Za väčšinou vecí, ktoré dnes voláme umelá inteligencia, stojí strojové učenie. Znie to zložito, no základná myšlienka je prekvapivo jednoduchá. Poďme si ju vysvetliť od základov, bez vzorcov a žargónu.

Čo je strojové učenie

Strojové učenie (po anglicky machine learning) je odbor umelej inteligencie, v ktorom sa počítač učí z príkladov a dát, namiesto toho, aby mal vopred napísané všetky pravidlá. Ukážete mu množstvo príkladov a on si sám nájde vzory a súvislosti.

Zjednodušene: nepoviete počítaču presný postup, ale dáte mu „učebnicu plnú príkladov" a on sa z nej naučí.

Klasické programovanie verzus strojové učenie

Rozdiel pochopíte na jednoduchom porovnaní:

  • Klasické programovanie. Programátor napíše presné pravidlá. Počítaču dáte pravidlá a dáta a on vyráta odpoveď.
  • Strojové učenie. Naopak, počítaču dáte dáta a správne odpovede (príklady) a on si sám odvodí pravidlá. Tým vznikne takzvaný model.

Príklad: rozpoznať na fotke mačku sa klasickými pravidlami píše veľmi ťažko. Oveľa ľahšie je ukázať systému tisíce fotiek mačiek a nechať ho, nech sa naučí, ako mačka vyzerá.

Učenie a používanie

Strojové učenie má dve fázy:

  • Učenie (tréning). Systému ukážete veľa príkladov a on si z nich postaví model, teda akýsi naučený vzorec.
  • Používanie (vyhodnotenie). Hotový model potom použijete na nové, ešte nevidené dáta. Napríklad naučený model dostane novú fotku a povie, či je na nej mačka.

Tri hlavné druhy učenia

  • Učenie s učiteľom. Príklady majú aj správnu odpoveď (označenie). Tak sa učí filter spamu (toto je spam, toto nie) alebo rozpoznávanie obrázkov.
  • Učenie bez učiteľa. Dáta nemajú odpovede a systém v nich sám hľadá štruktúru a skupiny. Napríklad rozdelí zákazníkov do podobných skupín.
  • Posilňované učenie. Systém sa učí pokusom a omylom cez odmeny a tresty. Tak sa učia napríklad programy hrať hry alebo riadiť roboty.

Kde sa s ním stretávate každý deň

Strojové učenie používate, aj keď o tom neviete:

  • Filter spamu v e-maile.
  • Odporúčania filmov, hudby a produktov.
  • Rozpoznávanie tvárí a triedenie fotiek.
  • Hlasoví asistenti a prepis reči.
  • Odhaľovanie podvodov pri platbách kartou.
  • Predpoveď dopravy v mapách a prediktívne písanie na klávesnici.

AI, strojové učenie a hlboké učenie

Tieto pojmy do seba zapadajú ako škatule:

  • Umelá inteligencia je najširší pojem (snaha, aby stroje robili veci, ktoré si vyžadujú „inteligenciu").
  • Strojové učenie je jej podmnožina, kde sa systém učí z dát.
  • Hlboké učenie (deep learning) je podmnožina strojového učenia, ktorá používa neurónové siete (voľne inšpirované mozgom). Stoja za ním dnešné pokroky v obraze, reči aj jazykových modeloch, viac v článku umelá inteligencia, AI agenti a MCP.

Prečo sú dáta kľúčové

Model je len taký dobrý, aké dobré sú dáta, z ktorých sa učil. Platí pravidlo „odpad dnu, odpad von": zlé alebo skreslené dáta vyrobia zlý model. Ak sú dáta jednostranné, model preberie aj ich skreslenie (bias) a môže napríklad nespravodlivo uprednostňovať. Preto na kvalite a vyváženosti dát mimoriadne záleží.

Hranice a riziká

  • Skreslenie (bias). Model zdedí predsudky z dát a môže diskriminovať.
  • Prílišné prispôsobenie (overfitting). Model sa „naučí naspamäť" príklady namiesto všeobecného pravidla a na novom prípade zlyhá.
  • Čierna skrinka. Pri zložitých modeloch sa ťažko vysvetľuje, prečo rozhodli tak, ako rozhodli.
  • Môže sa sebavedomo mýliť. Pri dôležitých rozhodnutiach preto patrí dohľad človeka. Ako pri každej AI platí, že je dobrý sluha, no zlý pán, viac v článku AI, dobrý sluha a zlý pán.

Praktické pre laika a firmu

  • Už ho používate. Nie je to mágia, ale hľadanie vzorov v dátach.
  • Rátajte s chybami. Výstupy strojového učenia overujte, najmä pri dôležitých veciach.
  • Pre firmu je strojové učenie cesta k predpovediam, automatizácii a personalizácii, no stojí a padá na kvalitných dátach. Ak chcete AI prevádzkovať u seba, pozrite článok lokálna AI na vlastnom hardvéri.

Záver

Strojové učenie je spôsob, akým sa počítače učia z dát a príkladov namiesto napísaných pravidiel. Najprv prebehne učenie (vznikne model), potom sa model používa na nové dáta. Existuje učenie s učiteľom, bez učiteľa a posilňované, a najsilnejšou vetvou je hlboké učenie s neurónovými sieťami. Je za väčšinou „AI", ktorú denne používate. Treba však pamätať, že je len taký dobrý, aké dobré sú jeho dáta, a že sa môže mýliť.

Chcete vo firme využiť dáta, AI alebo automatizáciu zmysluplne a bezpečne? Ozvite sa nám, radi poradíme.

Tento článok je súčasťou prehľadu Umelá inteligencia.