Uczenie maszynowe – co to jest? Przykłady i zastosowania machine learning
Uczenie maszynowe (machine learning) towarzyszy nam od wielu lat i usprawnia mnóstwo codziennych czynności, choć nawet możemy nie zdawać sobie z tego sprawy. Kiedyś temat ten wydawał się czymś rodem z science-fiction, dziś jest całkiem realny. O co chodzi z tą całą sztuczną inteligencją, która za tym stoi, głębokim uczeniem czy też sieciami neuronowymi? W tym artykule postaramy się przybliżyć wszystkie te tematy i odróżnić od siebie te pojęcia.
- Czym jest uczenie maszynowe?
- Czy uczenie maszynowe korzysta ze sztucznej inteligencji?
- Uczenie głębokie a uczenie maszynowe – różnice
- Jak działa uczenie maszynowe?
- Metody machine learning
- Uczenie maszynowe w praktyce
- Przyszłość machine learning
Czym jest uczenie maszynowe? Definicja i historia
Uczenie maszynowe to specjalistyczna gałąź sztucznej inteligencji (z ang. artificial intelligence), która skupia się na przetwarzaniu informacji i opracowywaniu algorytmów imitujących sposób, w jaki uczy się oraz rozwiązuje problemy ludzki umysł.
Termin „machine learning” (w skrócie ML) wprowadził pracownik IBM i pionier sztucznej inteligencji Arthur Samuel w pracy naukowej w roku 1959.
Opisał w niej stworzoną przez siebie w 1952 r. grę komputerową w warcaby, w której komputer IBM 701 analizował ruchy, które prowadziły do zwycięstwa, uczył się ich i wprowadzał w praktyce.
W 1962 r. program ten był w stanie pokonać gracza reprezentujący poziom mistrzowski. W międzyczasie, w 1957 r. Frank Rosenblatt opracował pierwszą sieć neuronową, zwaną „perceptron” – była w stanie odtworzyć procesy myślowe ludzkiego mózgu.
Te dwa wydarzenia położyły podwaliny pod rozwój sztucznej inteligencji i uczenia maszynowego. W ciągu kilku kolejnych dekad nie ustawały prace nad coraz bardziej złożonymi algorytmami. W chwili obecnej dziedziny te są jednymi z najważniejszych w temacie technologii i kształtują codzienną rzeczywistość.
Czy uczenie maszynowe korzysta ze sztucznej inteligencji?
Tak, uczenie maszynowe jest poddziedziną sztucznej inteligencji (w skrócie SI), a konkretniej pokazuje, jak w praktyczny sposób zastosować SI. Machine learning jest jednym z kilku możliwych typów wykorzystania sztucznej inteligencji, innym z nich jest uczenie głębokie.
Uczenie głębokie a uczenie maszynowe – różnice
Aby zrozumieć różnice między uczeniem głębokim a maszynowym, należy najpierw wytłumaczyć pojęcie „sztuczna inteligencja” jako technika mająca na celu naśladowanie ludzkiej inteligencji za pomocą technologii. Jej formami są zarówno uczenie maszynowe oraz uczenie głębokie.
Uczenie maszynowe – co to jest?
Uczenie maszynowe to forma sztucznej inteligencji i pojęcie szersze niż uczenie głębokie (które jest jego częścią). Ten typ uczenia jest wykorzystywany, aby usprawniać wykonywanie zadań przez maszyny.
Machine learning to proces, w którym komputery uczą się z przyjętych danych, rozpoznając pewne schematy i dokonując przewidywań w momencie, gdy stykają się z nowymi informacjami. Tego typu działanie przydaje się w nadawaniu struktury danym. Co ciekawe, uczenie maszynowe wymaga mniej mocy obliczeniowej aniżeli uczenie głębokie, a więc jego zastosowanie może być szersze, a koszt niższy.
Uczenie głębokie wywodzi się z uczenia maszynowego
Uczenie głębokie (deep learning) jest z kolei formą uczenia maszynowego. Główną różnicą między nimi jest to, że deep learning opiera się na sieciach neuronowych. Oznacza to, że uczenie głębokie w założeniu stara się „myśleć” i układać wszystko w struktury, wzorując się na procesach poznawczych ludzkiego mózgu.
Faza uczenia jest „głęboka”, gdyż sieci neuronowe przetwarzają dane wielowarstwowo, przyjmując i tworząc informacje, dzięki czemu algorytmy „uczą” się w trakcie obróbki danych. Im więcej ich przerobią, tym więcej dostrzegą zależności, a dzięki temu będą mogły lepiej przewidywać sytuacje. Proces ten jest niezwykle przydatny przy przetwarzaniu informacji pochodzących z nieustrukturyzowanych danych (takich, jak zdjęcia, wideo czy tekst). Wymaga on również więcej mocy obliczeniowej od uczenia maszynowego.
Jak działa uczenie maszynowe?
Wdrożenie uczenia maszynowego wymaga przeprowadzenia kilku kroków.
Deweloperzy tworzą system zdolny do wykonywania prostych czynności programistycznych wraz z umiejętnością analizowania informacji zwrotnych oraz wprowadzania zmian (ulepszeń) na ich podstawie.
Dzięki tej pętli zależności, algorytm staje się z czasem coraz lepszy w swoich zadaniach. Cały proces można rozbić na kilka faz:
- Wprowadzenie danych do przeanalizowania. Algorytm przegląda otrzymane dane i klasyfikuje je.
- Nauka. Przetworzone informacje poddawane są ewaluacji, dzięki czemu system może logicznie połączyć poszczególne punkty danych, wyszczególniając zależności.
- Wyciągnięcie wniosków. Otrzymując nowe dane komputer będzie bazował na doświadczeniach wynikających z poprzednich kroków i będzie samodzielnie oceniał przyjęte informacje. W tym momencie ma miejsce tzw. optymalizacja, tj., jeśli algorytm nie jest w pełni skuteczny, człowiek może uściślić dane tak, aby system był w stanie w prawidłowy sposób ocenić dane.
Metody machine learning
Istnieją trzy główne metody uczenia maszynowego. Są to:
- uczenie nadzorowane
- uczenie nienadzorowane
- uczenie przez wzmacnianie
Uczenie nadzorowane
Nadzorowane uczenie maszynowe polega na podaniu systemowi skategoryzowanych zestawów danych, tak aby algorytmy mogły klasyfikować informacje lub poprawnie przewidywać wyniki. Algorytmy powstają pod ścisłym nadzorem, aby uniknąć zjawisk takich jak overfitting i underfitting.
Pierwsze z nich to sytuacja, gdy model uczenia maszynowego staje się nadmiernie szeroki, przez co traci swoją skuteczności. Drugi z procesów odnosi się do zbyt wąskiej próbki danych, która np. uniemożliwia wyłonienie dominującego trendu. Skrojenie na miarę algorytmów wymaga ścisłego nadzoru badaczy – stąd też ten typ uczenia zawdzięcza swoją nazwę. W ten sposób trenuje się np. algorytmy do wykrywania spamu.
Uczenie nienadzorowane
Nienadzorowane uczenie maszynowe z kolei wykorzystuje algorytmy do analizy i filtrowania nieskategoryzowanych grup danych. Ten typ przetwarzania informacji wykorzystywany jest w celu odkrycia nowych, niewidzianych dotąd schematów bez ingerencji człowieka.
Maszynowe uczenie nienadzorowane jest przydatne w odkrywaniu podobieństw i różnic w danych. Przykładem jego wykorzystania jest rozpoznawanie obrazów lub wzorów.
Uczenie przez wzmacnianie
Uczenie przez wzmacnianie jest jednym z modeli uczenia maszynowego, który przypomina uczenie nadzorowane. Różnica polega na tym, że trenowanie algorytmu nie odbywa się poprzez podanie mu próbek danych, lecz pozwolenie mu na naukę metodą prób i błędów.
Jeśli algorytm osiągnie sukces w działaniu, naukowcy go nadzorujący będą „wzmacniać” reakcje danego typu, by z czasem konsekwentnie reagował we właściwy sposób.
Uczenie maszynowe w praktyce – gdzie jest wykorzystywane?
Zastosowanie uczenia maszynowego w praktyce jest niezwykle szerokie – do tego stopnia, że można wziąć je za pewnik i nawet nie być świadomym tego, że stoi za nimi sztuczna inteligencja.
Machine learning może odpowiadać między innymi za:
- Tłumaczenia, rozpoznawanie mowy, przetwarzanie mowy na tekst (i vice versa) oraz przewidywanie wprowadzanego tekstu w telefonach.
- Obsługę klienta – chatboty, które automatyzują załatwienie spraw i uzyskiwanie informacji (np. o przesyłkach).
- Przetwarzanie obrazów – dodawanie automatycznych tagów na social media albo w radiologii i w autonomicznych samochodach.
- Mechanizmy rekomendacji – platformy VOD, takie jak Netflix, czy też usługi gier, jak Xbox Game Pass podsyłają nam pozycje w oparciu o naszą historię, które mogą nas zainteresować.
- Wykrywanie nielegalnych aktywności – instytucje finansowe i banki używają uczenia maszynowego, aby wypatrzyć podejrzane transakcje.
- Ulepszanie obrazu – układy w PC i konsolach posiadają techniki poprawy jakości grafiki przy zwiększeniu wydajności, a chipsety w telewizorach adaptacyjnie wyostrzają obraz i skalują materiały w niższej rozdzielczości do wyższej.
Przyszłość machine learning
Niewątpliwie uczenie maszynowe i głębokie oferują wiele korzyści i możliwości rozwoju różnorodnych branż. Jednakże niosą też ze sobą ogrom wyzwań i zagrożeń.
Regulacje prawne a machine learning
Pierwszy problem to uregulowanie prawne aspektów machine learningu. Na przykład, jeśli doszłoby do wypadku z udziałem autonomicznego pojazdu, trudno byłoby jednoznacznie wskazać sprawcę („kierowca”? algorytm? twórca algorytmu?). Inna kłopotliwa sytuacja to ustalenie praw autorskich dzieł, do których stworzenia była wykorzystana częściowo lub w całości sztuczna inteligencja.
Kontynuując wątek prawny – uczenie głębokie obecnie jest często używane do tworzenia deepfake’ów, a więc manipulacji obrazem. Jej rezultatem jest zazwyczaj podmiana jednej postaci na drugą oraz modyfikacja głosu tak, że nie można odróżnić spreparowanego nagrania od oryginalnego. Niestety używanie tego typu technologii jest również nieuregulowane prawne.
Kwestie etyczne i niedoskonałości w uczeniu maszynowym
Inne wyzwania stanowić będzie aspekt etyczny. Jeśli z pomocą uczenia maszynowego będą powstawać coraz bardziej „uczłowieczone roboty”, ktoś w końcu może podważyć sposób ich traktowania oraz eksploatowania i uznać za niehumanitarny.
Kolejny kłopotliwy temat to dopuszczenie autonomicznych samochodów do oficjalnego użytku drogowego. Jakkolwiek wiele firm ma ambitne plany w tej dziedzinie, nadal algorytmy i systemy rozpoznawania obiektów są zawodne. Co więcej, nie ma ujednoliconych standardów w branży motoryzacyjnej ani od strony prawnej, w jaki sposób machine learning zostałby poddawany ocenie bezpieczeństwa.
Wielką niedogodnością uczenia maszynowego jest również fakt, że algorytmy często „dziedziczą” błędy poznawcze (i uprzedzenia) od ludzi, którzy ich stworzyli. W tym przypadku sztuczna inteligencja będzie jedynie tak dobra, jak mózg człowieka, na którym ją wzorowano.
Podsumowując – machine learning ma potencjał transformować wiele istotnych aspektów naszego życia, jak np. pomóc wykrywać i eliminować raka. Jednak potencjał tej technologii jest obecnie przyćmiony przez ogrom przeszkód, które trzeba pokonać, aby można było jej bezpiecznie używać w szerszym kontekście. Aby do tego doszło, potrzebna będzie przede wszystkim transformacja prawna – nie tylko tak, aby ustawy nadążały za rozwojem techniki, ale również przewidywały, co się może stać w przyszłości.
Może Cię zainteresować: