Software nebo počítačový program je tvořen algoritmem, respektive algoritmy napsanými pomocí tzv. zdrojového kódu. Ten si můžeme představit jako jeden velmi dlouhý podrobný kuchyňský recept. Problém tohoto speciálního kuchyňského receptu je, že stačí jediná drobná chyba a přestane fungovat. To je jedna z příčin, proč my programátoři tak dobře vyděláváme.
Umělá inteligence pro váš byznys: pracujeme s ní neustále, aniž bychom si to uvědomovali |
Umělá inteligence ale takovýmto způsobem fungovat nemůže. Nechtěli byste přece, aby vaše autonomní auto udělalo při rychlosti 130 km/h nějakou nepředvídanou chybu. Kromě toho při klasickém programování, jak se tento způsob nazývá, musíme „ošetřit“ všechny možnosti, a těch je v reálném životě exponenciální počet, jednoduše řečeno, nemáme šanci. Takto tedy umělá inteligence fungovat nemůže.
Jak to funguje v přírodě
Tak jako již mnohokrát v historii se i v tomto případě počítačoví vědci začali ptát, jak to funguje v přírodě, konkrétně jak inteligenci nabývá člověk. Vaším dětem odmalička určitě podrobně nevysvětlujete, co mají v různých situacích dělat. I kdybyste se o to pokoušeli, nebudou vás poslouchat. Namísto toho jim vytvoříte co nejlepší podmínky k tomu, aby se učily sami.
|
---|
Přenesme tento přístup do oblasti umělé inteligence. Namísto klasického programování vytvoříme tzv. učící algoritmus. To je také počítačový program, ale takový, který přijímá data, jež se jmenují trénovací, a z těchto dat si vytváří vnitřní strukturu. Po skončení trénování je pak schopen se z nových dat, které mu dáme, samostatně rozhodovat.
Pokud si to ještě jednou pro lepší pochopení zopakujeme, umělá inteligence se učí tak, že si z tzv. trénovacích dat sama vytvoří vnitřní strukturu, na jejímž základě se následně samostatně rozhoduje. Tento proces učení se nazývá strojové učení.
Big data
Přestože strojové učení bylo objeveno velmi brzy po vzniku umělé inteligence jako vědního oboru, až v posledním desetiletí se prosadilo jako de facto standard při konstruování umělé inteligence, a to ze dvou důvodů.
Jak vyplývá z výše uvedeného, umělá inteligence se učí z dat. Například když chcete, aby se naučila na obrázcích rozeznat psa od kočky, musíte jí ukázat obrázky, na kterých je pes a obrázky, na nichž je kočka. Jenže těch obrázků nemají být desítky či stovky, ba dokonce ani tisíce, ale ideálně miliony či miliardy. Jak říká jeden vtip z prostředí umělé inteligence - nepodařilo se to napoprvé? Nevadí, podaří se to na pomiliardkráté.
Na tomto příkladu je vidět, jak mnoho dat potřebuje umělá inteligence na výuku. Díky sociálním sítím či internetu věcí toto množství už v posledním desetiletí máme. Zároveň ale big data, jak se toto velké množství dat nazývá, potřebují na zpracování dostatečný výpočetní výkon, jaký jsme dosáhli až v posledních letech.
Suma sumárum, synergický efekt velkého množství dat, dostatečného výpočetního výkonu na jejich zpracování a objev metody, která je zpracuje - strojové učení, způsobily současný rozmach umělé inteligence.
Předchozí díl seriálu o umělé inteligenci si můžete přečíst ZDE.