Što je strojno učenje?

U prosincu 2017. DeepMind, istraživački laboratorij koji je Google kupio 2014. godine, predstavio je AlphaZero, program umjetne inteligencije koji bi mogao poraziti svjetske prvake na nekoliko družavnih igara.

Zanimljivo je da je AlphaZero od ljudi dobio nula upute o tome kako igrati igre (odatle i naziv). Umjesto toga, koristila je strojno učenje, granu AI-ja koja svoje ponašanje razvija iskustvom umjesto eksplicitnih naredbi.

U roku od 24 sata AlphaZero je postigao nadljudske performanse u šahu i porazio prethodni šah program svjetskog prvaka. Ubrzo nakon toga, algoritam strojnog učenja AlphaZero također je savladao Shogija (japanski šah) i kinesku igru ​​na ploči Go, i pobijedio je svog prethodnika, AlphaGo, sa 100 na nulu.

Strojno učenje postalo je popularno posljednjih godina i pomaže računalima u rješavanju problema za koje se prije mislilo da su isključivo domena ljudske inteligencije. Iako je još uvijek udaljen od izvorne vizije umjetne inteligencije, strojno učenje nam se približilo krajnjem cilju stvaranja strojeva za razmišljanje.

Koja je razlika između umjetne inteligencije i strojnog učenja?

Tradicionalni pristupi razvoju umjetne inteligencije uključuju detaljno kodiranje svih pravila i znanja koja određuju ponašanje AI agenta. Prilikom stvaranja AI koji se temelji na pravilima, programeri moraju napisati upute koje određuju kako se AI treba ponašati kao odgovor na svaku moguću situaciju. Ovaj pristup zasnovan na pravilima, poznat i kao dobri staromodni AI (GOFAI) ili simbolički AI, pokušava oponašati funkcije razmišljanja i predstavljanja znanja ljudskog uma.

Savršen primjer simboličnog AI je Stockfish, vrhunski šah-motor s otvorenim kodom koji je izrađivan više od 10 godina. Stotine programera i šahista doprinijelo je Stockfishu i pomoglo razvijanju njegove logike šifriranjem njegovih pravila - na primjer, što AI treba učiniti kada protivnik premjesti svog viteza s B1 na C3.

Ali AI koji se temelji na pravilima često se prekida kada se bave situacijama u kojima su pravila previše složena i implicitna. Na primjer, prepoznavanje govora i objekata u slikama su napredne operacije koje se ne mogu izraziti logičkim pravilima.

Za razliku od simboličkog AI, računalni AI modeli strojnog učenja razvijaju se ne pisanjem pravila nego prikupljanjem primjera. Na primjer, za izradu šahovskog motora temeljenog na strojnom učenju programer stvara osnovni algoritam, a zatim ga "trenira" s podacima iz tisuća ranije igranih šahovskih igara. Analizom podataka AI pronalazi uobičajene obrasce koji definiraju dobitne strategije, a koje može koristiti za poraz stvarnih protivnika.

Što više AI pregledava igre, to postaje bolje pri predviđanju dobitnih poteza tijekom igre. Zbog toga je strojno učenje definirano kao program čija se izvedba poboljšava iskustvom.

Strojno učenje je primjenjivo na mnoge zadaće u stvarnom svijetu, uključujući klasifikaciju slike, prepoznavanje glasa, preporuku sadržaja, otkrivanje prijevara i obradu prirodnog jezika.

Nadzirano i nenadzirano učenje

Ovisno o problemu koji žele riješiti, programeri pripremaju relevantne podatke za izgradnju svog modela strojnog učenja. Na primjer, ako žele koristiti strojno učenje za otkrivanje lažnih bankovnih transakcija, programeri će sastaviti popis postojećih transakcija i označiti ih njihovim ishodom (lažnim ili valjanim). Kad podatke ulože u algoritam, on razdvaja lažne i valjane transakcije i pronalazi zajedničke karakteristike unutar svake od dviju klasa. Proces treninga s označenim podacima naziva se "supervizirano učenje" i trenutno je dominantan oblik strojnog učenja.

Već postoje mnoga mrežna spremišta označenih podataka za različite zadatke. Neki popularni primjeri su ImageNet, otvoreni izvor podataka s više od 14 milijuna slika s oznakom i MNIST, skup podataka od 60 000 rukom pisanih znamenki. Razvojni strojevi koriste i platforme poput Amazonovog Mechanical Turk, mrežnog centra za zapošljavanje na zahtjev za obavljanje kognitivnih zadataka poput označavanja slika i audio uzoraka. A sve veći sektor startupa specijaliziran je za napomenu podataka.

Ali nisu svi problemi potrebni obilježeni podaci. Neki problemi strojnog učenja mogu se riješiti "nenadziranim učenjem", gdje AI modelu dajete sirove podatke i dopuštate da sam shvati koji su obrasci relevantni.

Otkrivanje anomalije uobičajena je upotreba učenja bez nadzora. Na primjer, algoritam mašinskog učenja može trenirati na neobrađenim podacima o mrežnom prometu uređaja koji je spojen na internet - recimo, pametnom hladnjaku. Nakon treninga, AI uspostavlja osnovnu liniju za uređaj i može označiti vanjsko ponašanje. Ako se uređaj zarazi zlonamjernim softverom i počne komunicirati sa zloćudnim poslužiteljima, model strojnog učenja moći će ga otkriti jer se mrežni promet razlikuje od uobičajenog ponašanja koje se opaža tijekom treninga.

Učenje ojačanja

Do sada vjerojatno znate da kvalitetni podaci o treningu igraju veliku ulogu u učinkovitosti modela strojnog učenja. No, učvršćenje učenja je specijalizirana vrsta strojnog učenja u kojoj AI razvija svoje ponašanje bez korištenja prethodnih podataka.

Modeli za učenje ojačanja započinju s čistom pločom. Poučeni su samo osnovnim pravilima okruženja i zadatkom koji im je pri ruci. Kroz pokušaja i pogreške nauče se optimizirati svoje postupke prema svojim ciljevima.

AlphaZero iz DeepMind-a zanimljiv je primjer učenja ojačanja. Za razliku od drugih modela strojnog učenja, koji moraju vidjeti kako ljudi igraju šah i učiti od njih, AlphaZero je počeo samo znati poteze komada i uvjete pobjede igre. Nakon toga odigrala je milijune mečeva protiv sebe, počevši od nasumičnih radnji i postupno razvijajući obrasce ponašanja.

Učenje ojačanja vruće je područje istraživanja. To je glavna tehnologija koja se koristi za razvoj AI modela koji mogu savladati složene igre poput Dota 2 i StarCraft 2, a koristi se i za rješavanje problema iz stvarnog života kao što su upravljanje resursima podatkovnog centra i stvaranje robotskih ruku koje mogu upravljati predmetima s ljudskom spretnošću,

Duboko učenje

Duboko učenje je još jedan od popularnih podskupina strojnog učenja. Koristi umjetne neuronske mreže, softverske konstrukcije koje su otprilike nadahnute biološkom strukturom ljudskog mozga.

Neuronske mreže izvrsno se snalaze u obradi nestrukturiranih podataka kao što su slike, video, audio i dugi ulomci teksta poput članaka i znanstvenih radova. Prije dubokog učenja, stručnjaci za strojno učenje morali su uložiti mnogo truda u izvlačenju značajki iz slika i videozapisa i vršili bi svoje algoritme iznad toga. Neuronske mreže automatski otkrivaju te značajke bez ljudskog inženjera.

Duboko učenje stoji iza mnogih modernih AI tehnologija poput automobila bez vozača, naprednih sustava prevođenja i tehnologije prepoznavanja lica na vašem iPhoneu X.

Granice strojnog učenja

Ljudi često zbunjuju strojno učenje s umjetnom inteligencijom na razini čovjeka, a marketinški odjeli nekih tvrtki namjerno upotrebljavaju izraze. No, iako je strojno učenje poprimilo velike korake u rješavanju složenih problema, još je jako daleko od stvaranja strojeva za razmišljanje koje su predvidjeli pioniri AI.

Osim učenja iz iskustva, prava inteligencija zahtijeva rasuđivanje, zdrav razum i apstraktno razmišljanje - područja u kojima modeli strojnog učenja djeluju vrlo slabo.

Na primjer, dok je strojno učenje dobro u kompliciranim zadacima prepoznavanja uzoraka, poput predviđanja raka dojke pet godina unaprijed, bori se s jednostavnijim zadacima logike i rasuđivanja, poput rješavanja problema matematike u srednjoj školi.

Manjak strojnog učenja zbog nedostatka moći rasuđivanja čini ga lošim u općenitoj generalizaciji svog znanja. Na primjer, sredstvo za strojno učenje koje može igrati Super Mario 3 poput profesionalca neće dominirati u nekoj drugoj platformskoj igri, poput Mega Man-a, ili čak drugoj verziji Super Mario-a. Trebala bi biti istrenirana ispočetka.

Bez snage da izvučemo konceptualno znanje iz iskustva, modeli strojnog učenja zahtijevaju mnoštvo podataka o obuci koje bi mogli obaviti. Nažalost, mnogim domenama nedostaje dovoljno podataka o obuci ili nemaju sredstava za prikupljanje više. Duboko učenje, koje je danas rasprostranjeni oblik strojnog učenja, također pati od problema objašnjenja: Neuronske mreže djeluju na komplicirane načine, pa čak i njihovi tvorci se trude slijediti procese donošenja odluka. Zbog toga je teško koristiti moć neuronskih mreža u postavkama u kojima postoji zakonski zahtjev za objašnjenje AI odluka.

Srećom ulažu se napori za prevladavanje ograničenja strojnog učenja. Jedan zapažen primjer je široka inicijativa DARPA-e, istraživačkog odjela Ministarstva obrane, za stvaranje objašnjivih modela AI.

• Što je umjetna inteligencija (AI)? Što je umjetna inteligencija (AI)?
• Većina AI dolara odlazi na strojno učenje Većina AI dolara odlazi na strojno učenje
• Kako želite vidjeti AI? Kako želite vidjeti AI?

Ostali projekti imaju za cilj smanjiti prekomjernu ovisnost o strojnom učenju na zabilježenim podacima i učiniti tehnologiju dostupnom domenama s ograničenim podacima o obuci. Istraživači IBM-a i MIT-a nedavno su ostvarili napredak na terenu kombinirajući simbolički AI s neuronskim mrežama. Hibridni AI modeli zahtijevaju manje podataka za obuku i mogu pružiti detaljno objašnjenje svojih odluka.

Hoće li nam evolucija strojnog učenja na kraju pomoći da postignemo nepresušan cilj stvaranja AI na ljudskoj razini, ostaje za vidjeti. Ali ono što sigurno znamo je da zahvaljujući napretku u strojnom učenju uređaji koji sjede za našim stolovima i odmaraju u džepovima svakim danom postaju pametniji.