Co to jest uczenie maszynowe? Machine learning w pigułce

Machine learning to doprawdy nie lada osiągnięcie. Nauka przez doświadczenie zachowań i zapamiętywanie ich w niczym nie różni się od nauki człowieka. W artykule postaramy się bliżej przyjrzeć temu jakże ciekawemu zagadnieniu. Sprawdź!

Machine learning i jego definicja. Co to jest?

Uczenie maszynowe jest jednym z elementów sztucznej inteligencji (AI). Algorytmy uczenia maszynowego umożliwiają sztucznej inteligencji zrozumienie zebranych danych. Na tej podstawie AI może podejmować samodzielne decyzje bez konieczności ich programowania za każdym razem do konkretnego zadania.  

Machine learning dzieli się na cztery typy, które różnią się ilością oznaczonych danych. Każdy z nich wykorzystywany jest w analizie w innych scenariuszach użycia.

Metody uczenia maszynowego

Uczenie nadzorowane polega na zdefiniowaniu prawidłowej odpowiedzi na podstawie danych wejściowych i wyjściowych. Tymi pierwszymi są wszystkie elementy składające się na zbiór zapisany w pamięci urządzenia. Drugimi — tylko te, które są właściwą odpowiedzią.

Przykładem uczenia nadzorowanego jest znajdowanie właściwego zdjęcia. Załóżmy, że chcemy nauczyć maszynę odszukiwać fotografie samochodów marki Bugatti Veyron. W zestawie wizerunków różnych modeli aut oznaczamy jako dane wyjściowe zdjęcie tego konkretnego pojazdu. Algorytm uczenia maszynowego zbiera informacje dotyczące podobieństw i różnic między samochodami i na tej podstawie może prawidłowo wyszukiwać inne fotografie tego modelu.

Sprawdź też: Wycieczka na koniec internetu? Podążaj za mną, będę Twoim przewodnikiem

Zaletą tego rodzaju machine learningu jest niewielka liczba potrzebnych danych oraz możliwość porównania wyników z oznaczoną uprzednio poprawną odpowiedzią. Wadą jest groźba bliskiego powiązania rezultatów uczenia z wprowadzonymi informacjami wyjściowymi, co może utrudniać interpretowanie zmieniających się danych.

Uczenie nienadzorowane polega na odnajdywaniu wzorców na podstawie dużych ilości nieoznaczonych danych. W tym typie uczenia maszynowego zjawiska łączone są w zbiory. Na podstawie ich wspólnych cech algorytm uczy się rozpoznawać podobne rzeczy.

Ten rodzaj machine learningu można porównać do sposobu rozpoznawania obiektów i zjawisk przez człowieka. Wiedza o tym, jak wygląda np. kot, pozwala ludzkiemu mózgowi zaklasyfikować podobnie wyglądające zwierzęta do zbioru kotów.

Rozwiązaniem pośrednim między dwoma powyższymi typami jest uczenie częściowo nadzorowane. Niewielką ilość oznaczonych danych wprowadzonych do systemu jest przeciwstawiana grupie niesklasyfikowanych. Zadaniem algorytmu maszyny jest analiza oznaczonych informacji w celu znalezienia podobieństw z podobnymi danymi w zbiorze niesklasyfikowanym.

Ostatnim typem jest uczenie przez wzmacnianie. W tym modelu nie ma jednej właściwej odpowiedzi ani grupy oznaczonych danych do odnajdywania w nieoznaczonych zbiorach. Maszyna uczy się reguł, na podstawie których prawidłowe może być jedno z możliwych rozwiązań. Można je porównać do zdobycia wiedzy na temat zasad gry. Za przykład może posłużyć poker. Nie ma sposobu na przewidzenie wszystkich możliwych zagrywek przeciwnika, z którym gra się w karty. Znając jednak reguły gracz (np. jakie figury i ich układy są wyższe od których, ile żetonów warto postawić w danej sytuacji) może zwiększać swoje umiejętności i dzięki nim wygrywać.

Sprawdź też: Chipowanie ludzi w praktyce. Wady i zalety posiadania chipu pod skórą

Wzmocnienie jest rodzajem nagrody. W przypadku człowieka jest to satysfakcja ze zwycięstwa dzięki opanowaniu zasad. Nagroda dla maszyny jest numeryczna. Może ją „zdobyć”, odszukując jedną z potencjalnie prawidłowych odpowiedzi.

Historia uczenia maszynowego

Początki machine learningu sięgają lat 50. XX wieku. Pionierem i twórcą pojęcia jest Arthur Samuel, absolwent i wykładowca MIT oraz inżynier pracujący w IBM. Zagadnienie to badał od 1949 roku. Owocem jego pracy było stworzenie i rozwój w latach 1952-1962 programu do trenowania szachistów. Określenia „uczenie maszynowe” użył po raz pierwszy w 1959 roku.

Zadaniem stworzonego przez niego programu było opracowywanie nowych taktyk na podstawie ogólnych reguł gry wprowadzonych do pamięci urządzenia. Do tego celu wybrał warcaby jako grę prostą, ale nie pozbawioną strategii. Analogia z uczeniem przez wzmacnianie nie jest przypadkowa. Zapisanie wszystkich kombinacji pionków było niemożliwe, ponieważ mogą być ich tysiące. Ogólna analiza zasad musiała wystarczyć, by tworzyć nowe warianty rozgrywki.

Stworzył on drzewo z pozycjami plansz osiągalnych z danego stanu. Niewielka ilość pamięci komputera wymusiła na Samuelu zastosowanie pewnej sztuczki. Algorytm redukcji alfa-beta nie przeszukiwał wszystkich możliwych rozwiązań partii warcabów aż do końca gry. Inżynier opracował funkcję punktacji opartą na kombinacji pionków na planszy w danym momencie. Funkcja ta mierzyła szanse na wygraną, uwzględniając różne zmienne takie jak ilość pozostałych na planszy pionków.

Sprawdź też: Huawei i Google — czy telefony Huawei bez usług Google są funkcjonalne?

Program zapamiętywał każdą z pozycji i wiązał ją z rezultatem, jaki z tego wynika. Znając zasady i warianty ruchów, szukał kolejnych sposobów na zwycięstwo. Swoje dzieło Samuel udoskonalał przez kolejne lata do momentu, aż jego program mógłby wziąć udział w pojedynku z człowiekiem.

Badania nad uczeniem maszynowym trwały także w innych ośrodkach akademickich. W 1965 roku na uniwersytecie Stanforda stworzono Dendral. System ten służył do automatyzacji procesów analizy i rozpoznawania nieznanych dotąd molekuł związków organicznych. Dendral okazał się przełomem. Pierwszy raz w historii odkryć dokonywał nie człowiek, a komputer.

Naukę zrewolucjonizowały także AM (Automated Mathematican) i Eurisko autorstwa Douga Lenata. Napisane w języku Lisp programy miały za zadanie odnajdywać nowe prawa matematyczne.

Najbardziej znanym przykładem wykorzystania uczenia maszynowego jest pojedynek szachowy między maszyną a człowiekiem. W 1997 roku arcymistrz Garri Kasparow przegrał partię szachów z Deep Blue. Czy przegrałby, gdyby pozwolono mu przeanalizować strategię gry komputera IBM? Trudno powiedzieć. Rosjanin zarzucał amerykańskiej firmie nieuczciwość. Przed meczem maszyna miała możliwość przestudiowania taktyki Kasparowa. On sam posiłkować się mógł tylko na sprawdzaniu działania powszechnie dostępnych programów szachowych. Mimo nalegań arcymistrza, do rewanżu z Deep Blue nigdy nie doszło.

Współcześnie ze sztuczną inteligencją obcujemy na co dzień, często nie mając nawet świadomości, że tak jest. Machine learning jest powszechnie wykorzystywany w Internecie, technologiach mobilnych i biznesie. Poniższe przykłady wielu osobom być może uświadomią, że niemal nieustannie stykamy się z nią w naszym życiu.

Przykłady zastosowań dla machine learningu

Z uczeniem maszynowym możemy spotkać się, korzystając z Internetu. Mechanizmy machine learningu zapamiętując frazy wpisywane w wyszukiwarkę, historię przeglądanych witryn i wystawiane komentarze polecają strony, produkty i usługi, którymi internauta może być potencjalnie zainteresowany. W ten sposób działają także portale społecznościowe takie jak Facebook czy TikTok.

Uczenie maszynowe są stosowane także przez serwisy filmowe i muzyczne. Bazując na preferencjach użytkownika Netflix, Spotify i pokrewne im portale rekomendują kolejne utwory, wykonawców i filmy.

Tę technologię możemy spotkać, rozmawiając z asystentem głosowym. Siri, Cortana, Bixby, Alexa i Asystent Google przetwarzają język ludzki, by móc wejść w interakcję z człowiekiem w możliwie najbardziej naturalny sposób. Uczenie maszynowe nie ogranicza się do rozumienia komunikatów głosowych, ale także języka pisanego. Dzięki temu na pytania człowieka może odpowiadać chatbot.

Sprawdź też: Satelity Starlink – co to jest, po co SpaceX umieszcza je na orbicie? Kiedy będą widoczne?

Machine learning jest stosowany w samochodach autonomicznych. Dziś tego typu pojazdy są wykorzystywane np. przez Google do tworzenia Street View w wielu krajach. Pojazd stale analizuje obiekty znajdujące się w jego otoczeniu i ruch uliczny i dostosowuje do znanych sobie przepisów kodeksu drogowego.

Wspomniane wyżej serwisy społecznościowe wykorzystują uczenie maszynowe także do wykrywania zagrożeń. Pozwala to zidentyfikować szkodliwe treści i je blokować. Jest to kluczowe dla moderatorów, ponieważ ludzie nie są w stanie na bieżąco sprawdzać milionów komentarzy, filmów i linków udostępnianych przez użytkowników.

Nie są to jedyne zastosowania uczenia maszynowego a jedynie te, z którymi mamy okazję spotkać się na co dzień. Technologia ta jest używana także w dziedzinach takich jak medycyna, logistyka i innych.

Deep learning i sieci neuronowe — najważniejsze informacje

Tak jak zostało wspomniane na początku tekstu, uczenie maszynowe jest jedną ze składowych sztucznej inteligencji. Na niższych szczeblach tej technologii znajdują się głębokie uczenie (deep learning), a poniżej niego sieci neuronowe.

Algorytmy głębokiego uczenia uruchamiają warstwy sieci neuronowej do analizy dużej ilości nieuporządkowanych danych. Dzięki temu urządzenie lub program może wykonywać czynności dokładniej, osiągając pożądane rezultaty.

Deep learning wykorzystywany jest np. przy wyszukiwaniu obrazów i rozmowie z asystentem głosowym. Tu znów można odwołać się do wyszukiwania Bugatti Veyron. Załóżmy, że chcemy odnaleźć ten model auta w kolorze czerwonym. W pierwszej kolejności system odróżnia zdjęcia samochodów od innych. Następnie rozpoznaje fotografie Bugatti, potem egzemplarze Veyrona i na koniec te czerwone.

Asystenci głosowi rozpoznają najpierw język, na głębszym poziomie słowa a na ostatnim całe zdania. Odczytując ich znaczenie, mogą komunikować się z człowiekiem i odpowiadać na zadane pytania lub uruchamiać żądaną funkcję, np. włączać światło.

Najgłębszą, elementarną częścią sztucznej inteligencji są sztuczne sieci neuronowe (artificial neural network, ANN). Ich działanie jest podobne do naturalnych sieci w biologicznym mózgu. Po otrzymaniu informacji numerycznej pojedynczy neuron przekazuje ją do innych neuronów. Warstwy sieci neuronowej są połączone i funkcjonują jednocześnie. Pozwala to na dokładniejsze rozpoznawanie wzorców i korelacji między zgromadzonymi danymi oraz gromadzenie tej wiedzy do uczenia się.

Maszynowe uczenie się jest jednym z najciekawszych wynalazków XX wieku. Oszczędza czas inżynierom, którzy dzięki niemu nie muszą nieustannie programować maszyn. Pomaga firmom w skuteczniejszym dotarciu do klienta a medykom w stawianiu trafniejszych diagnoz. Przydaje się też łatwiejszemu wyszukiwaniu interesujących treści. Nierozerwalnie związany z otaczającą nas technologią, machine learning zmienił oblicze nauki, biznesu i rozrywki.