Kaip bebūtų, dirbant su kompiuteriu šis iš tiesų atrodo pranašesnis – jis geba akimirksniu pritaikyti kompleksiškas formules, atlikti neapsakomo masto skaičiavimus ir pateikti rezultatus apie tai, ką gabiausiems mūsų padaryti užtruktų jei ne parą, tai bent jau valandą. To priežastis – kompiuteriniai algoritmai yra sutverti atlikti siauras ir konkrečias užduotis. Tuo tarpu žmogaus smegenis kiekvieną sekundę bombarduoja neapsakomas kiekis informacijos – vaizdai, garsai, temperatūros pojūčiai, mintys, svajonės, kvėpavimas, hormonų pusiausvyros palaikymas ir dar begalė kitų. Mes negebame sutelkti visos savo smegenų galios vienai užduočiai, tačiau tai puikiai atlieka mašininiai algoritmai.
Mašininis mokymasis – kas tai?
Šiurkštų programinį kodą, skirtą atlikti tam tikrus veiksmus ar skaičiavimus šiandien keičia dirbtinio intelekto sprendimai. Vienas pagrindinių jo ginklų – mašininis mokymasis. Kas tai ir kokie jo gebėjimai?
Siekiant geriau įsivaizduoti mašininį mokymąsi, pirmiausia turime aptarti žemesnius jo sluoksnius:
Neuroninis tinklas – tai tam tikra transformacijų sistema – algoritmas, konstruojamas panašiai, kaip žmogaus smegenų veikla. Neuronus čia pakeičia vadinamieji mazgai. Jie yra išdėstyti keletu sluoksnių ir veikia paraleliai vienas kito. Visai kaip smegenyse, gavęs tam tikrą signalą dirbtinis neuronas jį apdoroja ir perduoda kitiems, šalia esantiems. Taip atsiranda tam tikri modeliai ir struktūros, atpažinimas.
Gilusis mokymasis – tai daugiasluoksnių neuroninių tinklų panaudojimas konstruojant sudėtingas transformacijas siekiant išgauti vis sudėtingesnio lygio informaciją. Pavyzdžiui, algoritmas skirtas atpažinti ąžuolą, tą darys tam tikrais žingsniais. Suprimityvinus pirmasis neuroninio tinklo sluoksnis atpažins, žemo lygio požymius briaunas, kraštus, jog tai augalas, antrasis – jog tai medis, na o trečiasis „supras“ aukšto lygio požymius jog tai ąžuolas. Gilusis mokymasis yra naudojamas balso atpažinimo sistemose, vaizdų grupavime ar farmacijos analizėje.
Mašininis mokymasis – tai tam tikrų mokymosi modelių ir algoritminių technikų kombinacija. Priklausomai nuo tikslo ir duomenų pobūdžio, gali būti pasirinktas vienas iš keturių mokymosi modelių.
Modeliai
Prižiūrimas mokymasis. Sistema gauna tam tikras duomenų poras, kuriose teisingas rezultatas yra iš anksto pažymimas. Pavyzdžiui, siekiant algoritmą išmokyti atpažinti ąžuolą, sistemai pateikiami beržo ir ąžuolo vaizdiniai ir pastarasis yra pažymimas kaip teisingas atsakymas. Atliekant veiksmą daugybę kartų, algoritmas išmoksta vis tiksliau ir efektyviau atpažinti ąžuolą. Tokio mokymosi modeliai gali būti naudojami siūlant vartotojams tam tikrus produktus ar prognozuojant eismo srautus.
Neprižiūrimas mokymasis. Sistema gauna didžiulius kiekius nestruktūruotų duomenų ir bando atrasti tam tikrus ryšius, koreliacijas ir modelius. Čia nėra teisingo atsakymo – tik tarpusavio sąsajos, kurias vis lengviau atpažįsta algoritmas. Kuo daugiau duomenų, tuo šis tampa tobulesnis. Tokie mokymosi modeliai naudojami rinkos analizėje, veidų atpažinime, genų analizėje bei kibernetinio saugumo tikslais.
Pusiau prižiūrimas mokymasis. Tai tarsi „viduriukas“ tarp dviejų ankstesnių modelių. Sistema gauna didžiulį kiekį neapdorotų duomenų bei tam tikrą kiekį jau struktūruotų ir pažymėtų duomenų, kurie padeda tinkamai apdoroti informaciją. Taip mokymasis tampa labiau kryptingas, o dirbtinio intelekto algoritmai jau gauna tam tikrą startą, nuo kurio pradėjus mokymasis tampa spartesnis, o gaunami rezultatai tikslesni ir labiau orientuoti į norimą pasiekti tikslą. Tokie mokymosi modeliai naudojami kalbos analizei, sudėtingiems moksliniams tyrimams atlikti bei aukšto lygio sukčiavimo atvejams aptikti.
Skatinamasis mokymasis. Tai modelis, kuriame sistema gauna tam tikras taisykles, leistinus veiksmus ir galutinius rezultatus. Puikus to pavyzdys – AlphaZero. 2019 metais šiam neuronų tinklui buvo duotos šachmatų taisyklės ir 6 valandos. Per šį laiką, AlphaZero žaisdamas tik pats su savimi ir neturėdamas jokios kitos informacijos pajėgė išmokti žaisti taip gerai, jog įveikė galingiausią šachmatų kompiuterį „Stockfish“. Turint omeny, jog kompiuteris „DeepBlue“ šachmatuose pasirodė pranašesnis už žmogų dar 1996 metais įveikdamas tuometinį čempioną Garį Kasparovą, šis rezultatas iš tiesų įspūdingas. Dabartiniai šachmatų kompiuteriai žaidžia visiškai kitame lygyje nei žmogus, tačiau dirbtiniam intelektui pavyko jį pranokti vos per 6 valandas. Paskatinamo mokymosi modeliai šiandien yra naudojami kompiuterinių žaidimų kūrime, internetinės reklamos pirkėjų kainoms automatizuoti bei aukštos rizikos akcijų biržų prekiavime.
Žmogiškasis (imitacinis) mokytojas
Taigi, yra iš tiesų nelengva sugalvoti užduočių, kurios mašininiam mokymuisi būtų neįveikiamos. Situaciją dar geresne daro tai, jog šie DI mokymosi modeliai neturi ribos, kurią pasiekę nebegali tobulėti. Kuo daugiau algoritmas gaus duomenų, tuo sparčiau ir efektyviau jis mokysis, pateikdamas vis tikslesnius rezultatus. Kita vertus, nemaža atsakomybė krenta jo mokytojui – žmogui. Pats DI negali sau skirti užduočių, tikslų ar norimų rezultatų bei atsirinkti duomenų, kuriuos analizuos. Pateikiant algoritmui šališkus ar netikslius duomenis, šis taip pat išmoks būti šališku ir netiksliu. Tad yra itin svarbu užtikrinti, jog DI gautų teisingą informaciją, o jį valdantys asmenys būtų kuruojami tam tikrus standartus atitinkančiais protokolais.
Galimybės – neribotos
Laikantis aukštų saugumo, teisingumo ir etikos standartų, mašininis mokymasis tampa vienu galingiausių įrankių žmonijos tikslams įgyvendinti. Gavęs pakankamą duomenų kiekį, DI gali išmokti prognozuoti įvairias ligas ar jų rizikos faktorius. Jis gali rasti problemų sprendimus neturėdamas jokios informacijos apie tinkamiausias priemones ir strategijas tai padaryti – pakanka jam užduoti norimą rezultatą (pavyzdžiui optimizuoti eismo srautus ar rasti taupiausią energijos paskirstymo būdą) ir stebėti, kaip įvyksta magijai prilygstantis sprendimų įgyvendinimas.
Dirbtinio intelekto neriboja masyvūs duomenų kiekiai, netgi atvirkščiai – kuo didesnis informacijos srautas, tuo sparčiau, efektyviau ir tiksliau yra gaunamas norimas rezultatas, čia analogiškai žmogaus patirčiai, kuo daugiau situacijų gyvenime matęs žmogus, tuo labiau patyręs kaip elgtis nematytose situacijose. Dirbtiniam intelektui nereikia simuliuoti žmogaus smegenų ar būti universaliam.
Skirtingiems tikslams pritaikyti skirtingi mašininio mokymosi algoritmai – tarsi daugybė genijų, kurie specializuojasi konkrečiose, tikslingumo reikalaujančiose sferose ir neeikvoja savo kaštų niekam kitam. Nepaisant to, jog joks dirbtinis intelektas negali pakeisti ar imituoti žmogaus, nei vienas mūsų negali prilygti mašininių algoritmų gebėjimams atlikti konkrečią užduotį. Būtent čia ir slypi mašininio mokymosi magija bei galimybės.
