ADOBE REAL-TIME CDP
深度學習和機器學習之對比
當今，各地的企業領導者非常青睞人工智慧 (AI) 和機器學習 (ML)、深度學習、自然語言處理 (NLP) 之類的其他新技術。這些先進技術是互連的，其中 AI 是所有這些技術的核心。
AI 是寬泛的概念，其包括旨在模擬人類智慧、執行任務以及不斷自我改進的任何技術。ML 是 AI 的一個子集，深度學習是 ML 的子集。
機器學習和深度學習是互連的，用於提供 NLP 工具，執行語音識別，處理和解釋圖像，助力聊天機器人等等很多用途。企望走在時代前沿、保持競爭優勢的企業領導者需要了解這些技術，其工作原理以及優勢。
探討此頁面各部分內容
何為深度學習？
何為機器學習？
深度學習和機器學習之間的不同之處
深度學習和機器學習的優勢
深度學習和機器學習如何協作
如何運用深度學習和機器學習
何為深度學習？
深度學習是由至少三個不同層級構成的神經網路。這些網路將不斷嘗試模擬人腦的認知功能，使得技術可以透過分析海量數據不斷學習和進步。單一神經網路可以預測，但是新增其他層可以提高算法的精確度。
許多人工智慧技術依賴深度學習執行實際和分析動作，而無需人的輸入。部分示例包括信用卡欺詐檢測、語音搜尋以及數位助理。
研究人員繼續探索深度學習的新用途。剛剛興起的令人振奮的應用包括無人駕駛汽車，協助人類挑選貨物的自動倉儲裝置。
由於人們對深度學習的不斷投資和不斷擴充的使用案例，預計市場在 2023 和 2030 之間的年復合增長率為 33.5%。
何為機器學習？
機器學習是 AI 分支，其涉及使用數據和算法模擬人腦知識，透過試錯學習。ML 算法需要大量數據來完成指定任務的學習和改進。此過程略微不同於深度學習，後者為 ML 的子集。
監管學習
監管學習是引導式學習技術，使用者向算法提供已知數據集。每個數據集包括輸出和輸入。
在算法進行預測時，操作者執行糾正作業，這樣機器可以學習和改進。操作者重複此流程，直到系統獲取可接受的精確水平。
半監管學習
在半監管學習中，操作者向算法提供已知和非標記數據。標記數據包含協助算法理解它的標籤。非標記數據不包括任何標籤或標示符。
透過分析標記和非標記數據，ML 算法可以學會處理非結構化資訊。
鞏固學習
鞏固學習執行既定流程，教算法如何使用試錯。操作者建立嚴格的參數，向 ML 系統提供定義的動作。該算法將探索約束條件內的數據集，了解哪些策略得到期望的結果。
非監管學習
在非監管學習流程中，將向 ML 算法提供大型數據集。不會提供任何指導，而是算法根據是否適宜來自由組織和安排數據。
深度學習和機器學習之間的不同之處
在 ML 流程中，算法必須不斷擷取更多資訊學習如何進行精準預測。例如，ML 算法可能不得不執行功能提取，以獲取特定數據集的其他資訊。
相反地，深度學習可以透過內在的數據處理功能來使用多層神經網路基礎架構，進行精準預測。
深度學習技術大大降低了產生精確輸出所需的人工干預。此外，深度學習算法可以處理大型數據集，即使數據是非結構化的。
讓我們透過了解深度學習和機器學習的不同之處，進一步認識兩種機制。
數據點的數量
機器學習可以僅使用少量數據進行預測。但是，這些算法存取的數據越多，預測越精確。
深度學習算法必須輸入大量數據才能成功輸出，當提供少量數據集時它們無法發揮作用。
特征化流程
在機器學習中，使用者必須精確標記或標示數據特征。通常，ML 算法不能進行獨立的特征化，即建立新特征的過程。
相反，深度學習算法可以從非結構化數據學習高層次的特征。這些算法還可以單獨建立新特征。
硬體相依性
機器學習解決方案使用三個或更少的神經網路層，表明他們不需要重大的計算功能發揮作用。因此，ML 算法可以在低端裝置上執行。
深度計算期間，算法將執行不穩定數量的矩陣乘法運算。需要強勁的硬體協助這些運算。
執行時間
大多數機器學習算法可以在幾小時內訓練完成，尤其是簡單的預算僅需訓練幾分鐘。那是因為算法僅使用幾個神經網路層處理資訊。
相比之下，深度學習算法使用許多隱藏層處理數據。尤其是複雜算法需要花費數天或者數周加以訓練。
輸出
機器學習算法輸出幾乎總是表示為數值。此值可能是一個分類或分數。
深度學習輸出可以採取許多形式，包括聲音、分數或文字。這種多樣性使得深度學習適合於從與消費者通信到支援啟用語音的電視遙控器等大量應用。
學習方法
ML 算法將複雜的學習過程分成可管理的小步驟。然後，算法將結果合併到整合輸出中。
深度學習使用從開始到結束的方法解決問題。該算法使用原始輸入數據解決問題，不需要人工提取特征。
深度學習和機器學習的優勢
深度學習和機器學習有很多優勢。下面是最值得關注的部分優勢。
- 更多數據輸入來源。 根據若干評估顯示，公司收集的數據中 80% 到 90% 是非結構化的。此數據無法使用標準工具分析，但是公司可以將 ML 和 DL 的工具結合起來探究數據。
- 更快、更好的決策制定。 深度學習和 ML 算法為企業領導者提供可行動的分析，他們可以使用其指引決策制定流程。
- 運營效率提升。 根據美國的商業調查，33% 的受訪者表示節約時間是機器學習工具的最大優勢。
- 更理想的客戶體驗。 機器學習工具透過為目標受眾心理提供可行動的分析來顯著改進客戶體驗。消費者也參與進來，48% 的調查參與者表示如果 AI 改進他們的體驗，他們將願意更頻繁使用 AI。
- 降低成本。 透過洞察客戶心理，加快決策制定，增加整體效率，ML 和深度學習工具為顯著的成本節約奠定基礎。
正如您所見，在您的工作流程中加入機器學習和深度學習算法可以正面影響企業的方方面面。
深度學習和機器學習如何協作
深度學習是機器學習的子集，兩項技術已經結合起來。但是您可以有意地使用深度學習算法和 ML 算法，相互間解析複雜數據集。
工作原理
深度學習解決方案將結構化或分層多個機器學習算法，形成前面所述的神經網路。當數據透過每一層不斷發展時，算法將評估資訊，根據所學內容制定決策。
假如您已經收集了客戶購物習慣的大量數據，其大多數為非結構化數據。您可以使用深度學習技術篩選和分類原始數據。然後，您可以使用 ML 算法高效評估更少的新結構化資訊子集，甄別詳細資訊。
我們每天都在使用深度學習和機器學習。AI 助力的語音助理是一個典型例子，97% 的行動使用者已經依賴此技術。
運用深度學習和機器學習
在將 AI 技術融入您的工作流程中時，您不必在機器學習或深度學習之間進行選擇，而是可以相輔相成利用兩者。讓我們對比深度學習和機器學習在不同產業、企業用途和社會的應用。
深度學習使用案例
部分深度學習使用案例包括：
- 金融服務業： 深度學習算法可以協助金融機構預測市場狀況，指導投資，更好服務客戶。
- 客戶服務： 深度學習可以讓客戶服務團隊加快提供支援，預測使用者需求。
- 執法： 執法機構可以使用深度學習預測犯罪趨勢，保護社群。
- 醫療保健業： 深度學習工具可以協助醫療專家進行診斷，改進患者狀況。
隨著深度學習技術的不斷進步，它將毫無疑問地向其他領域延伸。
機器學習使用案例
部分 ML 使用案例包括：
- 個人化網站： ML 允許品牌根據瀏覽歷史記錄和其他數據向消費者提供個人化的體驗。
- 搜尋引擎： 同樣，搜尋引擎使用 ML 算法預測未來行為，向使用者提供更好的結果。
- 聊天機器人： 聊天機器人可以在一段時間後學習如何為使用者提供更快、更精確的回應。
了解 Adobe Real-Time Customer Data Platform (CDP) 如何協助您深入探究此類使用案例，讓機器學習和深度學習為您的企業服務。
Adobe Sensei 生成式 AI 提供支援的 Adobe Real-Time CDP 讓工作更智慧、更簡單、更快捷。觀看概覽影片或者 進行產品導覽 以了解更多。
