Továbbra is releváns a hagyományos gépi tanulás?

Az elmúlt években a Generative AI ígéretes eredményeket mutatott fel az összetett mesterségesintelligencia-feladatok megoldásában. A modern AI modellek, mint pl ChatGPT, Dalnok, Láma, DALL-E.3és SAM figyelemre méltó képességeket mutattak be olyan multidiszciplináris problémák megoldásában, mint a vizuális kérdések megválaszolása, szegmentálás, érvelés és tartalomgenerálás.

Ráadásul, Multimodális AI Olyan technikák jelentek meg, amelyek több adatmódszert, azaz szöveget, képeket, hangot és videót egyszerre képesek feldolgozni. Ezekkel a fejlesztésekkel természetes a kérdés: a végéhez közeledünk? hagyományos gépi tanulás (ML)?

Ebben a cikkben megvizsgáljuk a hagyományos gépi tanulási környezet állapotát a modern generatív AI innovációkkal kapcsolatban.

Mi az a hagyományos gépi tanulás? - Mik a korlátai?

A hagyományos gépi tanulás egy tág fogalom, amely magában foglalja az elsősorban statisztikák által vezérelt algoritmusok széles skáláját. A hagyományos ML algoritmusok két fő típusa felügyelt és felügyelet nélkül. Ezeket az algoritmusokat arra tervezték, hogy strukturált adatkészletekből modelleket fejlesszenek ki.

A szabványos hagyományos gépi tanulási algoritmusok a következők:

• Regressziós algoritmusok, például lineáris, lasszó és gerinc.
• K- jelentése klaszterezés.
• Főkomponens-elemzés (PCA).
• Támogatja a vektoros gépeket (SVM).
• Fa alapú algoritmusok, például döntési fák és véletlenszerű erdők.
• Boosting modellek, mint a gradiens boosting és XGBoost.

A hagyományos gépi tanulás korlátai

A hagyományos ML-nek a következő korlátai vannak:

1. Korlátozott skálázhatóság: Ezeknek a modelleknek gyakran segítségre van szükségük a nagy és változatos adatkészletek méretezéséhez.
2. Adatok előfeldolgozása és funkciótervezés: A hagyományos ML kiterjedt előfeldolgozást igényel az adatkészletek modellkövetelmények szerinti átalakításához. Ezenkívül a szolgáltatások tervezése időigényes lehet, és több iterációt igényel az adatszolgáltatások közötti összetett kapcsolatok rögzítéséhez.
3. Nagy dimenziós és strukturálatlan adatok: A hagyományos ML olyan összetett adattípusokkal küzd, mint a képek, hangok, videók és dokumentumok.
4. A nem látható adatokhoz való alkalmazkodás: Előfordulhat, hogy ezek a modellek nem alkalmazkodnak jól azokhoz a valós adatokhoz, amelyek nem tartoztak hozzájuk képzési adatok.

Neurális hálózat: áttérés a gépi tanulásról a mély tanulásra és azon túl

A neurális hálózati (NN) modellek sokkal bonyolultabbak, mint a hagyományos gépi tanulási modellek. A legegyszerűbb NN - Többrétegű perceptron (MLP) több neuronból áll, amelyek összekapcsolódnak az információk megértése és az emberi agy működéséhez hasonló feladatok végrehajtása érdekében.

A neurális hálózati technikák fejlődése megteremtette az alapot a továbblépéshez a gépi tanulástól a mély tanulásig. Például a számítógépes látási feladatokhoz (objektumészlelés és képszegmentálás) használt NN-t hívják konvolúciós neurális hálózatok (CNN-ek), Mint például a AlexNet, ResNetés Yolo.

Napjainkban a generatív AI technológia egy lépéssel tovább viszi a neurális hálózati technikákat, lehetővé téve, hogy különböző AI tartományokban kiválóan teljesítsen. Például a természetes nyelvi feldolgozási feladatokhoz (például szövegösszegzés, kérdések megválaszolása és fordítás) használt neurális hálózatok ún. transzformerek. A kiemelkedő transzformátormodellek közé tartozik BERTI, GPT-4és T5. Ezek a modellek hatással vannak az egészségügy, a kiskereskedelem, a marketing, finanszírozStb

Szükségünk van még hagyományos gépi tanulási algoritmusokra?

Míg a neurális hálózatok és modern változataik, például a transzformátorok nagy figyelmet kaptak, a hagyományos ML módszerek továbbra is kulcsfontosságúak. Nézzük meg, miért aktuálisak még mindig.

1. Egyszerűbb adatkövetelmények

A neurális hálózatok nagy adatkészleteket igényelnek a betanításhoz, míg az ML modellek kisebb és egyszerűbb adatkészletekkel jelentős eredményeket érhetnek el. Így az ML-t előnyben részesítik a mély tanulással szemben a kisebb strukturált adatkészletek esetében, és fordítva.

2. Egyszerűség és értelmezhetőség

A hagyományos gépi tanulási modellek egyszerűbb statisztikai és valószínűségi modellekre épülnek. Például egy legjobban illeszkedő vonal lineáris regresszió az input-output kapcsolatot a legkisebb négyzetek módszerével, statisztikai művelettel állapítja meg.

Hasonlóképpen, a döntési fák valószínűségi elveket használnak az adatok osztályozására. Az ilyen elvek használata értelmezhetőséget kínál, és megkönnyíti a mesterséges intelligencia gyakorlói számára az ML algoritmusok működésének megértését.

A modern NN architektúrák, mint például a transzformátor- és diffúziós modellek (jellemzően képgenerálásra használják, mint pl Stabil diffúzió or középút) összetett többrétegű hálózati szerkezettel rendelkeznek. Az ilyen hálózatok megértéséhez fejlett matematikai fogalmak ismerete szükséges. Ezért nevezik őket „fekete dobozoknak”.

3. Erőforrás-hatékonyság

A modern neurális hálózatok, például a Large Language Models (LLM-ek) költséges GPU-k fürtjeire vannak kiképezve számítási követelményeiknek megfelelően. Például a hírek szerint a GPT4-re kiképezték 25000 Nvidia GPU 90-100 napig.

A drága hardver és a hosszadalmas képzési idő azonban nem minden gyakorló vagy mesterséges intelligencia csapat számára megvalósítható. Másrészt a hagyományos gépi tanulási algoritmusok számítási hatékonysága lehetővé teszi a szakemberek számára, hogy még korlátozott erőforrások mellett is értelmes eredményeket érjenek el.

4. Nem minden probléma igényel mély tanulást

Deep Learning nem minden problémára az abszolút megoldás. Vannak olyan forgatókönyvek, ahol az ML felülmúlja a mély tanulást.

Például a orvosi diagnózis és prognózis korlátozott adatokkal, egy ML algoritmus a anomália észlelése mint a REMED jobb eredményeket ad, mint a mély tanulás. Hasonlóképpen, a hagyományos gépi tanulás jelentős az alacsony számítási kapacitású forgatókönyvekben, mint a rugalmas és hatékony megoldás.

A legjobb modell kiválasztása minden problémára elsősorban a szervezet vagy a szakember szükségleteitől és az adott probléma természetétől függ.

Gépi tanulás 2023-ban

A kép segítségével generált Leonardo A.I.

2023-ban a hagyományos gépi tanulás tovább fejlődik, és felveszi a versenyt a mély tanulással és a generatív AI-val. Számos felhasználási területe van az iparban, különösen a strukturált adatkészletek kezelésekor.

Például sok Gyorsan mozgó fogyasztási cikkek (FMCG) a vállalatok táblázatos adatok tömegével foglalkoznak ML algoritmusokra támaszkodva olyan kritikus feladatokhoz, mint a személyre szabott termékajánlatok, az ároptimalizálás, a készletkezelés és az ellátási lánc optimalizálása.

Továbbá sokan látás és nyelvi modellek továbbra is a hagyományos technikákon alapulnak, megoldásokat kínálva a hibrid megközelítésekben és az újonnan megjelenő alkalmazásokban. Például egy nemrégiben készült tanulmány „Valóban szükségünk van mély tanulási modellekre az idősoros előrejelzéshez?” megtárgyalta, hogy a gradiensnövelő regressziós fák (GBRT-k) hogyan hatékonyabbak idősoros előrejelzés mint a mély neurális hálózatok.

Az ML értelmezhetősége továbbra is rendkívül értékes olyan technikákkal, mint SHAP (Shapley adalékmagyarázatok) és LIME (Helyi értelmezhető modell-agnosztikus magyarázatok). Ezek a technikák megmagyarázzák az összetett ML-modelleket, és betekintést nyújtanak az előrejelzéseikbe, így segítve az ML-gyakorlókat még jobban megérteni modelleiket.

Végül a hagyományos gépi tanulás továbbra is robusztus megoldás marad a különféle iparágakban, amelyek kezelik a skálázhatóságot, az adatok összetettségét és az erőforrás-korlátokat. Ezek az algoritmusok pótolhatatlanok az adatelemzésben és a prediktív modellezésben, és továbbra is részei lesznek a adattudós arzenálja.

Ha az ehhez hasonló témák felkeltik az érdeklődésed, fedezd fel Egyesítse az AI-t további meglátásokért.