Czy tradycyjne uczenie maszynowe nadal jest istotne?

W ostatnich latach, generatywne AI wykazało obiecujące wyniki w rozwiązywaniu złożonych zadań AI. Nowoczesne modele AI, takie jak ChatGPT, Bard, LLaMA, DALL-E.3 i SAM wykazały zdumiewające możliwości w rozwiązywaniu wielodyscyplinarnych problemów, takich jak wizualne pytania i odpowiedzi, segmentacja, rozumowanie i generowanie treści.

Ponadto, techniki Multimodal AI pojawiły się, które są w stanie przetwarzać wiele modalności danych, czyli tekst, obrazy, dźwięk i wideo jednocześnie. Z tymi postępami, naturalne jest pytanie: Czy zbliżamy się do końca tradycyjnego uczenia maszynowego (ML)?

W tym artykule, przyjrzymy się stanowi tradycyjnego uczenia maszynowego w odniesieniu do nowoczesnych innowacji generatywnego AI.

Czym jest tradycyjne uczenie maszynowe? – Jakie są jego ograniczenia?

Tradycyjne uczenie maszynowe to szeroki termin, który obejmuje wiele algorytmów napędzanych przez statystykę. Dwa główne typy tradycyjnych algorytmów ML to nadzorowane i nienadzorowane. Algorytmy te są zaprojektowane do tworzenia modeli z danych strukturalnych.

Standardowe tradycyjne algorytmy uczenia maszynowego obejmują:

• Algorytmy regresji, takie jak liniowa, lasso i ridge.
• K-means Clustering.
• Analiza składowych głównych (PCA).
• Maszyny wektorowe nośne (SVM).
• Algorytmy oparte na drzewach, takie jak drzewa decyzyjne i lasy losowe.
• Modele boostowania, takie jak gradient boosting i XGBoost.

Ograniczenia tradycyjnego uczenia maszynowego

Tradycyjne ML ma następujące ograniczenia:

1. Ograniczona skalowalność: Modele te często mają trudności ze skalowaniem z dużymi i zróżnicowanymi zbiorami danych.
2. Przetwarzanie danych i inżynieria cech: Tradycyjne ML wymaga obszernego przetwarzania, aby przekształcić zbiory danych zgodnie z wymogami modelu. Ponadto, inżynieria cech może być czasochłonna i wymaga wielu iteracji, aby uchwycić złożone relacje między cechami danych.
3. Dane wielowymiarowe i niestrukturalne: Tradycyjne ML ma trudności z złożonymi typami danych, takimi jak obrazy, dźwięk, wideo i dokumenty.
4. Adaptacja do nieznanych danych: Modele te mogą nie adaptować się dobrze do danych świata rzeczywistego, które nie były częścią ich treningu.

Sieci neuronowe: Przechodzenie od uczenia maszynowego do głębokiego uczenia i dalej

Modele sieci neuronowych są o wiele bardziej skomplikowane niż tradycyjne modele ML. Najprostsza sieć neuronowa – wielowarstwowy perceptron składa się z wielu neuronów połączonych ze sobą, aby zrozumieć informacje i wykonywać zadania, podobnie jak ludzki mózg.

Postępy w technice sieci neuronowej utworzyły podstawę dla przejścia od uczenia maszynowego do głębokiego uczenia. Na przykład, sieci neuronowe używane do zadań związanych z widzeniem komputerowym (wykrywanie obiektów i segmentacja obrazu) nazywane są sieciami neuronowymi zwiniętymi (CNN), takimi jak AlexNet, ResNet i YOLO.

Dziś, technologia AI generatywnej prowadzi techniki sieci neuronowej o krok dalej, pozwalając im exceliować w różnych dziedzinach AI. Na przykład, sieci neuronowe używane do zadań przetwarzania języka naturalnego (takich jak podsumowanie tekstu, odpowiedzi na pytania i tłumaczenia) nazywane są transformerami. Prominentne modele transformatorów obejmują BERT, GPT-4 i T5. Modele te mają wpływ na branże, od opieki zdrowotnej, handlu detalicznego, marketingu, finansów itd.

Czy nadal potrzebujemy tradycyjnych algorytmów uczenia maszynowego?

Chociaż sieci neuronowe i ich nowoczesne odmiany, takie jak transformery, otrzymały dużą uwagę, tradycyjne metody ML pozostają niezwykle istotne. Przyjrzymy się, dlaczego są one nadal istotne.

1. Prostsze wymagania danych

Sieci neuronowe wymagają dużych zbiorów danych do treningu, podczas gdy modele ML mogą osiągnąć znaczące wyniki z mniejszymi i prostszymi zbiorami danych. Dlatego ML jest preferowany nad głębokim uczeniem dla mniejszych, strukturalnych zbiorów danych i odwrotnie.

2. Prostota i interpretowalność

Tradycyjne modele ML są zbudowane na prostszych modelach statystycznych i prawdopodobieństwa. Na przykład, najlepsza linia w regresji liniowej ustanawia relację wejścia-wyjścia przy użyciu metody najmniejszych kwadratów, operacji statystycznej.

Podobnie, drzewa decyzyjne wykorzystują zasady prawdopodobieństwa do klasyfikacji danych. Użycie takich zasad oferuje interpretowalność i ułatwia praktykom AI zrozumienie działania algorytmów ML.

Nowoczesne architektury NN, takie jak transformery i modele dyfuzyjne (typowo używane do generowania obrazów, takich jak Stable Diffusion lub Midjourney) mają złożoną, wielowarstwową strukturę sieci. Zrozumienie takich sieci wymaga zrozumienia zaawansowanych pojęć matematycznych. Dlatego nazywane są one „czarnymi skrzynkami”.

3. Efektywność zasobów

Nowoczesne sieci neuronowe, takie jak duże modele językowe (LLM), są trenowane na klastrach drogich kart graficznych zgodnie z ich wymaganiami obliczeniowymi. Na przykład, GPT4 był rzekomo trenowany na 25000 kartach graficznych Nvidia (NVDA ) przez 90 do 100 dni.

Jednak drogie urządzenia i długi czas treningu nie są wykonalne dla każdego praktyka lub zespołu AI. Z drugiej strony, efektywność obliczeniowa tradycyjnych algorytmów ML pozwala praktykom osiągnąć znaczące wyniki nawet przy ograniczonych zasobach.

4. Nie wszystkie problemy wymagają głębokiego uczenia

Głębokie uczenie nie jest absolutnym rozwiązaniem dla wszystkich problemów. Istnieją pewne sytuacje, w których ML przewyższa głębokie uczenie.

Na przykład, w diagnozie i prognozie medycznej z ograniczonymi danymi, algorytm ML do wykrywania anomalii takich jak REMED daje lepsze wyniki niż głębokie uczenie. Podobnie, tradycyjne ML jest istotne w sytuacjach z niską pojemnością obliczeniową jako elastyczne i efektywne rozwiązanie.

Przede wszystkim, wybór najlepszego modelu dla danego problemu zależy od potrzeb organizacji lub praktyka i natury problemu.

Uczenie maszynowe w 2023

Obraz wygenerowany przy użyciu Leonardo AI

W 2023 roku, tradycyjne uczenie maszynowe nadal ewoluuje i konkuruje z głębokim uczeniem i generatywnym AI. Ma wiele zastosowań w branży, szczególnie przy danych strukturalnych.

Na przykład, wiele firm produkujących szybko zbywalne dobra konsumpcyjne (FMCG) zajmuje się dużymi ilościami danych tabelarycznych, polegając na algorytmach ML do krytycznych zadań, takich jak personalizowane rekomendacje produktów, optymalizacja cen, zarządzanie zapasami i optymalizacja łańcucha dostaw.

Dalej, wiele modeli widzenia i języka nadal opiera się na tradycyjnych technikach, oferując rozwiązania w hybrydowych podejściach i nowych aplikacjach. Na przykład, niedawne badanie zatytułowane „Czy naprawdę potrzebujemy modeli głębokiego uczenia do prognozowania szeregów czasowych?” omówiło, jak drzewa regresji gradientowego zwiększania (GBRT) są bardziej efektywne dla prognozowania szeregów czasowych niż głębokie sieci neuronowe.

Interpretowalność ML pozostaje bardzo cenna z technikami, takimi jak SHAP (Shapley Additive Explanations) i LIME (Local Interpretable Model-agnostic Explanations). Te techniki wyjaśniają złożone modele ML i zapewniają wgląd w ich predykcje, pomagając praktykom AI lepiej zrozumieć swoje modele.

Wreszcie, tradycyjne uczenie maszynowe pozostaje solidnym rozwiązaniem dla różnych branż, rozwiązując skalowalność, złożoność danych i ograniczenia zasobów. Te algorytmy są niezastąpione do analizy danych i modelowania predykcyjnego i będą nadal stanowić część arsenału data scientistów.

Jeśli tematy takie jak ten fascynują Cię, odwiedź Unite AI, aby uzyskać więcej informacji.