Intel·ligència Artificial
L'aprenentatge automàtic tradicional segueix sent rellevant?
En els últims anys, la IA generativa ha mostrat resultats prometedors en la resolució de tasques complexes d'IA. Models moderns d'IA com Xat GPT, Bard, LLAMA, DALL-E.3i SAM han demostrat capacitats notables per resoldre problemes multidisciplinaris com la resposta visual a preguntes, la segmentació, el raonament i la generació de contingut.
D'altra banda, IA multimodal han sorgit tècniques capaces de processar múltiples modalitats de dades, és a dir, text, imatges, àudio i vídeos simultàniament. Amb aquests avenços, és natural preguntar-se: ens apropem al final? aprenentatge automàtic tradicional (ML)?
En aquest article, analitzarem l'estat del paisatge tradicional de l'aprenentatge automàtic pel que fa a les innovacions modernes d'IA generativa.
Què és l'aprenentatge automàtic tradicional? - Quines són les seves limitacions?
L'aprenentatge automàtic tradicional és un terme ampli que cobreix una gran varietat d'algorismes impulsats principalment per les estadístiques. Els dos tipus principals d'algorismes ML tradicionals són supervisats i no supervisats. Aquests algorismes estan dissenyats per desenvolupar models a partir de conjunts de dades estructurats.
Els algorismes d'aprenentatge automàtic tradicionals estàndard inclouen:
- Algorismes de regressió com ara lineal, lazo i cresta.
- K significa agrupació.
- Anàlisi de components principals (PCA).
- Màquines vectorials de suport (SVM).
- Algorismes basats en arbres com ara arbres de decisió i boscos aleatoris.
- Potenciar models com ara l'augment del gradient i XGBoost.
Limitacions de l'aprenentatge automàtic tradicional
El ML tradicional té les limitacions següents:
- Escalabilitat limitada: Aquests models sovint necessiten ajuda per escalar-los amb conjunts de dades grans i diversos.
- Preprocessament de dades i enginyeria de funcions: El ML tradicional requereix un preprocessament extens per transformar els conjunts de dades segons els requisits del model. A més, l'enginyeria de funcions pot consumir molt de temps i requereix múltiples iteracions per capturar relacions complexes entre les funcions de dades.
- Dades d'alta dimensions i no estructurades: L'ML tradicional lluita amb tipus de dades complexos com ara imatges, àudio, vídeos i documents.
- Adaptabilitat a dades no vistes: És possible que aquests models no s'adaptin bé a les dades del món real que no formaven part dels seus dades de formació.
Xarxa neuronal: passar de l'aprenentatge automàtic a l'aprenentatge profund i més enllà
Els models de xarxes neuronals (NN) són molt més complicats que els models tradicionals d'aprenentatge automàtic. La NN més senzilla - Perceptró multicapa (MLP) consisteix en diverses neurones connectades entre si per entendre informació i realitzar tasques, de manera similar al funcionament d'un cervell humà.
Els avenços en les tècniques de xarxes neuronals han estat la base per a la transició aprenentatge automàtic a aprenentatge profund. Per exemple, s'anomenen NN utilitzats per a tasques de visió per ordinador (detecció d'objectes i segmentació d'imatges). xarxes neuronals convolucionals (CNN), Com ara AlexNet, ResNeti YOLO.
Avui, la tecnologia d'IA generativa està portant les tècniques de xarxes neuronals un pas més enllà, cosa que li permet excel·lir en diversos dominis d'IA. Per exemple, les xarxes neuronals utilitzades per a tasques de processament del llenguatge natural (com el resum de text, la resposta a preguntes i la traducció) es coneixen com a transformadors. Els models de transformadors destacats inclouen BERT, GPT-4i T5. Aquests models estan creant un impacte en indústries que van des de la sanitat, la venda al detall, el màrqueting, finançar, Etc
Encara necessitem algorismes tradicionals d'aprenentatge automàtic?
Tot i que les xarxes neuronals i les seves variants modernes com els transformadors han rebut molta atenció, els mètodes tradicionals de ML segueixen sent crucials. Vegem per què encara són rellevants.
1. Requisits de dades més senzills
Les xarxes neuronals exigeixen grans conjunts de dades per a la formació, mentre que els models ML poden aconseguir resultats significatius amb conjunts de dades més petits i senzills. Així, s'afavoreix el ML per sobre de l'aprenentatge profund per a conjunts de dades estructurats més petits i viceversa.
2. Simplicitat i interpretabilitat
Els models tradicionals d'aprenentatge automàtic es construeixen sobre models estadístics i de probabilitat més senzills. Per exemple, una línia més adequada regressió lineal estableix la relació entrada-sortida mitjançant el mètode dels mínims quadrats, una operació estadística.
De la mateixa manera, els arbres de decisió fan ús de principis probabilístics per classificar les dades. L'ús d'aquests principis ofereix interpretabilitat i facilita que els professionals de l'IA comprenguin el funcionament dels algorismes de ML.
Les arquitectures NN modernes com els models de transformador i difusió (normalment s'utilitzen per a la generació d'imatges com Difusió estable or A mig camí) tenen una complexa estructura de xarxa multicapa. La comprensió d'aquestes xarxes requereix una comprensió de conceptes matemàtics avançats. És per això que també s'anomenen "caixes negres".
3. Eficiència de recursos
Les xarxes neuronals modernes com els grans models de llenguatge (LLM) s'entrenen en grups de GPU cares segons els seus requisits computacionals. Per exemple, es va entrenar a GPT4 25000 GPU Nvidia de 90 a 100 dies.
Tanmateix, el maquinari car i el llarg temps de formació no són factibles per a tots els professionals o equips d'IA. D'altra banda, l'eficiència computacional dels algorismes tradicionals d'aprenentatge automàtic permet als professionals aconseguir resultats significatius fins i tot amb recursos limitats.
4. No tots els problemes necessiten aprenentatge profund
Aprenentatge profund no és la solució absoluta per a tots els problemes. Hi ha alguns escenaris en què ML supera l'aprenentatge profund.
Per exemple, a diagnòstic i pronòstic mèdic amb dades limitades, un algorisme ML per detecció d'anomalies com REMED ofereix millors resultats que l'aprenentatge profund. De la mateixa manera, l'aprenentatge automàtic tradicional és important en escenaris amb baixa capacitat computacional com a solució flexible i eficient.
En primer lloc, la selecció del millor model per a qualsevol problema depèn de les necessitats de l'organització o del professional i de la naturalesa del problema en qüestió.
Aprenentatge automàtic el 2023
Imatge generada utilitzant Leonardo A.I.
El 2023, l'aprenentatge automàtic tradicional continua evolucionant i està competint amb l'aprenentatge profund i la IA generativa. Té diversos usos a la indústria, especialment quan es tracta de conjunts de dades estructurats.
Per exemple, molts Béns de consum ràpid (FMCG) Les empreses tracten grans quantitats de dades tabulars que es basen en algorismes de ML per a tasques crítiques com recomanacions personalitzades de productes, optimització de preus, gestió d'inventaris i optimització de la cadena de subministrament.
A més, molts models de visió i llenguatge encara es basen en tècniques tradicionals, oferint solucions en enfocaments híbrids i aplicacions emergents. Per exemple, un estudi recent titulat "Realment necessitem models d'aprenentatge profund per a la previsió de sèries temporals?” ha discutit com els arbres de regressió que augmenten el gradient (GBRT) són més eficients previsió de sèries temporals que les xarxes neuronals profundes.
La interpretabilitat de ML segueix sent molt valuosa amb tècniques com SHAP (Shapley Additive Explicacions) i LIME (Explicacions agnòstiques del model interpretable local). Aquestes tècniques expliquen models complexos d'ML i proporcionen informació sobre les seves prediccions, ajudant així els professionals de l'ML a entendre encara millor els seus models.
Finalment, l'aprenentatge automàtic tradicional segueix sent una solució sòlida per a diverses indústries que aborden l'escalabilitat, la complexitat de les dades i les limitacions de recursos. Aquests algorismes són insubstituïbles per a l'anàlisi de dades i el modelatge predictiu i continuaran formant part d'a arsenal de científics de dades.
Si temes com aquest us intriga, explora Uneix AI per a més coneixements.
