深度學習與機器學習:簡單辨別兩者差異

只要掌握一個最簡單的原則:深度學習也是機器學習的一種,就不難分辨深度學習與機器學習的差異。

作者: 內容行銷副理 Brett Grossfeld

發佈日期: 2021年10月06日
上次更新日期: 2021年11月02日

如果文章一開始就探討人工智慧 (AI) 的最新進展,這似乎有點令人吃不消,但如果只是學習自己有興趣瞭解的基本原則,只要把許多人工智慧的創新技術簡單分成機器學習深度學習即可。 機器學習與深度學習看起來好像是經常互換使用的行話,所以我們更要瞭解兩者的差異。

由於機器學習和深度學習的範例無所不在,因此世人更應該要瞭解兩者有何區別。 Netflix 為什麼會知道您接下來想觀賞什麼內容?Facebook 為什麼會知道相片中有誰的臉?自動駕駛車輛為什麼能夠成真?客戶服務代表為什麼會在您接受客戶滿意度調查之前,知道您對服務品質是否滿意?這些靠的全是機器學習和深度學習的技術。

那麼,主宰人工智慧對話的概念是什麼?確切的差異又在哪?
 

深度學習與機器學習的比較

只要掌握一個最簡單的原則:深度學習也是機器學習的一種,就不難分辨機器學習與深度學習的差異。

更具體地說,深度學習可以說是機器學習的進化。 深度學習使用可編程的神經網路,讓機器能夠在不需要人類協助的情況下,做出準確的決策。

但對於初學者來說,我們先來定義什麼是機器學習。

什麼是機器學習?

機器學習是一種人工智慧的應用,透過演算法剖析資料、吸收資料內容,然後將學習到的資訊與知識套用到當下情況,以做出明智完善的決定。

簡單來說,隨選音樂串流服務就是機器學習演算法的其中一種應用。 為了使該串流服務能夠決定要向某一名聽眾推薦哪一首新曲或表演者,機器學習演算法會將該聽眾的喜好與擁有類似音樂喜好的其他聽眾進行關聯。 這項技術通常簡稱為人工智慧,而且常用於許多提供自動化推薦功能的服務。

從專門阻斷惡意軟體的資安公司,到希望取得內線交易警示的金融專業人士,機器學習推動了眾多產業的各種自動化任務的發展。 人工智慧演算法經過精心編程,能夠以模擬虛擬人類助理的方式學習,而且成效十分良好。

機器學習運用了許多複雜的數學運算與編碼,才能實現像手電筒、汽車或電腦螢幕一樣的機械功能。 當我們說某個物件能夠進行「機器學習」時,是指該物件使用接收的資料執行功能,而且這項能力會隨著時間日益熟練。 這就好像你擁有一支只要說出「天黑了」就會自動亮起的手電筒;這是因為這支手電筒能夠識別包含「黑暗」的各種詞語。

接下來,我們要開始討論深度學習和深度神經網路,各位將會發現機器學習新技能的方式真的很有趣 (而且令人期待)。

什麼是深度學習?

深度學習是機器學習的分支領域,而且是以「層」的概念來建構演算法,進而創造出能夠自主學習並做出智慧決定的「人工神經網路」。

深度學習與機器學習的差異

就實務層面而言,深度學習只是機器學習的一個分支。 事實上,深度學習就是機器學習,運作方式也很類似 (因此就廣義層面而言,兩個術語有時可互換使用)。 然而,兩者所能發揮的功能並不相同。

雖然基本的機器學習模型在功能上會越來越精進,但還是需要人為介入指引。 如果人工智慧演算法傳回不準確的預測,工程師就要介入並進行調整。 在深度學習的模型中,演算法可透過自有的神經網路自行判定預測結果是否準確。

回到剛剛手電筒的例子:我們可以對手電筒進行編程,讓它在聽到有人表示「黑暗」時亮起。 由於手電筒的演算法會持續學習,所以會漸漸地在聽到任何包含此詞語的描述時亮起。 現在,如果手電筒具備深度學習模型,就會知道在聽到「我看不見」「電燈開關壞了」的時候該亮燈,不過這可能要搭配燈光感應器。 深度學習模型能夠透過自身的運算方法學習,這種運算方法能夠讓模型擁有類似人類的大腦思考能力。

深度學習的運作方式?

深度學習模型是專為持續分析資料所設計,因此採用類似於人類下結論時所使用的邏輯架構。 為此,深度學習的應用使用了名為人工神經網路的分層演算法結構。 人工神經網路的設計是以人類大腦的生理神經網路為靈感,因為它能夠促進遠比標準機器學習模型更強大的學習過程。

至於深度學習模型是否不會像其他人工智慧技術一樣做出錯誤的結論,這點還很難說,因為這個模型需要大量的訓練才能夠取得正確的學習過程。 但是如果功能性深度學習能夠發揮預期的功用,將會被視為科學上的驚人發展,因為許多人認為這才是真正的人工智慧基礎。

Google 的 AlphaGo 就是深度學習的最佳例子。 AlphaGo 是由 Google 設計的電腦程式,擁有專用的神經網路,能夠學習如何在抽象的圍棋 (Go) 比賽上對奕,並且以習得敏銳的智力和直覺判斷聞名。 AlphaGo 的深度學習模型透過和專業棋手對奕,學會超越先前人工智慧境界的棋藝,而且不需要人為介入就知道如何走下一步棋 (標準的仍需人為介入的機器學習模型)。 因此,當 AlphaGo 擊敗好幾名世界知名的圍棋大師時,造成一股不小的轟動;機器竟然不僅能夠精通複雜的西洋棋技巧與抽象的概念,還成為了最偉大的棋士之一。

複習兩者間的差異:

  • 機器學習使用演算法剖析資料,然後吸收資料,並根據學習到的知識與資訊做出明智完善的決定。
  •  

  • 深度學習則將演算法按「層」的概念建構,打造出可自行學習並做出明智決定的「人工神經網路」。
  •  

  • 深度學習是機器學習的分支領域。 雖然廣義上來說,兩者均屬於人工智慧,但深度學習能夠發揮最近似於人類思考邏輯的人工智慧功能

深度學習與機器學習的比較

以資料做為前進未來的動力

隨著目前「大數據時代」所產生的龐大資料量,我們勢必要迎接各種高深莫測的創新,而且這些技術很可能在接下來十年內問世。 專家表示,在這些創新當中,有些很可能出現在深度學習的應用上。

身兼中國主流搜尋引擎「百度」的首席科學家和 Google Brain 專案領導人之一的 Andrew Ng,在接受 Wired Magazine 採訪時,提出了一項出色的比喻。他向 Wired 的記者 Caleb Garling 表示: 「我認為人工智慧就像是在打造一艘火箭。 你需要一顆龐大的引擎和大量的燃料。 如果光只有龐大的引擎,但是燃料不夠,就無法把火箭推送至軌道上。 如果引擎太小,而燃料太多,那根本升不了空。 所以如果要打造火箭,就需要龐大的引擎和大量燃料。」

「在這個與深度學習類比的例子中,火箭的引擎就是深度學習模型,而燃料就是我們可以輸送給這些演算法的龐大資料量。」

- Andrew Ng (資料來源: Wired)

機器學習和深度學習對客戶服務所代表的意義是什麼?

當今許多客戶服務產業的人工智慧應用程式均使用機器學習演算法。 這些演算法用於促進自助服務提高客服人員生產力,以及提升工作流程的可靠性。

饋入這些演算法的資料來自不斷湧進的客戶諮詢;演算法會將相關的情境與客戶目前所面臨的問題進行比對與推算。 將該情境彙整至人工智慧應用程式後,便能夠產生更迅速準確的預測。 許多企業紛紛對人工智慧寄予厚望,產業領導者更推測和企業相關的最實用人工智慧將會落在客戶服務產業

隨著深度學習技術日益成熟精進,我們也將會在客戶服務方面,見證更先進的人工智慧應用。 Zendesk 自家結合了深度學習模型的 Answer Bot (自動回覆聊天機器人) 也是非常好的範例,可瞭解支援工單的背景情境,並學習應向客戶推薦哪些說明文章

使用人工智慧提供更出色的自助服務

《Zendesk 指南》可協助您瞭解人工智慧如何強化客戶自助服務功能

使用人工智慧提供更出色的自助服務

《Zendesk 指南》可協助您瞭解人工智慧如何強化客戶自助服務功能

閱讀指南