Сигурно смо сви барем једном у животу чули за „Вештачку интелигенцију“, појам који је сада ушао у свакодневну терминологију кроз књиге научне фантастике, али такође, а све више и више, кроз филмове, ТВ серије и „лаке“ контакт канале. "Директан". Неки од нас ће такође недавно чути за „Аутоматско учење“, можда у говорима повезаним са „Неуронским мрежама“ или „Алгоритмима одлучивања“.
Али шта је машинско учење и какве везе то има са вештачком интелигенцијом?
Па, машинско учење или машинско учење није ништа друго до одређена врста вештачке интелигенције која пружа рачунарима могућност да науче како да решавају проблеме, а да за то нису посебно програмирани. Односно, рачунари уче како се понашати кроз податке, а не (директно) из програмског кода. Уместо да за сваку поједину активност има одређене процесе доношења одлука које је унапред одредио програмер, софтвер за машинско учење анализира податке који су му већ на располагању, а односе се на сличне проблеме, и користи статистичку анализу за дефинисање концептуалних модела; затим те моделе примењује на нове податке за доношење одлука или предвиђање. Технологија „која стоји“ иза алгоритама машинског учења је технологија такозваних „Вештачких неуронских мрежа“, које су ништа друго до математички модел састављен од вештачких „неурона“ инспирисаних природном неуронском мрежом, у пракси мозга. Очигледно је, да би резултати који потичу из алгоритама машинског учења били што прецизнији, неопходно је да су на располагању огромне количине података, можда из најразличитијих извора, како би се створила база знања што је могуће шире, способан да се носи на најбољи начин са оним ситуацијама у којима не постоји претходно људско искуство. Алгоритми машинског учења постоје већ дуго, али могућност аутоматске и брзе примене неопходних сложених математичких прорачуна на велике количине података доступна је само у новије време. Чим је рачунарска снага постала довољна, међутим, догодио се процват апликација које су, упркос својим чудима, постале или постају део нашег свакодневног живота.
На пример, имамо:
- Гоогле аутомобил, то је аутомобил који се сам вози;
- „Циљани“ онлајн савети, стилите оне са сајтова Амазон и Нетфлик;
- препознавање лица, то је технологија која омогућава Фацебооку (али и другима) да препозна лица и аутоматски их означи сваки пут када објавите фотографију на свом профилу;
- социјална интелигенција, односно способност анализирања „емоционалног садржаја“ (позитивног, негативног или неутралног мишљења о одређеним темама) постова и интервенција на друштвеним мрежама и доношење закључака;
- Виртуелни асистенти Сири, Цортана (и други) присутни на нашим паметним телефонима.
Такве апликације откривају сву снагу, као и велику практичну корисност алгоритама машинског учења и откривају како су такви алати већ постали, можда и без нашег знања. стални део наше стварности. И сваког дана, све више и више, сведоци смо или чујемо нове употребе; и често је Гоогле путем својих истраживачких лабораторија и иновативних пројеката тај који проналази нове примене. У фебруару је представио систем вештачке интелигенције који, на основу „пикселизованих“ слика, успева да створи прилично поуздану реконструкцију оригиналне фотографије; у априлу је објавио да је његов преводилац побољшао тачност италијанских превода захваљујући алгоритмима вештачке интелигенције; такође у априлу, покренуо је веб портал који користи алгоритме машинског учења за тумачење „цртача“ или само скицираних цртежа предмета и „замену“ их тачним и професионалним цртежима истог предмета. Али најбоље још увек долази. У ствари, машинско учење је врло моћно средство, чија истинска снага тек треба да буде у потпуности изражена и чија будућа употреба није ограничена на пословне и услуге компаније. Захваљујући сталној технолошкој еволуцији и повећању рачунарске снаге, у ствари ће машинско учење ускоро моћи да се развије од алата за анализу до алата за откривање и иновације и имаће све већу водећу улогу у секторима као што су истраживање и наука. Укратко, алгоритми који користе предности машинског учења моћи ће да ураде управо оно што научници и проналазачи раде сада, али боље и брже. Надамо се да ће једног дана софтвер тренутно решити нерешива питања. Односно, нада је, на пример, да ћемо моћи да изградимо интелигентно машинско учење до те мере да му омогућимо да користи своје алгоритме за проналажење лека за болести попут рака или АИДС-а. Будућност ће вероватно бити изненађујућа на начине које данас можда нисмо у могућности ни да замислимо.
Гиованни Цалцерано