Kako mašine uče? Kako Google Photos može prepoznati vaše lice? Očekuje li nas izbacivanje miša i komandovanje akcijama računara našim glasom?
U zadnje vrijeme kada čitamo i slušamo novosti iz svijeta tehnologije i nauke često čujemo pojam „mašinsko učenje“ ili machine learning (ML). Na prvu to izgleda kao da mašine mogu da uče tokom svog rada, i onda to naučeno kasnije primjene na nove poslove. Pokušat ćemo da koncept „machine learning“ objasnimo kako bi detaljnije znali kako i gdje se najbolje može primijeniti.
Pojam mašinsko učenje pojavio se 1959. godine, kada se tadašnji pionir u računarima, Arthur Samuel, pitao mogu li računari učiti i prilagoditi svoje ponašanje, a ne samo da izvršavaju strogo definisane procedure i programe kojima obavljaju određene zadatke.
Kompjuterski programi i mašinsko učenje
Kompjuterski programi predstavljaju niz eksplicitnih uputstava. Recimo kada programeri kreiraju softver za internet bankarstvo, moraju biti vrlo precizni. Na primjer, kreiraju instrukciju koja kaže: Ako klijent pokuša podići novac, a iznos je veći od trenutnog salda onda otkaži transakciju i pošalji poruku. To je izričito uputstvo. Ako vidite X, učinite Y. Mašinsko učenje je drugačije. Ovde se ne kreiraju detaljna uputstva. Umjesto toga, računaru dajete podatke (puno podataka) i alate potrebne za proučavanje i rješavanje problema, a bez tačnih instrukcije šta da se učini. Tada računaru dajete mogućnost da se “sijeti” iz baze podataka, ono što je učinio ranije kako bi se mogao prilagoditi, razvijati i učiti. To se ne razlikuje mnogo od načina na koji i mi ljudi učimo.
Na visokom nivou korisnika, mašinsko učenje je proces učenja računarskog sistema kako da daje tačna predviđanja prilikom unosa i analize velike količine podataka.
Primjeri koje većina korisnika interneta koristi:
- Ako koristite Google Lens možete putem kamere da dobijete informacije o objektu kojeg fotografišete. Google koristi ML algoritam, ogromnu bazu fotografija i vezanih informacija i usporedbom vraća rezultate koji odgovara vašem objektu.
- Sve je više autonomnih vozila koji imaju mogućnosti da registruju ljude kako prelaze cestu ili neke druge objekte kako bi reagovali i poslali instrukciju da se vozilo zaustavi. Sa ML sistemi za autonomnu vožnju uče i pohranjuju u bazu podataka koji sve objekti mogu da se pojave u njihovoj blizini.
- ML se koristi u Gmail sistemu kada algoritam „čita“ vašu poruku i uočava upotrebu riječi u rečenici koje se odnose na putovanje ili rezervaciju hotela, kako bi automatski napomenuli kada imate planirano putovanje da se možete spremiti na vrijeme.
- Među prvim primjerima su novi sistemi za filtriranje email poruka gdje se administratori ne bave filterima za SPAM poruke već to sistem uz ML sam filtrira i određuje kako bi se korisnik fokusirao samo na bitne poruke.
- Kreatori video materijala na YouTube često mogu vidjeti automatske titlove koji se pojavljuju ispod sadržaja. To je također omogućeno ML korištenjem sistema za prepoznavanje govora i pretvaranje u odgovarajuči tekst. Isti ML pomaže i rastuću bazu riječi i prijevoda na razne jezike.
Svi navedeni primjeri rade zahvaljujući primjeni ML, velike količine podataka, rastućih kompjuterskih mogućnosti, i to non-stop. To ljudi jednostavno ne mogu raditi sa velikom pouzdanošću i sa velikim i konstantno rastućim brojem podataka.
Pojedini modeli ML su naučili kako pouzdano razlikovati recimo fotografije banane ili limuna korištenjem velike količine podataka, u ovom slučaju ogromnog broja slika označenih da sadrže bananu ili jabuku. Tako ako u svojoj arhivu fotografija na photos.google.com tražite riječ “laptop”, kao rezultat dobijete sve fotografije na kojoj se nalazi laptop.
Vrste i načini mašinskog učenja
Šta znači učiti? Koje su različite strategije pomoću kojih učite nešto novo? Kako možete preuzeti te strategije i zatim ih primijeniti na mašine?
Zamislimo da želimo naučiti igrati šah. To možete učiniti na nekoliko različitih načina. Možemo angažovati instruktora šaha koji bi nas upoznao različitim šahovskim figurama i kako se pojedine kreću po ploči. Možemo onda vježbati igrajući protiv instruktora, uz njegovo nadgledanje i savjete tokom partije šaha. Onda eventualno nakon završenog kursa počnete igrati protiv drugih šahista i idete na takmičenja i turnire.
A sada zamislite da niste mogli pronaći instruktora. Onda možete kao zainteresovani otići u javni park i gledati kako nekoliko desetina zaljubljenika i penzionera igra šah na otvorenom. Obično ne postavljate pitanja već samo mirno gledate i učite. Ako ovo radimo dovoljno dugo, vjerojatno bi razumjeli igru i stekli nova iskustva. Možda ne naučite imena šahovskih figura, ali steknete znanje o pravilima, potezima i strategijama tokom mnogo sati promatranja.
A možete isprobati i kombinaciju ova dva pristupa. Instruktor šaha bi pokazao osnovna pravila, a zatim biste otišli da posmatrate partije na otvorenom i ljude kako igraju. Imali biste osnove kao i imena figura, ali biste se obogatili i zapažanjima gdje učite nove strategije i praktične poteze.
Navedena tri načina su vrlo slična načinima na koji i računar može naučiti.
Učenje pod nadzorom je kada stručnjak za ML i podatke djeluje poput instruktora, gdje se podešavaju osnovna pravila i strategije.
Drugi način je nekontrolirano učenje. Tu je računar prepušten sebi da sva zapažanja samostalno izvrši. Računar poznaje sva različita imena i pravila, ali će samostalno pronaći i kreirati iste ili slične uzorke i recimo razvrstati podatke na nekoliko karakterističnih grupa.
Na kraju, možete miješati dvije navedene metode. Samo osnovne upute računaru kako bi dobio instrukcije o recimo vrsti podataka, a većinu učenja o pravilima i strategijama se stekne algoritamskim “promatranjem” velikih količina podataka kroz različite obrasce.
Sva tri pristupa imaju svoje prednosti i mane. Za učenje pod nadzorom trebat će dobar stručnjak za podatke i upravljanje istih. Za nekontrolirano učenje, morate imati pristup velikom broju kvalitetnih podataka. Za kvalitetnu implementaciju ML bitna je stručnost uposlenika, a i kvalitet prikupljenih podataka koji će se obrađivati. Od toga ovisi sama efikasnost obrade, koliko su validni zaključci i kvalitet samih odluka. Kada su odluke više bazirane na podacima nego na “osjećaju”, onda su daleko veće šanse da odluke budu kvalitetne.
Gdje se primjenjuje mašinsko učenje?
Sistemi mašinskog učenja koriste se svuda oko nas i predstavljaju osnovu modernog interneta. ML sistemi koriste se za preporuke koji proizvod možda želite kupiti na Amazonu ili seriju koju želite da pogledate na Netflixu. Svaka Google pretraga koristi ML sistem kako bi rezultat bio na odgovarajućem jeziku i sa ličnim specifičnim personificiranim karakteristikama. Tako recimo ljubitelji ribolova koji traže informacije o „bass“ nisu preplavljeni rezultatima o bass gitarama.
Virtualni pomoćnici, poput Apple-ove Siri, Amazonove Alexa, Google Assistant-a i Microsoft Cortane koriste ML za bolju i kvalitetniju komunikaciju. Zahvaljujući ML virtualni pomoćnici mogu prepoznati pojedinačan glas i ponuditi odgovarajuće odgovore i rezultate. Tako recimo ako moj devetogodišnji sin pošalje glasovnu komandu da Google home emituje neku muziku, izbor će biti prilagođen uzrastu, tj, muzika za djecu. A ako ja kažem istu instrukciju glasom, Google home će emitovati muziku koja je prilagođena mom ukusu kao odrasle osobe.
U industriji je ML još više u upotrebi:
- prepoznavanje objekata kroz tzv. računarski vid za automobile bez vozača,
- prepoznavanje objeklata i destinacije za bespilotne letjelice tokom isporuke paketa;
- prepoznavanje i sinteza govora i jezika za chatbotove i uslužne robote prilikom razgovora sa klijentima;
- prepoznavanje lica za sisteme nadzora u zemljama poput Kine;
- pomažu radiolozima da obradom velike količine podataka otkriju tumore sa rendgenima,
- pomažu istraživačima u otkrivanju genetskih sekvenci povezanih s bolestima i identificiraju molekule koji mogu dovesti do efikasnijih lijekova u zdravstvu;
- omogućava prediktivno održavanje infrastrukture pomoću analize podataka IoT senzora;
- pomaže pomenuti računarski vid koji omogućava automatskoj blagajni supermarketa Amazon Go da radi bez prisustva ljudi, itd.
Generalno, ML bi na kraju moglo otvoriti put robotima da direktno uče od ljudi. Istraživači u Nvidia nedavno su kreirali sistem učenja dizajniran tako da nauči robota kako da izvršava neki zadatak, jednostavnim promatranjem čovjeka dok obavlja taj posao. Prepisao, ali i naučio. Ostaje da pratimo i učimo kako da efikasno upotrebimo ML kako bi se dalje razvijali kao društvo, i kao pojedinci.
Izvor: https://www.zdnet.com/article/what-is-machine-learning-everything-you-need-to-know/
https://www.businessinsider.com/how-to-use-google-lens?r=DE&IR=T