AI, GenAI, ML, DS: porządkujemy terminologię sztucznej inteligencji #4

Drogi Czytelniku,

Nowy rok to czas nowych postanowień. Może 2025 to idealny moment, by zgłębić tajniki sztucznej inteligencji (AI)? A może interesuje Cię GenAI, Machine Learning (ML) lub Data Science (DS)? W świecie AI łatwo się pogubić w terminologii, ale spokojnie - dziś uporządkujemy podstawowe pojęcia i pokażemy, jak jedno jest powiązane z drugim.

W poprzednich artykułach poruszyliśmy część z tych pojęć, natomiast dziś uzupełnimy ten obraz. Pojęcia te często używa się zamiennie, co może prowadzić do nieporozumień. Warto jednak zrozumieć różnice.

Dla ułatwienia zrozumienia posłużmy się grafiką:

Jak możemy zobaczyć, najszerszą działką jest właśnie AI (sztuczna inteligencja). Zasadniczo sztuczna inteligencja polega na tworzeniu programów mogących symulować to, co zwykle wymaga inteligencji ludzkiej i myślenia (rozumienie obrazów, analiza dźwięku, interpretacja tekstu, podejmowanie decyzji). Dyscyplina ta zahacza też o zagadnienia natury filozoficznej, etycznej, prawnej, a nie tylko technicznej.

Więcej o tym pisałem w pierwszym artykule mojego newslettera: Artykuł #1

Dalej mamy uczenie maszynowe (ang. Machine Learning). Aby umożliwić inteligentną zdolność do podejmowania decyzji, do widzenia czy do rozumienia tekstu, konieczny jest jakiś mechanizm do tego. Takim mechanizmem jest właśnie uczenie maszynowe, które polega na uczeniu się maszyn (komputerów) na podstawie danych, bez podawania reguł przez ludzi. Czyli zamiast tego, żeby to człowiek definiował jak zrozumieć czy na obrazku jest pies czy kot, to pokażmy milion zdjęć psa i milion zdjęć kota, i algorytm sam te reguły odkryje 🙂 Więcej szczegółów na temat tego jak AI się uczy i zdobywa wiedzę znajdziesz w tym artykule mojego newslettera: Artykuł #3

Dalej mamy uczenie głębokie (ang. Deep Learning), który jest podzbiorem uczenia maszynowego. Podczas gdy uczenie maszynowe ma do czynienia z różnymi algorytmami, uczenie głębokie skupia się tylko i wyłącznie na jednej rodzinie algorytmów - na sieciach neuronowych, które znakomicie sobie radzą z różnymi inteligentnymi zadaniami. Może się nasunąć pytanie - dlaczego dział dotyczący sieci neuronowych nazywa się głębokim uczeniem? Co ma głębokość do sieci neuronowych? A no to, że w praktyce najczęściej wykorzystują się sieci głębokie, czyli takie, które mają więcej niż jedną warstwę ukrytą w swojej topologii. Dla sieci neuronowych powstanie osobny artykuł później, ponieważ nie da się wyczerpać tak szerokiego tematu jednym akapitem w artykule. Natomiast na ten moment warto zapamiętać to: uczenie głębokie ma do czynienia z głębokimi sieciami neuronowymi, specjalistycznymi algorytmami uczenia maszynowego.

Na końcu mamy GenAI - generatywną sztuczną inteligencję. Jest to najmniejszy wycinek całego krajobrazu AI, mimo że jest tak popularny i wielu kojarzy się z całą dziedziną AI. Polega na tworzeniu nowych danych na podstawie wyuczonych wzorców w danych treningowych. Dlaczego jest GenAI pokazany jako podzbiór uczenia głębokiego? Bo bazuje zazwyczaj na jednej rodzinie architektur sieci neuronowych, tzw. Transformers. Ta architektura została zaprezentowana w słynnym artykule zespołu Google “Attention is all you need” w 2017 roku. GenAI zdecydowanie poświęcimy więcej czasu w następnych artykułach.

Nieco odrębną kategorią jest Data Science polegającą na zbieraniu, analizie i interpretacji danych w celu wyciągania informacji i wniosków. Może korzystać z AI jako narzędzia, które właśnie umożliwi wyciąganie wniosków, ale wcale nie musi. Jeżeli prostsze narzędzia, takie jak statystyka opisowa, nadają się do rozwiązania problemu, to to też jest Data Science.

Podsumowując,

• Sztuczna inteligencja (ang. AI): Szeroki termin obejmujący wszelkie systemy symulujące inteligencję ludzką.
• Uczenie maszynowe (ang. Machine Learning): Technologia umożliwiająca automatyczne uczenie się na podstawie danych.
• Uczenie głębokie (ang. Deep Learning): Zaawansowany rodzaj ML, skupiony na sieciach neuronowych.
• Generatywna sztuczna inteligencja (ang. Gen AI): Specyficzna dziedzina deep learningu, generująca nowe dane.
• Data Science: Interdyscyplinarna dziedzina analizy danych, wykorzystująca czasami AI.

Mam nadzieję, że ten artykuł pomógł Ci rozjaśnić sytuację z terminologią i pozwoli na skuteczny i świadomy rozwój kompetencji w nadchodzącym roku.

Ros Apostol