Co je strojové učení?

V prosinci 2017 představila DeepMind, výzkumná laboratoř získaná společností Google v roce 2014, program AlphaZero, program umělé inteligence, který by mohl porazit mistrů světa na několika deskových hrách.

Je zajímavé, že AlphaZero od lidí dostalo nulové pokyny, jak hrát hry (odtud jméno). Místo toho použil strojové učení, větev AI, která rozvíjí své chování prostřednictvím zkušeností namísto explicitních příkazů.

Během 24 hodin dosáhl AlphaZero nadlidského výkonu v šachu a porazil předchozí šachový program mistrů světa. Krátce poté algoritmus strojového učení AlphaZero zvládl Shogi (japonský šach) a čínskou deskovou hru Go a porazil svého předchůdce AlphaGo, 100 na nulu.

Strojové učení se v posledních letech stalo populárním a pomáhá počítačům řešit problémy, o nichž se dříve domnívalo, že jsou výlučnou doménou lidské inteligence. A i když je to stále daleko od původní vize umělé inteligence, strojové učení nás dostalo mnohem blíže ke konečnému cíli, kterým je vytváření myslících strojů.

Jaký je rozdíl mezi umělou inteligencí a strojovým učením?

Tradiční přístupy k rozvoji umělé inteligence zahrnují pečlivé kódování všech pravidel a znalostí, které definují chování agenta AI. Při vytváření umělé inteligence založené na pravidlech musí vývojáři napsat pokyny, které určují, jak by se umělá inteligence chovat v reakci na každou možnou situaci. Tento přístup založený na pravidlech, známý také jako dobrý staromódní AI (GOFAI) nebo symbolický AI, se pokouší napodobit funkce lidské mysli na uvažování a reprezentaci znalostí.

Perfektním příkladem symbolické umělé inteligence je Stockfish, špičkový šachový motor s otevřeným zdrojovým kódem, který se vyrábí více než 10 let. Stovky programátorů a šachistů přispěly k Stockfishovi a pomohly rozvinout jeho logiku tím, že kódovaly jeho pravidla - například, co by měla AI udělat, když soupeř přesune rytíře z B1 na C3.

AI založená na pravidlech však často naráží, když se vypořádává se situacemi, kdy jsou pravidla příliš složitá a implicitní. Například rozpoznávání řeči a objektů v obrazech jsou pokročilé operace, které nelze vyjádřit logickými pravidly.

Na rozdíl od symbolických umělých inteligencí nejsou strojové umělé umělé umělé modely vyvíjeny nikoliv psaním pravidel, ale shromažďováním příkladů. Například pro vytvoření šachového stroje založeného na strojovém učení vytvoří vývojář základní algoritmus a poté jej „vycvičí“ pomocí dat z tisíců dříve hraných šachových her. Analýzou dat AI najde společné vzorce, které definují výherní strategie, které může použít k porážce skutečných protivníků.

Čím více her AI kontroluje, tím lépe se stává při předvídání výherních pohybů během hry. To je důvod, proč je strojové učení definováno jako program, jehož výkon se s praxí zlepšuje.

Strojové učení je použitelné pro mnoho skutečných úkolů, včetně klasifikace obrázků, rozpoznávání hlasu, doporučení obsahu, detekce podvodů a zpracování přirozeného jazyka.

Učení pod dohledem a bez dozoru

V závislosti na problému, který chtějí vyřešit, vývojáři připraví relevantní data pro sestavení svého modelu strojového učení. Například, pokud chtěli použít strojové učení k detekci podvodných bankovních transakcí, vývojáři by sestavili seznam existujících transakcí a označili je jejich výsledkem (podvodný nebo platný). Když data vloží do algoritmu, oddělí podvodné a platné transakce a najde společné charakteristiky v každé z těchto dvou tříd. Proces vzdělávacích modelů s anotovanými údaji se nazývá „supervidované učení“ a v současné době je dominantní formou strojového učení.

Mnoho online úložišť označených dat pro různé úkoly již existuje. Některé populární příklady jsou ImageNet, open-source dataset více než 14 milionů označených obrázků a MNIST, dataset 60 000 ručně psaných číslic. Vývojáři strojového učení také používají platformy, jako je Amazon's Mechanical Turk, online náborové středisko na vyžádání pro provádění kognitivních úkolů, jako je označování obrázků a zvukových vzorků. A rostoucí sektor startupů se specializuje na anotaci dat.

Ale ne všechny problémy vyžadují označená data. Některé problémy se strojovým učením lze vyřešit pomocí „učení bez dozoru“, kde modelu AI poskytnete nezpracovaná data a necháte jej zjistit, které vzory jsou relevantní.

Běžným využitím učení bez dozoru je detekce anomálií. Algoritmus strojového učení může například trénovat nezpracovaná síťová data provozu zařízení připojeného k internetu - řekněme inteligentní ledničky. Po tréninku AI vytvoří základní linii pro zařízení a může označit vnější chování. Pokud bude zařízení napadeno malwarem a začne komunikovat se škodlivými servery, model strojového učení jej bude schopen detekovat, protože síťový provoz se liší od běžného chování pozorovaného během školení.

Posílení učení

Nyní pravděpodobně víte, že kvalitní tréninková data hrají obrovskou roli v účinnosti modelů strojového učení. Posílení učení je však specializovaný typ strojového učení, ve kterém umělá inteligence rozvíjí své chování bez použití předchozích dat.

Modely posilování učení začínají čistou břidlicí. Jsou poučeni pouze o základních pravidlech svého prostředí a úkolu, který má po ruce. Díky pokusům a omylům se učí optimalizovat své akce pro své cíle.

AlphaZero společnosti DeepMind je zajímavým příkladem učení o posílení. Na rozdíl od jiných modelů strojového učení, které musí vidět, jak lidé hrají šachy a jak se od nich poučit, začal AlphaZero znát pouze pohyby figurek a podmínky vítězství ve hře. Poté hrál proti sobě miliony zápasů, počínaje náhodnými akcemi a postupně se vyvíjejícími vzory chování.

Učení o posílení je horkou oblastí výzkumu. Je to hlavní technologie používaná při vývoji modelů AI, která umí zvládat složité hry, jako jsou Dota 2 a StarCraft 2, a používá se také k řešení problémů v reálném životě, jako je správa zdrojů datových center a vytváření robotických rukou, které dokážou manipulovat s objekty s lidskou obratností.

Hluboké učení

Hluboké učení je další populární podmnožinou strojového učení. Používá umělé neuronové sítě, softwarové konstrukce, které jsou zhruba inspirovány biologickou strukturou lidského mozku.

Neuronové sítě vynikají zpracováním nestrukturovaných dat, jako jsou obrázky, video, audio a dlouhé výňatky textu, jako jsou články a výzkumné práce. Před hlubokým učením museli odborníci na strojové učení vyvinout velké úsilí na extrahování funkcí z obrázků a videí a na jejich základě by měli spustit své algoritmy. Neuronové sítě tyto funkce automaticky detekují, aniž by vyžadovaly velké úsilí od lidských techniků.

Hluboké učení je za mnoha moderními technologiemi AI, jako jsou auta bez řidiče, pokročilé překladatelské systémy a technologie rozpoznávání obličeje ve vašem iPhonu X.

Meze strojového učení

Lidé často zaměňují strojové učení s umělou inteligencí na lidské úrovni a marketingová oddělení některých společností tyto pojmy úmyslně používají zaměnitelně. Přestože strojové učení zaznamenalo velký pokrok při řešení složitých problémů, stále ještě není daleko od vytváření myslících strojů, které si představili průkopníci AI.

Kromě učení ze zkušenosti vyžaduje skutečná inteligence uvažování, zdravý rozum a abstraktní myšlení - oblasti, ve kterých modely strojového učení fungují velmi špatně.

Například, zatímco strojové učení je dobré v komplikovaných úlohách rozpoznávání vzorů, jako je předpovídání rakoviny prsu pět let předem, potýká se s jednoduššími logickými a zdůvodňujícími úkoly, jako je řešení středoškolských matematických problémů.

Nedostatek rozumové síly strojového učení ztěžuje zobecnění jeho znalostí. Například agent strojového učení, který dokáže hrát Super Mario 3 jako profesionál, nebude dominovat jiné platformové hře, jako je Mega Man, nebo dokonce jiné verzi Super Mario. Muselo by být vyškoleno od nuly.

Bez schopnosti extrahovat koncepční znalosti ze zkušeností vyžadují modely strojového učení spoustu tréninkových dat. Bohužel v mnoha doménách chybí dostatečné údaje o školení nebo nemají prostředky k získání dalších. Hluboké učení, které je nyní převládající formou strojového učení, také trpí problémem vysvětlitelnosti: Neuronové sítě pracují komplikovaně a dokonce i jejich tvůrci se snaží dodržovat své rozhodovací procesy. To ztěžuje využití síly neuronových sítí v prostředí, kde existuje zákonný požadavek vysvětlit rozhodnutí AI.

Naštěstí se vyvíjí úsilí o překonání limitů strojového učení. Jedním z pozoruhodných příkladů je široce rozšířená iniciativa výzkumné skupiny ministerstva obrany DARPA k vytvoření vysvětlitelných modelů umělé inteligence.

• Co je to umělá inteligence (AI)? Co je to umělá inteligence (AI)?
• Většina dolarů AI jde do strojového učení Většina dolarů AI jde do strojového učení
• Jak chcete vidět použité AI? Jak chcete vidět použité AI?

Další projekty mají za cíl omezit přílišnou závislost strojového učení na anotovaných datech a zpřístupnit technologii doménám s omezenými daty o školení. Vědci z IBM a MIT se nedávno v terénu spojili se symbolickou umělou inteligencí s neuronovými sítěmi. Hybridní modely umělé inteligence vyžadují pro trénink méně dat a mohou poskytnout podrobná vysvětlení svých rozhodnutí.

Je třeba ještě vidět, zda nám vývoj strojového učení nakonec pomůže dosáhnout stále nepolapitelného cíle vytvořit AI na lidské úrovni. Víme však jistě, že díky pokroku ve strojovém učení se zařízení, která sedí na našich stolech a odpočívají v našich kapsách, každý den chytřejší.