Machine Learning. Na czym więc polega zdolność komputera do uczenia się?

Podobne tematy

SAS uzupełnia swoje rozwiązania o zautomatyzowane uczenie maszynowe

SAS rozwija rozwiązania wykorzystujące sztuczną inteligencję, aby organizacje mogły zwiększyć efektywność i szybciej czerpać korzyści z automatyzacji. Aktualizacje SAS®...

Sztuczna inteligencja idzie na zakupy

E-commerce jest bardzo dynamicznym sektorem, nie tylko ze względu na ciągłe wzrosty jego popularności. Właściciele i menedżerowie e-sklepów muszą...

Uczenie maszynowe wpływa na rozwój biznesu

Uczenie maszynowe (ang. machine learning) to metoda samouczenia się maszyn w oparciu o analizę danych i odnajdywanie zawartych w...

Małe dziecko, które uśmiecha się, gdy rozpoznaje pochyloną nad nim, naszą twarz wywołuje w nas zachwyt. Cieszymy się, gdy nasza pociecha powtarza za nami pierwsze słowa. Aż nadchodzi moment, kiedy dziecko zaczyna  snuć historie o postaciach z bajek, które mu czytaliśmy. W końcu umie liczyć, rysuje, pisze w szkole pierwsze wypracowanie, poprawia je. I pewnego dnia słyszymy, jak wygłasza opinię o świecie. A ta bywa często tak niezwykła, że przeżywamy wstrząs. Bo oto doświadczyliśmy właśnie czyjejś intelektualnej samodzielności i niezależności.

Samodzielność ograniczona

[sociallocker]

Poprzez doświadczenia i nabywanie wiedzy z zewnątrz, uczą się już nie tylko ludzie. Z okresu niemowlęcego właśnie wyrastają wyrafinowane technologie informatyczne. Zagadnieniem, które dotyczy Sztucznej Inteligencji i na którym skupia się uwaga współczesnego świata jest tzw. uczenie się maszyn (uczenie maszynowe, ang. machine learning). Sama już nazwa wskazuje, że mamy do czynienia z obszarem, na którym procesom całkowicie zautomatyzowanym towarzyszą operacje oparte na inteligentnym przetwarzaniu danych i wyborze.  Zjawisko to już dzisiaj określa kierunek najpoważniejszych poszukiwań w świecie nowoczesnych technologii.

Uczenie się maszyn jest dziedziną na pograniczu matematyki, statystyki i programowania czy informatyki. Celem jest stworzenie złożonych algorytmów, tak aby algorytmy były w stanie podejmować najbardziej optymalne decyzje oraz co więcej zmieniać same siebie w celu nieustającego samo udoskonalania. Algorytmy stanowiące podstawę machine learning są specyficzne i wysoko rozwinięte. Generalnie działają w oparciu o pewien dynamiczny model, który przetwarza sygnały wejściowe (dane) i po ich przetworzeniu podejmuje określone decyzje. Co bardzo ważne, algorytmy te mają zdolność „uczenia się” w trakcie aktywnego przetwarzania wprowadzanych zbiorów danych. Jednak w całym tym mechanizmie zawarte jest poważne ograniczenie. Polega ono na tym, że komputer, wykonując zadania, korzysta z doświadczenia „nadzorowanego”. Oznacza to, że w całej operacji przetwarzania informacji kluczową rolę odgrywa człowiek – programista, operator, nauczyciel. Jego rolą jest wspomaganie maszyny poprzez wprowadzanie do niej porcji danych, „ręczne’ weryfikowanie stanu powstającego w wyniku analiz czy też eliminacja blokad systemu. Obecnie samodzielność komputera jest więc ciągle ograniczona, bo uzależniona od kierującego nim specjalisty. Przyjmuje się, że pierwszy raz z uczeniem maszynowym zetknęli się specjaliści z koncernu IBM próbujący opracować algorytm, który miał pomagać szachistom w doskonaleniu ich umiejętności. Natomiast bardzo ważnym momentem  w rozwoju zjawiska był system informatyczny Dendral stworzony w 1965 roku na Standford  Univercity. Jego zadaniem była automatyzacja analiz związków chemicznych. Uznaje się dziś, że efektem tych badań były pierwsze w historii związki, odkryte przez komputer.

Najnowsze prace dążą do tego aby rola człowieka, jako nauczyciela została wyeliminowana lub mocno ograniczona, tak aby algorytmy były w stanie uczyć się samodzielnie.

Czas na samodzielność nieograniczoną

Obecnie, jednym z najintensywniej eksplorowanych obszarów związanych z  machine learning jest deep learning, traktowane zresztą jako podkategoria tego pierwszego. Za pomocą bardzo rozbudowanych struktur matematycznych, umożliwiających przetwarzanie wielowątkowe, zwane sieciami neuronowymi algorytmy są stanie podejmować decyzje, modyfikować te decyzje w oparciu o popełniane błędy czy zadane wzorce i wybierać z dostępnych danych te najbardziej odpowiadające na zadane pytanie, problem. Czyli są w stanie samodzielnie się uczyć, wykorzystując metody deep learning. Deep learning umożliwia takie procesy jak: rozpoznawanie głosu, języka naturalnego, tłumaczenia z różnych języków czy rozpoznawanie obrazów. A wszystkie te funkcje są teraz szczególnie interesujące dla koncernów takich jak Facebook czy Google.

W założeniu, systemy deep learning działają podobnie do operacji zachodzących w ludzkim mózgu i zakładają tworzenie potężnych sieci neuronowych. To one pozwalają komputerowi uczyć się samodzielnie, już bez udziału człowieka. Są to właściwie duże ilości działających równolegle procesorów zasilanych dużą ilością danych, włącznie z określeniem skomplikowanych związków w jakie te dane w chodzą. Sieci te zyskują nieograniczoną elastyczność, bo neurony dają się łączyć w warstwy –  jedna warstwa przekazuje wyniki następnej, aż do chwili, gdy dane zadanie zostanie rozwiązane.

Zdolność do uczenia się, czyli udoskonalania własnego działania przez komputer, wynika tu generalnie z jednej przyczyny. Sieci neuronowe są zbiorem węzłów połączonych ze sobą. Po każdym nowym doświadczeniu komputera, który podejmuje się działania, połączenia miedzy owymi węzłami reorganizują się. Poziom tych połączeń jest coraz doskonalszy, a tym samym, maszyna sprawniej reaguje na wyznaczone jej zadania. Fakt, że komputery adaptują się samodzielnie pod wpływem gromadzonych doświadczeń, a nie pod wpływem ingerencji programisty skutkował przełomem w rozwoju technologii informatycznych i komercyjnym ich zastosowaniu. Głównym czynnikiem, który wzmacnia zainteresowanie sieciami neuronowymi jest nie gasnący na rynku popyt na porządkowanie i wyszukiwanie informacji. W erze Big Data technologia deep learning jest naszym wielkim sprzymierzeńcem.

Google i IBM. Który lepszy?

Brzmi to nieco abstrakcyjnie, i można mieć wrażenie, że rzecz dotyczy jakichś sprzętów ukrytych w wojskowych laboratoriach. A to nie jest prawda. Deep learning wychodzi na ulice i trafia do naszych domów. Stworzony przez IBM komputer lub bardziej prawidłowo zwana Sztuczna Inteligencja IBM Watson, potrafi analizować olbrzymie zbiory wprowadzanych do niego danych. Ta niezwykle wydajna maszyna jest przykładem na to, jakie możliwości otwierają się przed użytkownikiem dzięki zastosowaniu mechanizmów machine learning i deep learning. Komputer rozumie zadawane mu pytania w języku naturalnym, a szukając na nie odpowiedzi, przeszukuje potężne zbiory o różnym charakterze – dotyczą zagadnień biznesowych, matematycznych, medycznych, prawnych. IBM Watson funkcjonuje w oparciu o opisaną wyżej zdolność powiększania swoich możliwości wraz kolejnymi zadaniami, które wykonuje. Im więcej danych maszyna w siebie przyjmuje, im więcej zadań dostaje do rozwiązania, tym jej umiejętności analityczno-poznawcze rosną.

Ciekawostką, a jednocześnie dobrą ilustracją opisanych mechanizmów i różnic między machine learning a deep learning będzie słynna historia zwycięstwa komputera w pojedynku z mistrzami chińskiej gry „Go”. Jej zasady zakładają nieskończoną wręcz ilość kombinacji, w jakich mogą wystąpić figury na planszy. (Szachy przy „Go”, to mało skomplikowana zabawa). Alpha Go – algorytm  stworzony przez Google po pierwsze umożliwił komputerowi przeanalizowanie milionów gier między ludźmi (mieliśmy więc tu do czynienia z uczeniem nadzorowanym, opartym na  zamkniętym zbiorze danych). Ale dużo poważniejszy wpływ na sukces komputera miał fakt, że maszyna potrafiła przeanalizować również inny zbiór sytuacji na planszy – grając z samą sobą (deep learning)! Taka praca była możliwa oczywiście tylko dzięki potężnym serwerom i technologii chmury. To właśnie współcześnie dostępne moce obliczeniowe umożliwiły niebywały sukces algorytmu Google.

Co dla nas, ludzi?

Jest wiele innych obszarów, na których wpływ inteligentnych będzie szczególnie widoczny. Nie byłoby mowy o pojawieniu się autonomicznych samochodów Tesli, gdyby nie opisywane przeze mnie technologie. Samosterujący pojazd może poruszać się na drogach między innymi dlatego, bo potrafi czytać i analizować mijane na trasie obrazy. Uczenie się maszyn niesie ze sobą także konsekwencje dla procesów porządkowania informacji. Firmy doradcze, dokonujące ekspertyz przy użyciu analiz setek milionów danych, zyskują dzisiaj  narzędzia analityczne o dużych możliwościach. Kolejnym beneficjentem powinien okazać się świat medycyny. Dla tej branży każde narzędzie pozwalające na modelowanie zachowań ludzkiego organizmu jest na wagę złota. W innym tekście pisałem o współczesnym kliencie, którzy domaga się od globalnego rynku, całkowicie zindywidualizowanych i błyskawicznie dostępnych usług. I właśnie uczące się maszyny mogą takie pragnienie zmaterializować. Wielkie platformy zakupowe, takie jak Amazon używają nowoczesnych algorytmów do lepszego i szybszego prezentowania swej oferty na monitorze klienta.

Jak już wspomniałem, komercyjne efekty przedstawionych technologii już zaczynają być widoczne dla przeciętnego użytkownika. Myślące maszyny pracujące w oparciu o opisywane technologie będą dopuszczały człowieka do coraz większych zasobów wiedzy, która była dotąd niedostępna, nie przetwarzalna. Największy przełom jakiego możemy się spodziewać w związku z popularyzacją zarysowanych wyżej technologii może dotyczyć medycyny i rynków finansowych.

[/sociallocker]

- Reklama -

Gorące tematy

- Reklama -
X
X
Używamy plików cookie, aby zapewnić lepszą jakość przeglądania. Kontynuując korzystanie z tej witryny, wyrażasz zgodę na korzystanie z plików cookie.
Używamy plików cookie, aby zapewnić lepszą jakość przeglądania. Kontynuując korzystanie z tej witryny, wyrażasz zgodę na korzystanie z plików cookie.