Autor článku
Martin Spano je slovenský počítačový vedec, spisovateľ, futurista a popularizátor informatiky, programovania a umelej inteligencie. Prednáša na technologických konferenciách a zapája sa aktívne do verejnej diskusie o umelej inteligencii. V sérii svojich blogových článkov nás uvedie do sveta umelej inteligencie a jej potenciálu vo svete podnikania a účtovníctva.
Umelá inteligencia ako vedný obor má už vyše šesťdesiatročnú tradíciu. Jej história je úzko spätá s históriou počítačov. Počítačoví vedci, ktorí boli pri jej vzniku, predpokladali, že jej zostrojenie bude veľmi priamočiare – jednoducho ju naprogramujú podobne ako počítač. Softvér alebo počítačový program je tvorený algoritmom, respektíve algoritmami napísanými pomocou tzv. zdrojového kódu. Ten si môžeme predstaviť ako jeden veľmi dlhý podrobný kuchynský recept. Problém tohto špeciálneho kuchynského receptu je, že stačí jediná drobná chyba a prestane fungovať. To je jedna z príčin, prečo my programátori tak dobre zarábame :-). Umelá inteligencia ale takýmto spôsobom fungovať nemôže. Nechceli by ste predsa, aby vaše autonómne auto dostalo pri rýchlosti 130 km/h nejakú nepredvídanú chybu. Okrem toho pri klasickom programovaní, ako sa tento spôsob nazýva, musíme “ošetriť” všetky možnosti, a tých je v reálnom živote exponenciálny počet, jednoducho povedané, nemáme šancu. Takto teda umelá inteligencia fungovať nemôže.
Čo robiť?
Tak ako už mnohokrát v histórii sa aj v tomto prípade počítačoví vedci začali pýtať, ako to funguje v prírode, konkrétne, ako inteligenciu nadobúda človek. Vaše deti neinštruujete dopodrobna, čo majú vo všetkých situáciách robiť. Aj keby ste sa o to pokúšali, nebudú vás počúvať. Namiesto toho im vytvoríte čo najlepšie podmienky na to, aby sa učili sami. Prenesme tento prístup do oblasti umelej inteligencie. Namiesto klasického programovania vytvoríme tzv. učiaci algoritmus. To je tiež počítačový program, ale taký, ktorý prijíma dáta, ktoré sa volajú trénovacie dáta, a z týchto dát si vytvára vnútornú štruktúru. Po skončení trénovania je potom schopný sa z nových dát, ktoré mú dáme, samostatne rozhodovať. Čiže, ak si to ešte raz pre lepšie pochopenie zopakujeme, umelá inteligencia sa učí tak, že si z tzv. trénovacích dát sama vytvorí vnútornú štruktúru, na základe ktorej sa následne samostatne rozhoduje. Tento proces učenia sa nazýva strojové učenie.
Napriek tomu, že strojové učenie bolo objavené veľmi skoro po vzniku umelej inteligencie ako vedného oboru, až v poslednom desaťročí sa presadilo ako de facto štandard pri konštruovaní umelej inteligencie, a to z dvoch dôvodov. Ako vyplýva z horeuvedeného, umelá inteligencia sa učí z dát. Napríklad keď chcete, aby sa naučila na obrázkoch rozoznať psa od mačky, musíte jej ukázať obrázky, na ktorých je pes a obrázky, na ktorých je mačka. Lenže tých obrázkov nemajú byť desiatky či stovky, ba dokonca ani tisíce, ale najlepšie milióny či miliardy. Ako hovorí jeden vtip z prostredia umelej inteligencie – nepodarilo sa to na prvýkrát? Nevadí, podarí sa to na miliardtykrát. Na tomto príklade je vidieť, ako veľa dát potrebuje umelá inteligencia na výučbu. Vďaka sociálnym sieťam či internetu vecí toto množstvo už v poslednom desaťročí máme. Zároveň ale big data, ako sa toto veľké množstvo dát nazýva, potrebuje na spracovanie dostatočný výpočtový výkon, aký sme dosiahli až v posledných rokoch. Suma sumárum, synergický efekt veľkého množstva dát, dostatočného výpočtového výkonu na ich spracovanie a objav metódy, ktorá ich spracuje – strojové učenie, spôsobili súčasný rozmach umelej inteligencie.
