3.1. Разница между AI, ML, DL, DS и BD
Искусственный интеллект
Искусственный интеллект (ИИ, англ. artificial intelligence, AI) — это любая система, которая воспринимает окружающую среду и предпринимает действия, свойственные человеческому интеллекту. Главная задача ИИ — понять, как устроен человеческий интеллект, и смоделировать его.
Программирование ИИ фокусируется на трех основных навыках:
Обучение — сбор данных и создание правил по их использованию.
01
Рассуждение — выбор алгоритма для достижения результата.
02
Самокоррекция — постоянная настройка алгоритмов и обеспечение максимально точных результатов.
03
Термин «ИИ» охватывает широкий спектр технологий, включая чат-боты, программы для создания картины или текста, а также «умные» устройства, такие как электрочайники и выключатели света.
Применение искусственного интеллекта распространено в различных областях. Ниже приведены некоторые примеры.
Распознавание речи

Система распознавания речи дает возможность преобразовывать речь в текст, выполнять голосовой поиск.
Обслуживание клиентов

Чат-боты отвечают на часто задаваемые вопросы, предоставляют персональные советы, предлагают товары на основе запросов.
Компьютерное зрение

Система извлекает информацию из изображений, видео и других визуальных данных, а затем предпринимает соответствующее действие: например, ищет похожий товар в интернете.
Рекомендации

Рекомендации помогают обнаруживать тенденции данных и разрабатывать лучшую стратегию продвижения.
Автоматизированная торговля акциями

Компьютерная программа оптимизирует портфели акций.
Обнаружение мошенничества

ИИ помогает обнаруживать подозрительные транзакции в банках и финансовых учреждениях.
Главное преимущество искусственного интеллекта — машинное обучение. Благодаря ему ИИ ежедневно анализирует и превращает в полезную информацию огромный объем данных. Рассмотрим машинное обучение подробно.
Deep Learning
Глубокое обучение (deep learning, DL) — это способ научить компьютер делать сложные вещи:
распознавать лица
определять объекты на фотографии
писать статьи по программированию
Самый простой способ обучения — дать компьютеру много примеров и надеяться, что он их запомнит. Например, если мы хотим научить компьютер отличать яблоки от бананов, показываем ему сначала яблоко и говорим: «Это яблоко». Затем показываем банан и говорим: «Это банан». Повторяем так много раз. Логика понятна: показали примеры — компьютер запомнил их. А если компьютеру попадется новое изображение, которого не было в датасете? Что нужно сделать, чтобы он не растерялся? Создать нейронную сеть!

Нейросеть — это программа, которая имитирует работу мозга, а глубокое обучение — это способы ее обучения. Эти понятия связаны, но в то же время имеют серьезные различия.

Есть несколько сфер, в которых алгоритмы deep learning уже находят применение.
Чипы для гаджетов
Все больше компаний встраивают алгоритмы глубокого обучения в свои устройства. NVIDIA показала всем, что нейросети могут прибавить пару десятков кадров в играх на видеокартах. А Apple утверждает, что их процессоры повсюду напичканы нейросетями, которые улучшают работу смартфонов.
Игры
После выхода ChatGPT разработчики игр всерьез задумались над тем, чтобы создать реалистичные диалоги в играх. Сейчас они работают над способами добавить нейросеть внутрь игрового процесса.
Медицина
Нейросети еще не ставят диагнозы пациентам, но помогают врачам делать предположения о возможных заболеваниях. Некоторые компании даже работают с «карманными психологами» — приложениями или устройствами, которые предлагают психологическую поддержку и помощь в решении проблем.
Цифровые помощники
Нейросети могут помочь с подготовкой презентации, записью видеоурока для образовательных курсов или даже с ответом на звонки спамеров.
Подведем итоги. Глубокое обучение — это способ научить компьютер делать сложные вещи. Оно построено на нейросетях — программах, которые «притворяются» человеческим мозгом. Те, в свою очередь, обрабатывают данные и передают результат по связям к другим нейронам.

Особенности работы с нейронной сетью в браузере вы можете рассмотреть по ссылке.
Data Science
Data science — это работа с большими данными (big data). Для работы с ними специалист — дата-сайентист — использует математическую статистику и методы машинного обучения. Он анализирует большие данные, чтобы делать прогнозы. Какие именно — зависит от того, какую задачу нужно решить.

Итог работы дата-сайентиста — прогнозная модель.
Другими словами, data science — это применение математических методов к данным для извлечения полезной информации (инсайтов), состоящее из:
domain expertise — понимания бизнес-задач
computer science — информатики и математики
Очень многие сервисы, к которым мы уже привыкли, создали дата-сайентисты. И вы сталкиваетесь с результатами их работы каждый день. Чат-боты, голосовые помощники, алгоритмы, которые рекомендуют музыку и видео под вкус конкретного пользователя, список возможных друзей в социальных сетях. Где еще обычно применяют data science?
В бизнесе — в любом его направлении. Например, дата-сайентист создает алгоритмы, прогнозирующие спрос на услуги компании. Другие алгоритмы помогут решить, нужно ли компании открывать новое направление бизнеса. Вариантов много.
В транспортных компаниях. Например, программы помогают выстроить оптимальный маршрут.
В IT-сфере. Дата-сайентист разрабатывает ботов, поисковые алгоритмы, системы искусственного интеллекта.
На производстве. Например, программы прогнозируют сбои оборудования и дефекты продукции.
В страховых компаниях. Машинные алгоритмы оценивают вероятность страхового случая.
Медицина. Появляется все больше приборов, автоматически ставящих диагноз на основании данных. Например, программа может указать поврежденные органы на рентгеновских снимках.
В сельском хозяйстве. Алгоритмы дают прогноз по урожаю, подбирают оптимальные системы землепользования.
Метеослужбы. Да, современные прогнозы погоды тоже готовятся с помощью data science.
И это далеко не полный список. Везде, где нужны прогнозы, совершаются сделки или оцениваются риски, пригодится data scientist.
Big Data
Большие данные (big data) — область, изучающая способы анализа, систематического извлечения информации или иной работы с наборами данных, слишком больших или сложных, чтобы с ними могли справиться традиционными прикладными программами обработки данных.

Под big data понимают не конкретный объем данных и даже не сами данные, а методы их обработки, которые позволяют распределено обрабатывать информацию. Эти методы можно применить как к огромным массивам данных (например, содержание всех страниц в интернете), так и к маленьким (например, содержимое статьи).
Источником больших данных могут быть:
логи поведения пользователей в интернете
информация о транзакциях всех клиентов банка
GPS-сигналы от автомобилей для транспортной компании
информация обо всех покупках в крупной ретейл-сети и т. д.
оцифрованные книги
Количество источников данных стремительно растет, а значит, технологии их обработки становятся все более востребованными.
Назад
Продолжить