W ostatnim czasie dużo słyszy się o uczeniu maszynowym, głębokim uczeniu, sztucznej inteligencji i inteligencji obliczeniowej. Pojęcia te są odmieniane przez wszystkie przypadki i często nie wiadomo, co autor miał na myśli. W tym krótkim wpisie postaram się wyjaśnić znaczenie owych pojęć, jednak na wstępie zaznaczam, że istnieje powszechny problem z finalnymi formalnymi definicjami.

Sztuczna Inteligencja (Artificial intelligence, AI) jest częścią tzw. Inteligencji Obliczeniowej, która dąży do rozwiązania zagadnień efektywnie niealgorytmizowalnych przy pomocy obliczeń.

Sztuczna inteligencja zajmuje się zagadnieniami, które nie są efektywnie algorytmizowalne w oparciu o modelowanie wiedzy. AI jest skupiona na rozwiązywaniu problemów z zakresu procesów kognitywnych wysokiego poziomu, takich jak język, myślenie, rozumowanie logiczne - czyli takich, gdzie potrzebna jest inteligencja do rozwiązania problemu. Inteligencja obliczeniowa zajmuje się oprócz tego procesami kognitywnymi niskiego poziomu, podstawowym przetwarzaniem sygnałów z sensorów, percepcją i sterowaniem…

Systemy opierające się na AI są zdolne do przyswajania, analizowania oraz do wykorzystywania zaistniałych faktów i wiedzy do pozyskiwania kolejnych faktów.  Warto nadmienić, że sztuczna inteligencja nie jest jednolitym pojęciem - to zbiór różnych metod, często od siebie niezależnych. Zaliczamy do nich np. metody symboliczne, systemy ekspertowe, sztuczne sieci neuronowe, algorytmy mrówkowe, technikę zbiorów przybliżonych, teorię zbiorów rozmytych etc. Można także powiedzieć, że w ramach sztucznej inteligencji tworzymy systemy, które przejawiają zachowania podobne do ludzkich. W tym celu badamy reguły rządzące zachowaniem człowieka, tworzymy modele matematyczne tych zachowań i implementujemy w formie programów komputerowych. 

Uczenie maszynowe (Machine learning, ML) jest częścią sztucznej inteligencji lub inteligencji obliczeniowej i zajmuje się algorytmami do analizowania danych i uczenia się na podstawie tych danych, a następnie wykorzystywania zdobytej wiedzy do np. przewidywania czegoś. Są cztery główne rodzaje uczenia maszynowego: nadzorowane, pół-nadzorowane, nienadzorowane i ze wzmocnieniem.

Głębokie uczenie (Deep learning) jest to podzbiór uczenia maszynowego, który zajmuje się klasyfikowaniem, rozpoznawaniem, wykrywaniem i opisywaniem danych przy pomocy głębokich sztucznych sieci neuronowych ("na głębszym poziomie" niż tradycyjne uczenie maszynowe). Struktura modelu jest hierarchiczna i jest złożona z wielu nieliniowych warstw przetwarzania. Komputer buduje pojęcia złożone na podstawie pojęć prostszych. Pozwala to na rozwiązywanie bardziej skomplikowanych problemów, takich jak wykrywanie obiektów, rozpoznawanie mowy, klasyfikacja obrazów (przykładowo obraz osoby jest reprezentowany poprzez połączenie prostszych pojęć - narożników i kontur, które są zdefiniowane jako krawędzie - z obrazu są wyciągane coraz bardziej abstrakcyjne cechy). Głębokie uczenie jest zainspirowane strukturą mózgu i za cel stawia sobie budowę głębokich sieci neuronowych (rekurencyjnych, konwolucyjnych, jednokierunkowych, LSTM).