AI, machine learning és deep learning: mi a különbség?
Az „AI” szót ma rengeteg termékre használják, de nem minden AI egy nagy nyelvi modell, és nem minden gépi tanulási rendszer használ mély neurális hálózatot. Érdemes megérteni a fogalmak kapcsolatát.
1. Mesterséges intelligencia (AI)
A mesterséges intelligencia tág gyűjtőfogalom: olyan rendszereket jelöl, amelyek emberi intelligenciához kötött feladatokat végeznek, például terveznek, következtetnek, felismernek mintákat vagy nyelvet dolgoznak fel.
Egy sakkprogram lehet intelligens döntési rendszer akkor is, ha nem neurális hálózatot használ. A klasszikus keresőalgoritmusok és szabályalapú rendszerek is ide tartozhatnak.
2. Machine learning: tanulás adatokból
A gépi tanulás (machine learning, ML) az AI egyik területe. Ahelyett, hogy minden döntési szabályt kézzel megírnánk, a rendszer mintákból tanul egy modellt.
Például mutatunk neki sok levelet „spam” vagy „nem spam” címkével. A tanítás után új levelekről próbál dönteni. Az eredmény nem garantált: a minőség nagyban függ az adatoktól, a modell típusától és a teszteléstől.
3. Deep learning: sokrétegű neurális hálózatok
A mélytanulás (deep learning, DL) a gépi tanulás egyik részterülete, amely többrétegű mesterséges neurális hálózatokat használ.
Nagy mennyiségű adatból összetett mintázatokat képes megtanulni. Képfelismerés, beszédfeldolgozás és modern nyelvi modellek esetén is fontos szerepe van.
A fogalmak tehát egymásba ágyazódnak: AI ⊃ ML ⊃ DL.
4. Mi a generatív AI?
A generatív modellek új tartalmat, például szöveget, képet vagy hangot állíthatnak elő. Sok mai generatív rendszer deep learninget használ, de a „generatív AI” elsősorban a rendszer feladatát írja le, nem egy teljesen különálló technológiai szintet.
5. Tanítás és inferencia
Ezt a két lépést gyakran összekeverik:
- Tanítás (training): a modell paramétereinek illesztése adatok segítségével.
- Inferencia (inference): a már betanított modell használata új bemeneten.
Például egy ESP32-n gyakran csak az inferencia fut: az apró modellt korábban számítógépen tanítottuk be.
6. Melyik megoldást válaszd?
Ha egy egyszerű problémát néhány átlátható szabállyal meg lehet oldani, nem feltétlenül kell AI. Ha sok címkézett példád van és minták alapján kell dönteni, kipróbálhatsz klasszikus gépi tanulást. Képek, hangok és nyelv összetettebb feldolgozásához gyakran mélytanulásra van szükség.
Fontos a tesztadatok elkülönítése a tanítóadatoktól, a torzítások keresése és annak mérése, hogyan teljesít a modell új helyzetekben.
7. Egy kézzelfogható példa
Tegyük fel, hogy egy játékos mozgásából szeretnéd megjósolni, merre indul tovább:
- Kézzel írt szabály: ha balra nyomja a gombot, forduljon balra.
- ML: korábbi mozgások mintázataiból becsülöd a következő irányt.
- DL: nagyobb, bonyolultabb adatokból neurális hálózattal tanulsz mintázatokat.
A legösszetettebb megoldás nem feltétlenül a legjobb. A megfelelő eszköz mindig a konkrét feladattól függ.