Obecný úvod do umělé inteligence — kapitola 6
Stejně jako se člověk umí učit ze zkušeností, jsou toho schopny i člověkem vytvořené stroje. Rozdíl je v tom, že metody strojového učení nemají přehled o okolním světě a dokážou se zatím učit jen z dat, která jim byla předložena.
Lidé se občas ztrácejí v pojmech strojové učení a umělá inteligence. Řada systémů umělé inteligence je postavena právě pomocí strojového učení, ale nejedná se o jediný způsob. Vztah mezi těmito pojmy ilustruje následující obrázek.
Výhodou strojového učení je schopnost moderních počítačů zpracovat velké množství informací za krátkou dobu. Proto se strojové učení používá pro automatizaci stávajících procesů, tímto způsobem se šetří čas a odhady modelů vytvořených pomocí strojového učení jsou často stejně dobré nebo i lepší, než je tomu u lidí.
Model je v současné době ve většině případů pouze jednoúčelový a nedokáže řešit jiné typy úloh, než na které byl naučen.
Produktem strojového učení je model. Model je sada naučených pravidel, která určují, jakým způsobem lze ze vstupních hodnot (například výška a váha určitého pacienta) odvozovat výstupní hodnoty (například diagnóza obezity). Dosazením konkrétních vstupů je pak model schopen predikovat výstup u daného vzorku (např. pacienta).
Každý model strojového učení je třeba naučit daný problém řešit, což se nazývá trénovací fází.
Během trénování jsou modelu ukazována vstupní data, která máme k dispozici, společně s informací o požadovaném výstupu. Říká se tomu anotovaná data. Model se tak naučí, které vstupy patří ke kterým výstupům. Po natrénování díky tomu dokáže reagovat na vstupy, které nikdy předtím neviděl, na základě jejich podobností.
Jako příklad můžeme použít model, který má za úkol určit, zda je na obrázku holub, nebo orel. Během trénovací fáze ukážeme modelu obrázky holubů a orlů a rozdělíme je do kategorií (holub, orel). Po natrénování modelu prezentujeme obrázek orla, který nikdy neviděl, a model dokáže na základě podobnosti vůči obrázkům, které viděl během trénovací fáze, rozhodnout, že se jedná o orla.
K naučení modelu vždy potřebujeme data. Pod pojmem data si můžete představit například tabulku, složku obrázků, složku textů. Ve většině případů obsahují data člověkem přiřazenou výstupní hodnotu (anotaci), jako v předchozím případě, kde byla výstupní hodnota druh ptáka. Můžeme mít různě velké množství dat, zpravidla ale platí, že s větším množstvím (kvalitních) dat roste kvalita predikcí modelu.
Daty se snažíme pokrýt všechny možné scénáře, s kterými se model později ve svém životním cyklu může setkat. To pomáhá modelu k takzvané generalizaci, tzn. schopnosti modelu predikovat data dříve nespatřená.
Pro jednoduché modely nám stačí několik desítek datových vzorků. Složitější modely, například neuronové sítě, jsou běžně trénovány i na tabulkách s miliony řádků. Během trénování modelu předkládáme dostupná data společně s očekávanou výstupní hodnotou, načež model reaguje úpravou svých parametrů tak, aby minimalizoval rozdíl (takzvanou chybu) mezi anotovanými příklady a jeho odhadem.
Po natrénování je model vyhodnocen na sadě dat, která během trénovací fáze neviděl, což slouží jako odhad, jak bude model výkonný v reálném světě. Není snadné poznat, zda model funguje (generalizuje) správně. V některých oblastech již modely dosahují výsledků srovnatelných s tím, jak by danou úlohu řešil člověk. Takzvaná evaluace (vyhodnocení) modelů je úzce svázána s jejich trénováním a s přípravou dat.
Už dnes se s aplikovanými metodami strojového učení setkáváme dennodenně. Například mezi každým dotazem a odpovědí na Google vyhledávači stojí model, který porovnává sémantický význam vašeho dotazu a textů na existujících webových stránkách (zdroj). Dále se můžeme setkat se strojovým učením například v online obchodech, kde umělá inteligence doporučuje zákazníkovi produkty, o které by mohl mít zájem (zdroj), nebo na YouTube, který se snaží udržet vaši pozornost doporučováním videí, která by pro vás mohla být zajímavá (zdroj).
(v ang. reinforcement learning) je metoda strojového učení, u které model opakovaně interaguje s prostředím a na základě odezvy upravuje své chování (je „odměňován“ za svá rozhodnutí). Skvělým příkladem je program Alpha Zero, kterému vývojáři ukázali pravidla šachu, nechali ho opakovaně hrát proti sobě samému a na základě odezev (za výhru dostal Alpha Zero pozitivní odezvu, za prohru naopak negativní) si vybudoval strategie, díky kterým porazil šachové velmistry.
Kapitoly příručky
Proč vést děti k poznávání umělé inteligence
Jak vidí umělou inteligenci děti
Stručná historie umělé inteligence
Co to vlastně je umělá inteligence
K čemu nám umělá inteligence slouží
Jak se umělá inteligence učí
Bez dat by to nešlo
Proč umělá inteligence diskriminuje
Etika umělé inteligence
Umělá inteligence a právo
Umělá inteligence a náboženství
---------------------
Celý Educast AI dětem (YouTube)
Bezplatný online kurz v češtině určený každému, kdo se chce dozvědět, co to je umělá inteligence, čeho lze a nelze jejím prostřednictvím dosáhnout a jak ovlivňuje naše životy. Pro účast v kurzu nejsou zapotřebí pokročilé znalosti matematiky ani znalost programování. Do českého prostředí kurz přináší prg.ai. Přejít na kurz →