Sztuczna inteligencja (SI) to systemy, które naśladują inteligencję człowieka w celu wykonywania zadań i doskonalenia tych działań na podstawie zebranych informacji. Więcej informacji czym jest SI można znaleźć tutaj.
Sztuczna inteligencja i uczenia maszynowego. nie są tym samym, ale są ze sobą ściśle połączone.
Uczenie maszynowe jest podzbiorem sztucznej inteligencji:
Uczenie maszynowe
Przyjmuje się, że uczenie maszynowe (ang. machine learning) jest gałęzią sztucznej inteligencji i informatyki, skupiającej się na algorytmach, które naśladują sposób w jaki ludzie uczą się, poprawiając swoją dokładność poprzez zdobyte doświadczenie.
Dzięki tej technologii system może samodzielnie doskonalić się na podstawie dostarczonych mu danych.
Sposób działania uczenia maszynowego zależny jest od danych wejściowych oraz wykorzystywanych algorytmów.
Metody uczenia maszynowego
Są 4 podstawowe techniki uczenia maszynowego:
- Nadzorowane uczenie maszynowe wykorzystuje do uczenia zbiory danych z etykietami (ang. label), maszyna uczy się na podstawie przykładów:
Przykładowo, gdy chcemy, by maszyna rozpoznawała zdjęcie psa – w tym celu pokazujemy maszynie zdjęcia różnych psów, które oznaczamy etykietą „psa”, następnie maszyna oglądając coraz więcej zdjęć wyodrębnia określone cechy charakterystyczne dla psa.
Po zakończonym treningu, możemy pokazać maszynie zdjęcia różnych zwierząt – w tym psów – bez etykiet.
Następnie komputer porównuje obrazy i rozpoznaje psa. Kluczowe jest więc, by na początku nauczył się ustalać pewien wzorzec, który może być wykorzystywany w podobnych przypadkach.
2. Nienadzorowane uczenie maszynowe maszyna sama analizuje i grupuje zbiory danych bez etykiet, wykrywa wzorce bez udziału człowieka.
Przykładowo: gdybyśmy pokazali maszynie zdjęcia różnych zwierząt, wyszukałaby cechy charakterystyczne i stworzyła zbiory określonych gatunków.
3. Częściowo nadzorowane uczenie maszynowe wykorzystuje mniejszy zbiór danych z etykietami, by móc grupować większy zbiór danych bez etykiet.
4. Uczenie wzmocnione polega na tym, że algorytm nie jest szkolony z wykorzystaniem przykładowych danych, ale uczy się na zasadzie prób i błędów. Maszyna otrzymuje tylko zestaw reguł i twierdzeń, na podstawie, których działa – wykorzystuje je, by osiągnąć określone skutki. Skutki te mogą być pozytywne lub negatywne. Za skutki pozytywne jest nagradzany, a za negatywne – karany.
Uczenie maszynowe vs uczenie głębokie
Uczenie głębokie jest podzbiorem uczenia maszynowego.Różnica między nimi polega na sposobie, w jakim każdy z tych algorytmów uczy się. Uczenie głębokie nie wymaga kontroli człowieka – może zachodzić w sposób nienadzorowany, dzięki temu wykorzystuje większe zestawy danych. Z kolei uczenie maszynowe – jest zależne od człowieka i wymaga danych już ustrukturyzowanych.
Do uczenia głębokiego wykorzystuje się sztuczne sieci neuronowe.
Proces uczenia nazywany jest głębokim, ponieważ struktura wspomnianych sieci składa się z dużej ilości warstw – wejściowych (pobierających parametry wejściowe), ukrytych (których funkcją jest nauka) oraz wyjściowych (dających wynik).
Sieci neuronowe
Aby nauczyć komputer ludzkiego rozumowania często wykorzystuje się sieci neuronowe,czyli algorytmy, które są wzorowane na ludzkim mózgu – naśladują sposób komunikowania się między sobą biologicznych neuronów.
Uczą się na ogromnej ilości danych.
Sieci neuronowe mogą być wykorzystywane m.in. do tworzenia obrazów, prognozowania, czy rozpoznawania twarzy i mowy.
Gdzie wykorzystywane jest uczenie maszynowe?
Uczenie maszynowe jest wykorzystywane, m.in.:
- w analizie predykcyjnej – by przewidywać trendy;
- w rozpoznawaniu mowy – do identyfikowania wyrazów;
- w rozpoznawaniu twarzy;
- w produkcji – do zwiększenia wydajności operacyjnej.
Autor: Agata Konieczna
Credits:
Dog, cat, bear icons, circle icons created by Freepik – Flaticon
Supervisor icons created by lutfix – Flaticon
Machine learning icons created by Icongeek26 – Flaticon
Automation icons created by Becris – Flaticon
Research icons created by ultimatearm – Flaticon
Access icons, exit icons created by Pixel perfect – Flaticon
