İnsan öyrənmə prosesləri və maşın öyrənmə alqoritmləri təcrübə vasitəsilə performansın artırılmasını nəzərdə tutur, lakin onlar kökündən fərqli şəkildə fəaliyyət göstərirlər. İnsanlar idrak, emosiya və kontekstə güvənirlər, maşın öyrənmə sistemləri isə tapşırıqlar üzrə proqnozlar vermək və ya qərarlar qəbul etmək üçün məlumat nümunələrindən, riyazi optimallaşdırmadan və hesablama qaydalarından asılıdırlar.
Həyat boyu idrak, təcrübə, emosiyalar və sosial qarşılıqlı əlaqə ilə formalaşan bioloji öyrənmə sistemi.
Riyazi modellər və optimallaşdırma üsullarından istifadə edərək məlumatlardan nümunələr öyrənən hesablama sistemləri.
| Xüsusiyyət | İnsan Öyrənmə Prosesləri | Maşın Öyrənmə Alqoritmləri |
|---|---|---|
| Öyrənmə mənbəyi | Təcrübə, hisslər, sosial qarşılıqlı əlaqə | Etiketlənmiş və ya etiketlənməmiş məlumat dəstləri |
| Uyğunlaşma Sürəti | Sürətli, tez-tez birdəfəlik öyrənmə mümkündür | Adətən bir çox təlim təkrarı tələb olunur |
| Çeviklik | Yüksək kontekstli elastiklik | Təlim keçmiş paylama ilə məhdudlaşıb |
| Düşünmə qabiliyyəti | Abstrakt, səbəb-nəticə və emosional mühakimə | Statistik nümunə əsaslı nəticə |
| Enerji səmərəliliyi | Son dərəcə enerjiyə qənaət edən (bioloji beyin) | Təlim zamanı hesablama baxımından baha başa gəlir |
| Ümumiləşdirmə | Bir neçə nümunə ilə güclüdür | Məlumat dəstinin miqyasından və müxtəlifliyindən asılıdır |
| Xətaların idarə olunması | Refleks və rəy vasitəsilə özünü düzəldir | Yenidən hazırlıq və ya təkmilləşdirmə tələb olunur |
| Yaddaş Sistemi | Epizodik + semantik yaddaş inteqrasiyası | Parametr əsaslı statistik yaddaş |
İnsanlar doğuşdan etibarən ətraf mühitlə davamlı qarşılıqlı əlaqə yolu ilə öyrənməyə başlayırlar. Onların strukturlaşdırılmış məlumat dəstlərinə ehtiyacı yoxdur; bunun əvəzinə, onlar duyğu orqanlarının girişindən, sosial işarələrdən və yaşadıqları təcrübələrdən öyrənirlər. Digər tərəfdən, maşın öyrənmə sistemləri əvvəlcədən müəyyən edilmiş arxitekturalarla başlayır və öyrənmə nümunələrinə başlamaq üçün diqqətlə hazırlanmış məlumat dəstləri tələb edir.
İnsan öyrənməsi dərin kontekstualdır. İnsanlar mənanı mədəniyyətə, emosiyalara və əvvəlki biliklərə əsasən şərh edirlər. Maşın öyrənmə sistemləri həqiqi anlayışa malik deyil və bunun əvəzinə məlumatlar daxilində statistik korrelyasiyalara əsaslanır ki, bu da bəzən kontekst dəyişdikdə səhv nəticələrə səbəb ola bilər.
İnsanlar məlumatlardan yüksək dərəcədə səmərəlidirlər və bir neçə nümunədən, məsələn, yeni bir obyekti bir və ya iki dəfə gördükdən sonra tanımaqdan ümumiləşdirə bilərlər. Maşın öyrənmə modelləri, adətən, müəyyən tapşırıqlarda oxşar performans səviyyələrinə nail olmaq üçün genişmiqyaslı məlumat dəstləri və təkrarlanan təlim dövrləri tələb edir.
İnsanlar analogiya və mühakimə üsullarından istifadə edərək çox fərqli sahələrdə bilik ötürə bilərlər. Maşın öyrənmə sistemləri, xüsusi olaraq bunun üçün nəzərdə tutulmadığı təqdirdə, tez-tez ötürmə öyrənməsində çətinlik çəkir və təlim paylanması xaricində performans əhəmiyyətli dərəcədə aşağı düşə bilər.
İnsanlar səhv etdikdə, real vaxt rejimində düşünə, strategiyaları tənzimləyə və rəylərdən öyrənə bilərlər. Maşın öyrənmə modelləri adətən səhvləri düzəltmək üçün xarici yenidən hazırlıq və ya təkmilləşdirmə prosesləri tələb edir ki, bu da onların uyğunlaşmasını daha az ani edir.
Maşın öyrənmə sistemləri insanlar kimi düşünür.
Maşın öyrənmə modelləri şüur və ya anlayışa malik deyil. Onlar ədədi nümunələri emal edir və məlumatları şərh etmək üçün mühakimə, emosiya və canlı təcrübədən istifadə edən insanlardan fərqli olaraq, məlumatlara əsaslanaraq nəticələri optimallaşdırırlar.
İnsanlar həmişə maşınlardan daha yaxşı öyrənirlər.
İnsanlar ümumi öyrənmədə daha çevikdirlər, lakin maşınlar görüntü tanıma və ya genişmiqyaslı məlumatların təhlili kimi spesifik tapşırıqlarda insanlardan daha yaxşı nəticə göstərirlər. Hər birinin kontekstdən asılı olaraq güclü tərəfləri var.
Daha çox məlumat həmişə maşın öyrənməsini mükəmməl edir.
Daha çox məlumat performansı artıra bilsə də, keyfiyyətsiz və ya qərəzli məlumatlar, hətta çox böyük məlumat dəstlərində belə, səhv və ya ədalətsiz nəticələrə səbəb ola bilər.
İnsan öyrənməsi məlumatlardan tamamilə müstəqildir.
İnsanlar həmçinin ətraf mühitdən gələn məlumatlara duyğu orqanları vasitəsilə daxil olur və təcrübədən istifadə edirlər, lakin onlar bunu maşınlardan daha zəngin, kontekstə əsaslanan şəkildə şərh edirlər.
Maşın öyrənmə sistemləri zamanla avtomatik olaraq təkmilləşdirilir.
Əksər modellər, açıq şəkildə yenidən təlim keçmədikcə və ya yeni məlumatlarla yenilənmədikcə, yerləşdirildikdən sonra öz-özünə təkmilləşmir.
İnsan öyrənmə prosesləri daha çevik, səmərəli və kontekstdən xəbərdardır, maşın öyrənmə alqoritmləri isə dəqiq müəyyən edilmiş tapşırıqlarda sürət, miqyaslanma və ardıcıllıq baxımından üstündür. İnsanlar açıq məntiq üçün daha uyğundur, maşın öyrənməsi isə genişmiqyaslı nümunə tanıma və avtomatlaşdırma üçün idealdır.
Bu müqayisə açıq mənbəli süni intellekt ilə xüsusi mülkiyyətli süni intellekt arasındakı əsas fərqləri araşdırır, əlçatanlıq, fərdiləşdirmə, xərclər, dəstək, təhlükəsizlik, performans və real dünyada tətbiq hallarını əhatə edir, təşkilatların və tərtibatçıların hansı yanaşmanın onların məqsədlərinə və texniki imkanlarına uyğun gəldiyini müəyyən etməsinə kömək edir.
Ardıcıllıq Paralelləşdirməsi və Ardıcıllıqla Emal Optimallaşdırması süni intellekt iş yüklərində səmərəliliyi artırmaq üçün iki fərqli strategiyadır. Biri təlim və nəticə çıxarmaq üçün ardıcıllıq hesablamasının birdən çox cihaz arasında paylanmasına yönəlmişdir, digəri isə tək bir emal axını daxilində addım-addım icranın səmərəliliyini artıraraq gecikməni və hesablama xərclərini azaldır.
Sensor birləşməsi sistemləri ətraf mühit haqqında güclü bir anlayış yaratmaq üçün kameralar, LiDAR və radar kimi birdən çox sensordan gələn məlumatları birləşdirir, tək sensorlu sistemlər isə qavrayışın tək bir mənbəyinə əsaslanır. Kompromis etibarlılıq və sadəlik üzərində qurulur və muxtar nəqliyyat vasitələrinin real həyatda sürücülük şərtlərini necə qavradığını, şərh etdiyini və reaksiya verdiyini formalaşdırır.
Tam idarəetmə modelləri və modul muxtar boru kəmərləri özünüidarəetmə sistemlərinin qurulması üçün iki əsas strategiyanı təmsil edir. Biri böyük neyron şəbəkələrindən istifadə edərək sensorlardan idarəetmə hərəkətlərinə birbaşa xəritələşdirməni öyrənir, digəri isə problemi qavrayış, proqnozlaşdırma və planlaşdırma kimi strukturlaşdırılmış komponentlərə bölür. Onların kompromisləri muxtar nəqliyyat vasitələrində təhlükəsizliyi, miqyaslanabilirliyi və real dünyada yerləşdirilməsini formalaşdırır.
Beyin plastikliyi və qradiyent eniş optimallaşdırması sistemlərin dəyişiklik vasitəsilə necə təkmilləşdiyini təsvir edir, lakin onlar kökündən fərqli şəkildə fəaliyyət göstərir. Beyin plastikliyi bioloji beyinlərdəki neyron əlaqələrini təcrübəyə əsaslanaraq yenidən formalaşdırır, qradiyent eniş isə model parametrlərini təkrar olaraq tənzimləməklə səhvləri minimuma endirmək üçün maşın öyrənməsində istifadə olunan riyazi metoddur.
