Τι είναι το Machine Learning και πώς διαφέρει από το Deep Learning και τη Generative AI;
Φαντάσου έναν αυτοδίδακτο καλλιτέχνη.
Δεν έχει δίπλα του έναν δάσκαλο που του λέει κάθε στιγμή:
«τώρα βάλε αυτή τη γραμμή»,
«τώρα διάλεξε αυτό το χρώμα»,
«τώρα κάνε ακριβώς αυτή την κίνηση».
Αντί γι’ αυτό, παρατηρεί πολλά έργα.
Βλέπει σχέδια, πίνακες, σχήματα, χρώματα, τεχνικές.
Δοκιμάζει μόνος του.
Κάνει λάθη.
Συγκρίνει.
Βελτιώνεται.
🎯 Δεν έχει προγραμματιστεί βήμα βήμα για κάθε περίπτωση.
Μαθαίνει από παραδείγματα.
Αυτό είναι το πρώτο μεγάλο κλειδί για να καταλάβουμε το Machine Learning. 🤖
🖼️ Δραστηριότητα 1 — Τι σημαίνει «μαθαίνω από παραδείγματα»;
Ο αυτοδίδακτος καλλιτέχνης θέλει να ζωγραφίσει δέντρα. 🌳
Τι κάνει;
Βλέπει πολλά παραδείγματα:
🌲 πεύκα
🌳 πλατάνια
🍂 φθινοπωρινά δέντρα
🌸 ανθισμένα δέντρα
Παρατηρεί:
- τα σχήματα
- τα χρώματα
- τις σκιές
- τις γραμμές
- τα επαναλαμβανόμενα μοτίβα
Σιγά σιγά αρχίζει να αναγνωρίζει τι κάνει ένα δέντρο να «μοιάζει» με δέντρο.
💡 Αυτό είναι πολύ κοντά στο Machine Learning:
το σύστημα βλέπει δεδομένα, βρίσκει μοτίβα και τα χρησιμοποιεί για να κάνει προβλέψεις ή επιλογές.
Άρα:
παραδείγματα → μοτίβα → μάθηση
🤖 Δραστηριότητα 2 — Αυτό είναι το Machine Learning
Τώρα ας πούμε ότι αντί για καλλιτέχνη έχουμε ένα σύστημα ΤΝ.
Του δίνουμε πολλά δεδομένα.
Για παράδειγμα:
📧 μηνύματα spam και μη spam
🎬 προτάσεις ταινιών που άρεσαν ή δεν άρεσαν
🛒 αγορές πελατών
📈 στοιχεία για ζήτηση προϊόντων
Το σύστημα ψάχνει μοτίβα.
Μαθαίνει, για παράδειγμα:
- ποια χαρακτηριστικά δείχνουν spam
- ποια προτίμηση οδηγεί σε μια πρόταση
- ποια δεδομένα συνδέονται με μια πρόβλεψη
📌 Αυτό είναι το Machine Learning:
ένας τρόπος ώστε το σύστημα να μαθαίνει από δεδομένα, χωρίς να έχει προγραμματιστεί ρητά για κάθε μία ξεχωριστή περίπτωση.
Όπως ο αυτοδίδακτος καλλιτέχνης δεν έχει μία έτοιμη συνταγή για κάθε ζωγραφιά, έτσι και το σύστημα ML δεν έχει μία έτοιμη εντολή για κάθε πρόβλεψη.
🧠 Δραστηριότητα 3 — Πότε φτάνουμε στο Deep Learning;
Ο αυτοδίδακτος καλλιτέχνης συνεχίζει.
Στην αρχή βλέπει απλά πράγματα:
✏️ γραμμές
⚪ κύκλους
🔺 σχήματα
🎨 βασικά χρώματα
Μετά αρχίζει να συνδυάζει:
- σχήματα σε αντικείμενα
- αντικείμενα σε σκηνές
- σκηνές σε ύφος
- ύφος σε ολόκληρη αισθητική
Δηλαδή μαθαίνει σε επίπεδα.
Πρώτα το απλό.
Μετά το πιο σύνθετο.
Μετά το ακόμη πιο σύνθετο.
💡 Εδώ έχουμε την καλύτερη γέφυρα προς το Deep Learning.
Το Deep Learning είναι υποσύνολο του Machine Learning και βασίζεται σε νευρωνικά δίκτυα με πολλά επίπεδα.
Άρα:
- το Machine Learning μαθαίνει από δεδομένα
- το Deep Learning είναι μια πιο ειδική μορφή του, που χρησιμοποιεί πολλά «στρώματα» για να μάθει πολύ πιο σύνθετα μοτίβα
🎯 Όπως ο καλλιτέχνης δεν βλέπει μόνο «γραμμές», αλλά φτάνει να αναγνωρίζει σύνθεση, ύφος, μορφή και ατμόσφαιρα, έτσι και το Deep Learning μπορεί να μάθει πιο σύνθετες δομές.
🎶 Δραστηριότητα 4 — Πότε φτάνουμε στη Generative AI;
Ο καλλιτέχνης τώρα δεν μένει μόνο στο να αναγνωρίζει.
Δεν λέει απλώς:
«αυτό είναι δέντρο»
ή
«αυτό το έργο μοιάζει με εκείνο».
Κάνει κάτι άλλο.
Δημιουργεί.
Ζωγραφίζει ένα νέο τοπίο.
Συνθέτει ένα νέο τραγούδι.
Γράφει ένα νέο ποίημα.
Σχεδιάζει μια νέα εικόνα.
✨ Αυτό είναι το σημείο όπου η αναλογία μάς οδηγεί στη Generative AI.
Η Generative AI είναι η μορφή ΤΝ που δεν περιορίζεται στο να ταξινομεί, να προβλέπει ή να αναγνωρίζει.
Μπορεί να παράγει νέο περιεχόμενο:
- κείμενο
- εικόνες
- ήχο
- μουσική
- βίντεο
📌 Άρα:
Machine Learning → μαθαίνει από δεδομένα
Deep Learning → μαθαίνει με νευρωνικά δίκτυα πολλών επιπέδων
Generative AI → χρησιμοποιεί αυτή τη μάθηση για να δημιουργεί νέο περιεχόμενο
🪜 Δραστηριότητα 5 — Η σχέση των εννοιών
Εδώ χρειάζεται να το ξεκαθαρίσουμε πολύ καθαρά.
Φαντάσου τέσσερις κύκλους, ο ένας μέσα στον άλλον.
1. Τεχνητή Νοημοσύνη (AI)
Είναι ο πιο μεγάλος κύκλος.
Περιλαμβάνει όλους τους τρόπους με τους οποίους μια μηχανή μπορεί να κάνει κάτι που μοιάζει «έξυπνο».
Δεν είναι όλα Machine Learning.
Μπορεί να περιλαμβάνει και:
- κανόνες
- λογική
- σχεδιασμό
- συστήματα αποφάσεων
2. Machine Learning (ML)
Είναι ένα κομμάτι της ΤΝ.
Εδώ το σύστημα μαθαίνει από δεδομένα.
3. Deep Learning (DL)
Είναι ένα κομμάτι του Machine Learning.
Εδώ η μάθηση γίνεται με νευρωνικά δίκτυα πολλών επιπέδων.
4. Generative AI
Είναι ένα κομμάτι του Deep Learning.
Εδώ το σύστημα μπορεί να δημιουργεί νέο περιεχόμενο.
💡 Άρα:
όλη η Generative AI είναι Deep Learning
όλο το Deep Learning είναι Machine Learning
όλο το Machine Learning είναι Τεχνητή Νοημοσύνη
αλλά όχι όλη η Τεχνητή Νοημοσύνη είναι Machine Learning
🎨 Δραστηριότητα 6 — Η αναλογία με τον αυτοδίδακτο καλλιτέχνη, βήμα βήμα
Ας το βάλουμε τώρα όλο μαζί:
Ο κόσμος της τέχνης → Τεχνητή Νοημοσύνη
Όλοι οι τρόποι με τους οποίους μπορεί να παραχθεί ή να οργανωθεί ένα έργο.
Ο αυτοδίδακτος καλλιτέχνης που μαθαίνει από παραδείγματα → Machine Learning
Δεν ακολουθεί μόνο άκαμπτους κανόνες.
Μαθαίνει από όσα βλέπει.
Ο αυτοδίδακτος καλλιτέχνης που μαθαίνει σε πολλά επίπεδα ύφους, μορφής και σύνθεσης → Deep Learning
Η μάθησή του γίνεται πιο σύνθετη και πολυεπίπεδη.
Ο καλλιτέχνης που δημιουργεί νέο έργο → Generative AI
Πηγαίνει πέρα από την αναγνώριση ή την κατανόηση και φτάνει στη δημιουργία.
⚠️ Δραστηριότητα 7 — Τι πρέπει να προσέξουμε στην αναλογία
Η αναλογία βοηθά, αλλά δεν πρέπει να μας μπερδεύει.
Ο αυτοδίδακτος καλλιτέχνης:
❤️ έχει πρόθεση
🧠 έχει συνείδηση
🎨 έχει προσωπική εμπειρία
🌍 ζει μέσα σε κοινωνικό και πολιτισμικό πλαίσιο
Το σύστημα ΤΝ δεν έχει αυτά τα ανθρώπινα χαρακτηριστικά.
Δεν δημιουργεί επειδή «νιώθει έμπνευση».
Μαθαίνει από δεδομένα και λειτουργεί με μαθηματικούς υπολογισμούς.
Άρα η αναλογία είναι χρήσιμη για να δούμε τη λογική της μάθησης και της δημιουργίας — όχι για να πούμε ότι η ΤΝ είναι άνθρωπος.
🎲 Μικρό πείραμα
Σκέψου τέσσερις περιπτώσεις:
- Ένα σύστημα ακολουθεί μόνο έτοιμους κανόνες.
- Ένα σύστημα μαθαίνει από παραδείγματα και κάνει προβλέψεις.
- Ένα σύστημα χρησιμοποιεί πολλά επίπεδα νευρωνικών δικτύων για να μάθει πιο σύνθετα μοτίβα.
- Ένα σύστημα δημιουργεί ένα νέο ποίημα ή μια νέα εικόνα.
Μπορείς να τα ταιριάξεις;
- 1 → Τεχνητή Νοημοσύνη, αλλά όχι απαραίτητα ML
- 2 → Machine Learning
- 3 → Deep Learning
- 4 → Generative AI
🧭 Η μεγάλη εικόνα
Μέχρι τώρα έχουμε δει:
🎭 πώς εκπαιδεύεται ένα μοντέλο
📚 από τι δεδομένα μαθαίνει
🧩 πώς βλέπει tokens
🎼 πώς οργανώνει έννοιες σε σχέσεις
🧠 πώς λειτουργούν τα νευρωνικά δίκτυα
🎨 και τώρα πώς ξεχωρίζουν η ΤΝ, το Machine Learning, το Deep Learning και η Generative AI
Άρα αρχίζει να ξεκαθαρίζει το τοπίο:
ΤΝ → Machine Learning → Deep Learning → Generative AI
📌 Συνοψίζοντας...
«Τι είναι το Machine Learning;
Και πώς διαφέρει από το Deep Learning και τη Generative AI;»
Τώρα οι συμμετέχοντες έχουν ήδη καταλάβει ότι:
✅ το Machine Learning μαθαίνει από δεδομένα
✅ το Deep Learning είναι πιο ειδική μορφή μάθησης με πολλά επίπεδα
✅ η Generative AI μπορεί να δημιουργεί νέο περιεχόμενο
✅ η ΤΝ είναι η πιο μεγάλη ομπρέλα που τα περιλαμβάνει
Να θυμάσαι:
🎨 Όπως ένας αυτοδίδακτος καλλιτέχνης μαθαίνει μόνος του παρατηρώντας πολλά παραδείγματα, έτσι και ένα σύστημα Machine Learning μαθαίνει από δεδομένα.
🧠 Όταν αυτή η μάθηση γίνεται με πολυεπίπεδα νευρωνικά δίκτυα, μιλάμε για Deep Learning.
✨ Όταν το σύστημα μπορεί να παράγει νέο κείμενο, εικόνες, ήχο ή άλλο περιεχόμενο, μιλάμε για Generative AI.
🔢 Όλα αυτά γίνονται με μαθηματικούς τρόπους, όχι με ανθρώπινη καλλιτεχνική εμπειρία.
Και από εδώ βγαίνει πολύ ωραία το επόμενο ερώτημα:
🤔 Αν η Generative AI δημιουργεί νέο περιεχόμενο…
πώς γίνεται αυτό στην πράξη όταν της κάνουμε μια ερώτηση;