Wkuwanie na pami\u0119\u0107 tylko po to, aby co\u015b powt\u00f3rzy\u0107, trudno nazwa\u0107 uczeniem si\u0119. To raczej zapami\u0119tywanie informacji<\/b>. We\u017amy zdj\u0119cie kota: mo\u017cna je podpisa\u0107 \u201ekot\u201d, ale samo to nie sprawi, \u017ce uda si\u0119 rozpozna\u0107 inne koty na innych zdj\u0119ciach. Co innego, kiedy cz\u0142owiek zdobywa wiedz\u0119<\/b>. Wtedy mo\u017ce w nieco innej sytuacji pos\u0142u\u017cy\u0107 si\u0119 ni\u0105 w pewnym celu. Jak? Obejrzawszy kota naocznie, rozpozna p\u00f3\u017aniej takie zwierz\u0119 na obrazku. Dokonuje wi\u0119c pewnego uog\u00f3lnienia \u017cywego futrzaka na podobnego, rysunkowego: nauczy\u0142 si\u0119<\/b>.<\/p>\n
Nast\u0119pny poziom to m\u0105dro\u015b\u0107<\/b> \u2013 poj\u0119cie jeszcze trudniej definiowalne ni\u017c uczenie si\u0119. Obejmuje my\u015blenie abstrakcyjne, wyci\u0105ganie wniosk\u00f3w, kreatywno\u015b\u0107, poszerzanie wiedzy itd. itp., zale\u017cnie od rozumienia tematu.<\/p>\n W teorii informatyki \u201einformacja\u201d to podstawowe poj\u0119cie, przed laty roz\u0142o\u017cone na czynniki pierwsze m.in. przez prace Claude Shannona. Wykaza\u0142 on, \u017ce mo\u017cna j\u0105 konkretnie mierzy\u0107, co powi\u0105zane jest z rachunkiem prawdopodobie\u0144stwa i\u2026 termodynamik\u0105. S\u0142ysza\u0142 kto\u015b o entropii? Nie b\u0119dziemy wchodzi\u0107 w ten temat, bo z ni\u0105 wszystkie informacje w Internecie nie zwyci\u0119\u017c\u0105. Ale to dzi\u0119ki Shannonowi wszyscy operujemy teraz poj\u0119ciami \u201ebajt\u201d, \u201emegabajt\u201d itd., kt\u00f3re s\u0105 niczym innym, jak w\u0142a\u015bnie mierzeniem ilo\u015bci danych.<\/p>\n Jednak jak wspomniano wy\u017cej, wiedza<\/b> to co\u015b wi\u0119cej i mniej jednocze\u015bnie. O co chodzi? Zdj\u0119cie kota mo\u017ce zajmowa\u0107 10 KB albo 10 MB \u2013 to s\u0105 tylko dane<\/b>. Natomiast przyswajalny (dla cz\u0142owieka) komunikat \u201ezdj\u0119cie czarnego kota \u015bpi\u0105cego na bia\u0142ej p\u00f3\u0142ce\u201d mo\u017ce zawiera\u0107 t\u0119 sam\u0105 wiedz\u0119<\/b>, a zajmuje ledwie kilkadziesi\u0105t bajt\u00f3w. \u017beby z danych wyci\u0105gn\u0105\u0107 wiedz\u0119, potrzebne jest w\u0142a\u015bnie rozpoznanie, czyli pewna inteligencja. Ludzka lub komputerowa. I analogicznie w drug\u0105 stron\u0119: trzeba pewnego intelektu, aby powy\u017cszy komunikat zrozumie\u0107 i m\u00f3c nakre\u015bli\u0107 rysunek kota, \u015bpi\u0105cego na p\u00f3\u0142ce.<\/p>\n Przejd\u017amy do przyk\u0142adu, w prosty spos\u00f3b t\u0142umacz\u0105cego jak dzia\u0142a machine learning: podpowiedzi dla pisz\u0105cego. Chodzi o program, kt\u00f3ry w czasie wprowadzania tekstu przewiduje, jakie b\u0119dzie nast\u0119pne s\u0142owo. W podstawowej wersji tworzy\u0142by on spis wszystkich kiedykolwiek napisanych przez u\u017cytkownika s\u0142\u00f3w wraz z liczb\u0105 wyst\u0105pie\u0144. Wynik to np. 5 najcz\u0119stszych s\u0142\u00f3w-podpowiedzi. Ju\u017c tutaj wida\u0107 proces uczenia si\u0119, dostosowania do konkretnej osoby: z czasem te 5 s\u0142\u00f3w mog\u0142oby si\u0119 zmienia\u0107. A przecie\u017c mo\u017cna wymy\u015bla\u0107 rozszerzenia:<\/p>\n Taki system, odpowiednio rozwini\u0119ty, wygl\u0105da\u0142by jak zgadywanie my\u015bli. A to przecie\u017c \u201etylko\u201d liczenie prawdopodobie\u0144stwa na podstawie ci\u0105gle wzbogacanego zestawu danych. Ten zestaw danych zawiera informacje<\/b>, a podpowied\u017a \u2013 to wiedza<\/b>. System, kt\u00f3ry nauczy\u0142 si\u0119 wysokiej trafno\u015bci przewidywania, pod tym wzgl\u0119dem osi\u0105gn\u0105\u0142 m\u0105dro\u015b\u0107<\/b>.<\/p>\n Zauwa\u017cyli\u015bcie, \u017ce mowa by\u0142a o rozpoznawaniu, przewidywaniu i liczeniu prawdopodobie\u0144stwa? Z tego wynika pewne ograniczenie, kt\u00f3re bywa zmor\u0105 dla tw\u00f3rc\u00f3w machine learning. Niestety nie da si\u0119 go ca\u0142kowicie wyeliminowa\u0107, poniewa\u017c jest jedn\u0105 z cech inteligencji \u2013 r\u00f3wnie\u017c ludzkiej! Chodzi o to, \u017ce nigdy nie ma 100% pewno\u015bci. Brzmi kiepsko? Spokojnie, zaraz si\u0119 wyja\u015bni. Podobnie jest r\u00f3wnie\u017c przy rozpoznawaniu kot\u00f3w na obrazkach. Nie uda\u0142o si\u0119? Mo\u017ce to system zawiera b\u0142\u0105d (dr\u017cyj, programisto!). Mo\u017ce zwyczajnie jeszcze si\u0119 nie nauczy\u0142 i potrzeba jeszcze 10 GB podpisanych zdj\u0119\u0107 jako zestaw treningowy. A mo\u017ce to ze zdj\u0119ciem co\u015b jest nie tak? Jest zbyt niskiej jako\u015bci lub kot jest w ruchu, albo sfotografowany pod dziwnym k\u0105tem. Ewentualnie system m\u00f3g\u0142 dosta\u0107 co\u015b, przy czym trudno nie zg\u0142upie\u0107.<\/p>\n Przyk\u0142ady z \u017cycia s\u0105 cz\u0119sto oczywi\u015bcie powa\u017cniejsze. Systemy sztucznej inteligencji, dopasowuj\u0105ce reklamy do odbiorcy, nieraz proponuj\u0105 ca\u0142kiem chybione oferty. W obrazowaniu medycznym istnieje mn\u00f3stwo metod, pomagaj\u0105cych lekarzom postawi\u0107 diagnoz\u0119 na przyk\u0142ad na podstawie zdj\u0119\u0107 z tomografu. Zawsze jest to jednak traktowane jako pomoc, a nie zast\u0105pienie profesjonalisty. T\u0142umaczenie automatyczne przesz\u0142o imponuj\u0105cy rozw\u00f3j w ostatnich latach, ale wci\u0105\u017c mo\u017ce pope\u0142nia\u0107 b\u0142\u0119dy ra\u017c\u0105ce dla lingwisty.<\/p>\n Najm\u0105drzejszy z m\u0119drc\u00f3w czasem si\u0119 w \u017cyciu myli\u0142. A przyzna\u0107 si\u0119 do b\u0142\u0119du bywa cz\u0119sto przejawem wielkiej m\u0105dro\u015bci! Je\u017celi sztuczna inteligencja ma podlega\u0107 tym samym zasadom, co ludzka, to i ona powinna uwzgl\u0119dnia\u0107 szans\u0119 pomy\u0142ki. Warto zdawa\u0107 sobie z tego spraw\u0119, korzystaj\u0105c z technologii \u201epodszytych\u201d uczeniem maszynowym.<\/p>\n O tym nie spos\u00f3b nie wspomnie\u0107, opowiadaj\u0105c o machine learning. To zbi\u00f3r technologii z dziedziny uczenia maszynowego, kt\u00f3re w swojej budowie i dzia\u0142aniu na\u015bladuj\u0105 ludzki m\u00f3zg. Jest to nie lada wyzwanie, gdy\u017c narz\u0105d ten jest powszechnie uwa\u017cany za najbardziej skomplikowany spo\u015br\u00f3d wszystkich organ\u00f3w jakichkolwiek \u017cywych istot na Ziemi. W mikroskali sk\u0142ada si\u0119 on z kom\u00f3rek nerwowych \u2013 neuron\u00f3w, kt\u00f3re da si\u0119 wzgl\u0119dnie prosto zamodelowa\u0107. Impulsy nerwowe stanowi\u0105 w nich przep\u0142yw informacji. Ka\u017cdy neuron:<\/p>\n Brzmi prosto, ale biologiczne realia s\u0105 wr\u0119cz nieprawdopodobne. W 2005 r. sporz\u0105dzono dok\u0142adny model kom\u00f3rki m\u00f3\u017cd\u017cku \u015bwinki morskiej. Zosta\u0142 on podzielony na 16 000 przedzia\u0142\u00f3w, potrzebowa\u0142 dostrojenia 19 200 parametr\u00f3w i rozwi\u0105zania 32 000 r\u00f3wna\u0144 r\u00f3\u017cniczkowych. A analogiczne kom\u00f3rki ludzkie s\u0105 niepor\u00f3wnanie bardziej z\u0142o\u017cone! W m\u00f3zgu za\u015b znajduj\u0105 si\u0119 ich miliardy. To wyja\u015bnia, dlaczego sztucznej inteligencji wci\u0105\u017c jeszcze daleko do ludzkiej. W sztucznych sieciach neuronowych neurony to bardzo uproszczone modele matematyczne. Na pierwszy rzut oka wydaje si\u0119 dziwne, jak tak proste elementy mog\u0105 tworzy\u0107 inteligencj\u0119. Jest to jednak fakt, a ka\u017cdy cz\u0142owiek nosi dow\u00f3d we w\u0142asnej g\u0142owie. Wyt\u0142umaczeniem jest gigantyczna liczba po\u0142\u0105cze\u0144 nerwowych (synaps). Symulowanie tej \u201epaj\u0119czyny\u201d jest wielkim wyzwaniem dla sprz\u0119tu komputerowego.![\"\"](\"https:\/\/infoshareacademy.com\/wp-content\/uploads\/2020\/05\/Macine-_Learning_artykul_robot.jpg\")
<\/figure>\nJak program staje si\u0119 m\u0105dry<\/h2>\n
\n
![\"\"](\"https:\/\/infoshareacademy.com\/wp-content\/uploads\/2020\/05\/machine-learning_artykul.jpg\")
<\/figure>\nCzy maszyny si\u0119 myl\u0105?<\/h2>\n
W powy\u017cszym przyk\u0142adzie z podpowiadaniem s\u0142\u00f3w \u0142atwo to przedstawi\u0107: system nigdy nie b\u0119dzie w stanie przewidzie\u0107 nast\u0119pnego s\u0142owa na 100%, bo u\u017cytkownik zawsze jest w stanie u\u017cywa\u0107 poj\u0119\u0107 albo nazw nieznanych wcze\u015bniej. Albo jeszcze pro\u015bciej: mo\u017ce odrobin\u0119 zmieni\u0107 styl wypowiedzi czy po prostu napisa\u0107 nigdy wcze\u015bniej nieu\u017cywan\u0105 sekwencj\u0119 s\u0142\u00f3w. To ca\u0142kowicie zrozumia\u0142e, \u017ce bez uprawiania wr\u00f3\u017cbiarstwa mo\u017cna \u201etylko\u201d liczy\u0107 prawdopodobie\u0144stwo. Na 95% nast\u0119pne s\u0142owo po \u201eznowu bol\u0105 mnie zatoki, jak si\u0119\u2026\u201d b\u0119dzie brzmie\u0107 \u201e\u2026schylam\u201d. Ale mo\u017ce te\u017c by\u0107:
\u2026k\u0142ad\u0119,
\u2026zm\u0119cz\u0119,
\u2026zdenerwuj\u0119,
\u2026pochylam,
\u2026kucam (b\u0142\u0119dnie, ale to przecie\u017c dozwolone).<\/p>\n![\"\"](\"https:\/\/infoshareacademy.com\/wp-content\/uploads\/2020\/05\/Image-from-iOS-4.jpg\")
<\/figure>\nSieci neuronowe<\/h2>\n
\n
(\u0179r\u00f3d\u0142o tych informacji znajdziesz TUTAJ<\/a>.)<\/p>\n
Sztuczne sieci neuronowe s\u0105 wi\u0119c prawdopodobnie najlepszym sposobem po\u0142\u0105czenia atut\u00f3w dzia\u0142ania komputera i my\u015blenia cz\u0142owieka:<\/p>\n\n