Diferença entre aprendizado de máquina e inteligência artificial

Minha pergunta é esta:

Existe alguma diferença entre aprendizado de máquina e inteligência artificial? Ou esses termos se referem à mesma coisa?

As áreas de assunto Inteligência Artificial e Aprendizado de Máquina (mais Ciência de Dados) são pouco definidas, de modo que é difícil fazer declarações estritas sobre como elas se relacionam. No caso geral, parece que existem partes que se sobrepõem, mas que estão muito longe de ser "o mesmo assunto com dois nomes diferentes", conforme sugerido na pergunta.

O termo Inteligência Artificial tem muitos significados e interpretações possíveis - cuja versão referenciar varia de acordo com o tempo e a fonte que a utiliza. Os livros sobre inteligência artificial geralmente cobrem tópicos como algoritmos de pesquisa, dedução lógica e outras coisas que claramente não são aprendizado de máquina, como é praticado hoje.

Por exemplo, podemos considerá-lo como Inteligência Geral Artificial (ou "IA rígida"), e deve ficar claro neste caso que pelo menos alguma forma de algoritmo (s) de aprendizagem seria necessária para atingir os objetivos da AGI. No entanto, é muito menos claro quanto da AGI pode ser resolvida combinando o aprendizado de máquina em estruturas complexas.

O termo Machine Learning tem algumas definições de trabalho diferentes, mas é popular:

Diz-se que um programa de computador aprende com a experiência E em relação a alguma classe de tarefas T e medida de desempenho P, se seu desempenho nas tarefas em T, medido por P, melhorar com a experiência E.

Isso é muito mais definido do que a Inteligência Artificial, mas ainda tem muito escopo.

A tendência de confluir IA e ML parece ser uma questão de mídia e marketing, não técnica. Suspeito que isso se deva em parte aos avanços nos últimos 5 a 10 anos nas redes neurais. Os modelos de redes neurais fizeram um forte progresso, especialmente no processamento de sinais de imagens, vídeo e áudio. Há também uma analogia com cérebros biológicos que pode ser atraente - especialmente quando o assunto é simplificado para consumo pela mídia convencional.

Vale mencionar também a Data Science. Como Inteligência Artificial, o termo é definido de maneira um tanto imprecisa. Também como a IA, a Data Science tem mais do que apenas o Machine Learning. Para os profissionais de ciência de dados, o ML é parte de um kit de ferramentas para atingir objetivos - para algumas pessoas, é uma grande parte do que eles fazem, para outros, é apenas uma parte de um escopo mais amplo (na verdade, o treinamento e o refinamento de um modelo de ML podem levar apenas uma pequena fração do tempo de um cientista de dados profissional, analista ou estatístico). Eu acho que é razoável afirmar que Inteligência Artificial e Ciência de Dados se relacionam com o Aprendizado de Máquina de maneira semelhante.

O aprendizado de máquina em termos leigos é um algoritmo que permite que as máquinas identifiquem padrões nos dados e desenvolvam um modelo que pode ser usado para prever dados invisíveis.

Inteligência Artificial é a capacidade das máquinas de tomar decisões inteligentes que são iguais ou melhores que as de seus colegas humanos.

Diferença entre os dois :

A IA é um campo muito amplo de inteligência computacional, no qual o aprendizado de máquina é uma das maneiras pelas quais ela ganha inteligência para prever resultados. Mas a IA também contém robótica, síntese de fala, visão computacional e outros.

Portanto, se eu desenhasse um diagrama de inteligência artificial de Venn, o aprendizado de máquina seria um subconjunto.

O Deep Learning é um subconjunto do Machine Learning, que é um subconjunto da Inteligência Artificial. O aprendizado de máquina é uma abordagem específica para a IA, mas não a única. Lógica simbólica, estatística bayersiana são alguns exemplos de abordagens de IA que não usam nenhum tipo de algoritmo de aprendizado de máquina.

Um bom exemplo de IA, mas não o aprendizado de máquina, é a computação evolutiva. Aqui, em vez de aprendermos com a experiência (como na definição de Tom M. Mitchell), temos a alteração do genótipo em cada geração da versão do programa de computador, medida pelo desempenho na tarefa (expressão do fenótipo no ambiente).

Como Melanie Mitchell coloca:

'... desde os primeiros dias, os computadores foram aplicados ... para modelar o cérebro, imitando o aprendizado humano e simulando a evolução biológica ... O primeiro cresceu no campo das redes neurais, o segundo no aprendizado de máquina e o terceiro no que agora é chamado de "computação evolucionária" ... Embora, agora, as redes neurais sejam consideradas principalmente como parte do aprendizado de máquina.

ML, de Tom M. Mitchell:

Diz-se que um programa de computador aprende com a experiência E em relação a alguma classe de tarefas T e medida de desempenho P, se seu desempenho nas tarefas em T, medido por P, melhorar com a experiência E.

AI, mas não ML:

• BATER
• Localização de caminho : algoritmo de Bellman – Ford , algoritmo de busca A * , algoritmo de Dijkstra
• Cadeias de Markov
• autômatos celulares

Obrigado, Servan Grüninger , por sua ajuda.

Veja também: Como o aprendizado de máquina se relaciona com a inteligência artificial?

Como o grande Tom Mitchell disse em seu livro "Machine Learning é a capacidade de aprender sem ser explicitamente programado".

Os algoritmos de aprendizado de máquina são amplamente empregados e são encontrados diariamente. Exemplos são recomendações automáticas ao comprar um produto ou software de reconhecimento de voz que se adapta à sua voz.

AI é qualquer tecnologia que permita que um sistema demonstre inteligência semelhante à humana.

"Se conectarmos várias fotos de gatos fazendo coisas diferentes ou em lugares diferentes em um computador, mas todas as fotos ainda estiverem marcadas como gatos, o computador aprenderá com cada foto exibida", disse Kamelia Aryafar, Ph.D. , diretor de aprendizado de máquina da Overstock: "Eventualmente, ele reconhecerá que o gato é o denominador comum em cada conjunto de dados, ajudando o computador a aprender a identificar gatos".

Quando uma máquina pode diferenciar objetos e optar por descartá-los ou aceitá-los, com base em critérios entendidos, a IA nasce. De fato, sempre que uma máquina toma uma decisão, isso é inteligência artificial e vai além do mero aprendizado de máquina.

Vamos fazer o teste de Turing total como exemplo. Diz-se que um computador é inteligente se conseguir passar no teste de Turing total.

Um computador passa no teste se um interrogador humano, depois de fazer algumas perguntas escritas, não consegue dizer se as respostas escritas vêm de uma pessoa ou de um computador. O Teste de Turing total também inclui um sinal de vídeo para que o interrogador possa testar as habilidades perceptivas do sujeito, bem como a oportunidade para o interrogador passar objetos físicos "pela escotilha".

Para passar no Teste de Turing total, o computador precisaria possuir os seguintes recursos:

• processamento de idioma natural para permitir a comunicação bem-sucedida em inglês;
• representação do conhecimento para armazenar o que sabe ou ouve;
• raciocínio automatizado para usar as informações armazenadas para responder perguntas e tirar novas conclusões;
• robótica para manipular objetos e movimentar-se;
• visão computacional para perceber objetos e
• aprendizado de máquina para se adaptar a novas circunstâncias e para detectar e extrapolar padrões.

Como você já pode ver, o Machine Learning é um subconjunto de Inteligência Artificial que se preocupa com a capacidade de um agente inteligente aprender .

Inteligência artificial : programa que pode detectar, raciocinar, agir e se adaptar.

Aprendizado de máquina : algoritmos cujo desempenho melhora à medida que são expostos aos dados de modo ao longo do tempo.