Artificial intelligence, machine learning i neural network — co je łączy, a co dzieli?
W tym artykule dowiesz się:
- Czym są AI, ML i sieci neuronowe oraz co mają ze sobą wspólnego
- Jakie są najważniejsze różnice między tymi technologiami
- Jak dokładnie działa sztuczna inteligencja, uczenie maszynowe i czym jest deep learning
Zadaliśmy pytanie sztucznej inteligencji – „jak myślisz, jak wygląda przyszłość AI, ML i sieci neuronowych? Oto odpowiedź popularnego OpenAI:
Oczekuje się, że AI, ML i sieci neuronowe będą coraz bardziej powszechne i zintegrowane z różnymi gałęziami przemysłu i codziennym życiem. (…) będą one stosowane do rozwiązywania coraz bardziej skomplikowanych problemów i tworzenia nowych rozwiązań, które obecnie nie są możliwe do wyobrażenia. (…) AI będzie coraz bardziej zbliżona do ludzkiej inteligencji i będzie w stanie wykonywać coraz bardziej złożone zadania. Wszystko to prowadzi do coraz większej automatyzacji (…). Możliwe też, że w przyszłości sieci neuronowe będą coraz bardziej złożone i będą w stanie uczyć się samodzielnie, a także będą w stanie przetwarzać coraz większe ilości danych w krótszym czasie.
Jak widzicie, odpowiedziała nam maszyna, jednak brzmi to jak całkiem sensowny komentarz napisany przez człowieka. Obecna technologia zaskakuje i robi wrażenie, ponieważ do tej pory nie mieliśmy raczej możliwości przekonać się z zacisza własnego domu, jak bardzo jest zaawansowana.
Sztuczna inteligencja, uczenie maszynowe i sieci neuronowe – jakie są podobieństwa i różnice pomiędzy tymi pojęciami?
Sztuczna inteligencja to ogólny termin ukuty przez Johna McCarthy’ego w 1956 roku i oznacza „zdolność maszyn do wykazywania ludzkich umiejętności, takich jak rozumowanie, uczenie się, planowanie i kreatywność.” Obejmuje i przeplata się z wieloma innymi technologiami, między innymi właśnie z uczeniem maszynowym i sieciami neuronowymi, a także z robotyką czy deep learning (głębokim uczeniem). SI wykorzystuje te technologie i komputery do naśladowania ludzkich zachowań, ucząc się rozwiązywania problemów i podejmowania decyzji na różne sposoby.
Uczenie maszynowe, czyli machine learning, to podzbiór sztucznej inteligencji. Wykorzystuje dane i zaawansowane algorytmy do naśladowania ludzkiego uczenia się, co powoduje stopniową poprawę dokładności. Znanym i lubianym przykładem w życiu codziennym jest funkcja rekomendowania „Co obejrzeć?” Netflixa, a w życiu zawodowym – bardzo przydatne w przedsiębiorstwach cRPA. Często spotykamy się więc z uczeniem maszynowym, nie mając o tym pojęcia.
Mamy trzy główne metody uczenia maszynowego: nadzorowane, nienadzorowane i częściowo nadzorowane, a także metodę uczenia poprzez wzmacnianie – więcej o nich w dalszej części artykułu.
Trzecim pojęciem i zarazem komponentem machine learning (a więc także i sztucznej inteligencji) są sieci neuronowe (ang. neural networks). Sieci te imitują pracę ludzkiego mózgu za pomocą bardzo zaawansowanych algorytmów i jest to krok dalej w udoskonalaniu technologii uczenia maszynowego. Neural networks sprawdzają się w pracy nad nieuporządkowanymi i chaotycznymi danymi, i są podstawą do tworzenia algorytmów deep learning (uczenia głębokiego).
Machine learning, deep learning i neural networks jako podzbiory sztucznej inteligencji
Jak już wiemy, sztuczna inteligencja to bardzo szeroki obszar technologii i pojęć. Jeśli dodamy do niego machine learning, neural networks i deep learning, wyjdzie nam coś w rodzaju czterech podzbiorów, gdzie każdy kolejny siedzi w tym poprzednim. Możemy o tym pomyśleć jak o matrioszkach – sztuczna inteligencja jest największą, potem mamy machine learning, neural networks i na samym końcu deep learning. Żadna z tych technologii nie istniałaby bez tej o stopień wyżej.
Czasem używa się pojęć głębokiego uczenia i sieci neuronowych zamiennie, ale jest to mylące. Tak naprawdę sieć neuronowa to podstawa uczenia głębokiego, ponieważ jeśli mamy ponad trzy warstwy w takiej sieci, wtedy możemy ją już nazywać algorytmem deep learning.
Uczenie głębokie różni się od uczenia maszynowego przede wszystkim tym, że jest jego podzbiorem, używa o wiele większych zbiorów danych (nazywa się także „skalowalnym machine learning”), i nauka algorytmu przebiega w inny sposób. Deep learning coraz bardziej usuwa człowieka z widoku, automatyzując caly proces.
AI czyli systemy mające zdolność uczenia się i wnioskowania
Droga sztucznej inteligencji (ang. artificial intelligence, AI) zaczęła się w 1950 roku, kiedy Alan Turing zadał światu pytanie: „Proponuję rozważyć pytanie – czy maszyny potrafią myśleć?”. Naukowiec jest dziś nazywany ojcem sztucznej inteligencji, a ponad 70 lat temu stworzył on test Turinga, który miał oceniać zdolność komputera do samodzielnego „myślenia” i przeprowadzania prawdziwie ludzkiej rozmowy. Więcej szczegółów, jak i opisanych kontrowersji na ten temat, znajdziecie w tym artykule.
Artificial intelligence przeżywa ostatnio prawdziwy mainstreamowy boom – każdy z nas może doświadczyć choć w części możliwości, jakie daje. Możemy na przykład stworzyć swoje awatary (jak się okazuje, kontrowersyjne) na podstawie wysłanych do aplikacji zdjęć i wrzucić je w social media – musimy jedynie pamiętać o tym, że AI potrzebuje konkretnego rodzaju zdjęć, dlatego powinniśmy postępować według instrukcji. Każda kolejna próba może być lepsza – ze względu na stałe uczenie się systemu. Ciekawscy fani sprawdzają, jak wyglądałby kultowy film nakręcony przez innego reżysera. Prócz tego, każdy z nas może sobie porozmawiać z komputerem na czacie typu OpenAI i sprawdzić, jak sztuczna inteligencja odpowie na zadane pytania, co też zrobiliśmy we wstępie do tego artykułu. Oczywiście w pracy AI przydaje się niezmiernie, na przykład poprzez automatyzowanie pewnych procesów i zadań, które nie muszą być wykonywane przez człowieka, a będą przynosić zdecydowanie lepsze efekty i oszczędności, jeśli pozwolimy działać sztucznej inteligencji.
Sztuczna inteligencja (SI) cały czas rozwija się i uczy. Rozróżniamy trzy obszary rozwoju: słaba SI (specjalizująca się w jednej dziedzinie, np. tworzenia obrazów na podstawie opisu), silna SI (systemy imitujące człowieka – posiadające zdolności rozumowania i uczenia się) i sztuczna superinteligencja (najbardziej rozwinięta, przewyższająca ludzki umysł pod każdym względem). Obecnie trwają prace nad silną sztuczną inteligencją, jednak istniejące systemy to nadal słabe SI – chociaż są już w stanie nas zaskoczyć, zachwycić, a nawet przestraszyć swoimi możliwościami.
Ogólnie rzecz biorąc, teraźniejsze AI działa dzięki wykorzystywaniu ogromnych ilości danych w połączeniu z szybkim procesowaniem i inteligentnymi algorytmami. Software uczy się na podstawie wzorców i znajdowanych wspólnych cech w używanych danych. Jak wspominaliśmy, główne „podzbiory” sztucznej inteligencji to właśnie ML, neural networks czy deep learning; istnieją także inne technologie wspierające i/lub wykorzystujące SI – np. natural language processing, IoT (the Internet of Things), API. Wszystkie one mogą się zazębiać i dzięki różnym podejściom „ogólna” sztuczna inteligencja jest w stanie wnioskować i uczyć się na podstawie zebranych doświadczeń.
ML to algorytmy dające zdolność uczenia się bez konieczności ich programowania
Zgodnie z artykułem Uniwersytetu UC Berkeley, machine learning polega na wykorzystaniu:
- Procesu decyzyjnego – algorytm zgaduje, stara się przewidzieć, czego szukamy lub jaki ma być wzorzec działania;
- Funkcji błędu – szacowanie, jak dokładne było przewidywanie, porównanie do innych przykładów;
- Procesu optymalizacji – algorytm „uczy się” na podstawie swoich wcześniejszych przewidywań i oceny wielkości popełnionego błędu, co pozwala na lepsze dopasowanie wzorca działania w przyszłości.
Modele machine learning dzielą się na podstawowe kategorie:
- nadzorowane uczenie maszynowe – jak nazwa wskazuje, człowiek jest tutaj najbardziej potrzebny. Algorytmy uczą się poprzez pracę na zbiorach wstępnie oznaczonych etykietami, które pozwalają na bardzo dokładne klasyfikowanie danych;
- nienadzorowane uczenie maszynowe – tutaj obecność człowieka jest już zminimalizowana, a algorytmy uczą się na danych bez etykiet – wykrywają wzorce i zgrupowania danych samodzielnie;
- częściowo nadzorowane uczenie maszynowe – jest to zbalansowany proces, podczas którego algorytmy uczą się na danych z etykietami, jednak później zaczynają samodzielnie działać na większych zbiorach bez klasyfikatorów.
- uczenie przez wzmacnianie – algorytm uczy się podobnie jak w modelu nadzorowanym, jednak robi to na zasadzie prób i błędów, i im więcej przykładów przerobi, tym lepiej sobie radzi w czasie kolejnych prób. Jest to model najbardziej zbliżony do ludzkiego stylu nauki, ponieważ feedback pojawia się niekoniecznie przy każdej wykonanej „akcji”, ale kiedy algorytm osiągnie to, co było zamierzone (positive reinforcement).
Deep learning – dziedzina ML, która umożliwia uczenie się na ogromnych zbiorach danych
Deep learning jako krok dalej od sieci neuronowych i, tym samym, dwa kroki dalej od machine learning, daje nam ogromne możliwości pracy na wielkich zbiorach danych. Dzieje się tak, dlatego że w przypadku deep learning jesteśmy, nomen omen, głębiej – większa ilość warstw sieci neuronowych (nie dwie czy trzy, a nawet setki) pozwala na większą dokładność w uczeniu się algorytmu, który rozpoznaje więcej delikatnych różnic i zdecydowanie bardziej optymalizuje proces.
Uczenie głębokie eliminuje wstępne etapy procesowania danych, które są zwykle potrzebne w przypadku uczenia maszynowego. Działa na zbiorach nieustrukturyzowanych, ponieważ posiada większe zdolności w automatycznym klasyfikowaniu i nie potrzebuje ludzkiego eksperta do wskazania, w jaki sposób kategoryzować dane. Robi to samodzielnie i zwiększa swoją precyzję z każdym kolejnym przykładem, a także jest w stanie samodzielnie tworzyć nowe funkcje.
Jakie są zastosowania deep learning? Na przykład asystenci cyfrowi, tacy jak Siri czy Alexa, są tworzeni na podstawie tej technologii, korzystając także z przetwarzania języka naturalnego (NLP). Uczenie głębokie pozwala na zwiększenie cyberbezpieczeństwa czy przewidywania wartości akcji na giełdzie, przetworzenia ogromnej ilości danych w celu tworzenia odpowiednich testów czy zabiegów dla pacjentów w dziedzinie opieki zdrowotnej, a także lepiej dopasowywać reklamy i sugestie do użytkowników mediów społecznościowych.
Jak widać, sztuczna inteligencja i jej „dzieci” na dobre zadomowiły się w naszym codziennym życiu, i nie mają zamiaru zwalniać tempa. Pozostaje nam śledzić, jakie nowe możliwości nam dają, i co mogą w naszym życiu ułatwić.
Porozmawiajmy!
a my pomożemy Ci wdrożyć najnowsze rozwiązania!
Podobne wpisy:
Głębokie sieci neuronowe — czym są i jakie mają zastosowanie?
Automatyzacja powinna być świadoma
Dlaczego istotne jest stworzenie mapy procesów i optymalizacja przed rozpoczęciem automatyzacji?
Automatyzacja Procesów Biznesowych (BPA). BPA a RPA – 5 istotnych zalet RPA dla biznesu