Արհեստական բանականություն և մեքենայական ուսուցում. ո՞րն է տարբերությունը և ինչո՞ւ է դա կարևոր

Տերմինների շուրջ ստեղծված շփոթությունը 

Եթե երբևէ նկատել եք, որ «արհեստական բանականություն» և «մեքենայական ուսուցում» տերմիններն օգտագործվում են որպես հոմանիշներ, ապա դուք միայնակ չեք։ Լրատվական հոդվածները, արտադրանքի նկարագրությունները և նույնիսկ տեխնոլոգիական ընկերություններն իրենք հաճախ ջնջում են այս երկու հասկացությունների միջև եղած սահմանը։ Սակայն ԱԲ-ն և մեքենայական ուսուցումը նույնը չեն, և  դրանց տարբերակումը թույլ է տալիս ավելի հստակ պատկերացնել մեր իրականությունը ձևավորող տեխնոլոգիաները։ 

Պարզաբանենք այսպես. արհեստական բանականությունը գլխավոր նպատակն է, իսկ մեքենայական ուսուցումը՝ այդ նպատակին հասնելու հիմնական գործիքներից մեկը: ԱԲ-ն վերջնակետն է, իսկ մեքենայական ուսուցումը՝ այնտեղ տանող ամենահայտնի ճանապարհներից մեկը: 

Եկեք սա բացատրենք ավելի պարզ լեզվով։ 

Ի՞նչ է արհեստական բանականությունը

Արհեստական բանականությունը (ԱԲ) համակարգչային գիտության այն լայն ոլորտն է, որի նպատակն է ստեղծել համակարգեր, որոնք ունակ են կատարել մարդկային բանականություն պահանջող առաջադրանքներ: Դրանց թվում են լեզվի ընկալումը, պատկերների ճանաչումը, ինքնուրույն որոշումների կայացումը, խնդիրների լուծումն ու փորձի հիման վրա սովորելը: 

ԱԲ-ն որպես հայեցակարգ ծնվել է դեռևս 1950-ականներին, երբ գիտնականներն առաջին անգամ հարցրին. «Կարո՞ղ են մեքենաները մտածել»: Տասնամյակների ընթացքում ԱԲ-ն զարգացել է՝ կանոնների վրա հիմնված պարզ համակարգերից վերածվելով այսօրվա բարդ մոդելների, որոնք վարում են բնական զրույցներ և ստեղծում պատկերներ: 

Առանձնացվում են ԱԲ-ի տարբեր մակարդակներ. 

• Նեղ ԱԲ (Narrow AI կամ Weak AI). Նախատեսված է մեկ կոնկրետ խնդիր լուծելու համար: Siri-ն, սպամ-զտիչները կամ գրոսմայստերներին հաղթող շախմատային ծրագրերը նեղ ԱԲ-ի օրինակներ են: Նրանք կատարյալ են իրենց գործում, բայց անզոր են այլ հարցերում: 
• Ընդհանուր ԱԲ (General AI կամ Strong AI). Սա այնպիսի համակարգ է, որն օժտված է բոլոր ոլորտներում մարդուն հավասար բանականությամբ: Այն կարող է սովորել ցանկացած աշխատանք, ընկալել վերացական գաղափարներ և հարմարվել նոր իրավիճակներին ճիշտ մարդու նման: Նման տեխնոլոգիա դեռևս գոյություն չունի և մնում է գիտական հետազոտությունների հեռահար նպատակ: 

Այն ամենը, ինչ մենք կիրառում ենք այսօր, նեղ ԱԲ է: Երբ խոսվում է ԱԲ-ի գործնական աշխատանքի մասին, գրեթե միշտ կոնկրետ կիրառության համար մշակված նեղ համակարգերի մասին է խոսքը: 

Ի՞նչ է մեքենայական ուսուցումը 

Մեքենայական ուսուցումը (ՄՈւ) ԱԲ-ի ենթաբազմություն է և խելացի համակարգերի ստեղծման հատուկ մեթոդոլոգիա: Փոխանակ համակարգչի համար ամեն իրավիճակը կանխատեսող հստակ կանոններ սահմանելու, մենք հնարավորություն ենք տալիս մեքենային ինքնուրույն գտնել օրինաչափություններ տվյալների մեջ և կատարելագործվել փորձի հիման վրա: 

Ահա մի համեմատություն։ Պատկերացրեք դուք ուզում եք երեխային սովորեցնել ճանաչել խնձորը: Ավանդական ծրագրավորման դեպքում պետք է տաք հստակ նկարագրություն՝ «խնձորը կլոր է, կարմիր կամ կանաչ, ունի պոչ»: Իսկ եթե խնձորը դեղի՞ն է կամ տձև՞, կամ առանց պոչի՞: 

Մեքենայական ուսուցման մոտեցումն այլ է: Դուք երեխային ցույց եք տալիս հազարավոր նկարներ՝ խնձորներով և առանց դրանց: Ժամանակի ընթացքում երեխան ինքնուրույն է սկսում ընկալել հատկանիշները՝ առանց ձեր թելադրած կանոնների: Սա է մեքենայական ուսուցման էությունը՝ սովորել օրինակների վրա, այլ ոչ թե կուրորեն հետևել հրահանգներին: 

Մեքենայական ուսուցումն իրականացվում է երեք հիմնական մոտեցումների միջոցով. 

• Ուսուցում վերահսկողությամբ (Supervised learning). Համակարգը սովորում է արդեն «պիտակավորված» օրինակներից, որտեղ ճիշտ պատասխանը նախապես հայտնի է: Օրինակ՝ հազարավոր նամակների մշակումը, որոնք արդեն նշված են որպես «սպամ» կամ «ոչ սպամ»: 
• Ուսուցում առանց վերահսկողության (Unsupervised learning). Համակարգը գտնում է թաքնված կապեր չդասակարգված տվյալների մեջ: Օրինակ՝ հաճախորդների խմբավորումն ըստ գնումների վարքագծի՝ առանց նախապես սահմանված չափանիշների: 
• Ամրապնդված Ուսուցում (Reinforcement learning). Սա «փորձի ու սխալի» մեթոդն է, որտեղ համակարգը ստանում է «պարգևներ» ճիշտ որոշումների և «տույժեր»՝ սխալների համար: Օրինակ՝ ԱԲ-ն սովորում է խաղալ տեսախաղ՝ փորձարկելով տարբեր հնարքներ և պարզելով, թե որոնք են բերում առավելագույն միավորներ: 

Ինչպե՞ս են նրանք փոխկապակցված. «Տոհմածառը»

Այս կապը պատկերացնելու ամենապարզ միջոցը ներդրված շրջանակների մոդելի օգտագործումն է. 

Ամենամեծ շրջանակը Արհեստական բանականությունն է՝ խելացի համակարգերի ստեղծման ողջ բնագավառը: 

Դրա ներսում գտնվում է Մեքենայական ուսուցումը՝ որպես ԱԲ-ի իրագործման ամենաարդյունավետ մոտեցում: 

Մեքենայական ուսուցման ներսում էլ իր հերթին գտնվում է Խորը ուսուցումը (Deep Learning), որը կիրառում է բազմաշերտ նյարդային ցանցեր՝ բարդագույն խնդիրներ լուծելու համար (օրինակ՝ լեզվական թարգմանություն կամ պատկերների ճանաչում): 

Հետևաբար, յուրաքանչյուր մեքենայական ուսուցում ԱԲ է, բայց ոչ յուրաքանչյուր ԱԲ է մեքենայական ուսուցում: Նույն սկզբունքով՝ յուրաքանչյուր խորը ուսուցում մեքենայական ուսուցում է, բայց ոչ հակառակը: 

Սա հասկանալը կարևոր է, քանի որ երբ ընկերությունները գովազդում են իրենց «ԱԲ լուծումները», դրանք կարող են լինել թե՛ պարզ ալգորիթմներ և թե՛ գերժամանակակից խորը ուսուցման մոդելներ: Տոհմածառը հասկանալն օգնում է ձեզ ավելի քննադատաբար գնահատել այդ պնդումները:

ԱԲ-ն՝ առանց մեքենայական ուսուցման 

Ոչ բոլոր ԱԲ համակարգերն են օգտագործում մեքենայական ուսուցում: Որոշ ԱԲ համակարգեր կառուցված են բացառապես մարդու կողմից սահմանված կանոններով: 

• Փորձագիտական համակարգերը (Expert systems) մարդկային փորձագիտական գիտելիքները վերածում են որոշումների ծառերի: Բժշկական փորձագիտական համակարգը կարող է օգտագործել բժիշկների կողմից գրված հարյուրավոր «եթե-ապա» կանոններ՝ ախտանիշներն ախտորոշելու համար: Այն չի սովորում տվյալներից, այլ հետևում է մարդկանց կողմից մշակված կանոններին: 
• Կանոնների վրա հիմնված չաթ-բոտերը հետևում են սցենարավորված խոսակցական ընթացքին: Եթե օգտատերն ասում է X, պատասխանիր Y: Սրանք ԱԲ են (նմանակում են խելացի զրույց), բայց ժամանակի ընթացքում չեն սովորում կամ բարելավվում: 
• Որոնման ալգորիթմները, ինչպիսիք են GPS նավիգացիայի մեջ օգտագործվողները, հաշվարկում են օպտիմալ երթուղիները մաթեմատիկական կանոնների միջոցով, այլ ոչ թե տվյալներից սովորելու շնորհիվ: 

Նման մոտեցումները գերիշխող էին մինչև մեքենայական ուսուցման զանգվածային տարածումը: Դրանք այսօր էլ արդիական են, քանի որ կանխատեսելի են և թափանցիկ, սակայն անզոր են այնտեղ, որտեղ պահանջվում է ճկունություն և բարդ տվյալների վերլուծություն: 

Ինչո՞ւ է այս տարբերակումը կարևոր 

Գործնականում այս տարբերությունը հասկանալը տալիս է մի քանի առավելություն. 

Ապրանքների և ծառայությունների ավելի լավ գնահատում

Երբ ընկերությունը պնդում է, որ իր արտադրանքն օգտագործում է «ԱԲ», դուք կարող եք տալ ավելի իրազեկ հարցեր: Արդյո՞ք այն սովորում է տվյալներից, թե՞ գործում է կոշտ կանոններով: Արդյո՞ք այն բարելավվում է ժամանակի ընթացքում: Մեքենայական ուսուցում կիրառող համակարգը ժամանակի հետ կատարելագործվումէ, իսկ կանոնների վրա հիմնվածը՝ մնում է նույն մակարդակի վրա: 

Ավելի խելացի մասնագիտական որոշումներ

Եթե դուք հետաքրքրված եք ԱԲ-ի ոլորտում աշխատելով, լանդշաֆտը հասկանալն օգնում է ընտրել ճիշտ ուղին: Մեքենայական ուսուցման ճարտարագիտությունը, տվյալագիտությունը (data science), ԱԲ հետազոտությունը և ԱԲ արտադրանքի  կառավարումը տարբեր դերեր են,  որոնք պահանջում են տարբեր հմտություններ: ԱԲ-ի զարգացող աշխատուժին  պետք են  տարբեր  մասնագիտացումներ  ունեցող մարդիկ, այլ ոչ թե միայն մեկ տեսակի: 

Իրազեկ մասնակցություն հանրային քննարկումներին

ԱԲ-ի կարգավորման, էթիկայի և սոցիալական ազդեցության վերաբերյալ քննարկումներն ավելի արդյունավետ են, երբ մասնակիցները հասկանում են, թե իրականում ինչի մասին են խոսում: Կանոնների վրա հիմնված բժշկական փորձագիտական համակարգի ռիսկերը շատ տարբեր են մեքենայական ուսուցման համակարգի ռիսկերից, որը կայացնում է որոշումներ, որոնք մարդիկ չեն կարող լիովին բացատրել: 

Իրատեսական սպասումներ

Հասկանալով, որ ներկայիս ԱԲ-ն նեղ մասնագիտացված է, դուք սահմանում եք ավելի իրատեսական սպասումներ: Դուք չեք հիասթափվի,  որ ձեր ԱԲ տեքստային գործիքը չի կարող նաև վերանորոգել ձեր մեքենան, քանի որ հասկանում եք, որ դրանք սկզբունքորեն տարբեր խնդիրներ են, որոնք պահանջում են տարբեր համակարգեր:

Տարածված թյուրըմբռնումների պարզաբանում 

«Մեքենայական ուսուցումը և ԱԲ-ն պարզապես նորաձև բառեր են»

Դրանք իրական տեխնոլոգիաներ են՝ հստակ սահմանված նշանակությամբ և միլիարդավոր դոլարների գործնական կիրառություններով:  Շփոթմունքն առաջանում է ոչ թե տեխնոլոգիայից, այլ մարքեթինգային սխալ ձևակերպումներից:

«ԱԲ-ն կդառնա գիտակից, ինչպես ֆիլմերում» 

Ներկայիս ԱԲ-ն, ներառյալ ամենազարգացած մեքենայական ուսուցման համակարգերը, չունեն գիտակցություն, զգացմունքներ կամ ինքնագիտակցություն: Այն մշակում է տվյալներ և գտնում օրինաչափություններ. այն չի «մտածում» որևէ էական իմաստով: Ընդհանուր ԱԲ-ն մնում է տեսական հայեցակարգ, այլ ոչ թե մոտակա ապագայի իրականություն: 

«Սա հասկանալու համար գիտությունների թեկնածուի աստիճան է պետք»  

Հիմնական գաղափարները պարզ են. ԱԲ-ն խելացի համակարգեր ստեղծելու մասին է, ՄՈւ-ն՝ տվյալներից սովորող համակարգերի,  իսկ խորը ուսուցումը՝ նյարդային ցանցերի: Դրանց հիմքում ընկած մաթեմատիկան կարող է բարդ լինել, բայց գաղափարները պարզ են: 

«Մեքենայական ուսուցումը միշտ ավելի լավ արդյունք է տալիս, քան կանոնների վրա հիմնված ԱԲ-ն»

Պարտադիր չէ։ Պարզ, հստակ սահմանված և հստակ կանոններ ունեցող առաջադրանքների համար կանոնների վրա հիմնված համակարգը կարող է գերազանցել մեքենայական ուսուցմանը՝ լինելով ավելի էժան և հեշտ պահվող: Մեքենայական ուսուցումը փայլում է այն ժամանակ, երբ առաջադրանքները բարդ են, տվյալները՝ շատ, իսկ կանոնները դժվար է սահմանել ձեռքով:

Որտե՞ղ է յուրաքանչյուր մոտեցումը լավագույնս դրսևորվում 

Կանոնների վրա հիմնված ԱԲ-ն լավագույնս աշխատում է, երբ՝ կանոնները հստակ են, առաջադրանքները՝ լավ սահմանված, թափանցիկությունը՝ վճռորոշ, իսկ տվյալները՝ սահմանափակ:

Մեքենայական ուսուցումը լավագույնս աշխատում է, երբ՝ օրինաչափությունները բարդ են, տվյալները՝ շատ, միջավայրը փոխվում է ժամանակի ընթացքում, և առաջադրանքը ներառում է անկառուցվածք տվյալներ, ինչպիսիք են պատկերները, տեքստը կամ խոսքը: 

Խորը ուսուցումը լավագույնս աշխատում է, երբ՝ առաջադրանքները ներառում են հսկայական քանակությամբ անկառուցվածք  տվալներ, անհրաժեշտ է ծայրահեղ ճշգրտություն, և դուք ունեք զգալի հաշվողական ռեսուրսներ: 

Ժամանակակից ԱԲ կիրառությունների մեծ մասը՝ սկսած բիզնեսների կողմից օգտագործվող գեներատիվ ԱԲ գործիքներից մինչև ձեր հեռախոսի առաջարկությունների համակարգերը, համատեղում են բազմաթիվ մոտեցումներ՝ լավագույն արդյունքների հասնելու համար: 

ԱԲ-ն և մեքենայական ուսուցումը Հայաստանում 

Հայաստանի տեխնոլոգիական ոլորտն ակտիվորեն ներգրավված է թե՛ ԱԲ հետազոտությունների, թե՛ մեքենայական ուսուցման գործնական կիրառությունների մեջ: «Ձեռնարկությունների ինկուբատոր» հիմնադրամը (EIF) աջակցում է ստարտափներին և կրթական ծրագրերին, որոնք զարգացնում են  ԱԲ-ի և մեքենայական ուսուցման ոլորտներում տեղական մասնագիտական ներուժը՝ համալսարանական դասընթացներից մինչև գործնական բութքեմփեր: ԱԲ-ի և մեքենայական ուսուցման միջև տարբերությունը հասկանալն առաջին քայլն է յուրաքանչյուրի համար՝ Հայաստանում կամ ցանկացած այլ վայրում , ով ցանկանում է մասնակցել համաշխարհային ԱԲ տնտեսությանը: 

Հիմնական հասկացություններ 

• ԱԲ-ն մարդկային բանականությունը նմանակող համակարգեր ստեղծելու գլոբալ նպատակն է: Մեքենայական ուսուցումը այդ նպատակին հասնելու մեթոդներից մեկն է: 
• Մեքենայական ուսուցման համակարգերը սովորում են տվյալներից, մինչդեռ ԱԲ այլ մոտեցումներ հետևում են մարդու կողմից սահմանված կանոններին: 
• Խորը ուսուցումը մեքենայական ուսուցման ենթաբազմություն է, որն օգտագործում է բազմաշերտ նյարդային ցանցեր: 
• Ոչ բոլոր ԱԲ-ներն են օգտագործում մեքենայական ուսուցում. կանոնների վրա հիմնված համակարգերը, փորձագիտական համակարգերը և որոնման ալգորիթմները նույնպես ԱԲ են: 
• Տարբերությունը հասկանալն օգնում է ձեզ գնահատել արտադրանքը, կայացնել կարիերայի որոշումներ և մասնակցել հանրային բանավեճերի ավելի իրազեկված: 
• Ներկայիս ԱԲ-ն նեղ մասնագիտացված է (Narrow AI). «ընդհանուր» կամ գիտակից ԱԲ դեռ գոյություն չունի: