Onko perinteinen koneoppiminen edelleen relevantti?

Viime vuosina generatiivinen tekoäly on osoittanut lupaavia tuloksia monimutkaisten tehtävien ratkaisemisessa. Nykyaikaiset tekoälymallit, kuten ChatGPT, Bard, LLaMA, DALL-E.3 ja SAM, ovat osoittaneet merkittäviä kykyjä monitieteisten ongelmien ratkaisemisessa, kuten visuaalisen kysymyksen vastaamisessa, segmentoinnissa, päättelyssä ja sisällön luomisessa.

Lisäksi monimodaalinen tekoäly on kehittynyt, joka pystyy prosessoimaan useita datatyyppiä, kuten tekstiä, kuvia, ääniä ja videoita samanaikaisesti. Näiden edistysten myötä on luonnollista kysyä: Olemme kohta perinteisen koneoppimisen (ML) lopussa?

Tässä artikkelissa tarkastelemme perinteisen koneoppimisen tilaa modernin generatiivisen tekoälyn innovaatioiden valossa.

Mikä on perinteinen koneoppiminen? – Mitkä ovat sen rajoitukset?

Perinteinen koneoppiminen on laaja termi, joka kattaa monia algoritmeja, jotka perustuvat pääasiassa tilastoihin. Perinteisten ML-algoritmien kaksi päätyyppiä ovat ohjattu ja ohjaamaton. Nämä algoritmit on suunniteltu kehittämään malleja rakenteellisista tietojoukoista.

Perinteiset koneoppimisen algoritmit sisältävät:

• Regressioalgoritmit, kuten lineaarinen, lasso ja ridge.
• K-means-klusterointi.
• Pääkomponenttianalyysi (PCA).
• Tukeva vektorikone (SVM).
• Puupohjaiset algoritmit, kuten päätöspuut ja satunnainen metsä.
• Boosting-mallit, kuten gradient-boosting ja XGBoost.

Perinteisen koneoppimisen rajoitukset

Perinteisellä ML:llä on seuraavat rajoitukset:

1. Rajoitettu skaalautuvuus: Nämä mallit tarvitsevat usein apua skaalautumiseen suurten ja monimuotoisten tietojoukkojen kanssa.
2. Tiedon esikäsittely ja piirteiden insinööritöö: Perinteinen ML vaatii laajaa esikäsittelyä muuttaa tietojoukkoja mallin vaatimusten mukaan. Lisäksi piirteiden insinööritöö voi olla aikaa vievää ja vaatia useita iterointeja saadakseen kompleksiset suhteet tietojen piirteiden välillä.
3. Korkeaulotteinen ja rakenteeton data: Perinteinen ML kamppailee monimutkaisten datatyyppien kanssa, kuten kuvat, äänet, videot ja asiakirjat.
4. Soveltuvuus näkymättömiin tietoihin: Nämä mallit eivät sovellu hyvin todellisen maailman tietoihin, jotka eivät olleet osa heidän koulutusdataa.

Neuraaliverkko: Siirtyminen koneoppimisesta syvään oppimiseen ja sen yli

Neuraaliverkkomallit ovat paljon monimutkaisempia kuin perinteiset koneoppimismallit. Yksinkertaisin neuraaliverkko – monikerroksinen percepptori (MLP) – koostuu useista hermoista, jotka ovat yhdistetty toisiinsa ymmärtämään tietoa ja suorittamaan tehtäviä, samalla tavalla kuin ihmisaivojen toiminta.

Neuraaliverkkojen edistys on muodostanut perustan siirtymiselle koneoppimisesta syvään oppimiseen. Esimerkiksi neuraaliverkkoja, joita käytetään tietokoneen näön tehtävissä (esim. objektien havaitseminen ja kuvien segmentointi), kutsutaan konvoluutio-neuraaliverkoiksi (CNN), kuten AlexNet, ResNet ja YOLO.

Nykyään generatiivinen tekoäly on vievä neuraaliverkkoja askelen eteenpäin, mahdollistaen sen menestyksen eri tekoälyalueilla. Esimerkiksi neuraaliverkkoja, joita käytetään luonnollisen kielen prosessoinnissa (kuten tekstin tiivistäminen, kysymyksen vastaaminen ja kääntäminen), tunnetaan transformereina. Merkittäviä transformer-malleja ovat BERT, GPT-4 ja T5. Nämä mallit vaikuttavat aloilla, kuten terveydenhuolto, vähittäiskauppa, markkinointi, rahoitus jne.

Tarvitseeko meidän edelleen perinteisiä koneoppimisalgoritmeja?

Vaikka neuraaliverkkomallit ja niiden modernit variantit, kuten transformerit, ovat saaneet paljon huomiota, perinteiset ML-menetelmät ovat edelleen tärkeitä. Tarkastellaan, miksi ne ovat edelleen relevantteja.

1. Yksinkertaisemmat datavaatimukset

Neuraaliverkkomallit vaativat suuria tietoja koulutukseen, kun taas ML-mallit voivat saavuttaa merkittäviä tuloksia pienemmillä ja yksinkertaisemmilla tietojoukoilla. Näin ollen ML on suositeltavampaa kuin syvä oppiminen pienemmille rakenteellisille tietojoukoille ja päinvastoin.

2. Yksinkertaisuus ja tulkitettavuus

Perinteiset koneoppimismallit perustuvat yksinkertaisiin tilastollisiin ja todennäköisyysmalleihin. Esimerkiksi parhaan sovite-linja lineaarisessa regressiossa määrittää syötteen ja tuloksen suhteen käyttäen vähimmän neliöiden menetelmää, joka on tilastollinen operaatio.

Vastaavasti päätöspuut käyttävät todennäköisyysperiaatteita luokittelemalla tietoja. Tällaisten periaatteiden käyttö tarjoaa tulkitettavuuden ja tekee siitä helpompaa koneoppimisen algoritmien ymmärtämisen AI-harjoittajille.

Modernit neuraaliverkkorakenteet, kuten transformer- ja diffuusiomallit (kuten Stable Diffusion tai Midjourney), ovat monimutkaisia monikerroksisia verkkoja. Näiden verkkojen ymmärtäminen vaatii edistyneiden matemaattisten käsitteiden ymmärtämistä. Siksi niitä kutsutaan myös “mustiksi laatikoiksi”.

3. Resurssitehokkuus

Modernit neuraaliverkkomallit, kuten suuret kielen mallit (LLM), vaativat koulutukseen suuria ja kallisia GPU-klaustereita. Esimerkiksi GPT4:ää koulutettiin 25000 Nvidia GPU:lla (NVDA ) 90-100 päivää.

Kalliit laitteet ja pitkä koulutusaika eivät kuitenkaan ole toteutettavissa jokaiselle harjoittajalle tai AI-tiimille. Toisaalta perinteisten koneoppimisalgoritmien laskennallinen tehokkuus mahdollistaa harjoittajille saavuttaa merkittäviä tuloksia jopa rajoitettujen resurssien kanssa.

4. Kaikki ongelmat eivät vaadi syvää oppimista

Syvä oppiminen ei ole aina ratkaisu kaikkiin ongelmiiin. Tiettyjä tilanteita on, joissa ML ylittää syvän oppimisen.

Esimerkiksi lääketieteellisessä diagnosoinnissa ja ennustamisessa rajoitettujen tietojen kanssa, ML-algoritmi poikkeamien havaitsemiseksi kuten REMED antaa parempia tuloksia kuin syvä oppiminen. Vastaavasti perinteinen koneoppiminen on merkittävää tilanteissa, joissa on vähän laskentakapasiteettia, ja se on joustava ja tehokas ratkaisu.

Ensisijaisesti parhaan mallin valinta mihin tahansa ongelmaan riippuu organisaation tai harjoittajan tarpeista ja ongelman luonteesta.

Koneoppiminen vuonna 2023

Kuva generoitu Leonardo AI:lla

Vuonna 2023 perinteinen koneoppiminen jatkaa kehittymistään ja kilpailee syvän oppimisen ja generatiivisen tekoälyn kanssa. Sillä on useita sovelluksia teollisuudessa, erityisesti rakenteellisten tietojoukkojen käsittelyssä.

Esimerkiksi monet nopeasti liikkuva kulutustavarayritykset käsittelevät suuria määriä taulukkomuotoista tietoa ja luottavat ML-algoritmeihin kriittisiin tehtäviin, kuten henkilökohtaisten tuotetunnustusten, hinnoittelun, varastoinnin ja toimitusketjun optimoinnin suunnitteluun.

Lisäksi monet näön ja kielen mallit perustuvat edelleen perinteisiin tekniikoihin ja tarjoavat ratkaisuja hybridi-lähestymistavoissa ja nousevissa sovelluksissa. Esimerkiksi äskettäinen tutkimus “Tarvitseeko meidän todella syvän oppimismalleja aikasarjaennustamiseen?” on keskustellut siitä, miten gradient-boosting-puut (GBRT) ovat tehokkaampia aikasarjaennustamisessa kuin syvät neuraaliverkkomallit.

ML:n tulkitettavuus säilyy edelleen erittäin arvokkaana tekniikoiden, kuten SHAP (Shapley Additive Explanations) ja LIME (Local Interpretable Model-agnostic Explanations), avulla. Nämä tekniikat selittävät monimutkaisia ML-malleja ja antavat tarkastelijoille näkymän niiden ennusteista, mikä auttaa ML-harjoittajia ymmärtämään mallejaan vielä paremmin.

Lopulta perinteinen koneoppiminen säilyy vankkana ratkaisuna monille aloille, joissa on skaalautuvuuden, tietojen monimuotoisuuden ja resurssirajoitusten haasteita. Nämä algoritmit ovat korvaamattomia tietojen analyysille ja ennustavalle mallinnukselle ja tulevat jatkossakin olemaan datatieteilijän työkalupakissa.

jos aihepiiri kiinnostaa sinua, tutki Unite AI:ta lisätietojen saamiseksi.