Jak se zdá z naší ankety, čtenáři AI Worldu mají o pojmu umělá inteligence jasno. Raději však nenecháváme nic náhodě a oba termíny vysvětlujeme.
Umělá inteligence a strojové učení spolu blízce souvisí. Zaměřme se nejprve na to, co je AI.
Co je umělá inteligence?
V principu je AI simulací inteligence počítačem, respektive strojem. Může jít o inteligenci napodobující člověka, ale není to nutně podmínkou; nutné procesy zahrnují učení, aplikaci získaných znalostí pomocí předem daných pravidel (tedy něco jako uvažování) a nakonec opravování sama sebe.
Není divu, že jednou z prvních oblastí, kde se umělá inteligence stala velmi známým pojmem, byly počítačové hry. Videohry totiž mají tu výhodu, že si základní principy AI umíme velice dobře představit. Vezměme si nějakou strategickou záležitost: je zde digitální protivník; ten staví budovy, jednotky, vymýšlí útoky a brání se. Reaguje na naše podměty, ale zároveň je i vytváří. Je to skvělý případ a právě hry, ať už počítačové nebo deskové, vždy patřily do popředí vývoje umělé inteligence.
AI můžeme kategorizovat jako „silnou“ a „slabou“, nebo lépe jako specializovanou či obecnou. Mezi specializované umělé inteligence patří dnes rozšíření virtuální asistenti. Alexa, Siri nebo Cortana jsou naprogramovány na specifické úkoly, které provádí.
Obecná umělá inteligence by oproti tomu měla zvládnout uvažovat a jednat docela podobně, jako člověk – samostatně, bez cizí pomocí a napodobovat i kognitivní schopnosti jedince. Skutečná obecná umělá inteligence prozatím neexistuje.
Co je strojové učení?
Teď už víme, co je umělá inteligence – velmi široký pojem, který zahrnuje řadu nutných součástí a ty zase další podsoučásti. Strojové učení je jednou z těchto klíčových součástí – staví algoritmy, které za pomoci vstupních dat vystaví předpoklad výsledné situace, který se průběžné mění.
Stručně řečeno: Strojové učení je o přizpůsobování se stroje novým situacím dynamicky a za předpokladů zjištěných z dostupných dat. Ideálním, nenápadným příkladem strojového učení je nakupování na internetu, kdy reklamy na webových stránkách se mění podle toho, co zrovna nakupujeme či hledáme; to je jeden z nejzákladnějších typů strojového učení.
Algoritmy strojového učení dělíme do několika modelových škatulek; mezi nejpoužívanější patří učení s učitelem, učení bez učitele a zpětnovazební učení. Píšeme o nich často, v čem se tedy liší?
Učení s učitelem zprvu vyžaduje dohled datového vědce nad strojem, který zadává jak vstupní data, tak výstupní a k tomu poskytuje zařízení zpětnou vazbu o přesnosti předpokladů během trénování algoritmu. Po dokončení trénování bude algoritmus aplikovat nabyté znalosti.
Učení bez učitele je zdánlivě složitější, stroj však nepotřebuje trénink pod dohledem. Pomocí hlubokého učení (dalšího známého AI pojmu) si algoritmy prohlíží data a dospějí k výsledkům samostatně. Mezi typické příklady algoritmů učení bez učitele patří neuronové sítě, které se v současnosti používají pro velmi komplexní úkony včetně rozpoznávání obrazu, konverzi řeči v text a zpracovávání přirozeného jazyka. Poté, co se na milionech vstupních dat algoritmu vytrénuje, může díky velkému množství informací docházet k vlastním interpretacím nových dat; neuronové sítě jsou ideální též na hledání souvislostí mezi danými informacemi. Učení bez učitele je výsledkem doby big dat, neboť vstupní datasety musí být opravdu obří.
Zpětnovazební učení funguje na základě maximalizace odměny; stroj samostatně hledá nejlepší cestu či chování, kterým dospět k žádanému výsledku, podobně jako učení s učitelem. Oba typy algoritmů se však odlišují v tom, že zatímco učení s učitelem je už trénováno s existující správnou odpovědí, u zpětnovazebního učení výsledek ještě neexistuje, algoritmus na něj přichází sám; pokud bychom jej přirovnali k člověku, tak se učí ze zkušeností.
To je však jen velmi stručné shrnutí: k teoretickému zázemí umělé inteligence se ještě mnohokrát vrátíme.
PŘEDPLATNÉ
ČLÁNKY DO MAILU