Machine Learning (ML) vs. Kunstmatige Intelligentie (AI) - Wat is het verschil?
wie maakt zich druk over het verschil tussen kunstmatige intelligentie en machine learning?
Eerlijk gezegd kon het mij weinig schelen en ik zag geen reden om mijn tijd te verspillen aan het uitzoeken van wat zeker een onbelangrijk en nutteloos stukje trivia zou zijn.
Maar toen ik het onderwerp nader bestudeerde, bleek dat mijn vooroordelen helemaal niet klopten.
Het is nu wel duidelijk dat AI de toekomst is het zou dus voor de hand moeten liggen dat een goede kennis van het onderwerp een goede zaak is. Omgekeerd is onwetendheid een slechte zaak.
Om ons voor te bereiden op een realiteit die overspoeld wordt met deze technologieën, is het tijd om ervoor te zorgen dat we de volgende zaken begrijpen basisprincipes van AI
- een van de centrale krachten die klaar staan om onze samenleving opnieuw vorm te geven.
Het begrijpen van de verschillen tussen deze termen en extensie daarvan, het begrijpen van de reikwijdte van wat ze inhouden, geeft direct duidelijkheid en het vermogen om de hulpmiddelen die ons ter beschikking staan beter toe te passen. Kortom, informatie is macht.
Dus... laten we beginnen!
**Wat is het verschil tussen ML en AI?
In grote lijnen, kunstmatige intelligentie is een machine die in staat is om bepaalde kenmerken of vormen van menselijke intelligentie te vertonen.
Door de breedheid van deze definitie valt alles onder de definitie, van basis machine leren (binnenkort uitgelegd) tot een volledig intelligente robot overlord.
Daarom is het verstandig om te beginnen met het definiëren van een aantal sleutel verschillen tussen kunstmatige intelligentie en machine learning.
Nu kunstmatige intelligentie de breedste term is, is het tijd om specifieker te worden.
Let's Talk About Machine Learning and Deep Learning.
Laten we eerst een snelle visuele blik werpen op de relatie tussen al deze concepten.
In de kern is Machine Learning gewoon een "voorspellingsmodel". Het heeft (a) gegevens waarvan het leert en (b) een algoritme dat het eigenlijke leren doet.
Het algoritme is gewoon een verzameling regels die de code vertellen wat te verwachten (gegevens over X of Y) en wat Nog te doen.
De kwaliteit van een algoritme voor machinaal leren bepaalt voor alles hoe nuttig het is. Als de regels onlogisch of zeer limietgevoelig zijn, kan het geen bruikbare inzichten verschaffen.
Het is gemakkelijk om geïntimideerd te raken door de overweldigende technische diepgang van dit veld - beslisbomen, versterkingsleren en Bayesiaanse netwerken zijn slechts enkele van de vele gebieden - maar het komt goed als je dit gewoon onthoudt:
Machine learning is, fundamenteel gezien, gewoon een verzameling regels voor het begrijpen van binnenkomende gegevens.
Als je een programma wilt bouwen dat GPS-routes leert om bestuurders te helpen, moet het de wetten voor eenrichtingswegen kennen. Anders leert het misschien snelle routes die niet zo handig zijn als ze op het eerste gezicht lijken.
Wanneer de regels echter een diep en genuanceerd begrip weerspiegelen van elke variabele in het spel, kan machinaal leren het schijnbaar onmogelijke doen.
Van oudsher is het geven van nauwkeurige tijdsinschattingen een van de lastigste onderdelen van het werk van een projectmanager. Velen zijn echter verbaasd dat machines op een vergelijkbaar niveau kunnen presteren. ClickUp test momenteel de ML functie met verschillende van onze gebruikers om te voorspellen welke acties een individu waarschijnlijk zal ondernemen. Dit maakt taakvoorspellingen mogelijk die na verloop van tijd menselijke kenmerken, zoals subjectieve tijdsinschatting, met voldoende nauwkeurigheid kunnen nabootsen om uiterst nuttig te zijn.
Deze aanpak versnelt de feedback cyclus en we hebben teams in slechts een paar weken van semi-geautomatiseerde naar volledig geautomatiseerde limiet acties zien gaan. Enkele items die onze algoritmen kunnen uitvoeren zijn:
- Taken voorspellen en toewijzen aan de juiste leden van het team
- Gebruikers automatisch taggen in opmerkingen die voor hen relevant zijn
- Notificaties en updates visualiseren op basis van hun relevantie voor een bepaalde gebruiker
- Voorspellen en bepalen wanneer deadlines niet gehaald gaan worden en tijdsinschattingen van taken corrigeren.
bonus:_ *alternatieven voor kopie AI* Platformen voor projectmanagement en productiviteit veranderen snel, maar ML/AI is zeker een trend in projectmanagement die niet meer weg te denken is.
Het zal nog even duren voordat we volledig begrijpen hoe deze nieuwe technologieën projectmanagement zullen beïnvloeden, maar hoe sneller je bedrijf zich aanpast, hoe beter je teamleden op elkaar zijn afgestemd voor projectmanagement.
Wij geloven dat de toekomst is aan degenen die het best in staat zijn om de beschikbare kansen te grijpen, waarbij ML en in feite AI tot de meest directe behoren.