Vještačka inteligencija i mašinsko učenje

U svijetu informaciono-komunikacijskih tehologija sve veći prostor zauzima termin „vještačka inteligencija“ u vidu naprednih tehnoloških kretanja, koja će obilježiti naredne godine u globalnoj IT industriji.

U svijetu je danas mnogo podataka i dolazi do poplave informacija i sistemi koji primjenjuju vještačku inteligenciju postaju sve značajniji.  Krajem dvadesetog vijeka, usvojen je bottom-up u pristupu razvoju vještačke inteligencije i otvorio se novi pravac istraživanja. Rast investicija u ovoj oblasti svakim danom je sve više , a i primjena računarske arhitekture inspirisana radom mozga. Kod nas ova oblast počinje privlačiti sve više pažnje,  a mi u MMSCODE-u smo prepoznali potencijal ove tehnologije te svoje resurse usmjeravamo u tom smjeru. Želimo i vas da upoznamo sa osnovnim pojmovima i približimo tehnologiju budućnosti.

Vještačka inteligencija je podoblast računarstva, koja se bavi razvijanjem softvera koji će računarima omogućiti da se ponašaju na način koji bi se mogao okarakterisati kao inteligentnim.

Istraživanja u vještačkoj inteligenciji danas se kreću u dva osnovna smjera: psihološka i fiziološka istraživanja prirode ljudskog uma i tehnološki razvoj sve složenijih informatičkih sistema.

U ovoj sferi najvažniji  razvoj sistema predstavlja razvoj ekspertskih sistema i razvoj neuronskih mreža.  Ekspertski sistemi pokušavaju reprodukovati ljudsko razmišljanje preko simbola. Neuronske mreže rade to više iz biološke perspektive pomoću rekreiranja strukture ljudskog mozga pomoću genetskih algoritama.

Vještačka inteligencija ili kao se na engleskom naziva Artifical Intelligence bavi se razvojem inteligentnih alata koji reaguju i uče isto kao ljudi. To zapravo znači kreiranje sistema koji razumiju i analiziraju jezik, govor, slike, a prema čemu sistem uči kako reagovati, planirati ili rješavati određene zadatke.

Vještačka inteligencija pomaže ljudima kao asistenti u određenim radnjama ili čovjeka potpuno zamjenjuju.

Funkcije inteligentnih softvera jesu: prikupljanje i obrada informacija, interakcija s radnom okolinom, komunikacija s čovjekom ili s drugim inteligentnim sistemima,  prikupljanje i obrada znanja, zaključivanje, te planiranje. Pored vještačke inteligencije sigurno ste čuli i za pojam mašinskog učenja koji je dio vještačke inteligencije. Metoda mašinsko učenje svoju primjenu nalazi u mnogim industrijama.

Mašinsko učenje je grana vještačke inteligencije, a to znači sposobnost računara da uči iz iskustva. Pomoću mašinskog učenje konstruiše se algoritam i računarski sistemi koji su sposobni da se adaptiraju na analogne nove situacije i uče na bazi iskustva.

Mašinsko učenje se zasniva na ideji da postoje generički algoritmi koji vam mogu reći nešto interesantno o skupu podataka, a da pritom vi ne morate da napišete poseban kod za taj problem. Umjesto da pišete kod, vi ubacite podatke u generički algoritam, a on napravi svoju logiku na osnovu podataka.

Na primer, jedna vrsta ovakvih algoritama je klasifikacioni algoritam. On može da smjesti podatke u različite grupe. Isti klasifikacioni algoritam koji se koristi da prepozna rukom napisane brojeve mogao bi da se koristi za klasifikaciju mejlova u “spam” i “nije spam”, bez promjene i jedne jedine linije koda. To je isti algoritam, ali su u njega unijeti različiti trening podaci, pa on smišlja različitu logiku za  klasifikaciju.

Mašinsko učenje dalo je prilično dobre rezultate u olakšavanju određenih poslova, predviđanju događaja i donijelo velike uštede u različitim oblastima. Računare je danas moguće naučiti da rade prilično veliki broj poslova gotovo podjednako efikasno kao i čovjek.

Posljednjih godina moderan pristup vještačkoj inteligenciji usmjeren je ka bottom-up tehnikama, odnosno na to da se uzmu osnovni gradivni blokovi inteligencije, koji se zatim postave zajedno u određene situacije te ih se ostavi da uče i da se razvijaju određeni vremenski period te se nakon toga pogledaju dobijeni rezultati. Ovaj pristup u istraživanju mašinske inteligencije nastao je posljednjih dvadesetak godina, a temelji se na izgradnji inteligentni agenata koji se u svome okruženju ponašaju uspješno. Temelj ove metode je bottom-up dizajn. Bottom-up se odnosi na elementarna ponašanja koja se kombinuju kako bi se ostvarila kompleksnija ponašanja. Ovaj pristup zagovara ideju da se inteligencija kod mašina može ostvariti, kroz dovoljne motorne vještine i senzornu interakciju sa okolinom.

Podkategorija mašinskog učenja je duboko učenje koje posljednjih godina doživljava nagli rast. Razvoj dubokog mašinskog učenja pomagao je u napretku u području poput percepcije objekata, mašinskog prevođenja i prepoznavanja glasa – svaki je od njih predmet kojeg istraživači vještačke inteligencije nastoje probiti. Ključni faktori poboljšavanja algoritama dubokog učenja su dostupnost velikih skupova podataka za treniranje, ostvareno masovno povezivanje računara te povećavanje kapaciteta memorije i brzine računa.

Postoje dvije vrste algoritama za mašinsko učenje, možemo reći dvije su glavne kategorije mašinskog učenja: nadgledano ili nenagledano učenje.

Nadgledano učenje

Nadgledano učenje podrazumjeva da ste vi unijeli u sistem „trening podatke“ odnosno podatke na osnovu kojih će sistem napraviti program koji će procijeniti vrijednost koja vam je potrebna. Kako biste napravili svoju aplikaciju, unesete trening podatke u algoritam za mašinsko učenje. Algoritam pokušava da shvati koje matematičke operacije trebaju da se obave da bi sve imalo smisla. U nadgledanom učenju vi dajete kompjutere da uradi za vas te podatke. A kada računar shvati te algoritme vi ćete imati odgovor na zahtjevana pitanja.

Nenadgledano učenje

Nenagledano mašinsko učenje podrazumjevanje pravljenje algoritma koji automatski identifikuje različite tržišne segmente među podacima, kao na primjer znanje o svim razlikama među kupcima i njihovim skolonostima možete usmjeriti u svoje marketing aktivnosti. Ovaj metod može da identifikuje podatke koji se razlikuju od drugih te vam taj detalj može donijeti profit. Nenagledano učenje dobija sve više na značaju jer se može koristiti, a da pritom ne zahtjeva da se podacima dodjeljuju tačni odgovori.

Postoji mnogo drugih vrsta algoritama za mašinsko učenje . Ovo je za početak, a dalje vas očekuju nove informacije o ovoj zanimljivoj, ali prije svega korisnoj metodi učenja računara kako da zamjeni čovjeka.