Παραμένει σημαντική η παραδοσιακή μηχανική μάθηση;

Τα τελευταία χρόνια, η παραγωγική τεχνητή νοημοσύνη έχει δείξει ελπιδοφόρα αποτελέσματα στην επίλυση σύνθετων προβλημάτων Νοημοσύνης. Σύγχρονα μοντέλα Νοημοσύνης όπως το ChatGPT, το Bard, το LLaMA, το DALL-E.3 και το SAM έχουν επιδείξει αξιοσημείωτες ικανότητες στην επίλυση πολυεπίπεδων προβλημάτων όπως η απάντηση σε οπτικές ερωτήσεις, η τμηματοποίηση, η συλλογιστική και η δημιουργία περιεχομένου.

Επιπλέον, τεχνικές πολυτροπικής τεχνητής νοημοσύνης έχουν εμφανιστεί, ικανές να επεξεργάζονται πολλαπλά δεδομένα ταυτόχρονα, δηλαδή κείμενο, εικόνες, ήχο και βίντεο. Με αυτές τις προόδους, είναι φυσικό να αναρωτηθούμε: Προσεγγίζουμε το τέλος της παραδοσιακής μηχανικής μάθησης (ML);

Σε αυτό το άρθρο, θα εξετάσουμε την κατάσταση του τοπίου της παραδοσιακής μηχανικής μάθησης σε σχέση με τις σύγχρονες καινοτομίες της παραγωγικής τεχνητής νοημοσύνης.

Τι είναι η Παραδοσιακή Μηχανική Μάθηση; – Ποιοι είναι οι περιορισμοί της;

Η παραδοσιακή μηχανική μάθηση είναι ένας ευρύς όρος που καλύπτει μια ποικιλία αλγορίθμων που κυρίως οδηγούνται από στατιστική. Οι δύο κύριοι τύποι παραδοσιακών αλγορίθμων ML είναι εποπτευόμενη και ανεπόπτευτη. Αυτοί οι αλγόριθμοι σχεδιάζονται για να αναπτύξουν μοντέλα από δομημένα σύνολα δεδομένων.

Τυπικοί παραδοσιακοί αλγόριθμοι μηχανικής μάθησης περιλαμβάνουν:

• Αλγόριθμοι παλινδρόμησης όπως η γραμμική, η λάσσο και η ρίδτζ.
• Κλάστερ K-μέσων.
• Ανάλυση κύριων συνιστωσών (PCA).
• Μηχανές υποστήριξης διανύσματος (SVM).
• Αλγόριθμοι που βασίζονται σε δέντρα όπως τα δέντρα απόφασης και το τυχαίο δάσος.
• Μοντέλα ενίσχυσης όπως η ενίσχυση κλίσης και το XGBoost.

Περιορισμοί της Παραδοσιακής Μηχανικής Μάθησης

Η παραδοσιακή ML έχει τους ακόλουθους περιορισμούς:

1. Περιορισμένη Κλιμάκωση: Αυτά τα μοντέλα συχνά έχουν δυσκολία να κλιμακωθούν με μεγάλα και διαφορετικά σύνολα δεδομένων.
2. Προεπεξεργασία Δεδομένων και μηχανική χαρακτηριστικών: Η παραδοσιακή ML απαιτεί εκτεταμένη προεπεξεργασία για να μετατρέψει τα σύνολα δεδομένων σύμφωνα με τις απαιτήσεις του μοντέλου. Επίσης, η μηχανική χαρακτηριστικών μπορεί να είναι χρονοβόρα και απαιτεί πολλαπλά επαναλαμβανόμενα βήματα για να καταγράψει σύνθετες σχέσεις μεταξύ των χαρακτηριστικών των δεδομένων.
3. Υψηλοδιάστατα και Αδόμητα Δεδομένα: Η παραδοσιακή ML έχει δυσκολία με σύνθετους τύπους δεδομένων όπως εικόνες, ήχο, βίντεο και έγγραφα.
4. 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: Μεταβαίνοντας από τη Μηχανική Μάθηση στη Βαθιά Μάθηση & Πέρα;

Τα νευρωνικά δίκτυα (NN) είναι πολύ πιο σύνθετα από τα παραδοσιακά μοντέλα Μηχανικής Μάθησης. Το απλούστερο NN – Πολυστρωματικός Περσεπτρόνας (MLP) – αποτελείται από πολλά νευρωνικά συνδεδεμένα 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 τη μηχανική μάθηση στη βαθιά μάθηση. Για παράδειγμα, τα NN που χρησιμοποιούνται για εργασίες υπολογιστικής όρασης (ανίχνευση αντικειμένων και τμηματοποίηση εικόνων) ονομάζονται συνελικτικά νευρωνικά δίκτυα (CNNs), όπως το AlexNet, το ResNet και το YOLO.

Σήμερα, η τεχνολογία της παραγωγικής τεχνητής νοημοσύνης παίρνει τις τεχνικές νευρωνικών δικτύων ένα βήμα παραπέρα, επιτρέποντάς τους να ξεχωρίσουν σε διάφορους τομείς Νοημοσύνης. Για παράδειγμα, τα νευρωνικά δίκτυα που χρησιμοποιούνται για εργασίες φυσικής γλώσσας (όπως η περίληψη κειμένου, η απάντηση σε ερωτήσεις και η μετάφραση) είναι γνωστά ως μετασχηματιστές (Transformers). Προεξάρχοντα μοντέλα Transformer περιλαμβάνουν το BERT, το GPT-4 και το T5. Αυτά τα μοντέλα έχουν επίδραση σε βιομηχανίες που κυμαίνονται από την υγεία, το λιανικό εμπόριο, το μάρκετινγκ, τον χρηματοοικονομικό τομέα κ.λπ.

Χρειαζόμαστε Ακόμα Αλγόριθμους Παραδοσιακής Μηχανικής 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, η ML προτιμάται από τη βαθιά μάθηση για μικρότερα δομημένα σύνολα δεδομένων και αντίστροφα.

2. Απλότητα και Ερμηνευσιμότητα

Τα παραδοσιακά μοντέλα μηχανικής μάθησης βασίζονται σε απλούστερες στατιστικές και πιθανοτικές μεθόδους. Για παράδειγμα, μια καλύτερη γραμμή σε γραμμική παλινδρόμηση καθορίζει τη σχέση εισαγωγής-εξαγωγής χρησιμοποιώντας τη μέθοδο των ελαχίστων τετραγώνων, μια στατιστική λειτουργία.

Ομοίως, τα δέντρα απόφασης χρησιμοποιούν αρχές πιθανοτήτων για την ταξινόμηση δεδομένων. Η χρήση τέτοιων αρχών προσφέρει ερμηνευσιμότητα και κάνει ευκολότερο για τους επαγγελματίες της Νοημοσύνης να κατανοήσουν την λειτουργία των αλγορίθμων ML.

Σύγχρονα αρχιτεκτονικά νευρωνικών δικτύων όπως οι μετασχηματιστές και τα μοντέλα διάχυσης (τυπικά χρησιμοποιούμενα για τη δημιουργία εικόνων όπως το Stable Diffusion ή το Midjourney) έχουν μια σύνθετη πολλαπλή δομή. Η κατανόηση τέτοιων δικτύων απαιτεί κατανόηση προηγμένων μαθηματικών εννοιών. Για αυτόν τον λόγο, ονομάζονται επίσης «μαύρα κουτιά».

3. Αποδοτικότητα Πόρων

Σύγχρονα νευρωνικά δίκτυα όπως τα Μεγάλα Γλωσσικά Μοντέλα (LLM) εκπαιδεύονται σε συστάδα ακριβών GPU σύμφωνα με τις υπολογιστικές απαιτήσεις. Για παράδειγμα, το GPT4 αναφέρεται ότι εκπαιδεύτηκε σε 25000 Nvidia GPU για 90 έως 100 ημέρες.

Ωστόσο, ακριβός εξοπλισμός και εκτεταμένος χρόνος εκπαίδευσης δεν είναι εφικτοί για κάθε επαγγελματία ή ομάδα Νοημοσύνης. Από την άλλη πλευρά, η υπολογιστική αποδοτικότητα των παραδοσιακών αλγορίθμων ML επιτρέπει στους επαγγελματίες να επιτύχουν σημαντικά αποτελέσματα ακόμα και με περιορισμένους πόρους.

4. Όχι Όλα τα Προβλήματα Χρειάζονται Βαθιά Μάθηση

Η Βαθιά Μάθηση δεν είναι η απόλυτη λύση για όλα τα προβλήματα. Υπάρχουν συγκεκριμένα σενάρια όπου η ML υπερέχει της βαθιάς μάθησης.

Για παράδειγμα, στη ιατρική διάγνωση και πρόγνωση με περιορισμένα δεδομένα, ένας αλγόριθμος ML για ανίχνευση ανωμαλιών όπως το REMED προσφέρει καλύτερα αποτελέσματα από τη βαθιά μάθηση. Ομοίως, η παραδοσιακή ML είναι σημαντική σε σενάρια με χαμηλή υπολογιστική ισχύ, ως μια ευέλικτη και αποδοτική 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.

Μηχανική Μάθηση το 2023

Εικόνα που δημιουργήθηκε με τη χρήση Leonardo AI

Το 2023, η παραδοσιακή μηχανική μάθηση συνεχίζει να εξελίσσεται και ανταγωνίζεται τη βαθιά μάθηση και τη παραγωγική τεχνητή νοημοσύνη. Έχει πολλές χρήσεις στη βιομηχανία, ιδιαίτερα όταν ασχολούμαστε με δομημένα σύνολα δεδομένων.

Για παράδειγμα, πολλές εταιρείες ταχυκίνητων καταναλωτικών αγαθών (FMCG) ασχολούνται με 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 “Χρειαζόμαστε πραγματικά βαθιά μοντέλα μάθησης για την πρόβλεψη χρονοσειρών;” συζήτησε πώς τα δέντρα παλινδρόμησης gradient-boosting (GBRTs) είναι πιο αποδοτικά για πρόβλεψη χρονοσειρών από τα βαθιά νευρωνικά δίκτυα.

Η ερμηνευσιμότητα της ML παραμένει πολύτιμη με τεχνικές όπως το SHAP (Προσθετικές Εξηγήσεις Shapley) και το LIME (Τοπικές Ερμηνεύσιμες Εξηγήσεις Ανεξάρτητες από το Μοντέλο). Αυτές οι τεχνικές εξηγούν σύνθετα μοντέλα ML και παρέχουν πληροφορίες σχετικά με τις προβλέψεις τους, βοηθώντας τους επαγγελματίες της Νοημοσύνης να κατανοήσουν τα μοντέλα τους ακόμα καλύτερα.

Τέλος, η παραδοσιακή μηχανική μάθηση παραμένει μια ισχυρή λύση για διάφορες βιομηχανίες που αντιμετωπίζουν προκλήσεις κλιμάκωσης, σύνθετων δεδομένων και περιορισμών πόρων. Αυτοί οι αλγόριθμοι είναι αναντικατάστατοι για την ανάλυση δεδομένων και το προγνωστικό μοντέλο και θα συνεχίσουν να αποτελούν μέρος του οπλοστασίου ενός επιστήμονα δεδομένων.

Εάν θέματα όπως αυτά σας ενδιαφέρουν, εξερευνήστε το Unite AI για περαιτέρω πληροφορίες.