Sztuczna inteligencja – co to jest?

Sztuczna inteligencja – co to jest?

2017-01-20 / Tagi:

Jeszcze do niedawna była tylko mrzonką pisarzy i reżyserów science-fiction. Później dostępna wyłącznie dla wojska, powoli trafia pod strzechy. Wszystkie największe i najbardziej liczące się firmy z branży IT na świecie inwestują w Artificial Intelligence, czyli Sztuczną Inteligencję. Co to jest?

Uczenie maszynowe

Aby zrozumieć, na czym dokładnie polega sztuczna inteligencja, należy zacząć od odróżnienia dwóch podstawowych dyscyplin naukowych, które są wykorzystywane do tworzenia sztucznej inteligencji w dzisiejszych czasach.

Pierwsza z nich to uczenie maszynowe (ang. machine learning). W dużym uproszczeniu, jest to rodzaj oprogramowania, które wykorzystuje do działania wielkie zbiory danych Big Data. Osoba obsługująca program wprowadza do niego zbiory danych i na tej podstawie uczy robota pewnych działań. Proces uczenia maszyny przebiega w sposób linearny – na zadane pytania, maszyna zwraca określoną odpowiedź, dobrą lub złą. W przypadku tej drugiej, programista czy też operator, zwraca maszynie uwagę na popełniony błąd, a więc poprawia go ręcznie, do skutku, dopóki dopóty maszyna nauczy się właściwej odpowiedzi.

Prostym przykładem, na którym można zrozumieć działanie machine learningu, jest uczenie robota odstawiania kubka na blat. Na kilkaset prób wykonania zadania podjętych przez robota, prawdopodobnie tylko kilka będzie udanych. W większości przypadków robot przewróci kubek, położy go, wyleje jego zawartość na ziemię, itd. Jednak gdy programista wskaże mu poprawne próby wykonania zadania, czyli momenty, w których robot odstawił kubek poprawnie, maszyna w końcu nauczy się tego sama.

Jej ramie nie będzie zaprogramowane przez człowieka do poprawnego odstawienia kubka, czyli np. do zgięcia przedramienia pod określonym kątem. Taki sposób zadziała bowiem tylko w sterylnych warunkach laboratoryjnych, gdzie powierzchnia blatu jest idealnie gładka, nie wieje wiatr, a kubek ma zawsze te same wagę i rozmiar. To, czego nauczy się maszyna będzie znacznie bardziej zaawansowane niż kod programisty. Robot zrozumie cel swojego działania i za każdym razem będzie umiał sam dobrać np. kąt zgięcia przedramienia w taki sposób, by odstawić kubek w prawidłowy sposób, niezależnie od rodzaju kubka czy blatu.

 

Uczenie głębokie

Kolejną dziedziną sztucznej inteligencji jest uczenie głębokie (ang. deep learning), będące podkategorią nauczania maszynowego. Metoda ta opiera się na jeszcze innych mechanizmach działania niż jej poprzedniczka. Podobnie jak w nauczaniu maszynowym, uczenie robota odbywa się na dużych zbiorach danych Big Data. Jednak w tym przypadku, cały proces odbywa się bez ingerencji człowieka. Tutaj nikt nie pokazuje maszynie prawidłowych odpowiedzi, nie poprawia jej błędów. Maszyna musi nauczyć się wszystkiego sama. Programista może jedynie stymulować maszynę do nauki, poddając ją „treningom” – poza zbiorem danych, maszyna otrzymuje informacje na temat związków pomiędzy poszczególnymi danymi, np. za pośrednictwem zdań typu „ojciec to ktoś starszy niż brat danej osoby”.

W deep learningu wykorzystywane są tzw. sieci neuronowe, czyli systemy programowe i sieci danych symulujące pracę ludzkiego mózgu. Są to ogromne ilości działających równolegle procesorów, mających dostęp do własnej pamięci lokalnej.

Tutaj, w przeciwieństwie do machine learningu, nauka nie przebiega w sposób linearny - program nie zwraca prostych odpowiedzi tak/nie, ale też nie takie jest zadanie maszyny w tym przypadku. Deep learing ma bowiem symulować ludzkie emocje i zachowania. Maszyna, podobnie jak ludzki mózg, zapamiętuje doświadczenia, a następnie porządkuje zapamiętane informacje i reorganizuje połączenia między poszczególnymi sieciami. Mówiąc wprost - uczy się na własnych błędach, następnie szuka jeszcze lepszych rozwiązań, a więc po prostu… myśli.

 

Przykłady użycia

W dzisiejszym świecie, przykłady sztucznej inteligencji można odnaleźć niemal na każdym kroku. Dobrym tego przykładem są choćby samokierujące się pojazdy, takie jak słynne auto Google’a, czy najnowsze auta Tesla, a także AEB, czyli inteligentne systemy awaryjnego hamowania.

Poza uczeniem maszynowym, bez którego niemożliwe byłoby powstanie tego typu robotów, coraz więcej dziedzin życia wykorzystuje również uczenie głębokie.

Jego dobrym przykładem są np. algorytmy Facebook’a, które pozwalają na rozpoznawanie twarzy użytkowników na zdjęciach. Innym dobrym przykładem jest rozpoznawanie mowy przez aplikacje takie jak Apple’owskie SIRI. Wśród kolejnych ciekawych przykładów można wymienić choćby aplikacja Prisma, która przerabia zdjęcie użytkownika symulując ruchy pędzla znanych malarzy, dzięki czemu zdjęcia te przypominają do złudzenia styl obrazów takich artystów jak Munk czy Picasso. Na podobnej zasadzie działają również syntezatory mowy oraz wyszukiwanie obrazów w Google za pomocą zdjęcia, a także testowane dopiero, urządzenia medyczne, które rozpoznają anomalie w wynikach badań. Przewiduje się, że w przyszłości będą one w stanie rozpoznawać choroby np. na zdjęciach rentgenowskich z większą skutecznością niż obecnie robią to lekarze.

Do zagranicznych inwestorów pokroju Elona Muska czy Marka Zuckerberga można dołączyć również polskich propagatorów sztucznej inteligencji, wśród nich Pawła Chodaczka, - warszawskiego przedsiębiorcy i współtwórcy takich firm z sektora IT jak Cloud Technologies, IIIT czy HCore, zajmujących się właśnie analizowaniem zbiorów danych Big Data za pomocą machine i deep learningu.

Udostępnij ten artykuł: Facebook     Twitter     Google+