არის თუ არა ტრადიციული მანქანური სწავლება აქტუალური?

ბოლო წლების განმავლობაში, Generative AI-მ აჩვენა პერსპექტიული შედეგები რთული AI ამოცანების გადაჭრაში. თანამედროვე AI მოდელები მოსწონს ჩატი GPT, Bard, რეკავს, DALL-E.3და SAM გამოავლინეს შესანიშნავი შესაძლებლობები მულტიდისციპლინური პრობლემების გადაჭრაში, როგორიცაა ვიზუალური კითხვებზე პასუხის გაცემა, სეგმენტაცია, მსჯელობა და შინაარსის გენერირება.

უფრო მეტიც, მულტიმოდალური AI გაჩნდა ტექნიკა, რომელსაც შეუძლია მონაცემთა მრავალი მოდალობის დამუშავება, ანუ ტექსტი, სურათები, აუდიო და ვიდეო ერთდროულად. ამ მიღწევებით, ბუნებრივია გაინტერესებთ: ვუახლოვდებით თუ არა დასასრულს ტრადიციული მანქანათმცოდნეობა (ML)?

ამ სტატიაში ჩვენ გადავხედავთ მანქანური სწავლების ტრადიციული ლანდშაფტის მდგომარეობას თანამედროვე გენერაციული AI ინოვაციების შესახებ.

რა არის ტრადიციული მანქანათმცოდნეობა? - რა არის მისი შეზღუდვები?

ტრადიციული მანქანათმცოდნეობა არის ფართო ტერმინი, რომელიც მოიცავს ალგორითმების მრავალფეროვნებას, ძირითადად, სტატისტიკით. ტრადიციული ML ალგორითმის ორი ძირითადი ტიპია მეთვალყურეობის ქვეშ და ზედამხედველობის გარეშე. ეს ალგორითმები შექმნილია სტრუქტურირებული მონაცემთა ნაკრებიდან მოდელების შესაქმნელად.

სტანდარტული ტრადიციული მანქანათმცოდნეობის ალგორითმები მოიცავს:

• რეგრესიის ალგორითმები, როგორიცაა ხაზოვანი, ლასო და ქედი.
• K- ნიშნავს კლასტერირებას.
• ძირითადი კომპონენტის ანალიზი (PCA).
• მხარდაჭერის ვექტორული მანქანები (SVM).
• ხეებზე დაფუძნებული ალგორითმები, როგორიცაა გადაწყვეტილების ხეები და შემთხვევითი ტყე.
• გამაძლიერებელი მოდელები, როგორიცაა გრადიენტური გაძლიერება და Xgboost.

ტრადიციული მანქანათმცოდნეობის შეზღუდვები

ტრადიციულ ML-ს აქვს შემდეგი შეზღუდვები:

1. შეზღუდული მასშტაბირება: ამ მოდელებს ხშირად ესაჭიროებათ დახმარება მასშტაბური და მრავალფეროვანი მონაცემთა ნაკრებით.
2. მონაცემთა წინასწარი დამუშავება და მახასიათებლების ინჟინერია: ტრადიციული ML მოითხოვს ფართო წინასწარ დამუშავებას მონაცემთა ნაკრების მოდელის მოთხოვნების შესაბამისად გარდაქმნისთვის. ასევე, ფუნქციების ინჟინერია შეიძლება იყოს შრომატევადი და მოითხოვს მრავალჯერადი გამეორებას მონაცემთა მახასიათებლებს შორის რთული ურთიერთობების დასაფიქსირებლად.
3. მაღალგანზომილებიანი და არასტრუქტურირებული მონაცემები: ტრადიციული ML ებრძვის მონაცემთა რთულ ტიპებს, როგორიცაა სურათები, აუდიო, ვიდეო და დოკუმენტები.
4. ადაპტაცია უხილავ მონაცემებთან: ეს მოდელები შეიძლება კარგად არ მოერგოს რეალურ სამყაროს მონაცემებს, რომლებიც არ იყო მათი ნაწილი ტრენინგის მონაცემები.

ნერვული ქსელი: მანქანური სწავლებიდან ღრმა სწავლებამდე გადასვლა

ნერვული ქსელის (NN) მოდელები ბევრად უფრო რთულია, ვიდრე ტრადიციული მანქანათმცოდნეობის მოდელები. უმარტივესი NN - მრავალშრიანი პერცეტრონი (MLP) შედგება რამდენიმე ნეირონისგან, რომლებიც ერთმანეთთან დაკავშირებულია ინფორმაციის გასაგებად და ამოცანების შესასრულებლად, ისევე როგორც ადამიანის ტვინი.

ნერვული ქსელის ტექნიკის მიღწევებმა საფუძველი ჩაუყარა გადასვლას მანქანათმცოდნეობა ღრმა სწავლებამდე. მაგალითად, NN, რომელიც გამოიყენება კომპიუტერული ხედვის ამოცანებისთვის (ობიექტების ამოცნობა და გამოსახულების სეგმენტაცია) ეწოდება კონვოლუციური ნერვული ქსელები (CNN), როგორიცაა ალექსნეტი, ResNetდა YOLO.

დღეს, გენერაციული AI ტექნოლოგია ერთი ნაბიჯით წინ მიიწევს ნერვული ქსელის ტექნიკას, რაც საშუალებას აძლევს მას გამოირჩეოდეს ხელოვნური ინტელექტის სხვადასხვა დომენში. მაგალითად, ნერვული ქსელები, რომლებიც გამოიყენება ბუნებრივი ენის დამუშავების ამოცანებისთვის (როგორიცაა ტექსტის შეჯამება, კითხვებზე პასუხის გაცემა და თარგმანი) ცნობილია როგორც ტრანსფორმატორების. ცნობილი ტრანსფორმატორის მოდელები მოიცავს ბერტი, GPT-4და T5. ეს მოდელები ქმნიან გავლენას ინდუსტრიებზე დაწყებული ჯანდაცვის, საცალო ვაჭრობის, მარკეტინგის, დასაფინანსებლადდა ა.შ.

ჩვენ ჯერ კიდევ გვჭირდება მანქანების სწავლების ტრადიციული ალგორითმები?

მიუხედავად იმისა, რომ ნერვულ ქსელებს და მათ თანამედროვე ვარიანტებს, როგორიცაა ტრანსფორმატორები, დიდი ყურადღება მიექცა, ტრადიციული ML მეთოდები რჩება გადამწყვეტი. მოდი ვნახოთ, რატომ არის ისინი ჯერ კიდევ აქტუალური.

1. მონაცემთა უფრო მარტივი მოთხოვნები

ნერვული ქსელები ითხოვენ მონაცემთა დიდ ნაკრებებს ტრენინგისთვის, ხოლო ML მოდელებს შეუძლიათ მიაღწიონ მნიშვნელოვან შედეგებს მცირე და მარტივი მონაცემთა ნაკრებით. ამრიგად, ML უპირატესობას ანიჭებს ღრმა სწავლებას მცირე სტრუქტურირებული მონაცემთა ნაკრებისთვის და პირიქით.

2. სიმარტივე და ინტერპრეტაცია

მანქანათმცოდნეობის ტრადიციული მოდელები აგებულია უფრო მარტივ სტატისტიკურ და ალბათობის მოდელებზე. მაგალითად, საუკეთესოდ მორგებული ხაზი წრფივი რეგრესია ადგენს შემავალ-გამომავალ ურთიერთობას უმცირესი კვადრატების მეთოდის, სტატისტიკური ოპერაციის გამოყენებით.

ანალოგიურად, გადაწყვეტილების ხეები იყენებენ ალბათურ პრინციპებს მონაცემთა კლასიფიკაციისთვის. ასეთი პრინციპების გამოყენება გთავაზობთ ინტერპრეტაციას და აადვილებს ხელოვნური ინტელექტის პრაქტიკოსებს ML ალგორითმების მუშაობის გაგებაში.

თანამედროვე NN არქიტექტურები, როგორიცაა ტრანსფორმატორი და დიფუზიური მოდელები (როგორც წესი, გამოიყენება გამოსახულების გენერირებისთვის, როგორიცაა სტაბილური დიფუზია or შუა მოგზაურობა) აქვს რთული მრავალშრიანი ქსელის სტრუქტურა. ასეთი ქსელების გაგება მოითხოვს მოწინავე მათემატიკური ცნებების გააზრებას. ამიტომ მათ ასევე მოიხსენიებენ როგორც "შავ ყუთებს".

3. რესურსების ეფექტურობა

თანამედროვე ნეირონული ქსელები, როგორიცაა Large Language Models (LLMs) გაწვრთნილი არიან ძვირადღირებული GPU-ების კლასტერებზე მათი გამოთვლითი მოთხოვნების შესაბამისად. მაგალითად, GPT4-ზე, გავრცელებული ინფორმაციით, გაწვრთნილი იყო 25000 Nvidia GPU 90 -დან 100 დღის განმავლობაში.

თუმცა, ძვირადღირებული აპარატურა და ხანგრძლივი ვარჯიშის დრო არ არის შესაძლებელი ყველა პრაქტიკოსისთვის ან AI გუნდისთვის. მეორეს მხრივ, ტრადიციული მანქანათმცოდნეობის ალგორითმების გამოთვლითი ეფექტურობა საშუალებას აძლევს პრაქტიკოსებს მიაღწიონ მნიშვნელოვან შედეგებს შეზღუდული რესურსებითაც კი.

4. ყველა პრობლემას არ სჭირდება ღრმა სწავლა

ღრმა სწავლება არ არის ყველა პრობლემის აბსოლუტური გადაწყვეტა. არსებობს გარკვეული სცენარები, სადაც ML აღემატება ღრმა სწავლებას.

მაგალითად, სამედიცინო დიაგნოზი და პროგნოზი შეზღუდული მონაცემებით, ML ალგორითმი ამისთვის ანომალიის გამოვლენა ისევე როგორც REMED იძლევა უკეთეს შედეგებს, ვიდრე ღრმა სწავლა. ანალოგიურად, ტრადიციული მანქანათმცოდნეობა მნიშვნელოვანია დაბალი გამოთვლითი ტევადობის სცენარებში, როგორც ა მოქნილი და ეფექტური გადაწყვეტა.

უპირველეს ყოვლისა, ნებისმიერი პრობლემისთვის საუკეთესო მოდელის შერჩევა დამოკიდებულია ორგანიზაციის ან პრაქტიკოსის საჭიროებებზე და პრობლემის ბუნებაზე.

მანქანათმცოდნეობა 2023 წელს

გამოსახულება გენერირებული გამოყენებით ლეონარდო AI

2023 წელს, ტრადიციული მანქანათმცოდნეობა აგრძელებს განვითარებას და კონკურენციას უწევს ღრმა სწავლებას და გენერაციულ AI-ს. მას აქვს რამდენიმე გამოყენება ინდუსტრიაში, განსაკუთრებით მაშინ, როდესაც საქმე გვაქვს სტრუქტურირებულ მონაცემთა ნაკრებებთან.

მაგალითად, ბევრი სწრაფად მოძრავი სამომხმარებლო საქონელი (FMCG) კომპანიები უმკლავდებიან ტაბულურ მონაცემებს, რომლებიც ეყრდნობიან ML ალგორითმებს ისეთი კრიტიკული ამოცანებისთვის, როგორიცაა პროდუქტის პერსონალიზებული რეკომენდაციები, ფასების ოპტიმიზაცია, ინვენტარის მართვა და მიწოდების ჯაჭვის ოპტიმიზაცია.

გარდა ამისა, ბევრი ხედვისა და ენის მოდელები ისინი კვლავ ეფუძნება ტრადიციულ ტექნიკებს, გვთავაზობენ გადაწყვეტილებებს ჰიბრიდულ მიდგომებში და განვითარებად აპლიკაციებში. მაგალითად, ბოლო კვლევა სახელწოდებით "ჩვენ ნამდვილად გვჭირდება ღრმა სწავლის მოდელები დროის სერიების პროგნოზირებისთვის?” განიხილა, თუ რამდენად უფრო ეფექტურია გრადიენტის გამაძლიერებელი რეგრესიის ხეები (GBRT). დროის სერიების პროგნოზირება ვიდრე ღრმა ნერვული ქსელები.

ML-ის ინტერპრეტაცია ძალიან ღირებული რჩება ისეთი ტექნიკით, როგორიცაა SHAP (შაპლის დანამატის განმარტებები) და LIME (Local Interpretable Model-agnostic Explanations). ეს ტექნიკა ხსნის კომპლექსურ ML მოდელებს და იძლევა ინფორმაციას მათი პროგნოზების შესახებ, რითაც ეხმარება ML პრაქტიკოსებს მათი მოდელების უკეთ გაგებაში.

დაბოლოს, ტრადიციული მანქანათმცოდნეობა რჩება მტკიცე გადაწყვეტად მრავალფეროვანი ინდუსტრიისთვის, რომელიც ეხება მასშტაბურობას, მონაცემთა სირთულეს და რესურსების შეზღუდვებს. ეს ალგორითმები შეუცვლელია მონაცემთა ანალიზისა და პროგნოზირებადი მოდელირებისთვის და კვლავაც იქნება ნაწილი მონაცემთა მეცნიერის არსენალი.

თუ მსგავსი თემები გაინტერესებთ, შეისწავლეთ Unite AI შემდგომი გაგებისთვის.