Z pewnością każdy z nas słyszał przynajmniej raz w życiu o „sztucznej inteligencji”, pojęciu, które weszło do codziennej terminologii poprzez książki science fiction, ale także i coraz częściej poprzez filmy, seriale telewizyjne i „łatwe” kanały kontaktu i "Bezpośredni". Niektórzy z nas słyszeli również ostatnio o „automatycznym uczeniu się”, być może w przemówieniach związanych z „sieciami neuronowymi” lub „algorytmami decyzyjnymi”.
Ale co to jest uczenie maszynowe i co to ma wspólnego ze sztuczną inteligencją?
Cóż, uczenie maszynowe lub uczenie maszynowe to nic innego jak szczególny rodzaj sztucznej inteligencji, który zapewnia komputerom możliwość uczenia się, jak rozwiązywać problemy bez specjalnego programowania do tego celu. Oznacza to, że komputery uczą się, jak zachowywać się poprzez dane, a nie (bezpośrednio) z kodu programu. Zamiast mieć dla każdej pojedynczej czynności specyficzne procesy decyzyjne z góry określone przez programistę, oprogramowanie do uczenia maszynowego analizuje dane, które są już do jego dyspozycji, odnoszące się do podobnych problemów i wykorzystuje analizę statystyczną do definiowania modeli koncepcyjnych; następnie zastosuj te modele do nowych danych, aby podjąć decyzje lub przewidzieć. Technologia „stojąca” za algorytmami uczenia maszynowego to tak zwane „sztuczne sieci neuronowe”, które są niczym innym jak modelem matematycznym złożonym ze sztucznych „neuronów” inspirowanych naturalną siecią neuronową, w praktyce mózgiem. Oczywiście, aby wyniki pochodzące z algorytmów uczenia maszynowego były jak najdokładniejsze, konieczne jest, aby dostępne były ogromne ilości danych, prawdopodobnie pochodzących z najróżniejszych źródeł, w celu stworzenia jak najszerszej bazy wiedzy, która będzie w stanie poradzić sobie z w najlepszy sposób te sytuacje, w których nie ma wcześniejszego ludzkiego doświadczenia. Algorytmy uczenia maszynowego istnieją od dawna, ale możliwość automatycznego i szybkiego zastosowania niezbędnych skomplikowanych obliczeń matematycznych do dużych ilości danych jest dostępna dopiero od niedawna. Jednak gdy tylko moc obliczeniowa stała się wystarczająca, nastąpił rozkwit aplikacji, które pomimo swoich cudów stały się lub stają się częścią naszego codziennego życia.
Na przykład mamy:
- Samochód Googleczyli samochód, który sam się prowadzi;
- „Ukierunkowane” wskazówki online, nadaj styl stronom Amazon i Netflix;
- rozpoznawanie twarzy, to jest technologia, która pozwala Facebookowi (ale także innym) rozpoznać twarze i automatycznie je oznaczyć za każdym razem, gdy opublikujesz zdjęcie w swoim profilu;
- inteligencja społecznaczyli umiejętność analizowania „treści emocjonalnych” (pozytywna, negatywna lub neutralna opinia na określone tematy) postów i interwencji w sieciach społecznościowych oraz wyciągania wniosków;
- Wirtualni asystenci Siri, Cortana (i inni) obecni na naszych smartfonach.
Takie aplikacje ujawniają całą moc, a także wielką praktyczną przydatność algorytmów uczenia maszynowego i pokazują, jak takie narzędzia już się stały, być może bez naszej wiedzy. stała część naszej rzeczywistości. Każdego dnia coraz częściej jesteśmy świadkami lub słyszymy o nowych zastosowaniach; i często to Google, poprzez swoje laboratoria badawcze i innowacyjne projekty, znajduje nowe zastosowania. W lutym zaprezentował system sztucznej inteligencji, który na podstawie pikselizowanych obrazów tworzy dość rzetelną rekonstrukcję oryginalnego zdjęcia; w kwietniu ogłosił, że jego Tłumacz poprawił dokładność tłumaczeń włoskich dzięki algorytmom sztucznej inteligencji; również w kwietniu uruchomił portal internetowy, który wykorzystuje algorytmy uczenia maszynowego do interpretowania „bazgrołów” lub po prostu naszkicowanych rysunków obiektu i „zastępując” je dokładnymi i profesjonalnymi rysunkami tego samego obiektu. Ale najlepsze jest jeszcze przed nami. W rzeczywistości uczenie maszynowe jest bardzo potężnym narzędziem, którego prawdziwa siła nie została jeszcze w pełni wyrażona i którego przyszłe zastosowania nie ograniczają się do usług biznesowych i firmowych. Dzięki ciągłej ewolucji technologicznej i zwiększeniu mocy obliczeniowej uczenie maszynowe będzie wkrótce w stanie przekształcić się z narzędzia analitycznego w narzędzie do odkryć i innowacji oraz będzie odgrywać coraz większą rolę w sektorach takich jak badania i nauka. Podsumowując, algorytmy wykorzystujące uczenie maszynowe będą w stanie robić dokładnie to, co naukowcy i wynalazcy robią teraz, ale lepiej i szybciej. Jest nadzieja, że pewnego dnia oprogramowanie rozwiąże obecnie nierozwiązywalne problemy. Oznacza to, że jest na przykład nadzieja, że uda się zbudować inteligentne uczenie maszynowe do tego stopnia, że pozwoli mu używać swoich algorytmów do znajdowania lekarstwa na choroby, takie jak rak czy AIDS. Przyszłość może być zaskakująca w sposób, którego być może nie jesteśmy w stanie sobie dziś wyobrazić.
przez Giovanniego Calcerano