AI, uczenie maszynowe i uczenie głębokie to nie trzy nazwy tej samej rzeczy, lecz trzy okręgi zawarte jeden w drugim. Zrozumienie tej hierarchii to najszybszy sposób, by przestać gubić się w żargonie.
SEKCJA 01Trzy okręgi jak matrioszka
- Sztuczna inteligencja — najszerszy okrąg. Każda technika, która sprawia, że maszyna działa „mądrze”, od reguł po sieci neuronowe.
- Uczenie maszynowe (ML) — podzbiór AI: systemy, które uczą się z danych, zamiast być ręcznie programowane.
- Uczenie głębokie (DL) — podzbiór ML oparty na wielowarstwowych sieciach neuronowych. To ono napędza dzisiejszą rewolucję.
Każde uczenie głębokie jest uczeniem maszynowym, a każde uczenie maszynowe jest AI — ale nie odwrotnie.
SEKCJA 02Trzy style uczenia maszynowego
| Rodzaj | Na czym polega | Przykład |
|---|---|---|
| Nadzorowane | Uczymy na przykładach z poprawnymi odpowiedziami. | Wykrywanie spamu, prognoza cen. |
| Nienadzorowane | Model sam szuka struktury w danych bez etykiet. | Segmentacja klientów, anomalie. |
| Ze wzmocnieniem | Agent uczy się przez nagrody i kary. | Roboty, gry, sterowanie. |
SEKCJA 03Kiedy klasyczne ML wystarcza, a kiedy potrzeba DL
Uczenie głębokie nie jest zawsze lepsze. Dla danych tabelarycznych — sprzedaż, dane medyczne, scoring — klasyczne metody (lasy losowe, gradient boosting) często wygrywają: są szybsze, tańsze i łatwiejsze do wyjaśnienia. Uczenie głębokie błyszczy tam, gdzie dane są „surowe” i nieustrukturyzowane: obraz, dźwięk, język. Im więcej takich danych, tym większa przewaga sieci.
Klasyczne ML potrzebuje, byś ręcznie wskazał, na co patrzeć. Deep learning sam odkrywa, na co warto patrzeć — pod warunkiem, że nakarmisz go górą danych.
SEKCJA 04Inżynieria cech kontra automatyczne reprezentacje
Największa praktyczna różnica: w klasycznym ML to człowiek projektuje cechy — decyduje, że ważna jest np. liczba wielkich liter w mailu. W uczeniu głębokim sieć sama wynajduje użyteczne reprezentacje wprost z surowych danych. To zarazem jego supermoc i jego głód: za automatyczne cechy płacimy ogromnym zapotrzebowaniem na dane i moc.
Nie pytaj „czy użyć uczenia głębokiego?”, tylko „jaki mam problem, ile mam danych i jak bardzo zależy mi na wyjaśnialności?”. Dobór narzędzia do zadania to znak dojrzałości, nie podążanie za modą.
Spodobał Ci się ten artykuł? To fragment naszej misji: tłumaczyć AI tak, by każdy mógł ją zrozumieć i wykorzystać. Poznaj Instytut →