Machine Learning (ML) vs Artificial Intelligence (AI) - Jaka jest różnica?
kogo obchodzi różnica między sztuczną inteligencją a uczeniem maszynowym?
Szczerze mówiąc, niewiele mnie to obchodziło i nie widziałem powodu, aby tracić czas na zastanawianie się nad tym, co z pewnością będzie drobną i bezużyteczną ciekawostką.
Gdy tylko przyjrzałem się temu tematowi bardziej szczegółowo, okazało się, że moje wcześniejsze wyobrażenia były bardzo błędne.
W tym momencie stało się jasne, że AI jest przyszłością więc powinno być oczywiste, że bycie dobrze zorientowanym w temacie jest dobrą rzeczą. Odwrotnie, ignorancja jest złą rzeczą.
Aby przygotować się na rzeczywistość zalaną tymi technologiami, nadszedł czas, aby upewnić się, że rozumiemy podstawy AI
- jedną z głównych sił, które mogą zmienić nasze społeczeństwo.
Zrozumienie różnic między tymi terminami, a przez rozszerzenie, zrozumienie zakresu tego, co się z nimi wiąże, daje natychmiastową jasność i możliwość lepszego zastosowania narzędzi, którymi dysponujemy. Krótko mówiąc, informacja to potęga.
Więc... zaczynajmy!
**Jaka jest różnica między ML a AI?
Mówiąc ogólnie, sztuczna inteligencja to maszyna zdolna do wykazywania pewnych cech lub form ludzkiej inteligencji.
Ze względu na szeroki zakres tej definicji, obejmuje ona wszystko, od podstawowego uczenia maszynowego (wyjaśnionego wkrótce) do w pełni świadomego nadrzędnego robota.
Dlatego też rozsądnie jest zacząć od zdefiniowania kilku kluczowych różnic między sztuczną inteligencją a uczeniem maszynowym.
Ponieważ sztuczna inteligencja jest najszerszym z tych terminów, nadszedł czas, aby je uszczegółowić.
Porozmawiajmy o uczeniu maszynowym i uczeniu głębokim
Po pierwsze, spójrzmy na szybką wizualizację powiązań między wszystkimi tymi pojęciami.
Uczenie maszynowe jest w swej istocie "modelem predykcyjnym". Ma (a) dane, z których się uczy i (b) algorytm, który wykonuje faktyczne uczenie się.
Algorytm to po prostu ustawienie reguł, które mówią kodowi, czego się spodziewać (dane o X lub Y) i co z nimi zrobić.
Jakość algorytmu uczenia maszynowego jest wszystkim w określaniu jego użyteczności. Jeśli reguły są nielogiczne lub mocno ograniczone, nie jest on w stanie dostarczyć przydatnych informacji.
Łatwo jest zostać zastraszonym przez przytłaczającą techniczną głębię tego pola - drzewa decyzyjne, uczenie ze wzmocnieniem i sieci bayesowskie to tylko kilka z wielu obszarów - ale poradzisz sobie, jeśli po prostu to zapamiętasz:
Uczenie maszynowe jest zasadniczo tylko ustawieniem reguł, jak nadać sens przychodzącym danym
Jeśli chcesz zbudować narzędzie, które uczy się tras GPS, aby pomóc kierowcom, musi znać przepisy dotyczące dróg jednokierunkowych. W przeciwnym razie może zacząć uczyć się naprawdę szybkich tras, które nie są tak wygodne, jak się początkowo wydaje.
Jednakże, gdy zasady odzwierciedlają głębokie i zniuansowane zrozumienie każdej zmiennej w grze, uczenie maszynowe może doprowadzić do zrobienia rzeczy pozornie niemożliwych.
Tradycyjnie dostarczanie precyzyjnych szacowanych czasów było jedną z najtrudniejszych części pracy kierownika projektu. Wielu z nich jest jednak zaskoczonych, gdy okazuje się, że maszyny są w stanie działać na porównywalnym poziomie. ClickUp testuje obecnie funkcję ML z kilkoma naszymi użytkownikami, aby przewidzieć, jakie działania prawdopodobnie podejmie dana osoba. Umożliwia to przewidywanie zadań, które z czasem są w stanie naśladować ludzkie cechy, takie jak subiektywne szacowanie zadań, z wystarczającą dokładnością, aby były niezwykle przydatne.
Takie podejście przyspiesza cykl przekazywania informacji zwrotnych i widzieliśmy, jak Teams przechodzą od półautomatycznych do w pełni zautomatyzowanych limitowanych działań w ciągu zaledwie kilku tygodni. Niektóre elementy, które mogą osiągnąć nasze algorytmy to:
- Przewidywanie i przydzielanie zadań odpowiednim członkom zespołu
- Automatyczna etykieta użytkowników w komentarzach, które są dla nich istotne
- Wizualizacja powiadomień i aktualizacji w oparciu o ich znaczenie dla konkretnego użytkownika
- Przewidywanie i określanie, kiedy terminy nie zostaną dotrzymane oraz korygowanie szacowanego czasu wykonania zadania.
bonus:_ *Alternatywy kopiowania AI* Platformy zarządzania projektami i wydajności szybko się zmieniają, ale ML / AI to zdecydowanie trend w zarządzaniu projektami, który pozostanie.
To kwestia czasu, zanim w pełni zrozumiemy, w jaki sposób te nowe technologie wpłyną na zarządzanie projektami, ale im szybciej Twoja firma się dostosuje, tym bardziej członkowie Twojego zespołu będą przygotowani na powodzenie projektu.
Wierzymy, że przyszłość będzie należeć do tych, którzy najlepiej potrafią wykorzystać dostępne możliwości, z ML i efektywnie AI, jako jednymi z najbardziej bezpośrednich.