Виртуальные машины исторически использовались для виртуализации серверов, что позволяет ИТ-командам консолидировать свои вычислительные ресурсы и повышать эффективность. Кроме того, виртуальные машины могут выполнять определенные задачи, которые считаются слишком рискованными для выполнения в хост-среде, например доступ к зараженным вирусом данным или тестирование операционных систем. Поскольку виртуальная машина отделена от остальной системы, программное обеспечение внутри виртуальной машины не может вмешиваться в работу главного компьютера.

Виртуальная машина запускается как процесс в окне приложения, аналогично любому другому приложению, в операционной системе физической машины. Ключевые файлы, из которых состоит виртуальная машина, включают файл журнала, файл настроек NVRAM, файл виртуального диска и файл конфигурации.

Виртуальными машинами легко управлять и обслуживать, и они предлагают ряд преимуществ по сравнению с физическими машинами:   

• Виртуальные машины могут работать с несколькими средами операционных систем на одном физическом компьютере, экономя физическое пространство, время и затраты на управление.
• Виртуальные машины поддерживают устаревшие приложения, снижая стоимость перехода на новую операционную систему. Например, виртуальная машина Linux, на которой работает дистрибутив Linux в качестве гостевой операционной системы, может находиться на хост-сервере, на котором установлена ​​операционная система, отличная от Linux, например Windows.
Виртуальные машины
• также могут предоставлять интегрированные возможности аварийного восстановления и подготовки приложений.
  

Хотя виртуальные машины имеют ряд преимуществ по сравнению с физическими машинами, у них также есть некоторые потенциальные минусы: 

• Запуск нескольких виртуальных машин на одной физической машине может привести к нестабильной работе, если не будут соблюдены требования к инфраструктуре.
• Виртуальные машины менее эффективны и работают медленнее, чем полноценный физический компьютер. Большинство предприятий используют комбинацию физической и виртуальной инфраструктуры, чтобы сбалансировать соответствующие преимущества и недостатки.
  

Пользователи могут выбирать из двух разных типов виртуальных машин — виртуальных машин процессов и системных виртуальных машин:  

Виртуальная машина процесса позволяет одному процессу работать как приложение на хост-компьютере, обеспечивая независимую от платформы среду программирования, маскируя информацию о базовом оборудовании или операционной системе. Примером виртуальной машины процесса является виртуальная машина Java, которая позволяет любой операционной системе запускать приложения Java, как если бы они были родными для этой системы.

Системная виртуальная машина полностью виртуализирована для замены физической машины. Системная платформа поддерживает совместное использование физических ресурсов хост-компьютера несколькими виртуальными машинами, на каждой из которых работает собственная копия операционной системы. Этот процесс виртуализации зависит от гипервизора, который может работать на голом оборудовании, таком как VMware ESXi, или поверх операционной системы.

Все компоненты традиционного центра обработки данных или ИТ-инфраструктуры сегодня могут быть виртуализированы с помощью различных конкретных типов виртуализации:   

• Аппаратная виртуализация : При виртуализации аппаратного обеспечения создаются виртуальные версии компьютеров и операционных систем (ВМ). и объединены в единый основной физический сервер. Гипервизор взаимодействует напрямую с дисковым пространством и процессором физического сервера для управления виртуальными машинами. Виртуализация оборудования, также известная как виртуализация серверов, позволяет более эффективно использовать аппаратные ресурсы и одновременно запускать на одной машине разные операционные системы.
• Программная виртуализация : Программная виртуализация создает компьютерную систему с аппаратным обеспечением, позволяющим запускать одну или несколько гостевых операционных систем на физическом хост-компьютере. Например, ОС Android может работать на хост-компьютере, который изначально использует ОС Microsoft Windows, используя то же оборудование, что и хост-компьютер. Кроме того, приложения можно виртуализировать и доставлять с сервера на устройство конечного пользователя, например ноутбук или смартфон. Это позволяет сотрудникам получать доступ к централизованно размещенным приложениям при удаленной работе.
• Виртуализация хранилища : хранилище можно виртуализировать путем объединения нескольких физических устройств хранения, чтобы они выглядели как одно устройство хранения. Преимущества включают повышенную производительность и скорость, балансировку нагрузки и снижение затрат. Виртуализация хранилища также помогает при планировании аварийного восстановления, поскольку данные виртуального хранилища можно дублировать и быстро переносить в другое место, что сокращает время простоя.
• Виртуализация сети : В одной физической сети можно создать несколько подсетей путем объединения оборудования в единый программный виртуальный сетевой ресурс. Виртуализация сети также разделяет доступную полосу пропускания на несколько независимых каналов, каждый из которых может быть назначен серверам и устройствам в режиме реального времени. К преимуществам относятся повышенная надежность, скорость сети, безопасность и улучшенный мониторинг использования данных. Виртуализация сети может быть хорошим выбором для компаний с большим количеством пользователей, которым нужен доступ в любое время.
• Виртуализация рабочих столов : Этот распространенный тип виртуализации отделяет среду рабочего стола от физического устройства и сохраняет рабочий стол на удаленном сервере, позволяя пользователям получать доступ к своим рабочим столам из любого места на любом устройстве. Помимо простоты доступа к преимуществам виртуальных рабочих столов относятся повышенная безопасность данных, экономия средств на лицензиях и обновлениях программного обеспечения, а также простота управления.
  

Подобно виртуальным машинам, контейнерная технология, такая как Kubernetes, похожа в том смысле, что она позволяет запускать изолированные приложения на одной платформе. В то время как виртуальные машины виртуализируют аппаратный уровень для создания «компьютера», контейнеры упаковывают только одно приложение вместе с его зависимостями. Виртуальные машины часто управляются гипервизором, тогда как системы-контейнеры предоставляют общие службы операционной системы с базового хоста и изолируют приложения с помощью оборудования виртуальной памяти.

Основным преимуществом контейнеров является то, что они несут меньше накладных расходов по сравнению с виртуальными машинами. Контейнеры включают только двоичные файлы, библиотеки и другие необходимые зависимости, а также приложение. Контейнеры, находящиеся на одном хосте, используют одно и то же ядро ​​операционной системы, что делает контейнеры намного меньше, чем виртуальные машины. В результате контейнеры загружаются быстрее, максимально используют ресурсы сервера и упрощают доставку приложений. Контейнеры стали популярными для таких вариантов использования, как веб-приложения, тестирование DevOps, микросервисы и максимальное количество приложений, которые можно развернуть на сервере.

Виртуальные машины крупнее и загружаются медленнее, чем контейнеры. Они логически изолированы друг от друга, имеют собственное ядро ​​операционной системы и предлагают преимущества полностью отдельной операционной системы. Виртуальные машины лучше всего подходят для одновременного запуска нескольких приложений, монолитных приложений, изоляции между приложениями и для устаревших приложений, работающих в старых операционных системах. Контейнеры и виртуальные машины также могут использоваться вместе.

Виртуальные машины могут быть просты в настройке, и в Интернете есть множество руководств, которые помогают пользователям пройти через этот процесс. VMware предлагает одно из таких полезных руководств по настройке виртуальных машин.

• Инфраструктура виртуальных рабочих столов

• Виртуальные рабочие столы

• Деловая мобильность
• Сервер виртуализации

Связанные решения и продукты

Гипервизор рабочего стола

Обеспечьте мощную локальную песочницу виртуализации для создания, запуска или поддержки приложений.

Fusion для Mac

Виртуальные машины для Mac

Рабочая станция VMware Pro

Виртуальные машины для Windows и Linux

Глубокое обучение и машинное обучение: в чем разница?

Артикул | 11 минут чтения

Вот самый простой вывод для понимания разницы между глубоким обучением и машинным обучением: все глубокое обучение — это машинное обучение, но не все машинное обучение — это глубокое обучение.

Патрик Грив, автор статей

Последнее обновление: 23 мая 2023 г.

• Искусственный интеллект

Понимание последних достижений в области искусственного интеллекта (ИИ) может показаться ошеломляющим, но если вас интересует изучение основ, вы можете свести многие инновации ИИ к двум концепциям: машинное обучение и глубокое обучение.

Примеры машинного и глубокого обучения повсюду. Это то, что делает беспилотные автомобили реальностью, как Netflix узнает, какое шоу вы хотите посмотреть дальше, и как Facebook распознает, чье лицо изображено на фотографии.

Машинное обучение и глубокое обучение часто кажутся взаимозаменяемыми модными словечками, но между ними есть различия. Итак, что же представляют собой эти две концепции, которые доминируют в разговорах об ИИ, и чем они отличаются? Читай дальше что бы узнать.

Глубокое обучение против машинного обучения

Первый шаг к пониманию разницы между машинным обучением и глубоким обучением — признать, что глубокое обучение — это машинное обучение .

В частности, глубокое обучение считается эволюцией машинного обучения. Он использует программируемую нейронную сеть, которая позволяет машинам принимать точные решения без помощи человека.

Но для начала давайте определим машинное обучение.

Что такое машинное обучение?

Машинное обучение. Определение: Приложение искусственного интеллекта, включающее алгоритмы, которые анализируют данные, извлекают уроки из этих данных, а затем применяют полученные знания для принятия обоснованных решений.

Как работает машинное обучение?

Простым примером алгоритма машинного обучения является служба потоковой передачи музыки по запросу. Чтобы сервис принял решение о том, какие новые песни или исполнителей порекомендовать слушателю, алгоритмы машинного обучения связывают предпочтения слушателя с другими слушателями, имеющими схожие музыкальные вкусы. Этот метод, который часто просто рекламируют как ИИ, используется во многих сервисах, предлагающих автоматические рекомендации.

Машинное обучение включает в себя множество сложных математических операций и кодирования, которые, в конце концов, выполняют ту же механическую функцию, что и фонарик, автомобиль или экран компьютера. Когда мы говорим, что что-то способно к «машинному обучению», это означает, что выполняет функцию с предоставленными ему данными и со временем становится все лучше. Это как если бы у вас был фонарик, который включался бы всякий раз, когда вы говорили: «Темно»; он распознает разные фразы, содержащие слово «темный».

Машинное обучение стимулирует выполнение всевозможных автоматизированных задач в различных отраслях: от фирм по обеспечению безопасности данных, которые выслеживают вредоносное ПО, до финансовых специалистов, которым нужны оповещения о выгодных сделках. Алгоритмы ИИ запрограммированы на постоянное обучение таким образом, чтобы имитировать виртуального личного помощника, и с этим они справляются довольно хорошо.

То, как машины могут обучаться новым трюкам, становится действительно интересным (и захватывающим), когда мы начинаем говорить о глубоком обучении и глубоких нейронных сетях.

Что такое глубокое обучение?

Определение глубокого обучения: Подобласть машинного обучения, которая структурирует алгоритмы по уровням для создания «искусственной нейронной сети», которая может обучаться и самостоятельно принимать интеллектуальные решения.

Как работает глубокое обучение?

Модель глубокого обучения предназначена для непрерывного анализа данных с логической структурой, аналогичной тому, как человек делает выводы. Чтобы завершить этот анализ, приложения глубокого обучения используют многоуровневую структуру алгоритмов, называемую искусственная нейронная сеть . Дизайн искусственной нейронной сети вдохновлен биологической сетью нейронов в человеческом мозге, что привело к созданию системы обучения, которая намного более эффективна, чем у стандартных моделей машинного обучения.

Непросто убедиться, что модель глубокого обучения не делает неверных выводов — как и в других примерах ИИ, для правильной организации процессов обучения требуется много тренировок. Но когда функциональное глубокое обучение работает так, как задумано, его часто воспринимают как научное чудо, которое многие считают основой настоящего искусственного интеллекта.

Ярким примером глубокого обучения является Google AlphaGo. Google создала компьютерную программу с собственной нейронной сетью, которая научилась играть в абстрактную настольную игру Го, известную тем, что требует острого интеллекта и интуиции. Играя против профессиональных игроков в го, модель глубокого обучения AlphaGo научилась играть на уровне, ранее невиданном для ИИ, и сделала это без указания, когда ей следует сделать определенный ход (как того требует стандартная модель машинного обучения).

Когда AlphaGo победила нескольких всемирно известных «мастеров» игры, она произвела настоящий фурор — машина могла не только понять сложные приемы и абстрактные аспекты игры, но и стать одним из величайших игроков. Это была битва человеческого интеллекта и искусственного интеллекта, и последний победил.

Для более практических вариантов использования представьте себе приложение для распознавания изображений, которое может идентифицировать тип цветка или вид птицы на основе фотографии. Эта классификация изображений основана на глубокой нейронной сети. Глубокое обучение также помогает распознавать и переводить речь, а буквально управляет беспилотными автомобилями.

Разница между машинным обучением и глубоким обучением

С практической точки зрения, глубокое обучение — это всего лишь часть машинного обучения. На самом деле, глубокое обучение — это машинное обучение, и оно функционирует аналогичным образом (поэтому термины иногда меняются местами). Однако возможности у него разные.

Несмотря на то, что базовые модели машинного обучения постепенно улучшают выполнение своих специфических функций по мере получения новых данных, они по-прежнему нуждаются в некотором вмешательстве человека. Если алгоритм ИИ возвращает неточный прогноз, инженер должен вмешаться и внести коррективы. В модели глубокого обучения алгоритм может определить, является ли прогноз точным, с помощью собственной нейронной сети — помощь человека не требуется.

Зрелость CX среди малых и средних предприятий Северной Америки

Zendesk сотрудничает с ESG Research, чтобы создать основу для зрелости CX и успеха CX, чтобы помочь руководителям малого и среднего бизнеса (SMB) определить свое положение и построить дорожную карту на будущее.

Подробнее

Вернемся к примеру с фонариком: его можно запрограммировать на включение, когда он распознает звуковой сигнал, когда кто-то произносит слово «темно». По мере того, как он продолжает учиться, он может в конечном итоге выполнить эту задачу, когда услышит любую фразу, содержащую это конкретное слово. Но если бы у фонаря была модель глубокого обучения, он мог бы понять, что он должен включаться с репликами «Я не вижу» или «Выключатель света не работает», возможно, в тандеме с датчиком освещенности.

Модель глубокого обучения способна учиться с помощью собственного метода вычислений — метода, благодаря которому создается впечатление, что у нее есть собственный мозг.

Напомним, основные различия между машинным обучением и глубоким обучением:

• Машинное обучение использует алгоритмы для анализа данных, извлечения уроков из этих данных и принятия обоснованных решений на основе полученных знаний.
• Глубокое обучение структурирует алгоритмы слоями для создания «искусственной нейронной сети», которая может обучаться и самостоятельно принимать интеллектуальные решения.
• Глубокое обучение — это часть машинного обучения. Хотя оба они подпадают под широкую категорию искусственного интеллекта, глубокое обучение — это то, что делает ИИ наиболее похожим на человека.

Какие существуют типы машинного обучения?

Чтобы немного углубиться в сорняки, давайте рассмотрим три основных типа машинного обучения и их отличия друг от друга.

1. Контролируемое обучение

Как вы могли догадаться из названия, это подмножество машинного обучения требует наибольшего контроля. Компьютер получает обучающие данные и модель реагирования на данные.

Когда новые данные поступают на компьютер, специалист по данным «наблюдает» за процессом, подтверждая точные ответы компьютера и исправляя неточные ответы компьютера.

Например, представьте, что программист пытается «научить» компьютер различать собак и кошек. Они будут передавать компьютерной модели набор размеченных данных; в этом случае изображения кошек и собак, которые четко идентифицированы. Со временем модель начала распознавать закономерности, например, что у кошек длинные усы или что собаки могут улыбаться. Затем программист начинал скармливать компьютеру немаркированные данные (неопознанные фотографии) и тестировал модель на ее способность точно идентифицировать собак и кошек.

2. Обучение без учителя

Обучение с учителем предполагает предоставление модели всех «правильных ответов» (размеченных данных) в качестве способа научить ее распознавать неразмеченные данные. Это все равно, что попросить кого-то прочитать справочник по птицам, а затем использовать карточки, чтобы проверить, научились ли они самостоятельно определять разные виды.

В отличие от этого, неконтролируемое обучение влечет за собой ввод в компьютер только неразмеченных данных, а затем позволяет модели самостоятельно идентифицировать закономерности. Этот метод машинного обучения обычно используется в тех случаях, когда неясно, как будут выглядеть результаты, поэтому вам нужен компьютер, чтобы копаться в скрытых слоях данных и группировать (или группировать) данные вместе на основе сходств или различий.

Например, ваша компания хочет проанализировать данные для определения сегментов клиентов. Но вы еще не знаете, какие сегменты существуют. Вам нужно будет ввести немаркированные входные данные в модель обучения без учителя, чтобы она могла действовать как собственный классификатор потребительских сегментов.

3. Обучение с подкреплением

Метод обучения с подкреплением — это метод проб и ошибок, который позволяет модели учиться, используя обратную связь от собственных действий. Компьютер получает «положительную обратную связь», когда он правильно понимает или классифицирует данные, и «отрицательную обратную связь», когда он терпит неудачу. «Награждая» за хорошее поведение и «наказывая» за плохое, этот метод обучения усиливает первое. (И это отличает обучение с подкреплением от обучения с учителем, в котором специалист по данным просто подтверждает или исправляет модель, а не вознаграждает или наказывает ее.)

Обучение с подкреплением помогает машинам справляться со сложными задачами, связанными с большими наборами данных, например с вождением автомобиля. Путем множества проб и ошибок программа учится принимать ряд решений, что необходимо для многих многоэтапных процессов.

Какие существуют типы алгоритмов глубокого обучения?

Машинное обучение может позволить компьютерам решать замечательные задачи, но им все еще не хватает человеческого интеллекта. С другой стороны, глубокие нейронные сети моделируются по образцу человеческого мозга, представляя собой еще более сложный уровень искусственного интеллекта.

Существует несколько различных типов алгоритмов глубокого обучения. Мы рассмотрим самые популярные модели.

Сверточные нейронные сети

Сверточные нейронные сети (CNN) — это алгоритмы, специально разработанные для обработки изображений и обнаружения объектов. «Свертка» — это уникальный процесс фильтрации изображения для оценки каждого элемента в нем.

CNN часто используются для обеспечения компьютерного зрения, области ИИ, которая учит машины, как обрабатывать визуальный мир. Технология распознавания лиц является распространенным применением компьютерного зрения.

Рекуррентные нейронные сети

Рекуррентные нейронные сети (RNN) имеют встроенные петли обратной связи, которые позволяют алгоритмам «запоминать» прошлые точки данных. RNN могут использовать эту память о прошлых событиях, чтобы информировать их о текущих событиях или даже предсказывать будущее.

Глубокая нейронная сеть может «думать» лучше, когда она имеет такой уровень контекста. Например, картографическое приложение на основе RNN может «запоминать», когда трафик ухудшается. Затем он может использовать эти знания, чтобы порекомендовать альтернативный маршрут, когда вы вот-вот попадете в пробку.

Данные как топливо будущего

Благодаря огромному количеству новых данных, производимых нынешней «эрой больших данных», мы обязательно увидим инновации, которые мы даже не можем себе представить. По словам экспертов по данным, некоторые из этих прорывов, вероятно, будут приложениями для глубокого обучения.

Эндрю Нг, бывший главный научный сотрудник крупнейшей поисковой системы Китая Baidu и один из руководителей проекта Google Brain, поделился прекрасной аналогией с моделями глубокого обучения с Wired :

«Я думаю, что ИИ сродни строительству ракетного корабля — вам нужен огромный двигатель и много топлива», — сказал он журналисту Wired Калебу Гарлингу. «Если у вас большой двигатель и небольшое количество топлива, вы не доберетесь до орбиты. Если у вас крошечный двигатель и тонна топлива, вы даже не сможете взлететь. Чтобы построить ракету, нужен огромный двигатель и много топлива. Аналогия с глубоким обучением заключается в том, что ракетный двигатель — это модели глубокого обучения, а топливо — огромные объемы данных, которые мы можем передать этим алгоритмам».

Значение машинного и глубокого обучения для обслуживания клиентов

Многие из современных приложений ИИ в сфере обслуживания клиентов используют алгоритмы машинного обучения. Они используются для самообслуживания, повышения производительности агентов и повышения надежности рабочих процессов.

Данные, загружаемые в эти алгоритмы, поступают из постоянного потока входящих запросов клиентов, включая соответствующий контекст проблем, с которыми сталкиваются покупатели. Объединение всей этой информации в приложение ИИ, в свою очередь, приводит к более быстрым и точным прогнозам. Это сделало искусственный интеллект захватывающей перспективой для многих предприятий, а лидеры отрасли предполагают, что наиболее практичными вариантами использования ИИ, связанного с бизнесом, будет обслуживание клиентов.

Например, машинное обучение и глубокое обучение используются для обработки естественного языка (NLP) — области информатики, которая позволяет компьютерам понимать текст и речь. В мире CX Amazon Alexa и Siri от Apple — два хороших примера «виртуальных агентов», которые могут использовать распознавание речи для ответа на вопросы потребителя.

Боты обслуживания клиентов на основе ИИ также используют те же методы обучения, чтобы реагировать на печатный текст. Отличным примером из реальной жизни являются продвинутые боты Zendesk. Это усовершенствованные боты для обмена сообщениями и электронной почтой, которые используют самую обширную базу данных о намерениях клиентов, характерную для команд CX в вашей отрасли, для более персонализированных и точных ответов, более высокой производительности агентов и более быстрой настройки.