Il machine learning tradizionale è ancora rilevante?

Negli ultimi anni, l’intelligenza artificiale generativa ha mostrato risultati promettenti nella risoluzione di compiti complessi di intelligenza artificiale. I moderni modelli di intelligenza artificiale come ChatGPT, Vate, Lama, DALL-E.3e SAM hanno mostrato notevoli capacità nella risoluzione di problemi multidisciplinari come la risposta visiva alle domande, la segmentazione, il ragionamento e la generazione di contenuti.

Inoltre, IA multimodale sono emerse tecniche in grado di elaborare più modalità di dati, ovvero testo, immagini, audio e video contemporaneamente. Con questi progressi è naturale chiedersi: ci stiamo avvicinando alla fine? apprendimento automatico tradizionale (ML)?

In questo articolo esamineremo lo stato del panorama tradizionale del machine learning per quanto riguarda le moderne innovazioni dell'intelligenza artificiale generativa.

Cos'è il machine learning tradizionale? – Quali sono i suoi limiti?

L’apprendimento automatico tradizionale è un termine ampio che copre un’ampia varietà di algoritmi guidati principalmente dalle statistiche. I due tipi principali di algoritmi ML tradizionali sono supervisionato e non supervisionato. Questi algoritmi sono progettati per sviluppare modelli da set di dati strutturati.

Gli algoritmi tradizionali standard di machine learning includono:

• Algoritmi di regressione come lineare, lazo e ridge.
• K-significa clustering.
• Analisi delle Componenti Principali (PCA).
• Supporta macchine vettoriali (SVM).
• Algoritmi basati su alberi come alberi decisionali e foreste casuali.
• Modelli di potenziamento come il potenziamento del gradiente e XGBoost.

Limitazioni dell'apprendimento automatico tradizionale

Il machine learning tradizionale presenta le seguenti limitazioni:

1. Scalabilità limitata: Questi modelli spesso necessitano di aiuto per adattarsi a set di dati ampi e diversificati.
2. Preelaborazione dei dati e ingegneria delle funzionalità: Il machine learning tradizionale richiede un'ampia preelaborazione per trasformare i set di dati secondo i requisiti del modello. Inoltre, la progettazione delle funzionalità può richiedere molto tempo e richiedere più iterazioni per acquisire relazioni complesse tra le funzionalità dei dati.
3. Dati ad alta dimensione e non strutturati: Il machine learning tradizionale ha difficoltà con tipi di dati complessi come immagini, audio, video e documenti.
4. Adattabilità ai dati invisibili: Questi modelli potrebbero non adattarsi bene ai dati del mondo reale che non facevano parte dei loro modelli dati di allenamento.

Rete neurale: passaggio dal machine learning al deep learning e oltre

I modelli di rete neurale (NN) sono molto più complicati dei tradizionali modelli di machine learning. La NN più semplice – Percettrone multistrato (MLP) è costituito da diversi neuroni collegati tra loro per comprendere informazioni ed eseguire compiti, in modo simile a come funziona un cervello umano.

I progressi nelle tecniche di rete neurale hanno costituito la base per la transizione da dal machine learning al deep learning. Ad esempio, vengono chiamate NN utilizzate per attività di visione artificiale (rilevamento di oggetti e segmentazione di immagini). reti neurali convoluzionali (CNN), come AlexNet, RESNETe YOLO.

Oggi, la tecnologia dell’intelligenza artificiale generativa sta facendo un ulteriore passo avanti nelle tecniche di rete neurale, consentendole di eccellere in vari domini dell’intelligenza artificiale. Ad esempio, le reti neurali utilizzate per attività di elaborazione del linguaggio naturale (come riepilogo del testo, risposta a domande e traduzione) sono note come trasformatori. I modelli di trasformatori più importanti includono BERTA, GPT-4e T5. Questi modelli stanno creando un impatto su settori che vanno dalla sanità, alla vendita al dettaglio, al marketing, finanziare, ecc.

Abbiamo ancora bisogno degli algoritmi tradizionali di machine learning?

Sebbene le reti neurali e le loro varianti moderne come i trasformatori abbiano ricevuto molta attenzione, i metodi ML tradizionali rimangono cruciali. Vediamo perché sono ancora rilevanti.

1. Requisiti dei dati più semplici

Le reti neurali richiedono set di dati di grandi dimensioni per l'addestramento, mentre i modelli ML possono ottenere risultati significativi con set di dati più piccoli e più semplici. Pertanto, il ML è preferito rispetto al deep learning per set di dati strutturati più piccoli e viceversa.

2. Semplicità e interpretabilità

I modelli tradizionali di machine learning si basano su modelli statistici e probabilistici più semplici. Ad esempio, una linea più adatta regressione lineare stabilisce la relazione input-output utilizzando il metodo dei minimi quadrati, un'operazione statistica.

Allo stesso modo, gli alberi decisionali utilizzano principi probabilistici per classificare i dati. L’uso di tali principi offre interpretabilità e rende più semplice per i professionisti dell’intelligenza artificiale comprendere il funzionamento degli algoritmi ML.

Le moderne architetture NN come i modelli di trasformatore e diffusione (tipicamente utilizzati per la generazione di immagini come Diffusione stabile or Metà viaggio) hanno una complessa struttura di rete a più livelli. La comprensione di tali reti richiede la comprensione di concetti matematici avanzati. Ecco perché vengono chiamate anche "scatole nere".

3. Efficienza delle risorse

Le moderne reti neurali come i Large Language Models (LLM) vengono addestrate su cluster di GPU costose in base ai loro requisiti computazionali. Ad esempio, secondo quanto riferito, GPT4 è stato addestrato 25000 GPU Nvidia per 90-100 giorni.

Tuttavia, hardware costoso e lunghi tempi di formazione non sono fattibili per ogni professionista o team di intelligenza artificiale. D’altra parte, l’efficienza computazionale degli algoritmi tradizionali di apprendimento automatico consente ai professionisti di ottenere risultati significativi anche con risorse limitate.

4. Non tutti i problemi necessitano del deep learning

Deep Learning non è la soluzione assoluta a tutti i problemi. Esistono alcuni scenari in cui il machine learning supera il deep learning.

Ad esempio, in diagnosi medica e prognosi con dati limitati, un algoritmo ML per rilevamento anomalie come REMED offre risultati migliori rispetto al deep learning. Allo stesso modo, il machine learning tradizionale è significativo in scenari con bassa capacità computazionale come a soluzione flessibile ed efficiente.

In primo luogo, la selezione del modello migliore per qualsiasi problema dipende dalle esigenze dell’organizzazione o del professionista e dalla natura del problema in questione.

Machine learning nel 2023

Immagine generata utilizzando Leonardo A.I

Nel 2023, il machine learning tradizionale continua ad evolversi e compete con il deep learning e l’intelligenza artificiale generativa. Ha diversi usi nel settore, in particolare quando si ha a che fare con set di dati strutturati.

Ad esempio, molti Beni di largo consumo (FMCG) le aziende gestiscono grandi quantità di dati tabulari facendo affidamento su algoritmi ML per attività critiche come consigli personalizzati sui prodotti, ottimizzazione dei prezzi, gestione dell'inventario e ottimizzazione della catena di fornitura.

Inoltre, molti modelli visivi e linguistici si basano ancora su tecniche tradizionali, offrendo soluzioni con approcci ibridi e applicazioni emergenti. Ad esempio, un recente studio intitolato “Abbiamo davvero bisogno di modelli di deep learning per la previsione delle serie temporali?" ha discusso di come gli alberi di regressione con potenziamento del gradiente (GBRT) siano più efficienti previsione di serie temporali rispetto alle reti neurali profonde.

L'interpretabilità di ML rimane molto preziosa con tecniche come FORMA (Spiegazioni sugli additivi Shapley) e LIME (Spiegazioni indipendenti dal modello interpretabile locale). Queste tecniche spiegano modelli ML complessi e forniscono approfondimenti sulle loro previsioni, aiutando così i professionisti del ML a comprendere ancora meglio i loro modelli.

Infine, il machine learning tradizionale rimane una soluzione solida per diversi settori che devono affrontare scalabilità, complessità dei dati e vincoli di risorse. Questi algoritmi sono insostituibili per l’analisi dei dati e la modellazione predittiva e continueranno a far parte di a l'arsenale del data scientist.

Se argomenti come questo ti incuriosiscono, esplora Unisci l'IA per ulteriori approfondimenti.