Felieton

Machine learning – czyli jak komputery uczą się naszej rzeczywistości

5 marca 2021Karol Kopańko

machine learning

Uczenie maszynowe jest dziś częścią rzeczywistości praktycznie każdego z nas. Pisząc na smartfonowej klawiaturze, polegamy na sugestiach algorytmu uczącego się naszego stylu pisania. Przeglądając netfliksową bibliotekę, sugerujemy się rekomendacjami, które z kolei bazują na odbytych seansach. Samouczące się algorytmy są obecne nawet w skrzynkach mailowych. Dzięki nim nie musimy sami odsiewać wiadomości ze spamu. Uczenie maszynowe sprawia, że nasze życie staje się prostsze, bo komputery biorą na siebie część nudnych i powtarzalnych czynności. Jak to jednak działa w praktyce?

Uczenie maszynowe (ang. machine learning) to część szerokiej sfery sztucznej inteligencji. Polega na programowaniu komputerów do rozwiązywania problemów pozbawionych szczegółowych opisów. Zwykle dostarczamy procesorowi szczegółowe instrukcje pokazujące, jak poradzić sobie z danym problemem matematycznym. W tym wypadku rzucamy go jednak na głęboką wodę i mówimy: „wykombinuj, jak dopłynąć do brzegu”. Ba, często sami nie wiemy, gdzie ten brzeg się znajduje.

Uczenie maszynowe uczeniu maszynowemu nierówne

Specjaliści mogą stopniować metody uczenia maszynowego. W przypadku uczenia nadzorowanego dajemy komputerowi znać, jakiej odpowiedzi oczekujemy. Najprościej wytłumaczyć to na przykładzie zdjęć. Do pamięci maszyny wrzucamy kilka gigabajtów fotografii zwierząt i opisujemy każdą z nich pod kątem zawartości, zaznaczając, czy zawiera psa, kota, czy słonia. Urządzenie odnajduje cechy wspólne dla wszystkich kotów na zdjęciach, dzięki czemu możemy się spodziewać, że kiedy następnym razem pokażemy mu naszego milusińskiego, to rozpozna go bez problemu.

uczenie maszynowe

Co innego, kiedy zaprzęgniemy komputer do analizy nieustandaryzowanych danych czy zdjęć bez opisu. Algorytmy uczenia maszynowego będą w tej sytuacji starały się samodzielnie znaleźć cechy charakterystyczne dla zwierząt. Odkryją zapewne, że żyrafa wyróżnia się długą szyją, a słoń trąbą.

Jak konkretnie to zrobią? Z pomocą przychodzi tu statystyka i jej algorytmy klasyfikujące i grupujące czy regresja liniowa. Pierwszy przypisze elementom zdjęć konkretne etykiety, drugi posegreguje je w oddzielne zbiory, a trzeci pozwoli przewidzieć, jak dane zjawisko będzie się rozwijało w przyszłości. Wszystkie te elementy wykorzystywane są choćby w marketingu. Kampanie promocyjne generują bowiem ogromne zasoby danych o potencjalnych klientach, które trzeba przeanalizować, aby dowiedzieć się, z jakim przekazem dotrzeć do odbiorców. Analiza każdego rekordu przekraczałaby ludzkie możliwości, więc grupowanie i wyciąganie wniosków oddaje się maszynie.

Reinforcement learning

Możemy jednak wyciągnąć w jej kierunku pomocną dłoń. Nazywa się to uczeniem ze wzmocnieniem (reinforcement learning, RL) i przyrównać je można do tresury psa. Kiedy ten wykona sztuczkę, o którą go prosimy, dostaje łakocie. Gdy jednak nie potrafi się zachować, jest karcony. Podobnie algorytmy – mogą obracać się w systemach z nagrodami i karami. Jeśli dadzą wynik pasujący do oczekiwanego, następuje wzmocnienie pozytywne i algorytm będzie faworyzował dane rozwiązanie w przyszłości. Łatwo sprawdzić to na YouTubie, gdzie często trenujemy algorytmy, głosując łapkami na filmy, które się nam podobają, lub te, których nie chcielibyśmy oglądać.

W podobnym środowisku uczył się choćby bot OpenAI, który pokonał profesjonalnych graczy Dota 2. Deweloperzy wypuścili go na planszę, gdzie musiał samodzielnie wykombinować zasady gry i zbudować strategię pod przeciwnika. Bot korzystał z szybkiego mechanizmu feedbacku – kiedy błądził w niewłaściwe rejony, szybko przegrywał, a kiedy szedł we właściwym kierunku, zbierał więcej zasobów bądź przejmował kontrolę nad mapą. W podobny sposób trenowano zresztą boty do gry w Go czy szachy, które nie mają dziś problemów z pokonaniem najlepszych z nas.

Sztuczna inteligencja w codziennym życiu

Elementy sztucznej inteligencji będą w przyszłości coraz częściej przenikały się z różnymi elementami naszego życia – zwłaszcza w przypadku pracy zdalnej. To właśnie one odpowiadają choćby za rozmycie tła w czasie konferencji wideo czy wytłumienie głosów otoczenia. Ze sztuczną inteligencją obcujemy nie tylko w grach komputerowych, ale również przy obróbce wideo czy muzyki. Dlatego jedenasta generacja procesorów Intela wyposażona została w dedykowaną jednostkę do procesowania obrazów oraz sieć neuronową do obsługi sztucznej inteligencji. Ma to zagwarantować przynajmniej pięciokrotnie lepsze osiągi w zastosowaniach wykorzystujących uczenie maszynowe (sprawdź prezentację ThinkPad Nano X1, który wykorzystuje układ Intel Core 11. generacji ze wsparciem dla vPro oraz platformy Evo vPro: https://youtu.be/5M5NRGGPb9w

Aby lepiej zrozumieć wartość dodaną dla układów Intel Tiger Lake, można wrócić pamięcią do przeszłości sprzed kart graficznych. To CPU odpowiadało wówczas za generowanie obrazu, co nie było szczególnie dobrym rozwiązaniem. O wiele lepiej sprawdzały się w tym zastosowaniu dedykowane układy – akceleratory, bez których nie wyobrażamy sobie dziś składania komputera. Podobnie w przyszłości – karty obsługujące sztuczną inteligencję mogą się stać pecetowym standardem.

Pod kątem obsługi AI powstają już także stacje robocze, jak np. ThinkStation P920 Tower czy ThinkStation P620 Tower. Ta druga zbudowana jest na platformie AMD Threadripper, a pierwsza Intel Xeon i obsługuje nawet dwa procesory. Wspólnie z grafiką NVIDIA Quadro oferują świetną wydajność przy uczeniu maszynowym czy głębokim uczeniu – od fazy przygotowywania danych do wizualizacji. Podziękują za to architekci AI, którzy będą musieli mniej czasu spędzać na trenowaniu modelu, ale i data scientists, którzy szybciej zobaczą efekty swojej pracy.

Uczenie maszynowe to przyszłość

Bez jego elementów nie moglibyśmy liczyć na szybki postęp naukowy. Wyprodukowanie leków poprzedza przecież zwykle faza symulacji, gdzie zmodyfikowane cząstki testuje się w środowisku cyfrowym. Podobnie w biznesie, który operuje dziś wolumenami danych, przekraczającymi ludzkie pojęcie. Najpierw trzeba je poddać algorytmicznej obróbce, aby dopiero później człowiek mógł zacząć je analizować w zagregowanej postaci.

Modele uczenia maszynowego uczą się bowiem na danych, które im dostarczymy. Jeśli będzie brakowało w nich informacji o mniejszościach etnicznych czy osobach o innym kolorze skóry, to model może nie zadziałać, jak zakładamy. Dlatego kluczowe jest zapewnienie różnorodności już na etapie poszukiwania danych do treningu.

FAQ

1. Machine learning, co to?

Uczenie maszynowe (ang. machine learning) to część szerokiej sfery sztucznej inteligencji. Polega na programowaniu komputerów do rozwiązywania problemów pozbawionych szczegółowych opisów.

Sztuczna inteligencja, co to jest?

Sztuczna inteligencja odpowiada choćby za rozmycie tła w czasie konferencji wideo czy wytłumienie głosów otoczenia. Ze sztuczną inteligencją obcujemy nie tylko w grach komputerowych, ale również przy obróbce wideo czy muzyki.



Jak przydatny był ten post?

Kliknij gwiazdkę, aby go ocenić!

Średnia ocena 0 / 5. Liczba głosów: 0

Dotychczas brak głosów! Oceń ten post jako pierwszy.


Karol Kopańko

Dziennikarz Spider’s Web, redaktor Sonda 2 i współpracownik wszelkiej maści mediów: od papierowych, przez online’owe, po telewizyjne. Współautor książki o bitcoinie: „Bitcoin. Złoto XXI wieku”. W swoich artykułach stara się przedstawić zmieniającą się rzeczywistość „zwykłego Kowalskiego” pod wpływem technologii.

Powiązane Artykuły

Jak dbać o klawiaturę w laptopie?

Lenovo

Lenovo Vantage – twój osobisty doradca

Lenovo

Fale mózgowe mogą zastąpić konwencjonalne kontrolery? Poznaj interfejs przyszłości

Lenovo

Komentarze do artykułu


widget instagram lenovo
widget twitter lenovo
widget facebook lenovo
widget youtube lenovo
Read previous post:
Przyszłość jest teraz: Jak bezprzewodowe monitory zmienią scenę technologiczną. Wywiad z wiceprezesem Lenovo Stefanem Engelem

Stefan Engel jest wiceprezesem i dyrektorem generalnym działu Visuals Business w Lenovo, w grupie IDG. Nadzoruje rozwój, sprzedaż i marketing...

Close