Vytvorenie umelej inteligencie (AI) nemá univerzálny recept! Od jej vzniku v 50. rokoch minulého storočia sa vyprofilovali dva hlavné, často protichodné prístupy: symbolické programovanie a strojové učenie. Pozrime sa na ne podrobnejšie.
SYMBOLICKÉ PROGRAMOVANIE
Prvým hlavným prístupom je symbolické programovanie, ktoré spočíva v kódovaní podrobného súboru pravidiel na riešenie konkrétneho problému.
Ako to funguje?
Tento prístup zahŕňa písanie dlhého sledu podmienok „ak-potom“. Napríklad:
- Ak má zviera na fotografii štyri labky a chvost, potom je to domáci miláčik.
- Ak má špicaté uši, potom je to mačka.
Výhody:
Symbolické programovanie je efektívne pre niektoré špecifické úlohy, ako je dokazovanie matematických teorém. Navyše nevyžaduje veľké množstvo dát.
Nevýhody:
Je to časovo náročný proces a ťažko sa prispôsobuje rôznym situáciám. V prípade identifikácie mačky by bolo potrebné vziať do úvahy všetky možné variácie: farbu srsti, polohu tela, prostredie… a to je prakticky nemožné.
STROJOVÉ UČENIE
Druhým hlavným prístupom je strojové učenie, ktoré sa namiesto manuálneho kódovania pravidiel zameriava na trénovanie algoritmov pomocou dát.
Ako to funguje?
- Algoritmus sa „učí“ na základe veľkého množstva údajov.
- Napríklad pri rozpoznávaní obrázkov dodáme algoritmu tisíce fotografií označených ako „mačka“ alebo „nie mačka“. Algoritmus potom hľadá vzory a súvislosti medzi týmito dátami, aby vytvoril klasifikáciu.
- Algoritmus sám identifikuje relevantné vlastnosti, ktoré umožňujú rozpoznať mačku, bez potreby explicitného programovania.
ZAMERANIE NA HLBOKÉ UČENIE – DEEP LEARNING
Hlboké učenie je podskupinou strojového učenia a v súčasnosti patrí medzi najobľúbenejšie prístupy k AI.
Inšpirácia z ľudského mozgu:
Hlboké učenie je inšpirované fungovaním nášho mozgu. Používa umelé neurónové siete, ktoré sú tvorené veľkým množstvom spracovateľských jednotiek, napodobňujúcich sieť neurónov v mozgu.
Ako to funguje?
- Neuróny sú usporiadané do vrstiev, ktoré spracovávajú informácie postupne.
- Pri rozpoznávaní obrázkov prvá vrstva neurónov deteguje kontrasty v pixeloch, čím identifikuje hrany objektu.
- Druhá vrstva využíva tieto hrany na identifikáciu častí objektu.
- Takto sa postupuje, až kým algoritmus nerozpozná, o aký objekt alebo zviera ide.
Záver:
Oba prístupy majú svoje výhody a nevýhody:
- Symbolické programovanie je presné, ale ťažkopádne.
- Strojové učenie, najmä hlboké učenie, je flexibilné a dokáže sa prispôsobiť širokej škále problémov, no vyžaduje veľké množstvo dát a výpočtového výkonu.
Pre firmy je kľúčové pochopiť, ktorý prístup najlepšie vyhovuje ich konkrétnym potrebám.