Différence entre l'apprentissage automatique et l'intelligence artificielle

Ma question est la suivante:

Y a-t-il une différence entre l'apprentissage automatique et l'intelligence artificielle? Ou ces termes se réfèrent-ils à la même chose?

Les domaines de l'intelligence artificielle et de l'apprentissage automatique (plus la science des données) sont définis de manière vague, de sorte qu'il est difficile de faire des déclarations strictes sur la façon dont ils sont liés. Dans le cas général, il semble qu'il y ait des parties qui se chevauchent, mais qu'elles sont assez loin d'être "le même sujet avec deux noms différents" comme suggéré dans la question.

Le terme intelligence artificielle a de nombreuses significations et interprétations possibles - la version à laquelle se référer varie selon le temps et la source qui l'utilise. Les manuels sur l'intelligence artificielle couvriront souvent des sujets tels que les algorithmes de recherche, la déduction logique et d'autres choses qui ne sont clairement pas l'apprentissage automatique tel qu'il est pratiqué aujourd'hui.

Par exemple, nous pourrions considérer qu'il fait référence à l'intelligence générale artificielle (ou «IA dur»), et il devrait être clair dans ce cas qu'au moins une certaine forme d'algorithme (s) d'apprentissage serait nécessaire pour atteindre les objectifs de l'AGI. Cependant, il est beaucoup moins clair combien d'AGI peut être résolu en combinant l'apprentissage automatique dans des structures complexes.

Le terme Machine Learning a plusieurs définitions de travail différentes, mais celle-ci est populaire:

On dit qu'un programme informatique tire des leçons de l'expérience E en ce qui concerne une certaine classe de tâches T et une mesure de performance P si ses performances aux tâches en T, telles que mesurées par P, s'améliorent avec l'expérience E.

Ceci est beaucoup plus étroitement défini que l'intelligence artificielle, mais a encore beaucoup de portée.

La tendance à confondre l'IA et le ML semble être un problème médiatique et marketing, pas technique. Je soupçonne que cela est en partie dû aux progrès des 5 à 10 dernières années dans les réseaux de neurones. Les modèles de réseaux de neurones ont fait de grands progrès, en particulier dans le traitement du signal des images, vidéo, audio. Il existe également une analogie avec les cerveaux biologiques qui peut être convaincante - en particulier lorsque le sujet est simplifié pour la consommation par les médias grand public.

Il convient également de mentionner la science des données. Comme l'intelligence artificielle, le terme est quelque peu flou. Tout comme l'intelligence artificielle, la science des données a plus que le simple apprentissage automatique. Pour les praticiens de la science des données, le ML fait partie d'une boîte à outils pour atteindre les objectifs - pour certaines personnes, c'est une grande partie de ce qu'ils font, pour d'autres, ce n'est qu'une partie d'un champ plus large (en fait, la formation et le perfectionnement d'un modèle de ML peuvent ne prendre que une petite fraction du temps d'un scientifique, analyste ou statisticien professionnel). Je pense qu'il est raisonnable de déclarer que l'intelligence artificielle et la science des données sont liées à l'apprentissage automatique de la même manière.

L'apprentissage automatique en termes simples est un algorithme qui permet aux machines d'identifier les modèles dans les données, puis de développer un modèle qui peut être utilisé pour prédire des données invisibles.

L'intelligence artificielle est la capacité des machines à prendre des décisions intelligentes qui sont égales ou meilleures que leur homologue humain.

Différence entre les deux :

L'IA est un domaine très vaste de l'intelligence informatique dans lequel l'apprentissage automatique est l'un des moyens par lesquels il gagne l'intelligence pour prédire les résultats. Mais l'IA contient également la robotique, la synthèse vocale, la vision par ordinateur et autres.

Donc, si je dessinais un diagramme de Venn d'intelligence artificielle, l'apprentissage automatique serait un sous-ensemble.

Le Deep Learning est un sous-ensemble du Machine Learning qui est un sous-ensemble de l'intelligence artificielle. L'apprentissage automatique est une approche particulière pour l'IA, mais pas la seule. Logique symbolique, statistiques bayersiennes sont quelques exemples d'approches de l'IA qui n'utilisent aucun type d'algorithme d'apprentissage automatique.

Un bon exemple d'IA, mais pas d'apprentissage automatique, est le calcul évolutif. Ici, au lieu d'apprendre de l'expérience (comme dans la définition de Tom M. Mitchell), nous avons le changement de génotype dans chaque génération de version de programme informatique, mesuré par sa performance à la tâche (expression du phénotype dans l'environnement).

Comme le dit Melanie Mitchell :

`` Dès les premiers jours, les ordinateurs ont été appliqués ... à la modélisation du cerveau, à l'imitation de l'apprentissage humain et à la simulation de l'évolution biologique ... Le premier s'est développé dans le domaine des réseaux de neurones, le second en apprentissage automatique et le troisième dans ce qui est maintenant appelé "calcul évolutif", ... "Bien que, maintenant, les réseaux de neurones soient principalement considérés comme faisant partie de l'apprentissage automatique.

ML, par Tom M. Mitchell:

On dit qu'un programme informatique tire des leçons de l'expérience E en ce qui concerne une certaine classe de tâches T et une mesure de performance P si ses performances aux tâches en T, telles que mesurées par P, s'améliorent avec l'expérience E.

AI, mais pas ML:

• CLAQUER
• Chemin conclusion : algorithme Bellman-Ford , A * algorithme de recherche , l' algorithme de Dijkstra
• Chaînes de Markov
• automates cellulaires

Merci, Servan Grüninger , pour votre aide.

Voir aussi: Quel est le lien entre l'apprentissage automatique et l'intelligence artificielle?

Comme le grand Tom Mitchell l'a dit dans son livre "L'apprentissage automatique est la capacité d'apprendre sans être explicitement programmé".

Les algorithmes d'apprentissage automatique sont largement utilisés et rencontrés quotidiennement. Les exemples sont des recommandations automatiques lors de l'achat d'un produit ou d'un logiciel de reconnaissance vocale qui s'adapte à votre voix.

L'IA est une technologie qui permet à un système de démontrer une intelligence humaine.

"Si nous connectons plusieurs photos de chats faisant des choses différentes ou à des endroits différents dans un ordinateur, mais que toutes les photos sont toujours étiquetées comme des chats, alors l'ordinateur apprendra de chaque photo qu'il est montré", a déclaré Kamelia Aryafar, Ph.D. , directeur de l'apprentissage automatique à Overstock . "Finalement, il reconnaîtra que le chat est le dénominateur commun dans chaque ensemble de données, aidant à son tour l'ordinateur à apprendre à identifier les chats."

Lorsqu'une machine peut faire la différence entre les objets et faire le choix de les jeter ou de les accepter, sur la base de critères compris, l'IA est née. En fait, à chaque fois qu'une décision est prise par une machine, c'est de l'intelligence artificielle qui dépasse le simple apprentissage automatique.

Prenons l' exemple du test de Turing total . On dit souvent qu'un ordinateur est intelligent s'il peut réussir le test de Turing total.

Un ordinateur réussit le test si un interrogateur humain, après avoir posé des questions écrites, ne peut pas dire si les réponses écrites proviennent d'une personne ou d'un ordinateur. Le test de Turing total comprend également un signal vidéo afin que l'interrogateur puisse tester les capacités de perception du sujet, ainsi que la possibilité pour l'interrogateur de passer des objets physiques "à travers la trappe".

Pour réussir le test de Turing total, l'ordinateur doit posséder les capacités suivantes:

• traitement du langage naturel pour lui permettre de communiquer avec succès en anglais;
• représentation des connaissances pour stocker ce qu'il sait ou entend;
• raisonnement automatisé pour utiliser les informations stockées pour répondre aux questions et tirer de nouvelles conclusions;
• la robotique pour manipuler des objets et se déplacer;
• vision par ordinateur pour percevoir les objets, et
• l'apprentissage automatique pour s'adapter aux nouvelles circonstances et pour détecter et extrapoler des modèles.

Comme vous le savez peut-être déjà, le Machine Learning est un sous-ensemble de l'intelligence artificielle qui concerne la capacité d'un agent intelligent à apprendre .

Intelligence artificielle : programme qui peut détecter, raisonner, agir et s'adapter.

Apprentissage automatique : algorithmes dont les performances s'améliorent à mesure qu'elles sont exposées aux données de mode au fil du temps.