Z pewnością wszyscy słyszeliśmy, przynajmniej raz w życiu, o „sztucznej inteligencji”, pojęciu, które teraz weszło do codziennej terminologii poprzez książki science fiction, ale także, i coraz częściej, poprzez „łatwe” filmy, programy telewizyjne i kanały kontaktu „bezpośrednie” . Niektórzy z nas słyszeli także ostatnio o „automatycznym uczeniu się”, być może w przemówieniach „Sieci neuronowe” lub „Algorytmy decyzyjne”.
Ale czym jest automatyczne uczenie się i co ma wspólnego ze sztuczną inteligencją?
Cóż, automatyczne uczenie się lub uczenie maszynowe to nic innego jak szczególny rodzaj sztucznej inteligencji, która zapewnia komputerom zdolność uczenia się, jak rozwiązywać problemy bez specjalnego programowania w tym celu. Oznacza to, że komputery uczą się, jak zachowywać się na podstawie danych, a nie (bezpośrednio) z kodu programu. Zamiast mieć określone procesy decyzyjne z góry określone przez programistę dla każdej indywidualnej czynności, oprogramowanie do automatycznego uczenia analizuje już dostępne dane dotyczące podobnych zagadnień i wykorzystuje analizę statystyczną do definiowania modeli koncepcyjnych; Następnie zastosuj te szablony do nowych danych, aby podejmować decyzje lub przewidywać. „Za” technologią algorytmów uczenia maszynowego jest ta zwana „sztucznymi sieciami neuronowymi”, która jest niczym innym jak matematycznym modelem złożonym ze sztucznych neuronów inspirowanych naturalną siecią neuronową, w praktyce dla mózgu. Oczywiście, aby wyniki algorytmów automatycznego uczenia były jak najdokładniejsze, ogromne ilości danych, być może pochodzące z różnych źródeł, wymagają stworzenia szerszej bazy wiedzy, która w najlepszy sposób poradzi sobie z sytuacjami, w których nie ma ludzi z przeszłości. doświadczenie. Algorytmy uczenia maszynowego są już dostępne, ale możliwość automatycznego i szybkiego zastosowania niezbędnych, złożonych, dużych obliczeń matematycznych jest dostępna dopiero od niedawna. Jednak gdy tylko moc obliczeniowa stała się wystarczająca, nastąpił rozkwit aplikacji, które nawet w ich zachwycie stały się lub stają się częścią naszego codziennego życia.
- Samochód Google, czyli samochód jeżdżący sam;
- „Ukierunkowane” wskazówki online, dotyczące witryn Amazon i Netflix;
- Rozpoznawanie twarzy, technologia umożliwiająca Facebookowi (a także innym) automatyczne rozpoznawanie twarzy i tagów za każdym razem, gdy profil jest publikowany;
- Inteligencja społeczna, czyli umiejętność analizowania „treści emocjonalnych” (pozytywnej, negatywnej lub neutralnej opinii na określone tematy) postów i interwencji w sieciach społecznościowych oraz wyciągania wniosków;
- Wirtualne serwery Siri, Cortana (i inne) obecne na naszych smartfonach.
Takie aplikacje ujawniają całą moc, a także wielką praktyczną użyteczność algorytmów automatycznego uczenia się i pokazują, jak takie narzędzia już się stały, być może nieświadomie. Stała część naszej rzeczywistości. Każdego dnia coraz częściej pojawiają się wiadomości lub wiadomości o nowych zastosowaniach; i często to Google, poprzez swoje laboratoria badawcze i innowacyjne projekty, szuka nowych zastosowań. W lutym zaprezentował system sztucznej inteligencji, który w oparciu o obrazy „pikselowe” tworzy dość rzetelną rekonstrukcję oryginalnej fotografii; w kwietniu ogłosił, że jego Tłumacz poprawił dokładność tłumaczeń włoskich dzięki algorytmom sztucznej inteligencji; zawsze w kwietniu uruchomił portal internetowy, który wykorzystuje algorytmy automatycznego uczenia się do interpretowania „szkiców” lub szkiców obiektu i „zastępowania” ich dokładnymi i profesjonalnymi rysunkami tego samego obiektu. Ale to, co najlepsze, jeszcze nie nadejdzie. W rzeczywistości uczenie maszynowe jest potężnym narzędziem, którego prawdziwa siła nie została jeszcze w pełni wyrażona i którego przyszłe zastosowania nie ograniczają się do biznesu i usług biznesowych. Dzięki ciągłej ewolucji technologicznej i zwiększeniu mocy obliczeniowej, automatyczne uczenie się wkrótce będzie mogło ewoluować z instrumentu odkrywania i innowacji i będzie odgrywać coraz większą rolę w takich dziedzinach, jak badania i nauka. Podsumowując, algorytmy wykorzystujące uczenie maszynowe mogą robić dokładnie to, co teraz robią naukowcy i wynalazcy, ale lepiej i szybciej. Jest nadzieja, że pewnego dnia oprogramowanie rozwiąże obecnie niezastąpione problemy. Oznacza to, że nadzieja polega na przykład na zbudowaniu sprytnego uczenia maszynowego do tego stopnia, aby umożliwić mu wykorzystanie jego algorytmów do znalezienia lekarstwa na choroby takie jak rak czy AIDS. Przyszłość może być zaskakująca w sposób, którego być może dzisiaj nawet nie jesteśmy w stanie sobie wyobrazić.
Giovanni Calcerano