За полчаса докладчик смог дать нам резюме, равное целой бакалаврской работе по ИИ. В течение этих плодотворных 30 минут докладчик объяснил разницу между традиционным программированием и машинным обучением: В традиционном программировании кодер сам определяет, что делает его код, основываясь на входных данных, в то время как в машинном обучении входные и выходные данные одновременно "подаются" системе, чтобы классифицировать или предсказать ответ.

Что такое машинное обучение и почему оно так популярно?

Возможно, это звучит несколько туманно, поэтому позвольте мне проиллюстрировать это на примере машинного обучения. В случае с системой, распознающей цифры, изображения рукописных цифр подаются в сеть искусственного интеллекта (AI), которая со временем изучает особенности этих цифр. Каждый раз, когда поступает запрос, система выдает на выходе цифру с наибольшей вероятностью присутствия на изображении (на основе изученных особенностей). В случае неправильного вывода программист может объяснить системе, где была допущена ошибка, чтобы при следующей репетиции она стала более точной. Этот процесс называется "обратным распространением" и представляет собой форму контролируемого обучения, при котором программист может указать системе, что она делает неправильно, а что - правильно.

Кроме того, докладчик объяснил, почему машинное обучение, которое возникло как поднаправление информатики в конце 1950-х годов, недавно вновь стало популярным. Сегодня у нас есть большие данные, более дешевые вычислительные мощности и лучшие алгоритмы. Это сочетание возродило машинное обучение и дало ему такие полезные применения, как обнаружение мошенничества и системы распознавания лиц. Кроме того, машинное обучение используется для создания самоуправляемых автомобилей, которые работают автономно с помощью нейронных сетей.