Is tradisionele masjienleer steeds relevant?

In onlangse jare het Generatiewe KI belowende resultate getoon in die oplossing van komplekse KI-take. Moderne KI-modelle soos Klets GPT, Bard, Oproepe, DALL-E.3, en SAM het merkwaardige vermoëns ten toon gestel in die oplossing van multidissiplinêre probleme soos visuele vraagbeantwoording, segmentering, redenering en inhoudgenerering.

Verder, Multimodale KI tegnieke het na vore gekom wat in staat is om veelvuldige datamodaliteite, dit wil sê teks, beelde, oudio en video's gelyktydig te verwerk. Met hierdie vooruitgang is dit natuurlik om te wonder: Kom ons die einde van tradisionele masjienleer (ML)?

In hierdie artikel sal ons kyk na die stand van die tradisionele masjienleerlandskap rakende moderne generatiewe KI-innovasies.

Wat is tradisionele masjienleer? – Wat is die beperkings daarvan?

Tradisionele masjienleer is 'n breë term wat 'n wye verskeidenheid algoritmes dek wat hoofsaaklik deur statistiek gedryf word. Die twee hooftipes tradisionele ML-algoritmes is onder toesig en sonder toesig. Hierdie algoritmes is ontwerp om modelle uit gestruktureerde datastelle te ontwikkel.

Standaard tradisionele masjienleeralgoritmes sluit in:

• Regressie-algoritmes soos lineêr, lasso en rant.
• K-beteken Groepering.
• Hoofkomponentanalise (PCA).
• Ondersteun vektormasjiene (SVM).
• Boomgebaseerde algoritmes soos besluitbome en ewekansige woud.
• Versterkingsmodelle soos gradiëntversterking en XGBoost.

Beperkings van tradisionele masjienleer

Tradisionele ML het die volgende beperkings:

1. Beperkte skaalbaarheid: Hierdie modelle het dikwels hulp nodig om met groot en diverse datastelle te skaal.
2. Datavoorverwerking en kenmerkingenieurswese: Tradisionele ML vereis uitgebreide voorafverwerking om datastelle volgens modelvereistes te transformeer. Funksie-ingenieurswese kan ook tydrowend wees en vereis veelvuldige iterasies om komplekse verhoudings tussen datakenmerke vas te lê.
3. Hoë-dimensionele en ongestruktureerde data: Tradisionele ML sukkel met komplekse datatipes soos beelde, oudio, video's en dokumente.
4. Aanpasbaarheid by onsigbare data: Hierdie modelle pas moontlik nie goed aan by werklike data wat nie deel van hulle was nie opleidingsdata.

Neurale netwerk: beweeg van masjienleer na diep leer en verder

Neurale netwerk (NN) modelle is baie meer ingewikkeld as tradisionele Masjienleer-modelle. Die eenvoudigste NN - Multi-laag perseptron (MLP) bestaan ​​uit verskeie neurone wat met mekaar verbind is om inligting te verstaan ​​en take uit te voer, soortgelyk aan hoe 'n menslike brein funksioneer.

Vooruitgang in neurale netwerk tegnieke het die basis gevorm vir die oorgang van masjienleer tot diep leer. Byvoorbeeld, NN wat gebruik word vir rekenaarvisietake (voorwerpopsporing en beeldsegmentering) word genoem konvolusionele neurale netwerke (CNN's), Soos AlexNet, ResNet, en YOLO.

Vandag neem generatiewe KI-tegnologie neurale netwerktegnieke 'n stap verder, wat dit in staat stel om in verskeie KI-domeine uit te blink. Byvoorbeeld, neurale netwerke wat gebruik word vir natuurlike taalverwerkingstake (soos teksopsomming, vraagbeantwoording en vertaling) staan ​​bekend as transformators. Prominente transformatormodelle sluit in BERT, GPT-4, en T5. Hierdie modelle skep 'n impak op nywerhede wat wissel van gesondheidsorg, kleinhandel, bemarking, finansier, Ens.

Het ons steeds tradisionele masjienleeralgoritmes nodig?

Terwyl neurale netwerke en hul moderne variante soos transformators baie aandag geniet het, bly tradisionele ML-metodes van kardinale belang. Kom ons kyk na hoekom hulle steeds relevant is.

1. Eenvoudiger datavereistes

Neurale netwerke vereis groot datastelle vir opleiding, terwyl ML-modelle beduidende resultate kan behaal met kleiner en eenvoudiger datastelle. Dus word ML bevoordeel bo diep leer vir kleiner gestruktureerde datastelle en omgekeerd.

2. Eenvoud en interpreteerbaarheid

Tradisionele masjienleermodelle word bo-op eenvoudiger statistiese en waarskynlikheidsmodelle gebou. Byvoorbeeld, 'n beste-pas lyn in lineêre regressie stel die inset-uitset-verwantskap vas deur gebruik te maak van die kleinste-kwadrate-metode, 'n statistiese bewerking.

Net so maak besluitbome gebruik van waarskynlikheidsbeginsels om data te klassifiseer. Die gebruik van sulke beginsels bied interpreteerbaarheid en maak dit makliker vir KI-praktisyns om die werking van ML-algoritmes te verstaan.

Moderne NN-argitekture soos transformator- en diffusiemodelle (gewoonlik gebruik vir beeldgenerering soos Stabiele verspreiding or middel van die reis) het 'n komplekse multi-lae netwerkstruktuur. Om sulke netwerke te verstaan, vereis 'n begrip van gevorderde wiskundige konsepte. Daarom word daar ook na hulle verwys as 'Black Boxes'.

3. Hulpbrondoeltreffendheid

Moderne neurale netwerke soos groottaalmodelle (LLM's) word opgelei op groepe duur GPU's volgens hul rekenaarvereistes. Byvoorbeeld, GPT4 is volgens berigte opgelei 25000 XNUMX Nvidia GPU's vir 90 tot 100 dae.

Duur hardeware en lang opleidingstyd is egter nie haalbaar vir elke praktisyn of KI-span nie. Aan die ander kant laat die berekeningsdoeltreffendheid van tradisionele masjienleeralgoritmes praktisyns toe om betekenisvolle resultate te behaal, selfs met beperkte hulpbronne.

4. Nie alle probleme het diepgaande leer nodig nie

Diep leer is nie die absolute oplossing vir alle probleme nie. Sekere scenario's bestaan ​​waar ML beter as diep leer presteer.

Byvoorbeeld, in mediese diagnose en prognose met beperkte data, 'n ML-algoritme vir anomalie opsporing soos REMED lewer beter resultate as diep leer. Net so is tradisionele masjienleer betekenisvol in scenario's met 'n lae berekeningskapasiteit as 'n buigsame en doeltreffende oplossing.

Die keuse van die beste model vir enige probleem hang hoofsaaklik af van die behoeftes van die organisasie of praktisyn en die aard van die probleem wat voorhande is.

Masjienleer in 2023

Beeld gegenereer met behulp van Leonardo A.I.

In 2023 gaan tradisionele masjienleer voort om te ontwikkel en ding dit mee met diep leer en generatiewe KI. Dit het verskeie gebruike in die bedryf, veral wanneer dit met gestruktureerde datastelle handel.

Byvoorbeeld, baie Vinnig bewegende verbruikersgoedere (FMCG) maatskappye hanteer groot hoeveelhede tabeldata wat op ML-algoritmes staatmaak vir kritieke take soos persoonlike produkaanbevelings, prysoptimalisering, voorraadbestuur en voorsieningskettingoptimalisering.

Verder, baie visie en taalmodelle is steeds gebaseer op tradisionele tegnieke, en bied oplossings in hibriede benaderings en opkomende toepassings. Byvoorbeeld, 'n onlangse studie getiteld "Het ons regtig diepleermodelle nodig vir tydreeksvoorspelling?” het bespreek hoe gradiëntversterkende regressiebome (GBRTs) meer doeltreffend is vir tydreeksvoorspelling as diep neurale netwerke.

ML se interpreteerbaarheid bly hoogs waardevol met tegnieke soos SHAP (Shapley Additive Explanations) en LIME (Plaaslike interpreteerbare model-agnostiese verduidelikings). Hierdie tegnieke verduidelik komplekse ML-modelle en verskaf insigte oor hul voorspellings, en help dus ML-praktisyns om hul modelle selfs beter te verstaan.

Laastens bly tradisionele masjienleer 'n robuuste oplossing vir diverse industrieë wat skaalbaarheid, datakompleksiteit en hulpbronbeperkings aanspreek. Hierdie algoritmes is onvervangbaar vir data-analise en voorspellende modellering en sal voortgaan om deel te wees van 'n data wetenskaplike se arsenaal.

As onderwerpe soos hierdie jou intrigeer, verken Verenig KI vir verdere insigte.