A është ende i rëndësishëm mësimi tradicional i makinerive?

Vitet e fundit, Generative AI ka treguar rezultate premtuese në zgjidhjen e detyrave komplekse të AI. Modelet moderne të AI si Biseda GPT, rapsod, Thirrjet, DALL-E.3dhe SAM kanë shfaqur aftësi të jashtëzakonshme në zgjidhjen e problemeve shumëdisiplinore si përgjigjet vizuale të pyetjeve, segmentimi, arsyetimi dhe gjenerimi i përmbajtjes.

Për më tepër, AI multimodale janë shfaqur teknika, të afta për të përpunuar modalitete të shumta të dhënash, p.sh. tekst, imazhe, audio dhe video në të njëjtën kohë. Me këto përparime, është e natyrshme të pyesim veten: A po i afrohemi fundit të mësimi tradicional i makinerive (ML)?

Në këtë artikull, ne do të shikojmë gjendjen e peizazhit tradicional të mësimit të makinerive në lidhje me inovacionet moderne gjeneruese të AI.

Çfarë është Mësimi Tradicional i Makinerisë? – Cilat janë kufizimet e saj?

Mësimi tradicional i makinerive është një term i gjerë që mbulon një shumëllojshmëri të gjerë algoritmesh të drejtuara kryesisht nga statistikat. Dy llojet kryesore të algoritmeve tradicionale ML janë të mbikëqyrura dhe të pambikëqyrura. Këto algoritme janë krijuar për të zhvilluar modele nga grupe të dhënash të strukturuara.

Algoritmet standarde tradicionale të mësimit të makinerive përfshijnë:

• Algoritmet e regresionit si lineare, lasso dhe kreshtë.
• K-do të thotë Clustering.
• Analiza e Komponentit Kryesor (PCA).
• Makinat e Vektorit Mbështetës (SVM).
• Algoritme të bazuara në pemë si pemët e vendimit dhe pyjet e rastësishme.
• Modele nxitëse si rritja e gradientit dhe XGBoost.

Kufizimet e Mësimit Tradicional të Makinerisë

ML tradicionale ka kufizimet e mëposhtme:

1. Shkallueshmëri e kufizuar: Këto modele shpesh kanë nevojë për ndihmë për t'u shkallëzuar me grupe të dhënash të mëdha dhe të ndryshme.
2. Parapërpunimi i të dhënave dhe inxhinieria e veçorive: ML tradicionale kërkon parapërpunim të gjerë për të transformuar grupet e të dhënave sipas kërkesave të modelit. Gjithashtu, inxhinieria e veçorive mund të marrë kohë dhe kërkon përsëritje të shumta për të kapur marrëdhënie komplekse midis veçorive të të dhënave.
3. Të dhëna me dimensione të larta dhe të pastrukturuara: ML tradicionale lufton me llojet komplekse të të dhënave si imazhet, audion, videot dhe dokumentet.
4. Përshtatshmëria ndaj të dhënave të padukshme: Këto modele mund të mos përshtaten mirë me të dhënat e botës reale që nuk ishin pjesë e tyre të dhënat e trajnimit.

Rrjeti nervor: Kalimi nga mësimi i makinerisë në mësimin e thellë dhe përtej

Modelet e rrjeteve nervore (NN) janë shumë më të komplikuara se modelet tradicionale të Mësimit të Makinerisë. NN më e thjeshtë - Perceptron me shumë shtresa (MLP) përbëhet nga disa neurone të lidhur së bashku për të kuptuar informacionin dhe për të kryer detyra, të ngjashme me mënyrën se si funksionon truri i njeriut.

Përparimet në teknikat e rrjeteve nervore kanë formuar bazën për kalimin nga mësimi i makinës deri në të mësuarit e thellë. Për shembull, NN që përdoret për detyrat e vizionit kompjuterik (zbulimi i objekteve dhe segmentimi i imazhit) quhen rrjetet neurale konvolucionale (CNN), Të tilla si AlexNet, ResNetdhe YOLO.

Sot, teknologjia gjeneruese e AI po i çon teknikat e rrjetit nervor një hap më tej, duke e lejuar atë të shkëlqejë në fusha të ndryshme të AI. Për shembull, rrjetet nervore të përdorura për detyrat e përpunimit të gjuhës natyrore (si përmbledhja e tekstit, përgjigjja e pyetjeve dhe përkthimi) njihen si transformatorët. Modelet e shquara të transformatorëve përfshijnë BERTI, GPT-4dhe T5. Këto modele po krijojnë një ndikim në industri duke filluar nga kujdesi shëndetësor, shitja me pakicë, marketingu, financimin e, Etj

A kemi ende nevojë për algoritme tradicionale të mësimit të makinerive?

Ndërsa rrjetet nervore dhe variantet e tyre moderne si transformatorët kanë marrë shumë vëmendje, metodat tradicionale ML mbeten vendimtare. Le të shohim pse ato janë ende relevante.

1. Kërkesa më të thjeshta për të dhëna

Rrjetet nervore kërkojnë grupe të dhënash të mëdha për trajnim, ndërsa modelet ML mund të arrijnë rezultate të rëndësishme me grupe të dhënash më të vogla dhe më të thjeshta. Kështu, ML favorizohet ndaj të mësuarit të thellë për grupe të dhënash më të vogla të strukturuara dhe anasjelltas.

2. Thjeshtësia dhe interpretueshmëria

Modelet tradicionale të mësimit të makinerive janë ndërtuar në krye të modeleve më të thjeshta statistikore dhe të probabilitetit. Për shembull, një linjë më e përshtatshme në linear regres vendos marrëdhënien input-output duke përdorur metodën e katrorëve më të vegjël, një operacion statistikor.

Në mënyrë të ngjashme, pemët e vendimit përdorin parimet probabiliste për klasifikimin e të dhënave. Përdorimi i parimeve të tilla ofron interpretueshmëri dhe e bën më të lehtë për praktikuesit e AI të kuptojnë funksionimin e algoritmeve ML.

Arkitekturat moderne NN si transformatorët dhe modelet e difuzionit (zakonisht përdoren për gjenerimin e imazheve si p.sh Difuzion i qëndrueshëm or Mesi i udhëtimit) kanë një strukturë komplekse rrjeti me shumë shtresa. Kuptimi i rrjeteve të tilla kërkon një kuptim të koncepteve të avancuara matematikore. Kjo është arsyeja pse ato quhen edhe "Kutitë e Zeza".

3. Efikasiteti i burimeve

Rrjetet moderne neurale si modelet e mëdha të gjuhës (LLM) janë trajnuar në grupe të GPU-ve të shtrenjta sipas kërkesave të tyre llogaritëse. Për shembull, GPT4 thuhet se ishte trajnuar 25000 GPU Nvidia për 90 deri në 100 ditë.

Sidoqoftë, hardueri i shtrenjtë dhe koha e gjatë e trajnimit nuk janë të realizueshme për çdo praktikues ose ekip të AI. Nga ana tjetër, efikasiteti llogaritës i algoritmeve tradicionale të mësimit të makinerive i lejon praktikuesit të arrijnë rezultate domethënëse edhe me burime të kufizuara.

4. Jo të gjitha problemet kanë nevojë për mësim të thellë

Mësim i thellë nuk është zgjidhja absolute për të gjitha problemet. Ekzistojnë disa skenarë ku ML tejkalon të mësuarit e thellë.

Për shembull, në diagnoza mjekësore dhe prognoza me të dhëna të kufizuara, një algoritëm ML për zbulimi i anomalive si REMED jep rezultate më të mira se të mësuarit e thellë. Në mënyrë të ngjashme, mësimi tradicional i makinerive është i rëndësishëm në skenarët me kapacitet të ulët llogaritës si a zgjidhje fleksibël dhe efikase.

Kryesisht, zgjedhja e modelit më të mirë për çdo problem varet nga nevojat e organizatës ose praktikuesit dhe nga natyra e problemit në fjalë.

Mësimi i Makinerisë në 2023

Imazhi i krijuar duke përdorur Leonardo A.I.

Në vitin 2023, mësimi tradicional i makinerive vazhdon të evoluojë dhe po konkurron me mësimin e thellë dhe AI ​​gjeneruese. Ka disa përdorime në industri, veçanërisht kur kemi të bëjmë me grupe të dhënash të strukturuara.

Për shembull, shumë Mallrat e konsumit me lëvizje të shpejtë (FMCG) kompanitë merren me një pjesë të madhe të të dhënave tabelare duke u mbështetur në algoritmet ML për detyra kritike si rekomandimet e personalizuara të produkteve, optimizimi i çmimeve, menaxhimi i inventarit dhe optimizimi i zinxhirit të furnizimit.

Më tej, shumë vizioni dhe modelet gjuhësore janë ende të bazuara në teknikat tradicionale, duke ofruar zgjidhje në qasjet hibride dhe aplikacionet në zhvillim. Për shembull, një studim i fundit i titulluar "A na duhen vërtet modele të mësimit të thellë për parashikimin e serive kohore?” ka diskutuar se si pemët e regresionit që rritin gradientin (GBRT) janë më efikase për parashikimi i serive kohore sesa rrjetet e thella nervore.

Interpretueshmëria e ML mbetet shumë e vlefshme me teknika si SHAP (Shpjegimet shtese Shapley) dhe LIME (Modeli Lokal i Interpretueshëm-Shpjegime agnostike). Këto teknika shpjegojnë modelet komplekse të ML dhe ofrojnë njohuri rreth parashikimeve të tyre, duke ndihmuar kështu praktikuesit e ML të kuptojnë modelet e tyre edhe më mirë.

Më në fund, mësimi tradicional i makinerive mbetet një zgjidhje e fuqishme për industri të ndryshme që trajtojnë shkallëzueshmërinë, kompleksitetin e të dhënave dhe kufizimet e burimeve. Këto algoritme janë të pazëvendësueshme për analizën e të dhënave dhe modelimin parashikues dhe do të vazhdojnë të jenë pjesë e një arsenali i shkencëtarit të të dhënave.

Nëse tema si kjo ju intrigojnë, eksploroni Bashkoni AI për njohuri të mëtejshme.