Elasticsearch:机器学习与人工智能 – 理解差异
2024年3月8日 | by mebius
作者:来自 ElasticAditya Tripathi, Jessica Taylor
长期以来,人工智能几乎完全是科幻小说作家的玩物,人类将技术推得太远,以至于它变得活跃起来 —— 正如好莱坞让我们相信的那样 —— 开始造成严重破坏。 令人愉快的东西! 然而,近年来,我们看到了人工智能和机器学习技术的爆炸式增长,到目前为止,这些技术向我们展示了人们使用人工智能大规模地进行创作、规划和构思的有趣的一面。
这些新兴技术正在被用来彻底改变从医疗保健到娱乐的一切。 但与任何新技术一样,人们仍在努力理解它。 这种混乱的最大根源之一来自于该领域两个关键术语之间的相似性和重叠:人工智能和机器学习。 因此,在本文中,我们将探讨它们的独特功能以及它们如何相互连接以创建一些我们所见过的最具创新性的解决方案。 我们还将回答人们对这两种技术提出的一些紧迫问题:
- 机器学习 (ML) 定义和概念
- 什么是人工智能(AI)?
- 主要区别是什么?
- 它们在哪里重叠?
有哪些实际应用和好处?
机器学习 (ML) 定义和概念
你可能会觉得机器学习只是一个最近出现的概念,但这个术语实际上是由计算机科学家 Arthur Samuel 在 70 多年前创造的。 他将其定义为 “赋予计算机无需明确编程即可学习能力的研究领域”,这仍然是一个非常恰当和准确的定义。
用更现代的术语来说,机器学习是人工智能的一个子集,它使用先进的算法来处理大量数据以模仿人类的学习方式。 这本质上意味着它处理的信息越多,它就越准确,解决问题的能力就越好。 它通过分析数据来识别关系和模式来实现这一点。 机器学习有四种不同类型:监督机器学习、无监督机器学习、半监督学习和强化学习。
机器学习如此有用的原因是它可以快速学习执行复杂的活动,而不需要针对其解决的问题定制算法。 这使得它非常适合预测趋势、快速自动化复杂任务以及识别数据中的模式或异常。
阅读我们的指南什么是机器学习? 更全面地了解机器学习及其功能。
什么是人工智能(AI)?
与机器学习不同,人工智能不是一种特定的技术。 它实际上是一个广泛的方法领域,旨在执行通常需要人类智能的任务和解决问题。 这包括机器学习,以及深度学习、自然语言处理和计算机视觉等。
人工智能的应用无穷无尽,但常见用途包括解决问题、学习、感知、沟通、决策和创造力等。 目前,最流行的人工智能类型是生成式人工智能。 这种形式的人工智能可以创造诸如书面内容、音乐、计算机代码和艺术之类的东西。 ChatGPT、DALLE 和 Midjourney 等生成式 AI 应用程序因其令人印象深刻的输出而迅速流行。
但围绕生成人工智能存在很多争议,尤其是关于剽窃问题和幻觉的争议。 这源于使用现有内容来告知如何创建自己的 “原始” 内容的技术。 随着人工智能领域的不断发展,人们将继续对其道德提出质疑,而决定和执行确保每个人安全的方法本身将是一项挑战。
机器学习和人工智能之间的主要区别
尽管这些术语经常互换使用,但机器学习和人工智能是独立且不同的概念。 正如我们已经提到的,机器学习是人工智能的一种,但并非所有人工智能都是或使用机器学习。 尽管存在大量重叠(稍后会详细介绍),但它们通常具有不同的功能、目标和范围。
人工智能更广泛的目标是创建可以模拟人类智能来执行任务的应用程序和机器,而机器学习则侧重于使用算法从现有数据中学习的能力,作为更广泛的人工智能目标的一部分。
人工智能可以解决各个行业的各种问题 —— 从自动驾驶汽车到医疗诊断再到创意写作。 有时这些问题很相似,但通常却截然不同。
另一方面,机器学习的能力则要有限得多。 这些算法非常擅长分析数据以识别模式并做出预测。 但它无法解决更广泛的问题,也无法像人工智能一样进行适应。
看待它们之间差异的最好方法是,机器学习是更大的人工智能机器中的一个(但重要的)齿轮。 该机器可能是一辆手推自行车,也可能是一枚太空火箭。 它可能不那么动态,但它是一个重要的部分,不能被忽视或视为理所当然。
机器学习和人工智能之间的重叠
当我们谈论机器学习和人工智能时,“重叠” 这个词有点误导。 它们并不完全重叠,但机器学习通常是人工智能应用程序本身的一个重要组成部分 —— 就像人类的学习能力与你的智力密不可分一样。
理解这一点的最佳方法是查看机器学习为人工智能提供动力的一些关键方式:
学习能力
人工智能的主要目标是模仿人类的智力和能力,例如推理、决策和适应能力。 它通过多种技术的组合来实现这一目标,但最关键的方法几乎总是机器学习。 这是因为这些机器学习算法使人工智能能够分析信息、识别模式并调整其行为。
决策和预测
同样,决策和预测是几乎所有人工智能工具的关键部分。 这是因为评估信息、权衡选项并决定下一步的最佳步骤是任何情报不可或缺的一部分。 机器学习是人工智能工具如何做出这些数据驱动决策的方式。 机器学习算法分析大量数据来识别促进决策的模式。
应用广泛
尽管我们谈到机器学习的范围更加有限,但它确实使人工智能工具能够解决不同领域的各种问题。 机器学习是许多此类应用的背后,使人工智能能够如此动态。
人工智能和机器学习的实际应用和好处
由机器学习驱动的人工智能有潜力解决多个领域的无穷问题。 但这到底是什么样子的呢? 以下是人工智能已经实现任务自动化和简化复杂问题的几种方式:
- 生成式人工智能:创造力不再是人类独有的特征。 人工智能和机器学习使机器能够真正美化艺术、生成歌曲,甚至写诗。 它还可以编写代码和文档,以及创建临时培训材料。
- 流程自动化:人工智能不仅可以自动化繁琐和重复的流程,而且由于机器学习,它可以学习改进和优化它们。 其范围包括从简化客户服务通信到分析复杂的财务数据。
- 数据驱动的见解:决策是工作和生活的关键部分。 但有时不可能获取做出最佳决策所需的所有数据。 人工智能可以在短时间内分析大量数据,并根据相关数据确定最佳决策。
- 个性化和推荐:由于具有学习和适应能力,人工智能与机器学习可以创造真正的个人体验。 无论是流媒体电视节目还是购买保险,这些系统都可以了解我们的行为和偏好,以确保我们只看到我们想看的内容。
Elastic 的 AI 和 ML 解决方案
在 Elastic,我们努力让你在自己的应用程序中尽可能简单地利用 AI 和机器学习的力量。 为了实现这一目标,我们构建了 Elasticsearch 相关性引擎 (ESRE)。 ESRE 是一组开发人员工具,旨在帮助你快速轻松地构建搜索驱动的 AI 应用程序。 使用 ESRE,你可以构建:
- 语义搜索:除了 Elastic 的关键字匹配功能之外,ESRE 还允许tgcode你使用向量嵌入和转换器模型来理解用户请求背后的深层含义。
- 相关性排名:行业领先的排名功能,如传统关键词搜索和混合搜索(文本和向量搜索相结合),可用于所有类型的信息领域。
- 向量数据库:ESRtgcodeE 的全部功能包括创建嵌入以及向量的存储和检索。
- 数据摄取工具:该工具集包括网络爬虫、数据库连接器、第三方数据集成以及带有 API 的自定义连接器。
- Elastic Learned Sparse EncodeR (ELSER):由 Elastic 训练tgcode的稀疏向量检索模型,使你能够执行语义搜索以获得更相关的搜索结果。 它是一个域外模型,这意味着它不需要对你自己的数据进行微调,使其能够开箱即用地适应各种用例。
- 自带模型:使用我们的第三方集成或第三方模型(例如 GPT-3 和 4),使用你想要的任何 AI 平台和模型。
去年,我们还推出了用于安全和可观察性的 Elastic AI 助手。 AI 助手是一个生成式 AI 助手,可弥合您与我们的搜索分析平台之间的差距。 这意味着你可以询问有关应用程序的状态或安全状况的自然语言问题,助手将根据在你公司的私人数据中找到的内容给出答案。
机器学习与人工智能 —— 明显的区别
人工智能和机器学习不再只出现在科幻小说中,现在正在彻底改变从艺术到医疗保健的一切。 虽然它们看起来可以互换,但这两种技术之间存在明显的区别。 人工智能是一项雄心勃勃的大型技术,由幕后机器学习提供支持。
随着这两种技术的不断发展,可能性确实是无限的。 在 Elastic,我们致力于让这些工具尽可能易于使用。 从 ESRE 的强大功能,到让 DevOps 和安全分析师的生活变得更加轻松的 AI 助手,我们希望能够为不断发展的人工智能、机器学习及其将解决的所有问题做出贡献。
接下来你应该做什么
只要你准备好了…我们可以通过以下四种方式帮助你利用业务数据中的见解:
- 开始免费试用,看看 Elastic 如何帮助你的业务。
- 浏览我们的解决方案,了解 Elasticsearch 平台的工作原理以及我们的解决方案如何满足你的需求。
- 探索 2024 年技术趋势:搜索和生成人工智能技术如何发展。
- 通过电子邮件、LinkedIn、Twitter 或 Facebook 与你认识的愿意阅读本文的人分享本文。
原文:Machine learning vs. AI: Understanding the differences | Elastic Blog
文章来源于互联网:Elasticsearch:机器学习与人工智能 – 理解差异
作者:Carly Richmond 像我这样的前端工程师经常提出的要求是将 Kibana 等来源的现有仪表板嵌入到 JavaScript Web 应用程序中。 这是我必须多次执行的任务,因为我们希望快速部署用户生成的视图或允许用户控制给定的视图。 从我们从精彩…