Výpis blogu

Obsah článku

Co je strojové učení a jak souvisí s umělou inteligencí?

Umělá inteligence a související obory se zabývají zkoumáním prostředků pro pokročilé analýzy dat a zefektivnění firemních či výrobních procesů. Jedním z těchto souvisejících oborů je i strojové učení, anglicky machine learning, na které se dnes společně podíváme podrobněji. V následujících odstavcích si povíme:

  • co je machine learning,
  • jak spolu strojové učení a umělá inteligence souvisí,
  • s jakými typy úloh ML pracuje,
  • jaké jsou nejčastější metody strojového učení,
  • jak vlastně machine learning funguje,
  • příklady a využití strojového učení v praxi.

Co je strojové učení (Machine Learning)?

Machine Learning (ML), česky strojové učení, je obor zabývající se zkoumáním učení strojů. Pracuje s obrovským množstvím dat, která analyzuje, uspořádá do souvislostí a následně vyhodnotí (typicky s využitím služeb cloudu) s cílem pochopení principů reálného světa. Výsledné algoritmy ukládá do modelů, ze kterých následně čerpá při řešení obdobného problému.

Strojové učení vychází ze své předešlé zkušenosti, kterou dále rozšiřuje na základě nových informací – učí se, stejně jako člověk. Postupně dokáže rozeznávat jednotlivé objekty, přiřazovat k nim vlastnosti a vzájemně je propojovat souvislostmi. Naučí se tedy například rozeznat psa od kočky, k původní vědomosti pak dále přidává další informace, čím jsou obě zvířata typická, s jakými rasami se setkáváme a podobně.

co je strojové učení

Využití strojového užití proto můžeme hledat v rozhodovacích procesech. Dokáže zpracovat pro člověka nemyslitelné množství dat, která nám přinesou zcela nový pohled nejen na výrobní procesy, ale i chování zákazníků například na e-shopu nebo webu poskytujícím služby a předvídat tak následující vývoj poptávky.

Své znalosti pak ML dokáže na základě nových dat rozšiřovat i bez lidské pomoci. Samo o sobě s nimi však nedokáže dále naložit – o to už se stará umělá inteligence (AI), která nabyté poznatky aplikuje do praxe. Strojové učení je tedy nástrojem AI, který jí pomáhá lépe porozumět okolnímu světu a umožňuje jí se učit. Proto je každé strojové učení umělou inteligencí. Naopak už však tento vztah fungovat nemusí.

Umělá inteligence a strojové učení

Umělá inteligence tak nemusí být současně strojovým učením. Obecně můžeme AI klasifikovat jako obor zabývající se tvorbou systémů, které dokáží napodobit lidský intelekt a lidské chování, přičemž je jejím hnacím motorem právě strojové učení. Umělá inteligence ovšem do původní analýzy přidává i další aspekty, jako je filozofie, sociologie a etika. Je tedy mnohem podobnější lidskému způsobu uvažování.

Artificial Intelligence se tak snaží principy lidské inteligence přenést do strojů. Dlouhodobým cílem veškerého snažení je pak vznik takzvané obecné umělé inteligence, která se dokáže zcela samostatně rozhodovat i vyjadřovat jako člověk, včetně kognitivních schopností (porozumění kontextu, rychlost zpracování, prostorová orientace nebo emoce).

strojové učení a umělá inteligence

AI je jedním ze základních pilířů digitální transformace, jejímž cílem je postupná obměna způsobů, jakými přistupujeme k řešení nejrůznějších každodenních úkolů a usnadnění souvisejících činností. Mezi produkty umělé inteligence počítáme například virtuální asistentku Siri, známou z produktů značky Apple, jako je iPhone nebo iPad. Siri prostřednictvím rozpoznání hlasu dokáže provádět nejrůznější úkony - vyhledávání na internetu nebo zadání schůzky do kalendáře.

Hluboké učení (Deep Learning)

V souvislosti s umělou inteligencí a strojovým učením je vhodné zmínit také Deep Learning (DL) čili hluboké učení. Hluboké učení je dalším vědním oborem, který dále rozšiřuje možnosti Machine Learningu. Je jeho specializovanou částí, jež ke své činnosti využívá neuronové sítě – stejně jako lidský mozek.

Algoritmy Machine Learningu jsou o něco složitější a umí porozumět širšímu kontextu dat. Nezaměřují se pouze na jedno klíčové slovo, ale na význam celé výpovědi. Vyhodnotí tedy stejně výraz „zapni topení“ jako „je mi zima, chtělo by to zatopit“. Příkladem využití hlubokého učení jsou překlady textů, automatické odpovědi na Gmailu nebo automatické návrhy úprav v mobilní aplikaci Fotky Google.

Klasifikace úloh strojového učení

Strojové učení je postaveno na analýze dat. Z toho vyplývá, že čím více dat dostane k dispozici, tím efektivnější bude jejich vyhodnocení. Stejně tak se účinnost zvyšuje s opakováním jednotlivých algoritmů, kdy jsou data postupně optimalizována. V praxi Machine Learning data zpracovává čtyřmi různými způsoby:

  • klasifikace, kdy rozpoznává objekty a rozděluje je do tříd,
  • regrese, kdy analyzuje data a výstupu přiřazuje určité hodnoty podle vstupu,
  • shlukování (clusterování), kdy data seskupuje do skupin s podobnými vlastnostmi, avšak bez znalosti obsahu,
  • asociace, kdy mezi daty utváří souvislosti a skládá je do uceleného konceptu.

Učení bez učitele a další metody strojového učení

Podobně jako klasická pedagogika i strojové učení pro získávání znalostí využívá různé metody:

  • učení se zapamatováním,
  • učení se instrukcí,
  • učení se z analogie,
  • učení se na základě vysvětlení,
  • učení se z příkladů,
  • učení se pozorováním a objevováním.

Tyto metody se pojí s různými formami, které jsou analogií ke skupinové, individuální, prezenční nebo distanční výuce:

  • učení se s učitelem,
  • učení bez učitele,
  • zpětnovazebné učení.

Učení se s učitelem

Strojové učení s učitelem jasně definuje vstupní i výstupní parametry. Učitel / vědec pojmenuje určitou věc, například auto a ukáže, jak s danou informací naložit. Výstup je pak porovnáván s původním očekáváním. Tento přístup využívá bohaté datové sady (často sestavované ručně), které ukazují různé varianty objektu tak, aby je následně stroj mohl sám rozeznat a provést s nimi danou akci.

Když algoritmus narazí na nová data, tak postupuje podle stanovených parametrů, přičemž neustále upravuje stávající informace. Strojové učení trénované tímto způsobem vždy umí pouze to, co ho naučíme. Nezvládne tedy například provést činnost, která nebyla předem definována.

Učení bez učitele

Metoda strojového učení bez uživatele na rozdíl od učení s učitelem definuje pouze vstupní data. Na postup, řešení i výsledek si přichází algoritmus sám principem pokus – omyl. Machine Learning tak hledá podobnosti a spojitosti mezi jednotlivými objekty a přiřazuje jim vlastní označení.

Využívá se zde zmíněné shlukování dat čili vytváření komplexních informací, které napomáhají vytvářet personalizované nabídky služeb nebo zboží. Například Netflix tak sleduje a ukládá historii sledování svých uživatelů a na základě poznatků zobrazuje tipy na další pořady ke zhlédnutí. Obě metody strojového učení (bez učitele i s učitelem) můžeme také kombinovat.

Zpětnovazebné učení

Poslední nejčastější formou Machine Learningu je takzvané zpětnovazebné učení. Algoritmus hledá optimální řešení, k němuž následně získává hodnocení úspěšnosti procesu. Schválené postupy pak algoritmus používá i u dalších podobných problémů.

Jak funguje machine learning (ML)?

Princip fungování strojového učení můžeme shrnout do následujících čtyř bodů:

  • Shromažďování a příprava dat. Algoritmus identifikuje zdroje a na základě sestavených dat vytvoří struktury. Data se rozdělí do dvou segmentů – tréninkového a testovacího.
  • Trénování modelu. S využitím tréninkové sady dat dochází k vyladění na maximální rychlost a přesnost zpracování.
  • Ověření modelu. Za pomoci testovací sady, která vyhodnocuje efektivitu algoritmu.

Jakmile je algoritmus dostatečně odladěn získáváme interpretaci výsledků, jako jsou přehledy a závěry či předpovědi dalšího uživatelského chování a výkonu stroje. Celý proces shromažďování, trénování a ověřování se s příchodem nových dat neustále opakuje.

Machine learning: možnosti využití a přínosy

Hlavní výhody strojového učení a implementace umělé inteligence obecně vnímáme zejména v hledisku automatizace stávajících procesů a zvýšení jejich efektivity. Šetří se tím lidský čas i peníze a zákazníci dostávající personalizované výsledky, které navyšují jejich uživatelskou zkušenost a s tím i spokojenost.

Machine Learning je možné dosadit do celé řady odvětví: bankovnictví, zdravotnictví, doprava, služby zákazníkům, PPC reklamy, maloobchodní prodej či zemědělství. Jako příklady z reálného světa můžeme uvést:

  • vyhodnocování zákazníka (cílové skupiny i jednotlivce) a jeho chování – prostor pro udržení zákazníka, předpověď výnosu či zájem o konkrétní produkty e-shopu v daném období,
  • vývoj nových léků a diagnostika pacienta,
  • hodnocení rizik – životnost stroje, optimalizace kampaní,
  • dynamické přizpůsobení cen – reakce na konkurenci nebo přizpůsobení poptávce.

Strojové, hloubkové učení a umělá inteligence mohou být ovšem také prostředkem k vývoji zcela nových nástrojů, jako jsou mobilní aplikace. Příkladem může být Snapchat, který tyto moderní metodiky dále kombinuje s rozšířenou realitou (AR).

Pokud o implementaci umělé inteligence a jejích produktů (například chatbota) uvažujete, neváhejte využít naší bezplatné konzultace, kde vám rádi poradíme s vytvořením celého konceptu. Zajistíme také kompletní vývoj, od prvního návrhu až po nasazení na produkci.
 

Související články

Více článků
Rascasone

Máte nápad na nový projekt?

Popište nám ho! Rádi odpovíme na všechny vaše dotazy, nebo rovnou domluvíme termín schůzky.

Ozvěte se Vítovi! Vše s vámi projedná a probere.

Vít Uličný

Zakladatel & CEO

Vít Uličný