AI と機械学習の違いは何ですか?
人工知能 (AI) とは、機械をより人間らしいものにするために使用されるさまざまな戦略や技術の総称です。AI には、Alexa のようなスマートアシスタントから、ロボット掃除機や自動運転車まで、あらゆるものが含まれます。機械学習 (ML) は AI の多くある分野のうちの 1 つです。機械学習とは、コンピューターシステムが明確な指示なしに複雑なタスクを実行するために使用するアルゴリズムと統計モデルを開発する科学です。システムは代わりにパターンと推論に依存しています。コンピュータシステムは、機械学習アルゴリズムを使用して、大量の履歴データを処理し、データパターンを識別します。機械学習は AI ですが、すべての AI アクティビティが機械学習であるとは限りません。
AI と機械学習にはどのような類似点がありますか?
機械学習 (ML) は、人工知能 (AI) の焦点を絞った分野です。しかし、これらの分野はいずれも、基本的な自動化やプログラミングにとどまらず、複雑なデータ分析に基づいてアウトプットを生成します。
人間らしい問題解決
人工知能と機械学習 (AI/ML) ソリューションは、一般的に学習した知識に基づいて正確な結果が得られる複雑なタスクに適しています。
たとえば、自動運転の AI カーは、コンピュータービジョンを使用して視野内のオブジェクトを認識し、交通規制に関する知識を使用して車両をナビゲートします。
たとえば、不動産価格の ML アルゴリズムでは、過去の販売価格、市況、間取り図、および場所に関する知識を応用して、住宅の価格を予測します。
コンピュータサイエンス分野
人工知能と機械学習は、データを複雑な方法で分析、解釈、理解するソフトウェアの作成に焦点を当てたコンピューターサイエンスの分野です。これらの分野の科学者たちは、自己学習を伴う複雑なタスクを実行するようにコンピューターシステムをプログラムしようとしています。適切に設計されたソフトウェアは、人と同じかそれよりも速くタスクを完了します。
業界横断的なアプリケーション
AI はあらゆる業界に応用されています。AI を活用して、サプライチェーンの最適化、スポーツの成果の予測、農業の成果の向上、スキンケアに関する推奨事項のカスタマイズを行うことができます。
機械学習の用途も多岐にわたります。これらには、予測に基づく機械メンテナンスのスケジューリング、動的な旅行価格設定、保険での不正検知、小売需要予測などが含まれます。
主な違い:AI と機械学習
機械学習 (ML) は人工知能 (AI) の特定の分野です。機械学習は、AI に比べて範囲と焦点が限られています。AI には、機械学習の範囲外の戦略やテクノロジーがいくつか含まれています。
両者の主な違いは次のとおりです。
目標
AI システムの目標は、複雑な人間のタスクを機械に効率的に完了させることです。このようなタスクには、学習、問題解決、パターン認識が含まれる場合があります。
一方、機械学習の目標は、大量のデータをマシンに分析させることです。マシンは統計モデルを使用してデータ内のパターンを特定し、結果を生成します。結果には、正しさの確率や信頼度が関連付けられています。
Methods
AI の分野には、さまざまな問題を解決するために使用されるさまざまな方法が含まれます。これらの方法には、遺伝的アルゴリズム、ニューラルネットワーク、深層学習、検索アルゴリズム、ルールベースのシステム、機械学習自体が含まれます。
機械学習のメソッドは大きく、教師あり学習と教師なし学習の 2 つのカテゴリに分類されます。教師付き ML アルゴリズムは、入力と出力のラベルが付いたデータ値を使用して問題を解決することを学習します。教師なし学習はより探索的で、ラベル付けされていないデータに隠れたパターンを発見しようとします。
実装
ML ソリューションを構築するプロセスには、通常、次の 2 つのタスクが含まれます。
- トレーニングデータセットの選択と準備
- 線形回帰や決定木など、既存の ML 戦略やモデルを選択する
データサイエンティストは重要なデータ特徴を選択し、それらをモデルに入力してトレーニングします。更新されたデータとエラーチェックでデータセットを継続的に再調整します。データの質と多様性により、ML モデルの精度が向上します。
通常、AI 製品の構築はより複雑なプロセスであるため、多くの人は目標を達成するために既成の AI ソリューションを選択します。これらの AI ソリューションは通常、長年の研究を経て開発されたもので、デベロッパーは API を通じて製品やサービスと統合できるようにしています。
要件
ML ソリューションには、トレーニングに数百のデータポイントを含むデータセットと、実行に十分な計算能力が必要です。アプリケーションやユースケースによっては、単一のサーバーインスタンスまたは小さなサーバークラスターで十分な場合があります。
他のインテリジェントシステムには、実行したいタスクや使用する計算分析方法に応じて、さまざまなインフラストラクチャ要件がある場合があります。ハイコンピューティングのユースケースでは、複雑な目標を達成するために数千台のマシンが連携する必要があります。
ただし、あらかじめ構築された AI 関数と ML 関数の両方が利用できることに注意することが重要です。追加のリソースを必要とせずに、API を介してアプリケーションに統合できます。
組織が AI と機械学習を始めるには何が必要ですか?
人工知能 (AI) や機械学習 (ML) を使用する場合は、まず解決したい問題を定義するか、調査したい質問を調査することから始めましょう。問題領域を特定したら、それを解決するための適切な AI または ML テクノロジーを決定できます。利用可能なトレーニングデータの種類とサイズを考慮し、開始する前にデータを前処理することが重要です。
オンデマンドクラウドサービスで、AI を作成、実行、管理できます。また、学習機能は Amazon Web Services (AWS) クラウドから作成、実行、管理できます。
組織は AI と ML をどのように活用できますか?
機械学習 (ML) ソリューションの中には、大半の組織に適用できるものがあります。
- 顧客セグメンテーションでは、今後の販売やマーケティング活動に役立てるために、行動、好み、特性に基づいて顧客をセグメント化します。Lion Parcel が AWS の顧客セグメンテーションをどのように使用しているかをご覧ください。
- 不正検出は、不正な取引が見つかった場合に、優先順位を判断して解決します。Luno が AWS の不正検出をどのように使用しているかをご覧ください。
- 感情分析は、顧客からのフィードバックを取り入れて製品戦略やマーケティングに役立てます。Zignal Labs が AWS の感情分析をどのように使用しているかをご覧ください。
そして、大半の組織に適用できる人工知能 (AI) ソリューションは次のとおりです。
- チャットボットは、カスタマーサービスの問い合わせやトリアージに適しています。MetroPlusHealth が AWS のチャットボットをどのように使用しているかをご覧ください。
- 音声認識は、会議を議事録に書き起こすのに最適です。Epiq が AWS の音声認識をどのように使用しているかをご覧ください。
- コンピュータビジョンは、バイオメトリクス認識システムに適しています。PayEye が AWS のコンピュータビジョンをどのように使用しているかをご覧ください。
相違点のまとめ: AI と機械学習
| 人工知能 |
機械学習 |
|
| 内容 |
AI は、人間の知能を模倣する機械ベースのアプリケーションの広義の用語です。すべての AI ソリューションが ML であるとは限りません。 |
ML は人工知能の手法のひとつです。ML ソリューションはすべて AI ソリューションです。 |
| こんな方に最適 |
AI は、複雑な人間のタスクを効率的に完了するのに最適です。 |
機械学習は、大量のデータからパターンを特定して特定の問題を解決するのに最適です。 |
| Methods |
AI は、ルールベース、ニューラルネットワーク、コンピュータービジョンなど、さまざまな方法を使用する場合があります。 |
機械学習では、生データから手動で特徴を選択して抽出し、重みを割り当ててモデルをトレーニングします。 |
| 実装 |
AI の実装はタスクによって異なります。多くの場合、AI は事前に構築され、API を介してアクセスされます。 |
特定のユースケースに合わせて新規または既存の ML モデルをトレーニングします。構築済みの ML API が利用可能です。 |
AWS は AI と機械学習の要件をどのようにサポートできますか?
AWS では、規模、複雑さ、ユースケースを問わず、人工知能と機械学習 (AI/ML) ソリューションを構築、実行、統合するのに役立つ幅広いサービスを提供しています。
Amazon SageMaker は ML ソリューションをゼロから構築するための完全なプラットフォームです。SageMaker には、事前構築済みの機械学習モデル、ストレージおよびコンピューティング機能、およびフルマネージド環境がすべて揃っています。
AI については、AWS のサービスを使用して独自の AI ソリューションをゼロから構築することも、事前に構築された人工知能 (AI) サービスをソリューションに統合することもできます。
