Er Traditionel Maskinlæring Stadig Relevant?

I de seneste år har Generative AI vist lovende resultater i løsning af komplekse AI-opgaver. Moderne AI-modeller som ChatGPT, Bard, LLaMA, DALL-E.3 og SAM har vist bemærkelsesværdige evner i løsning af multidisciplinære problemer som visuel spørgsmålssvar, segmentering, resonnering og indholdsgenerering.

Desuden er Multimodal AI-teknikker opstået, der kan behandle multiple data-modaliteter, dvs. tekst, billeder, lyd og video samtidig. Med disse fremskridt er det naturligt at undre sig: Er vi på vej mod enden af traditionel maskinlæring (ML)?

I denne artikel vil vi se på tilstanden for den traditionelle maskinlæringslandskab i forhold til moderne generative AI-innovationer.

Hvad er Traditionel Maskinlæring? – Hvad er dens Begrænsninger?

Traditionel maskinlæring er en bred betegnelse, der dækker en bred vifte af algoritmer, der primært er drevet af statistik. De to hovedtyper af traditionelle ML-algoritmer er overvåget og uovervåget. Disse algoritmer er designet til at udvikle modeller fra strukturerede datasets.

Standard-traditionelle maskinlæringsalgoritmer inkluderer:

• Regression-algoritmer som lineær, lasso og ridge.
• K-means klustering.
• Principal Component Analysis (PCA).
• Support Vector Machines (SVM).
• Træ-baserede algoritmer som beslutningstræer og tilfældig skov.
• Boosting-modeller som gradient-boosting og XGBoost.

Begrænsninger af Traditionel Maskinlæring

Traditionel ML har følgende begrænsninger:

1. Begrænset Skalbarhed: Disse modeller har ofte svigt at skala med store og diverse datasets.
2. Dataforarbejdning og Funktionsteknisk Ingeniørarbejde: Traditionel ML kræver omfattende forarbejdning for at transformere datasets i overensstemmelse med modelkrav. Desuden kan funktionsteknisk ingeniørarbejde være tidskrævende og kræve multiple iterationer for at fange komplekse relationer mellem datafunktioner.
3. Højdimensional og Ustruktureret Data: Traditionel ML kæmper med komplekse datatyper som billeder, lyd, video og dokumenter.
4. Tilpasning til Uset Data: Disse modeller kan ikke tilpasse sig godt til virkelige data, der ikke var en del af deres træningsdata.

Neuralt Netværk: Fra Maskinlæring til Dyb Læring & Ud Over

Neuralt netværksmodeller (NN) er langt mere komplekse end traditionelle maskinlæringsmodeller. Den enkleste NN – Multilayer-perceptron (MLP) består af flere neuroner, der er forbundet sammen for at forstå information og udføre opgaver, ligesom et menneskes hjerte fungerer.

Fremskridt i neuralt netværksteknik har dannet grundlaget for overgangen fra maskinlæring til dyb læring. For eksempel er NN, der bruges til computer-vision-opgaver (objektgenkendelse og billedsegmentering), kaldet convolutional neurale netværk (CNN), såsom AlexNet, ResNet og YOLO.

I dag tager generative AI-teknologi neuralt netværksteknik ét skridt videre, så den kan udmærke sig i forskellige AI-domæner. For eksempel er neuralt netværk, der bruges til naturlig sprogbehandling (som tekstsummering, spørgsmålssvar og oversættelse), kendt som transformatorer. Fremtrædende transformator-modeller inkluderer BERT, GPT-4 og T5. Disse modeller har en betydning for brancher som sundhedsvesen, detailhandel, marketing, finans osv.

Har Vi Stadig Brug for Traditionelle Maskinlæringsalgoritmer?

Selvom neuralt netværk og deres moderne varianter som transformatorer har fået megen opmærksomhed, forbliver traditionelle ML-metoder afgørende. Lad os se på, hvorfor de stadig er relevante.

1. Enklere Datakrav

Neuralt netværk kræver store datasets til træning, mens ML-modeller kan opnå betydelige resultater med mindre og enklere datasets. Derfor foretrækkes ML over dyb læring for mindre strukturerede datasets og omvendt.

2. Enkelhed og Fortolkning

Traditionelle maskinlæringsmodeller er bygget på top af enkle statistiske og sandsynlighedsmodeller. For eksempel etablerer en bedst-fit-linje i lineær regression input-output-forholdet ved hjælp af mindste-kvadrat-metoden, en statistisk operation.

Ligesom beslutningstræer bruger probabilistiske principper til at klassificere data. Brugen af sådanne principper tilbyder fortolkning og gør det lettere for AI-praktikere at forstå arbejdet med ML-algoritmer.

Moderne NN-arkitekturer som transformator og diffusion-modeller (typisk brugt til billedgenerering som Stable Diffusion eller Midjourney) har en kompleks, flerlaget netværksstruktur. For at forstå sådanne netværk kræves en forståelse af avancerede matematiske begreber. Derfor kaldes de også for ‘Sorte Kasser’.

3. Resurseffektivitet

Moderne neuralt netværk som store sprogmodeller (LLM) trænes på kluster af dyre GPU’er i overensstemmelse med deres beregningskrav. For eksempel blev GPT4 ifølge rapporter trænet på 25000 Nvidia GPU’er (NVDA ) i 90 til 100 dage.

Men dyrt hardware og lang træningstid er ikke muligt for hver praktiker eller AI-hold. På den anden side tillader den beregningsmæssige effektivitet af traditionelle maskinlæringsalgoritmer praktikere at opnå meningsfulde resultater, selv med begrænsede ressourcer.

4. Ikke Alle Problemer Kræver Dyb Læring

Dyb Læring er ikke den absolutte løsning for alle problemer. Bestemte scenarier findes, hvor ML overgår dyb læring.

For eksempel i medicinsk diagnose og prognose med begrænsede data, leverer en ML-algoritme for afvigelsesdetektion som REMED bedre resultater end dyb læring. Ligesom traditionel maskinlæring er betydelig i scenarier med lav beregningskapacitet som en flexibel og effektiv løsning.

Primært afhænger valget af den bedste model for enhver problem af organisationens eller praktikerens behov og problemets natur.

Maskinlæring i 2023

Billede genereret ved hjælp af Leonardo AI

I 2023 fortsætter traditionel maskinlæring med at udvikle sig og konkurrerer med dyb læring og generative AI. Den har flere anvendelser i branchen, især når det handler om strukturerede datasets.

For eksempel har mange Fast-Moving Consumer Goods (FMCG)-virksomheder at gøre med store mængder af tabulære data, der afhænger af ML-algoritmer for kritiske opgaver som personlige produktanbefalinger, prisanpassning, lagerstyring og forsyningskædeoptimering.

Desuden er mange vision og sprogmodeller stadig baseret på traditionelle teknikker og tilbyder løsninger i hybride tilgange og nye anvendelser. For eksempel har en ny studie med titlen “Do We Really Need Deep Learning Models for Time Series Forecasting?” diskuteret, hvordan gradient-boosting-regressionstræer (GBRT) er mere effektive til tidsserieforudsigelse end dybe neurale netværk.

ML’s fortolkning forbliver højst værdifuld med teknikker som SHAP (Shapley Additive Explanations) og LIME (Local Interpretable Model-agnostic Explanations). Disse teknikker forklarer komplekse ML-modeller og giver indsigt om deres forudsigelser, så ML-praktikere bedre kan forstå deres modeller.

Til sidst forbliver traditionel maskinlæring en robust løsning for forskellige brancher, der løser skalbarhed, datakompleksitet og ressourcebegrænsninger. Disse algoritmer er uerstattelige til dataanalyse og prædiktivt modellering og vil fortsætte med at være en del af en datavidenskabs arsenals.

Hvis emner som dette interesserer dig, kan du udforske Unite AI for yderligere indsigt.