, texturi sau părți ale obiectelor. Straturile mai profunde pot ajunge să reprezinte structuri complexe asociate unei pisici.

Această capacitate de a construi automat reprezentări din ce în ce mai complexe este unul dintre principalele avantaje ale deep learning.

Diferențele esențiale

Cele trei concepte pot fi rezumate astfel:

Concept	Ce reprezintă	Cum funcționează în principal	Exemplu
Inteligență artificială	Domeniul general al sistemelor care realizează sarcini asociate inteligenței	Reguli, algoritmi, machine learning, deep learning și alte metode	Sistem expert, program de șah, asistent AI
Machine learning	Subdomeniu al AI	Învață modele din date	Filtru spam, estimarea prețurilor, recomandări
Deep learning	Subdomeniu al machine learning	Utilizează rețele neuronale cu multe straturi	ChatGPT, recunoaștere facială, generare de imagini

Așadar, diferența nu este aceea că aceste tehnologii ar concura între ele. Ele reprezintă niveluri diferite ale aceluiași domeniu.

Putem formula relația și astfel:

Inteligența artificială este obiectivul general.

Machine learning este una dintre principalele modalități de a realiza inteligență artificială.

Deep learning este una dintre cele mai performante metode actuale de machine learning pentru anumite categorii de probleme.

De ce nu folosim întotdeauna deep learning?

Succesul spectaculos al deep learning poate crea impresia că orice problemă ar trebui rezolvată cu rețele neuronale foarte mari. În realitate, acest lucru nu este întotdeauna necesar sau eficient.

Deep learning poate necesita:

• cantități mari de date;
• putere mare de calcul;
• timp de antrenare considerabil;
• consum ridicat de energie;
• echipamente hardware specializate.

În schimb, pentru unele probleme, un algoritm tradițional de machine learning poate produce rezultate foarte bune folosind mult mai puține resurse.

Uneori nici machine learning nu este necesar.

Dacă regulile problemei sunt clare și stabile, un program clasic bazat pe reguli poate fi mai simplu, mai ieftin și mai ușor de verificat.

De exemplu, un sistem care calculează impozitul după o formulă legală explicită nu are nevoie să „învețe” formula din mii de declarații fiscale. Este mai sigur ca aceasta să fie programată direct.

Alegerea tehnologiei depinde, prin urmare, de problema care trebuie rezolvată.

Unde se încadrează inteligența artificială generativă?

Inteligența artificială generativă reprezintă categoria sistemelor AI capabile să producă conținut nou, precum texte, imagini, muzică, voce, videoclipuri sau programe informatice.

Majoritatea sistemelor generative moderne se bazează pe deep learning.

Modelele lingvistice de mari dimensiuni, precum cele utilizate pentru ChatGPT, sunt construite cu ajutorul unei arhitecturi de rețea neuronală numită Transformer.

Ele sunt antrenate pe cantități foarte mari de text pentru a învăța regularități ale limbajului. În timpul generării unui răspuns, modelul estimează succesiv ce elemente sunt potrivite pentru continuarea textului, ținând cont de contextul existent.

În mod asemănător, sistemele generatoare de imagini învață relațiile statistice dintre concepte, descrieri și structuri vizuale.

Putem extinde astfel relația dintre concepte:

Inteligență artificială → Machine learning → Deep learning → multe dintre sistemele moderne de AI generativă.

Totuși, inteligența artificială generativă nu trebuie confundată cu întreaga inteligență artificială. Ea reprezintă doar una dintre numeroasele aplicații ale acesteia.

Învață aceste sisteme precum oamenii?

Termenul „învățare” poate produce uneori confuzie.

Atunci când spunem că un algoritm de machine learning „învață”, nu înseamnă neapărat că procesul este echivalent cu învățarea umană.

Un copil poate înțelege un concept după foarte puține exemple și îl poate integra cu experiența sa generală asupra lumii. Sistemele de machine learning au nevoie adesea de cantități foarte mari de date și identifică în principal relații matematice și statistice.

De asemenea, faptul că un model a învățat să producă un răspuns corect nu înseamnă automat că el „înțelege” problema în sens uman.

Această diferență devine importantă în special în cazul sistemelor generative. Un model lingvistic poate produce explicații foarte convingătoare și totuși poate genera uneori informații false.

Performanța unui sistem AI nu trebuie confundată automat cu inteligența, înțelegerea sau conștiința umană.

Care dintre cele trei tehnologii este cea mai importantă?

Întrebarea nu are un răspuns unic, deoarece cele trei concepte se află pe niveluri diferite.

Inteligența artificială este domeniul general.

Machine learning a devenit una dintre cele mai importante metode prin care se construiesc sistemele AI moderne.

Deep learning este tehnologia care a permis multe dintre cele mai spectaculoase progrese recente, mai ales în procesarea limbajului, imaginilor, sunetului și videoclipurilor.

Totuși, fiecare metodă își are locul său.

Un sistem simplu bazat pe reguli poate fi soluția ideală pentru o anumită problemă. Pentru alta poate fi suficient un algoritm clasic de machine learning. Pentru probleme foarte complexe, precum înțelegerea și generarea limbajului natural, deep learning poate fi alegerea potrivită.

Prin urmare, tehnologia cea mai sofisticată nu este întotdeauna și cea mai bună. Important este ca metoda utilizată să fie adecvată problemei care trebuie rezolvată.

Concluzie

Inteligența artificială, machine learning și deep learning nu sunt sinonime. Ele reprezintă niveluri diferite ale unui domeniu tehnologic foarte larg.

Inteligența artificială este conceptul general și include orice metodă prin care calculatoarele pot realiza sarcini considerate în mod tradițional asociate inteligenței.

Machine learning este o ramură a inteligenței artificiale în care sistemele învață regularități și modele din date, în loc să primească toate regulile explicit de la programatori.

Deep learning este, la rândul său, o ramură a machine learning bazată pe rețele neuronale cu numeroase straturi și este tehnologia care stă la baza multor sisteme AI moderne.

Relația poate fi reținută foarte simplu:

Inteligență artificială → Machine learning → Deep learning.

ChatGPT, sistemele moderne de recunoaștere a imaginilor și multe aplicații de inteligență artificială generativă se află spre capătul acestei succesiuni: sunt aplicații de inteligență artificială realizate cu ajutorul machine learning și, mai precis, al deep learning.

Înțelegerea acestei ierarhii oferă o bază importantă pentru a înțelege numeroase alte concepte din domeniul inteligenței artificiale, de la rețele neuronale și modele lingvistice până la inteligența artificială generativă și sistemele autonome.