Sztuczna inteligencja dla opornych: jak ona myśli?
Jak myśli sztuczna inteligencja? Prawda jest taka, że ona wcale nie myśli w ludzkim tego słowa znaczeniu, ona po prostu bardzo szybko i matematycznie zgaduje. Uczenie maszynowe (machine learning) to proces, w którym komputer sam szuka niewidocznych gołym okiem wzorców w gigantycznych zbiorach danych, zamiast ślepo wykonywać linijka po linijce sztywny kod napisany przez człowieka. To trochę jak niezwykle przyspieszona nauka metodą prób i błędów.
Ale w jaki dokładnie sposób ten wirtualny mózg kalibruje się na tyle precyzyjnie, że dzisiaj potrafi bezbłędnie odróżnić zdjęcie puszystego psa od zdjęcia mocno wypieczonej babeczki z jagodami? Skąd ta maszyna w ogóle wie, kiedy popełnia błąd? O tej ukrytej pod maską matematycznej magii i fascynujących tajnikach sieci neuronowych przeczytasz poniżej. Bez marketingowego bełkotu.
Koniec ze sztywnymi regułami, czyli jak zmieniło się podejście programistów
Przez całe dziesięciolecia tworzenie oprogramowania wyglądało zawsze tak samo: programista pisał bardzo długą listę dokładnych komend. Jeśli użytkownik kliknie przycisk A, wyświetl komunikat B. Jeśli temperatura przekroczy 100 stopni, wyłącz maszynę. To było podejście oparte na twardych regułach. Systemy te były przewidywalne, ale kompletnie nie radziły sobie z chaosem prawdziwego świata.
| Cecha | Tradycyjne programowanie | Uczenie maszynowe (ML) |
|---|---|---|
| Logika | Sztywne instrukcje "jeśli to, wtedy tamto". | Samodzielne odkrywanie wzorców w danych. |
| Dane wejściowe | Kod źródłowy napisany przez człowieka. | Przykłady (zdjęcia, teksty, liczby). |
| Reakcja na chaos | Błąd systemu przy nietypowym przypadku. | Próba dopasowania do znanych schematów. |
Wyobraź sobie filtr spamu. Gdybyś chciał go zaprogramować twardymi regułami, zablokowałbyś słowo "darmowy". Efekt? Straciłbyś ważnego maila od szefa o darmowym szkoleniu. Świat jest zbyt skomplikowany na proste instrukcje. W uczeniu maszynowym dajemy komputerowi problem oraz dane, a on musi sam wymyślić reguły.
Trening cyfrowego mózgu, czyli metoda prób i setek tysięcy błędów
Sztuczne sieci neuronowe to matematyczna inspiracja budową ludzkiego mózgu. To tysiące punktów połączonych milionami nitek. Kiedy pokazujesz systemowi zdjęcie czerwonego jabłka, informacja o pikselach wpada do sieci. Program może zgadnąć, że to żółty banan. Wtedy wkracza trener (człowiek lub algorytm) i mówi: "Błąd! To jest jabłko".
Komputer analizuje wielkość swojego błędu i minimalnie zmienia napięcie na wewnętrznych połączeniach - w żargonie technicznym oznacza to aktualizację wag modelu.
Ten proces powtarza się miliony razy. Maszyna patrzy, zgaduje, dostaje korektę i próbuje znowu. Z czasem parametry modelu układają się tak, że maszyna zaczyna dostrzegać zaokrąglony kształt czy kolor, mimo że nikt jej nigdy nie zdefiniował słowa "okrągły". Ona po prostu nauczyła się statystycznej korelacji cech.
Gdzie leży pułapka i dlaczego inteligentne systemy potrafią zachowywać się absurdalnie
Fascynujące wyniki mają swoją cenę. Jedną z pułapek jest przeuczenie (overfitting). Wyobraź sobie ucznia, który zakuwa odpowiedzi z podręcznika na pamięć, zamiast zrozumieć metodę. Na teście dostanie szóstkę, ale przy minimalnej zmianie zadania całkowicie polegnie.
AI miewa ten sam problem. Jeśli na treningu zobaczy tylko rude koty na zielonej trawie, może uznać, że trawa jest nieodłącznym elementem bycia kotem. Pokażesz jej kota na asfalcie? System powie, że to nie kot. Uczenie maszynowe jest bezwzględnie uzależnione od jakości danych. Jeśli nakarmisz cyfrowy mózg śmieciami, otrzymasz śmieciowe odpowiedzi.
To nie jest magia, to czysta statystyka. W kolejnych częściach cyklu sprawdzimy, jak rozmawiać z tymi systemami, by wycisnąć z nich to, co najlepsze.
Co to jest uczenie maszynowe w jednym zdaniu?
Dlaczego AI myli psa z muffinem?
Czym są wagi w sieci neuronowej?
Wpis z cyklu od zera do ai mastera czyli wszystko co powinieneś wiedzieć o sztucznej inteligencji
