Pozrite si
Využívať možnosti dnes dostupných technológií znamená ich nechať konať samé. A na to treba inteligenciu, ktorú našťastie majú. Aby ju mohli rozvíjať, musia sa učiť. Machine learning, alebo strojové učenie, preto má zásadný význam.
Umelá inteligencia, AI, je akýmsi neoficiálnym záväzkom najväčších technologických výrobcov voči zákazníkom. Je súčasťou elektroniky dennej potreby. Aj keď sa môže zdať, že sa venuje často banalitám, ako automatický výber správneho fotorežimu v smartfóne, má obrovský význam a každá drobnosť, ktorú dokáže vykonať, je krok vpred.
Aby však mohla AI napredovať, musí sa vedieť učiť. A s tým pomáha strojové učenie, ML, ktoré je vnímané ako podkategória AI. Je to vlastne kombinácia algoritmov a štatistických modelov, ktoré stroje, počítače, smartfóny, tablety, používajú na vykonanie konkrétnej úlohy.
Dôležité v tomto prípade však je, že stroj dokáže úspešne zvládnuť úlohu bez exaktne zadaných vstupných informácií a postupov. Zjednodušene, chcete peknú fotku a smartfón vám ju spraví bez toho, aby ste mu povedali čo je na obraze, ako je to ďaleko od foťáku, akú expozíciu má použiť, akú hĺbku ostrosti a ako má fotografiu upraviť.
Samotný názov napovedá, ide o učenie, teda stroj sa v tom čo má robiť zlepšuje opakovaním úlohy. Keď vyberiete novú elektroniku doma z krabice, nie je hlúpa a nemusí sa učiť všetko od piky. Už má, povedzme základnú inteligenciu, ktorú získala vďaka algoritmom strojového učenia z niečoho, čomu sa hovorí tréningové údaje. Tými disponujú vývojárske spoločnosti a vytvárajú na ich základe matematické modely, vďaka ktorým dokáže stroj zlepšovať svoju inteligenciu.
Do strojového učenia výrazne vstupuje štatistika, ktorá sa zameriava na tvorbu predpovedí. Tie tvoria dôležitú časť vstupných údajov, pre správne rozhodnutia AI, ktoré však používatelia nemusia zadávať.
Základom strojového učenia je teda matematika a štatistika, preto aj história tohto fenoménu siaha ďalej, než by ste zrejme očakávali. Práca Thomasa Bayesa z 18. storočia bola základom pre Pierra-Simon Laplace k definovaniu Bayesovej vety v roku 1812. Tá sa zaoberá podmienenými pravdepodobnosťami javov.
Ďalšou dôležitou matematickou metódou pre stojové učenie je Metóda najmenších štvorcov, ktorú sformuloval francúzsky matematik Adrien-Marie Legendre v roku 1806. Trojicu základných pilierov strojového učenia uzatvára Andrey Markov, ktorý vyvinul analytickú techniku známu ako markovovské raťazce. Tie sa datujú na 1913.
V roku 1950 britský matematik Alan Turing publikoval článok Výpočtová technik a inteligencia, v ktorom si ako jeden z prvých vôbec kládol otázku, či počítače dokážu myslieť. Tento článok bol prvým textom, v ktorom sa jeho autor pokúsil opísať, akoby sa umelá inteligencia mohla rozvíjať.
Už o rok neskôr dvojica vedcov Marvin Minsky a Dean Edmonds vybudovali prvú počítačovú simuláciu toho, ako funguje náš mozog. SNARC sa dokázal učiť zo svojich skúseností a pohybovať sa po bludisku. Minsky na experimente pokračoval na univerzite MIT a priniesol mnoho zásadných poznatkov pre umelú inteligenciu. Bol tiež odborným poradcom vo filme 2001: Vesmírna odysea.
Päťdesiate a šesťdesiate roky minulého storočia boli pre strojové učenie a umelú inteligenciu vo všeobecnosti chladné. Nadšenie z prvých veľkolepých výsledkov ustalo po tom, čo sa vývoj výrazne spomalil a neprichádzali očakávané veľkolepé výsledky. Situácia sa v prospech vývoja obrátila koncom osemdesiatych rokov, kedy vedci zvolili nové prístupy, vydarilo sa viacero experimentov a boli znovuobjavené staré myšlienky.
Záujem o umelú inteligenciu aj v radoch verejnosti vzrástol po tom, čo sa počítaču od IBM nazvaného Deep Blue podarilo poraziť šachového majstra Garryho Kasparova. V roku 1996 majster šachu síce nedal počítaču šancu, no o rok neskôr ho už počítač porazil. Deep Blue svoje ťahy vyhodnocoval na 6 až 20 ťahov dopredu a vychádzal z tisícky odohraných šachových partií.
Po viac ako štyridsiatich rokoch sa približne v roku 2006 do priazne vracia back-propagation, jedna z kľúčových techník strojového učenia. Tento algoritmus spätne šíriacej sa chyby vypadol z priazne najmä preto, že neboli dostupné dostatočne silné počítače. Po tom, čo sa vďaka Geoff Hintonovi pracujúcemu pre Google vrátil na scénu, začal narážať na ďalší problém. Back-propagation sa využíva tiež na deep learning, kde je dôležitá znalosť neurónových sietí. A práve slabá ľudská znalosť biologických neurónových sietí je aktuálne najväčšou prekážkou pre back-propagation.
Významný míľnik v histórii učenia strojov dosiahla spoločnosť DeepMind Technologies založená v roku 2010. Spoločnosti sa podarilo vyvinúť neurónovú sieť, ktorá bola schopná učiť sa hrať hry na základe analýzy pixlov zobrazených na obrazovke. Po tomto patente skočil Google, ktorý v roku 2014 spoločnosť kúpil. DMT má na konte tiež sieť Neutral Turing Machine, ktorá má prístup k externej pamäti.
Ak Deep Blue bolo považované za najväčší pokrok milénia, tak AlphaGo za najväčší pokrok súčastnosti. Tento projekt bol zameraný na hranie stolovej strategickej spoločenskej hry Go. Neurónová sieť AlphaGo sa dokázala naučiť hrať hru ako od ľudí, tak od strojov, a to až do takej miery, že v roku 2015 porazila prvých profesionálnych hráčov. O rok neskôr nedala šancu Lee Sedolovi, ktorý bol svetovou dvojkou. AlphaGo v študovaní hry išla ešte ďalej a v roku 2017 poráža svetovú extra triedu v GO, hráča menom Ke Jie.
Najčastejšie používané algoritmy pre ML sú riadené ML algoritmy, ktoré vychádzajú z toho čo sa stroj naučil v minulosti a využíva to na predpovedanie správneho výsledku. V kontraste k týmto algoritmom sú algoritmy neriadené, ktoré používajú neoznačené a neklasifikované vstupné údaje. Stroj nevie správny výsledok, ale vie navrhnúť možný správny výsledok.
Ďalšie často používané algoritmy sú čiastočne riadené ML algoritmy, ktoré sú niekde medzi tými vyššie spomínanými. Pri vyhodnocovaní používajú ako označené a klasifikované údaje, tak tie neoznačené a neklasifikované. Pri tejto metóde sa stroje učia výrazne lepšie.
Medzi spoločnosti, ktoré v globálnom merítku najviac využívajú ML patria Amazon, Apple alebo Facebook. Amazon má strojové učenie implementované do všetkých svojich služieb. Od on-line obchodovania až po Kindle. Stroje sa učia chápať používateľské preferencie pri nakupovaní, v inteligentnej domácnosti je to zasa Alexa, ktorá doslova hltá terabajty dát a vyhodnocuje ich, aby vedela kedy vás zobudiť a zasvietiť vám svetlo v kúpeľni, bez toho, aby ste ju o to poprosili. Amazon má pri učení svojich strojov výhodu v tom, že je schopný získať priamo od svojich zákazníkov obrovské množstvo dát na analýzu a štatistické spracovanie.
Apple je v istom slova zmysle priekopníkom v ML. A to vďaka Siri. Tento hlasový asistent už nie je len o tom, že vám na hlasový povel vytočí číslo z telefónneho zoznamu. Automaticky dokáže ponúknuť meno volajúceho, aj keď ho nemáte uloženého v kontaktoch. Stačí, aby ste od danej osoby dostali mail.
Ďalej vie rozpoznávať tváre, rozlúšti 30 000 čínskych znakov, alebo vám nájde voľné parkovacie miesto. Apple na AI a ML vsádza vo veľkom. Dôkazom je pravidelný nákup startupov orientovaných na ML ako lattice.io, Regaind, Pop Up Archive, či SensoMotoric.
Ono, nenasadiť učenie strojov, respektíve umelú inteligenciu tam, kde používatelia dobrovoľne denne vkladajú obrovské množstvo najrôznejších dát, by bolo mrhanie šancou. Preto ML vo veľkom používa aj Facebook. Na čo všetko, vedia len ľudia v modrej firme, no pre nás bežných používateľov sú jasným znakom návrhy priateľov, záujmových skupín, alebo aj reklamy, ktoré vám ponúknu presne to, čo práve googlite vo vedľajšom okne.
Zdroj