AI の推論とトレーニングの違いは何ですか?あなたは知っていますか？

AI トレーニングと推理の違いを一言で言い表すなら、「ステージ上では 1 分、ステージ外では 10 年の努力」と表現するのが最も適切だと思います。

シャオミンは、憧れの女神と長年付き合っており、彼女を誘う経験も豊富ですが、その謎についてはまだ混乱しています。

AI テクノロジーの助けを借りて、正確な予測を達成できるでしょうか?

シャオミンは何度も考え、女神が招待を受け入れるかどうかに影響を与える可能性のある変数を要約しました。休日か、天気が悪いか、暑すぎるか寒すぎるか、機嫌が悪い、病気など。約束がある、親戚が家に来るなど。

写真

これらの変数を重み付けして合計し、それが一定のしきい値を超えていれば、女神は間違いなくそれを受け入れます。招待。では、これらの変数にはどれくらいの重みがあり、しきい値は何でしょうか?

これは非常に複雑な問題であり、単純な方法で正確に解決するのは困難です。したがって、Xiao Ming 氏は、ディープ ニューラル ネットワークを使用した研究を実施し、それをトレーニング用の大量の蓄積データに適用して、人工知能モデルが独自にパターンを学習できるようにすることを計画しています。

写真

Xiao Ming の最大の利点は、豊富なデータ蓄積があることです。そこで彼は、すべての変数を整理して正確にリスト化し、それらをオファーが成功したかどうかに正確にマッピングしました。この手法は「データ アノテーション」と呼ばれます。

写真

データを取得したら、それを AI にフィードします。 AI が各データを読み取り、初期デフォルトの重みを使用して評価し、独自の分析結果を取得するプロセスを「順伝播」と呼びます。

次に、AIの結果が正しいかどうかを確認します。

ここでは、結果と正解の差を計算するために「損失関数」を導入する必要があります。結果が理想的でない場合には、重みの最適化と調整を行って、再度結果を取得して評価することを「バックプロパゲーション」と呼びます。

検査の結果、評価結果と正解が一歩近づいていることがわかりました。何度も繰り返した後、パラメーターの重みを調整することで徐々に正解に近づいていくプロセスを「勾配降下法」といいます。

写真

既知のデータを何度も徹底的に洗礼した結果、AI 評価の精度はすでにかなり高くなっています。そこでシャオミンはトレーニングを終了し、パラメータの重みを修正し、重みが有効になっていない冗長なパラメータを削除し、次の段階に進むことを宣言しました。

少し前に行った大変な作業の結果をテストする時が来ました!

写真

そこで、Xiao Ming は、すべての新しいパラメーターを準備し、AI に入力するために、良い縁起の良い日を選びました。 。 AIはすぐに独自の評価結論を出しました：女神は招待を受け入れるでしょう！

上記のプロセスを「推論」といいます。

シャオミンはシャワーを浴びて服を着替え、注意深く片づけ、映画のチケットを予約し、慎重に女神に意見を求めました。案の定、女神も同意してくれました！

それ以来、シャオミンは招待を受ける前に、AI に招待が成功するかどうかを熱心に予測してもらうようになりました。 AI はほとんどの場合正しく判断できることが判明しました。 AIの「汎化」効果は非常に優れていると言えるでしょう。

写真

#要約すると、いわゆる AI トレーニングは、ニューラル ネットワークに新しい機能を学習させるプロセスです。既存のデータから。

このプロセスは、幼少期から9年間の義務教育を受けるのと同じように、学校、書籍、教師などの緊密な協力が必要であり、データのスループットが大きいため、非常に複雑です。集中的な計算が必要であり、多額の費用がかかるため、時間のかかるトレーニングが非常に必要です。

いわゆる AI 推論は、訓練された AI に新しいデータを入力し、同じ種類の新しい問題を解決させます。

これは、大学を卒業し、学校、本、教師を離れ、学んだ知識を使用して新しい問題に独自に対処するようなものです。データ スループットは比較的小さいですが、彼はいつでも電話に出られるようにしておく必要があります。迅速かつ丁寧に答えてください。

私たちが通常接触する AI アプリケーションは、サービス プロバイダーによってトレーニングされた APP です。上で私たちがさまざまなタスクを提案し、バックグラウンドが素早く反応し、数秒で答えを返しますが、これらはすべて AI の推論に属します。

AI をうまくマスターすれば、楽に作業でき、半分の労力で 2 倍の結果を得ることができます。