Algoritmi mašinskog učenja igraju važnu ulogu u razvoju većeg dela veštačke inteligencije koja nam je danas poznata.
Veštačka inteligencija i mašinsko učenje zaslužni su za napredak koji se trenutno odvija u tehnološkoj industriji. Kako su mašine dobile sposobnost da uče?
Ovde ćemo vam dati definiciju mašinskog učenja, prikazati vam neke od primera mašinskog učenja i pokazati vam kako mašinsko učenje može da krene pogrešnim putem.
Definicija mašinskog učenja
Mašinsko učenje je grana računarske nauke koja je usredsređena na to da omogući veštačkoj inteligenciji da uči određene zadatke onako kako to rade ljudi, odnosno da u tom procesu oponaša ljudsko učenje. Taj proces obuhvata razvoj nekih sposobnosti, kao što je prepoznavanje slika, pri čemu programeri nisu eksplicitno napisali kôd koji bi veštačkoj inteligenciji omogućio da obavlja takve zadatke. Umesto toga, veštačka inteligencija je u stanju da koristi podatke na kojima se obučavala da bi prepoznala obrasce i mogla da predviđa.
Algoritmi, koji predstavljaju skup instrukcija koje su obezbedili programeri, rade na skupovima podataka za obuku kako bi omogućili veštačkoj inteligenciji da uči.
Algoritam može da obezbedi skup koraka koje veštačka inteligencija može da koristi za rešavanje problema, na primer, da nauči kako da identifikuje slike mačaka i pasa. Veštačka inteligencija primenjuje model, koga je algoritam postavio, na skup podataka koji obuhvata slike mačaka i pasa. Kako vreme prolazi, veštačka inteligencija će naučiti kako da preciznije i lakše razlikuje mačke od pasa prepoznavanjem određenih obrazaca.
Kako funkcioniše mašinsko učenje?
Postoje različiti pristupi mašinskom učenju koji se razlikuju po tome koliko se kontroliše i nadzire veštačka inteligencija. Nadzirano mašinsko učenje, na primer, obuhvata označene podatke koji se koriste pri obučavanju veštačke inteligencije. Takav pristup je poznat kao klasično mašinsko učenje, u kome učestvuju ljudi koji pomažu veštačkoj inteligenciji da razume karakteristike skupa podataka.
Nenadzirano mašinsko učenje ne obuhvata označene podatke, već se u tom procesu koristi neoznačeni skup podataka. Takav oblik obučavanja veštačke inteligencije, uobičajen u dubokom mašinskom učenju (podskup mašinskog učenja), omogućava veštačkoj inteligenciji da identifikuje obrasce i klastere u podacima prema karakteristikama koje je u stanju da otkrije u podacima. Ta vrsta mašinskog učenja oslanja se na neuronske mreže da bi se omogućilo duboko učenje.
U zavisnosti od rezultata obučavanja, programeri takođe mogu da podese algoritam kako bi od veštačke inteligencije dobili bolje željene rezultate.
Mašinsko učenje doprinosi poboljšanju određenih oblasti tehnologije, kao što su pretraživači, pametni kucni uređaji, onlajn usluge i autonomne mašine. Zbog toga Netflix zna u kojim filmovima ćete najverovatnije uživati, a servisi za striming muzike mogu da vam preporuče prave pesme za vas.
Primeri AI mašinskog učenja
Mašinsko učenje pokreće veliki deo veštačke inteligencije koju vidimo u svakodnevnom životu. Algoritmi koji nam daju preporuke popularan su oblik mašinskog učenja koji se može videti na servisima za strimovanje i na stranicama društvenih mreža. Te platforme koriste veštačku inteligenciju da predvide šta biste želeli da vidite na osnovu podataka prikupljenih sa vašeg profila.
Mašinsko učenje se takođe koristi za kreiranje generativnih veštačkih inteligencija i velikih jezičkih modela, pri čemu se veštačka inteligencija u alatima, kao što je Bing Chat, oslanja na ogromne količine podataka korišćenih u obuci.
Zbog čega mašinsko učenje može da pogreši
Postoji nekoliko razloga zbog kojih mašinsko učenje dovodi do neželjenih posledica. Između ostalog, postoje problemi sa prikupljanjem podataka, dostupnim podacima i načinom na koji ljudi koriste alate veštačke inteligencije. Što se tiče podataka, i dalje važi nebrojeno puta ponavljana mantra „ako ubacite đubre, đubre ćete i dobiti“. Dakle, ako su podaci koji se dostavljaju veštačkoj inteligenciji ograničeni, pristrasni ili niskog kvaliteta, dobićemo pristrasnu veštačku inteligenciju ograničenog obima.
Međutim, čak i ako programeri imaju kvalitetne podatke, ljudi mogu da ih upropaste. Kreatori softvera često ne shvataju da ljudi mogu da koriste tehnologiju u zlonamerne ili sebične svrhe. Lažni video-zapisi (deepfake) proizašli su iz tehnologije koja se koristi za poboljšanje specijalnih efekata u bioskopu, ali mogu da se koriste i da bi obmanuli ljude.
Mnogi ljudi su zaduženi za poboljšanje zaštite tehnologije mašinskog učenja kako bi se sprečilo zlonamerno korišćenje. Međutim, postoji zabrinutost da će razvoj alata nadmašiti sposobnost društva da im se prilagodi.
Algoritmi mašinskog učenja mogu da nam pomognu
Mašinsko učenje se koristi u moćnim alatima veštačke inteligencije koji nam daju preporuke i rezultate pretraživanja na osnovu našeg ponašanja na mreži i predstavljaju okosnicu generativne veštačke inteligencije i velikih jezičkih modela.
Međutim, rezultati koje dobijamo od algoritama mašinskog učenja zavise od kvaliteta skupova podataka kojima raspolažu.