Umelá inteligencia sa v roku 2017 stala súčasťou nášho každodenného života i verejnej diskusie. A to bol len začiatok.
Rozvoj umelej inteligencie bol jednou z hlavných tém vlaňajších správ z oblasti technológií. Videli sme, ako sa algoritmy učia hrať hru Go bez ľudskej pomoci, Elon Musk a Mark Zuckerberg sa sporili o kladoch a záporoch umelej inteligencie pre ľudstvo, Rusko a Čína vyhlásili, že umelá inteligencia je ich najvyššia priorita. Všetko nasvedčuje tomu, že sa začína nová éra. Všeobecne možno povedať, že sa vývojári umelej inteligencie usilujú prepožičať počítačom ľudské myslenie a uvažovanie, vďaka ktorému by boli rovnako múdre ako človek alebo ešte múdrejšie. Už teraz je jasné, že všetky formy umelej inteligencie prejdú viac ako dôkladným vývojom. Hĺbkové učenie, jedna z najdôležitejších disciplín vo vývoji umelej inteligencie, má obzvlášť veľkú šancu pokročiť vpred. Jednou z ciest, ako to dosiahnuť, je strojové učenie, ktoré sa využíva vo všetkých sektoroch. Vedľa neho sa však začínajú objavovať aj progresívnejšie spôsoby.
Mozog ako vzor
Jeden z týchto spôsobov sa týka najmä hĺbkového učenia. Ide o inovatívne odvetvie strojového učenia, ktoré veľmi verne napodobňuje fungovanie ľudského mozgu pri spracovaní údajov a vytváraní vzorcov rozhodovania. Minulý rok sa táto technológia stala nevyhnutnou súčasťou mnohých odborov napríklad zdravotníctva či automobilového priemyslu a vývoja samoriadiacich áut. Hĺbkové učenie malo tiež obrovský vplyv na celý reklamný sektor. Inšpirovalo sa biologickými neurónmi v našom mozgu a umožnilo získavať spoľahlivejší, bohatší, strojovo interpretovateľný popis napríklad nákupného potenciálu zákazníka. Bez neho by bol potrebný zásah človeka. Spoločnosť RTB House nedávno analyzovala rozsiahle sady údajov, ktoré ukazujú, že využitie umelej inteligencie môže viesť ku konverziám vyšším o 35 % v porovnaní so situáciou, keď kampaň riadi len sám marketér. Algoritmy hĺbkového učenia však môžu dosiahnuť ešte viac. V reklamnom priemysle dokážu predpovedať želanie používateľov. Zjednodušujú používateľskú skúsenosť tým, že zobrazujú reklamy nielen na produkty, ktoré si užívateľ najskôr kúpiť chce, ale aj na tie, ktoré doteraz vôbec nevidel alebo o nich ani nepočul.
Údaje zo simulácií
V roku 2017 sme boli svedkami odklonu od tzv. učenia pod dohľadom, čo je štandardný prístup využívaný strojovým učením. Zakladá sa na tom, že človek dáva pokyny počítaču, ktorý sa má učiť, a pritom má zohľadňovať už existujúce príklady, dátové sady a odpovede. V najbližšom období sa výskum umelej inteligencie posunie do sofistikovanejších oblastí, ako je prenosové učenie. Ide o formu hĺbkového učenia, kde sa výučba stroja namiesto dát z reality zakladá na rôznych simuláciách. Tým je proces oveľa jednoduchší, rýchlejší a lacnejší. Pomocou tejto metódy sa stroj učí prijímať rozhodnutia s logickými závermi, analógiou alebo dedukciou. Napríklad v starších modeloch strojového učenia by musel samoriadiaci automobil najskôr najazdiť milióny kilometrov s vodičom a pritom zbierať údaje. Tie je nutné nahrať do stroja, ktorý sa učí jazdiť na základe vodičových rozhodnutí. Vďaka prenosovému učeniu odpadá potreba fyzického vodiča. Namiesto toho sa môžu dáta získať zo stoviek tisíc simulácií, ako je napríklad počítačová autohra. Simulovaním miliónov hodín jazdy sa stroj sám učí ako riadiť a môže preniesť túto vedomosť do reálneho sveta.
Ak chcete mať prístup aj k exkluzívnemu obsahu pre predplatiteľov alebo si objednať tlačenú verziu časopisu Quark, prihláste sa alebo zaregistrujte.
R
Foto Pixabay
