AI również chodzi do szkoły

Daleka droga jeszcze przed nami do opracowania ogólnej AI, której intelekt będzie na poziomie człowieka, a do tego będzie posiadała zdolność do uczenia się równą tej ludzkiej.  Jednak systemy, z którymi dzisiaj współpracujemy, pilnie uczą się pod opieką specjalistów i rozwijają dzięki zdobywanym informacjom. Przyjrzymy się więc temu, jak wygląda taki proces szkolenia. 

Źródło i autor zdjęcia: Freepik, vecstock.

Podstawową cechą charakterystyczną sztucznej inteligencji jest jej zdolność do uczenia się. Pierwsze warianty sztucznej inteligencji były prostymi algorytmami, które realizowały postawione przed nimi zadania bez głębszej refleksji. Z czasem, mając dostęp do konkretnej bazy danych, były w stanie ją przeanalizować, aby zidentyfikować najlepszą odpowiedź na zadane pytanie.  

Wraz z rozwojem sieci neuronowych oraz rosnącymi możliwościami technicznymi komputerów, algorytmy AI zaczęły się realnie uczyć. Pokonują mistrzów szachowych, opracowują leki i szczepionki, odpowiadają w czasie rzeczywistym na pytania wymagające specjalistycznej wiedzy. Jednak, aby to wszystko było możliwe, musiały najpierw pójść do szkoły. A jak wygląda taki proces uczenia AI? 

Czym się różni uczenie maszynowe od uczenia głębokiego? 

Sztuczna inteligencja sama w sobie jest rozumiana najczęściej jako zdolność maszyny do imitowania zachowania zwykłego, inteligentnego człowieka. Jednak, zanim AI będzie mogło nam doradzać, musi przejść przez proces uczenia maszynowego, które umożliwia naukę i rozwój na podstawie zdobytych doświadczeń. Machine learning jest tylko jednym z możliwych zastosowań AI. Umożliwia tworzenie aplikacji na bazie sztucznej inteligencji, które są w stanie przeczesać nawet największe bazy danych, aby wyszkolić model. 

Systemy wyszkolone w ramach uczenia maszynowego mogą być dalej trenowane w ramach deep learning, które wykorzystuje kompleksowe algorytmy i głębokie sieci neuronowe. Warto podkreślić, że nie są to rozłącznie funkcjonujące systemy – uczenie głębokie jest rodzajem uczenia maszynowego, które z kolei jest rodzajem zastosowania sztucznej inteligencji. 

Czym jest uczenie maszynowe? 

Najprościej rzecz ujmując, uczenie maszynowe polega na przetwarzaniu danych w formie ustrukturyzowanej i nieustrukturyzowanej. AI ucząc się w ten sposób, wykorzystuje wiele algorytmów i technik, aby zrozumieć, co jest uważane za „normalne”, co jest „anomalią” i na co powinno zwracać uwagę. Machine learning najczęściej jest wykorzystywany do zwiększenia efektywności działania systemów wyspecjalizowanych w realizacji konkretnych zadań. Przykładem mogą być aplikacje do analizy biznesowej, których działanie polega na uzyskaniu dostępu do informacji z przeszłości związanych z działaniem firmy, czyli np. sprzedażą produktów, rozwojem linii biznesowych czy poziomu popytu wśród klientów. Na podstawie tych danych wyszkolony algorytm może przewidzieć, jak będzie wyglądać sprzedaż w przyszłym roku czy antycypować ewentualne wyzwania związane z wprowadzaniem nowego produktu na rynek. Dzięki temu specjaliści współpracujący ze sztuczną inteligencją mogą ocenić pewne ryzyka, uzupełniając informacje uzyskane od AI swoją własną ekspertyzą oraz wiedzą rynkową. 

Rodzaje uczenia maszynowego 

Machine learning to przede wszystkim praca ze statystyką. Dzieli się ona na siedem etapów: 

• Zbieranie danych,
• Wstępne przetwarzanie informacji,
• Wybór modelu treningowego,
• Szkolenie modelu,
• Testowanie modelu,
• Doskonalenie modelu,
• Tworzenie predykcji.

Jaki model treningowy można wybrać?

Uczenie maszynowe dzielimy na trzy rodzaje: 

• Uczenie nadzorowane (supervised learning). Odbywa się na dobrze opisanym zbiorze danych, w którym każdy element ma swoją etykietę. Zadaniem algorytmu AI jest udzielenie prawidłowej odpowiedzi na postawione pytanie, np. czy na zdjęciu znajduje się kot lub jaki rodzaj znaku drogowego jest aktualnie pokazywany. Dzięki tej metodzie nauki, sztuczna inteligencja, mając dostęp do zbioru przeanalizowanych danych, jest w stanie oszacować prawdopodobieństwo, że na danym zdjęciu występuje kot lub konkretny znak drogowy – nawet jeśli jest ono kiepskiej jakości. Uczenie nadzorowane można również wykorzystać w sytuacji, gdy przewidywanym wynikiem jest liczba – np. liczba osób, które klikną reklamę w Google, czy liczba wypadków drogowych w oparciu o aktualne warunki pogodowe. 
• Uczenie nienadzorowane (unsupervised learning). Odbywa się na nieustrukturyzowanym zbiorze danych, w którym nie ma żadnych etykiet. Nie ma tutaj prawidłowych odpowiedzi, ponieważ często nawet nie wiemy, jakie pytania należy zadać, aby odkryć potencjał danego zbioru. Zadaniem AI jest odkrycie, czy istnieją jakieś czynniki łączące wszystkie informacje i czy istnieje jakaś struktura danych. Algorytm może odpowiednio pogrupować informacje, w zależności od tego, jakie punkty styczne znajdzie. Przykładem może być proces segmentacji grupy docelowej w marketingu, inwentaryzacja towarów dostępnych w magazynie czy wszelkiego rodzaju systemy antyfraudowe. Do uczenia nienadzorowanego zaliczamy m.in. modelowanie generatywne, czyli np. możliwość wygenerowanie realistycznych zdjęć nieistniejących ludzi na podstawie przesłanych zbiorów zdjęć. 
• Uczenie przez wzmacnianie (reinforcement learning). Odbywa się „na żywo”, np. na ulicy lub podczas gry. AI prowadzące autonomiczny pojazd czy uczące się zasad gry musi wyjść z ram teoretycznych i działać w rzeczywistym środowisku. Nie wie, czy podejmuje dobre lub złe decyzje, ponieważ taką informację zwrotną dostaje z pewnym opóźnieniem. Przykładem może być gra planszowa „Osadnicy Catanu”, w której ostateczny wynik każdego gracza jest znany dopiero po zakończeniu rozgrywki, ponieważ każdy może w trakcie gry kupić losową kartę rozwoju przyznającą dodatkowe punkty, a dodatkowo nie każda karta oferuje taki bonus. 

Czym jest uczenie głębokie? 

Uczenie głębokie opiera się na algorytmach zainspirowanych strukturą oraz funkcjonalnością ludzkiego mózgu. Stworzone specjalnie w tym celu sztuczne sieci neuronowe, składające się z wielu warstw węzłów, pracują zarówno z danymi ustrukturyzowanymi, jak i nieustrukturyzowanymi, aby identyfikować choroby, wykrywać obiekty czy generować alternatywne opisy zdjęć. 

W takiej sztucznie stworzonej sieci neuronowej sygnały przemieszczają się między węzłami, podobnie jak w ludzkim mózgu dzieje się to między neuronami. Węzeł o większej wadze będzie miał większy wpływ na następną warstwę węzłów. Ostatnia warstwa syntezuje zważone dane wejściowe, w ten sposób uzyskując rezultat, np. odpowiedź na zadane pytanie. Sztuczne sieci neuronowe przetwarzają ogromne ilości danych i wykonują złożone obliczenia matematyczne, co przekłada się na konieczność wykorzystywania bardzo mocnych komputerów, o dużej mocy obliczeniowej. 

Niezależnie od tego, do jakiej szkoły chodzi AI, uczy się wiele, a do tego – nigdy się nie męczy i nie wymaga odpoczynku. To pokazuje siłę tego typu algorytmów, bo nawet jeśli nie są zbyt zdolnym uczniem, to po odpowiednio długim czasie w końcu nauczą się wszystkiego, czego muszą. To też pokazuje, jak wiele przed nami możliwości związanych z uczeniem algorytmów – jeśli tylko w końcu nauczymy je myśleć podobnie do ludzi.