Τεχνητή νοημοσύνη
Είναι το Παραδοσιακό Μηχανικό Μάθηση Πάλι Σημαντικό;
Τα τελευταία χρόνια, το Γεννητικό AI έχει δείξει υποσχόμενους αποτελέσματα στην επίλυση σύνθετων εργασιών AI. Σύγχρονα μοντέλα AI όπως το ChatGPT, Bard, LLaMA, DALL-E.3, και SAM έχουν παρουσιάσει αξιοσημείωτες ικανότητες στην επίλυση πολυεπιστημονικών προβλημάτων όπως η οπτική απάντηση σε ερωτήσεις, η τμηματοποίηση, η συλλογιστική και η δημιουργία περιεχομένου.
Επιπλέον, τεχνικές Πολυμορφικού AI έχουν εμφανιστεί, ικανές να επεξεργάζονται πολλαπλά δεδομένα modalities, δηλαδή κείμενο, εικόνες, ήχο και βίντεο ταυτόχρονα. Με αυτές τις προόδους, είναι φυσικό να αναρωτηθούμε: Προσέγγιζουμε το τέλος του παραδοσιακού μηχανικού μάθησης (ML);
Σε αυτό το άρθρο, θα εξετάσουμε την κατάσταση του παραδοσιακού τοπίου μηχανικού μάθησης σχετικά με τις σύγχρονες καινοτομίες του γεννητικού AI.
Τι είναι το Παραδοσιακό Μηχανικό Μάθηση; – Ποίες είναι οι Περιορισμοί του;
Το παραδοσιακό μηχανικό μάθηση είναι ένας ευρύς όρος που καλύπτει eine ποικιλία από αλγόριθμους που οδηγούνται κυρίως από στατιστικές. Οι δύο κύριοι τύποι παραδοσιακών αλγορίθμων ML είναι εποπτευόμενοι και ανεποπτευόμενοι. Αυτοί οι αλγόριθμοι σχεδιάζονται για να αναπτύξουν μοντέλα από δομημένα σύνολα δεδομένων.
ΣταANDARD παραδοσιακοί αλγόριθμοι ML περιλαμβάνουν:
- Αλγόριθμους παλινδρόμησης όπως γραμμική, lasso και ridge.
- K-means Clustering.
- Ανάλυση Πρωτεύοντος Συστατικού (PCA).
- Υποστηρικτικές Μηχανές Δια_veκτών (SVM).
- Δεδομένα-βασισμένα αλγόριθμους όπως αποφασιστικά δέντρα και τυχαίος δάσος.
- Μοντέλα ενίσχυσης όπως gradient boosting και XGBoost.
Περιορισμοί του Παραδοσιακού Μηχανικού Μάθησης
Το παραδοσιακό ML έχει τους ακόλουθους περιορισμούς:
- Περιορισμένη Κλιμάκωση: Αυτά τα μοντέλα συχνά χρειάζονται βοήθεια για να κλιμακωθούν με μεγάλα και διαφορετικά σύνολα δεδομένων.
- Προεπεξεργασία Δεδομένων και Μηχανική Ιδιότητων: Το παραδοσιακό ML απαιτεί εκτεταμένη προεπεξεργασία για να μετατρέψει τα σύνολα δεδομένων σύμφωνα με τις απαιτήσεις του μοντέλου. Επίσης, η μηχανική ιδιότητων μπορεί να είναι χρονοβόρα και απαιτεί πολλές επαναλήψεις για να καταγράψει σύνθετες σχέσεις μεταξύ των χαρακτηριστικών των δεδομένων.
- Υψηλοδιάστατα και Αδόμητα Δεδομένα: Το παραδοσιακό ML δυσκολεύεται με σύνθετους τύπους δεδομένων όπως εικόνες, ήχο, βίντεο και έγγραφα.
- Προσαρμογή σε Άγνωστα Δεδομένα: Αυτά τα μοντέλα μπορεί να μην προσαρμοστούν καλά σε πραγματικά δεδομένα που δεν ήταν μέρος των δεδομένων εκπαίδευσης τους.
Νευρωνικό Δίκτυο: Κίνηση από το Μηχανικό Μάθηση στο Βαθύ Μάθηση & Πέρα;
Τα νευρωνικά δίκτυα (NN) είναι πολύ πιο σύνθετα από τα παραδοσιακά μοντέλα ML. Το απλούστερο NN – Πολυεπίπεδο Περσέπτρον (MLP) αποτελείται από πολλά νευρωνικά συνδεδεμένα μαζί για να κατανοήσουν πληροφορίες και να εκτελέσουν εργασίες, παρόμοια με τον τρόπο που λειτουργεί ο ανθρώπινος εγκέφαλος.
Οι προόδους στις τεχνικές νευρωνικών δικτύων έχουν σχηματίσει τη βάση για τη μετάβαση από το μηχανικό μάθηση στο βαθύ μάθηση. Για παράδειγμα, τα NN που χρησιμοποιούνται για εργασίες υπολογιστικής όρασης (ανίχνευση αντικειμένων και τμηματοποίηση εικόνας) ονομάζονται convolutional νευρωνικά δίκτυα (CNNs), όπως AlexNet, ResNet, και YOLO.
Σήμερα, η τεχνολογία γεννητικού AI λαμβάνει τις τεχνικές νευρωνικών δικτύων ένα βήμα παραπέρα, επιτρέποντάς τους να εξέχουν σε διάφορους τομείς AI. Για παράδειγμα, τα νευρωνικά δίκτυα που χρησιμοποιούνται για εργασίες επεξεργασίας φυσικής γλώσσας (όπως περίληψη κειμένου, απάντηση σε ερωτήσεις και μετάφραση) ονομάζονται μετασχηματιστές. Προεξάρχοντα μοντέλα μετασχηματιστών περιλαμβάνουν BERT, GPT-4, και T5. Αυτά τα μοντέλα δημιουργούν επίδραση σε βιομηχανίες που κυμαίνονται από την υγεία, το λιανικό εμπόριο, την αγορά, χρηματοοικονομικά, κ.λπ.
Χρειάζεται να Χρησιμοποιούμε ακόμα Αλγόριθμους Παραδοσιακού Μηχανικού Μάθησης;
Ενώ τα νευρωνικά δίκτυα και οι σύγχρονοι εκπρόσωποί τους όπως οι μετασχηματιστές έχουν λάβει πολλή προσοχή, οι παραδοσιακές μεθόδους ML παραμένουν κρίσιμες. Ας δούμε γιατί είναι ακόμα σχετικές.
1. Απλούστερες Απαιτήσεις Δεδομένων
Τα νευρωνικά δίκτυα απαιτούν μεγάλα σύνολα δεδομένων για εκπαίδευση, ενώ τα μοντέλα ML μπορούν να επιτύχουν σημαντικά αποτελέσματα με μικρότερα και απλούστερα σύνολα δεδομένων. Έτσι, το ML προτιμάται από το βαθύ μάθηση για μικρότερα δομημένα σύνολα δεδομένων και αντίστροφα.
2. Απλότητα και Ερμηνευσιμότητα
Τα παραδοσιακά μοντέλα ML βασίζονται σε απλούστερες στατιστικές και πιθανοτικές μοντέλα. Για παράδειγμα, μια καλύτερη γραμμή σε γραμμική παλινδρόμηση καθορίζει τη σχέση εισαγωγής-εξαγωγής χρησιμοποιώντας τη μέθοδο των ελαχίστων τετραγώνων, μια στατιστική λειτουργία.
Παρόμοια, τα δέντρα απόφασης χρησιμοποιούν πιθανοτικές αρχές για την ταξινόμηση δεδομένων. Η χρήση τέτοιων αρχών προσφέρει ερμηνευσιμότητα και κάνει εύκολο για τους επαγγελματίες του AI να κατανοήσουν τη λειτουργία των αλγορίθμων ML.
Σύγχρονα αρχιτεκτονικά NN όπως μετασχηματιστές και μοντέλα διαχύσεως (τυπικά χρησιμοποιούμενα για τη δημιουργία εικόνας όπως Stable Diffusion ή Midjourney) έχουν μια σύνθετη πολυεπίπεδη δομή δικτύου. Η κατανόηση τέτοιων δικτύων απαιτεί κατανόηση προηγμένων μαθηματικών εννοιών. Για αυτό τον λόγο, ονομάζονται επίσης ‘Μαύρες Κούκλες’.
3. Αποδοτικότητα Πόρων
Σύγχρονα νευρωνικά δίκτυα όπως τα Μεγάλα Γλωσσικά Μοντέλα (LLM) εκπαιδεύονται σεクラστερς ακριβών GPU σύμφωνα με τις υπολογιστικές απαιτήσεις. Για παράδειγμα, το GPT4 εκπαιδεύτηκε σε 25000 Nvidia GPUs για 90 έως 100 ημέρες.
Ωστόσο, ακριβές υλικό και μακράς διάρκειας χρόνος εκπαίδευσης δεν είναι εφικτά για κάθε επαγγελματία ή ομάδα AI. Από την άλλη πλευρά, η υπολογιστική αποδοτικότητα των παραδοσιακών αλγορίθμων ML επιτρέπει στους επαγγελματίες να επιτύχουν σημαντικά αποτελέσματα ακόμη και με περιορισμένους πόρους.
4. Όχι Όλα τα Προβλήματα Χρειάζονται Βαθύ Μάθηση
Το Βαθύ Μάθηση δεν είναι η απόλυτη λύση για όλα τα προβλήματα. Υπάρχουν bestimm-scenes όπου το ML υπερέχει του βαθύ μάθησης.
Για παράδειγμα, στη ιατρική διάγνωση και πρόγνωση με περιορισμένα δεδομένα, ένας αλγόριθμος ML για ανίχνευση ανωμαλιών όπως το REMED παρέχει καλύτερα αποτελέσματα από το βαθύ μάθηση. Παρόμοια, το παραδοσιακό ML είναι σημαντικό σε σενάρια με χαμηνή υπολογιστική ικανότητα ως μια ευέλικτη και αποτελεσματική λύση.
Πρωτίστως, η επιλογή του καλύτερου μοντέλου για οποιοδήποτε πρόβλημα εξαρτάται από τις ανάγκες του οργανισμού ή του επαγγελματία και τη φύση του προβλήματος που αντιμετωπίζεται.
Μηχανικό Μάθηση στο 2023
Εικόνα που δημιουργήθηκε χρησιμοποιώντας Leonardo AI
Το 2023, το παραδοσιακό μηχανικό μάθηση συνεχίζει να εξελίσσεται και ανταγωνίζεται το βαθύ μάθηση και το γεννητικό AI. Έχει πολλές χρήσεις στη βιομηχανία, ιδιαίτερα όταν ασχολείται με δομημένα σύνολα δεδομένων.
Για παράδειγμα, πολλές Εταιρείες Ταχέως Κινητών Καταναλωτικών Αγαθών (FMCG) αντιμετωπίζουν μεγάλες ποσότητες δομημένων δεδομένων που βασίζονται σε αλγόριθμους ML για κρίσιμες εργασίες όπως προσωποποιημένες συστάσεις προϊόντων, βελτιστοποίηση τιμών, διαχείριση αποθεμάτων και βελτιστοποίηση αλυσίδας εφοδιασμού.
Επιπλέον, πολλά μοντέλα όρασης και γλώσσας εξακολουθούν να βασίζονται σε παραδοσιακές τεχνικές, προσφέροντας λύσεις σε υβριδικές προσεγγίσεις και αναδυόμενες εφαρμογές. Για παράδειγμα, μια πρόσφατη μελέτη με τίτλο “Χρειάζεται να Χρησιμοποιούμε Πραγματικά Βαθιά Μοντέλα Μάθησης για Προβλέψεις Χρόνου;” έχει συζητήσει πώς τα δέντρα βελτίωσης κλίσης (GBRTs) είναι πιο αποτελεσματικά για προβλέψεις σειρών χρόνου από τα βαθιά νευρωνικά δίκτυα.
Η ερμηνευσιμότητα του ML παραμένει πολύτιμη με τεχνικές όπως SHAP (Ερμηνευσιμότητα του Shapley) και LIME (Τοπική Ερμηνευσιμότητα Μοντέλων). Αυτές οι τεχνικές εξηγούν σύνθετα μοντέλα ML και παρέχουν πληροφορίες σχετικά με τις προβλέψεις τους, βοηθώντας τους επαγγελματίες του ML να κατανοήσουν τα μοντέλα τους ακόμη καλύτερα.
Τέλος, το παραδοσιακό μηχανικό μάθηση παραμένει μια ισχυρή λύση για διάφορες βιομηχανίες που αντιμετωπίζουν κλιμάκωση,复잡ότητα δεδομένων και περιορισμούς πόρων. Αυτοί οι αλγόριθμοι είναι αντικαταστάσιμοι για ανάλυση δεδομένων και προβλέψεις μοντέλων και θα συνεχίσουν να αποτελούν μέρος του αρсенικού του επιστήμονα δεδομένων.
Εάν θέματα όπως αυτά σας ενδιαφέρουν, εξερευνήστε το Unite.AI για περαιτέρω πληροφορίες.
