Uczenie maszynowe

Uczenie maszynowe
Polecane artykuły
Sztuczna inteligencja Daniel Kahneman Koncentracja uwagi Język wysokiego poziomu Algorytm przetwarzania Data science Ethereum Rozszerzona rzeczywistość Bioinformatyka

Uczenie maszynowe (ang. machine learning) - jest nauką łączącą takie dziedziny jak informatyka i robotyka. Głównym celem uczenia maszynowego jest rozwój sztucznej inteligencji poprzez samodoskonalenie się systemu na podstawie dostarczonych danych (czyli doświadczenia) i zdobywanie wiedzy.

Idea

Uczenie maszynowe to dział nauki rozwijający się niezwykle prężnie ze względu na możliwości, które stwarza jej dynamiczny rozwój. Jest to bowiem proces przebiegający inaczej, niż uczenie się przez człowieka. Przede wszystkim maszyny "uczą się" znacznie szybciej, niż człowiek. Zapamiętują i przetwarzają momentalnie dane, które uzyskają - informację wystarczy dostarczyć maszynie jeden raz. Dla kontrastu człowiek, chcąc przyswoić wiedzę, musi ją zapamiętać. Proces ten może być długotrwały i nie daje gwarancji, że człowiek zapamięta przyswojoną informację na zawsze. (Herbert A. S, 1983, s. 26-27) Zatem w teorii duża część pracy ludzkiej, wymagającej specjalistycznej wiedzy, mogłaby zostać zastąpiona przez sztuczną inteligencję. Nie jest to jednak możliwe w pełni, ponieważ maszyny nie są "kreatywne" - w przeciwieństwie do człowieka nie są w stanie wymyślić czegoś, czego nie zostały nauczone.

Pattern recognition

Rozpoznawanie wzorców (ang. pattern recognition) jest to identyfikacja cech danego obiektu albo zjawiska, która pozwala na jego klasyfikację. Proces ten jednak może zachodzić tylko na podstawie posiadanych wcześniej na temat obiektu informacji. Termin pattern recognition jest kojarzony z gałęzią nauczania maszynowego, która umożliwia komputerowi zidentyfikować przedstawione mu obrazy. Jest to naśladowanie przez maszyny umiejętności istot żywych, które działają według schematu wykształconego w ciągu setek tysięcy lat ewolucji. Najpierw spostrzegają one konkretne działanie, następnie rozpoznając w nim wzorzec, by w końcu podjąć właściwe działanie na podstawie interpretacji występującej sytuacji. Pattern recognition to technologia, która polega na dosłownym nauczeniu maszyn tej samej umiejętności. Głównym celem pattern recognition jest praca nad systemami, dzięki którym maszyny nauczą się rozróżniania oraz klasyfikowania obiektów. (Beyerer J., Nagel M., Richter M., 2017, s. 12) Dlaczego jednak uczyć maszyn umiejętności, z która świetnie radzą sobie istoty żywe? Badanie wykazało, że u maszyny margines błędu wynosi 7,5%, a u ludzi 3,5%. Jednakże łącząc prace maszyny i człowieka, wskaźnik ten wynosi jedynie 0,5%. (Satell G., 2018) Zatem celem rozwoju rozpoznawania wzorców u maszyn jest zwiększenie efektywności pracy człowieka, który z pomocą technologii jest w stanie popełniać mniej błędów w swojej pracy.

Google Quick Draw

Firma Google uruchomiła w listopadzie 2016 roku grę Quick, Draw!. Zabawa polega na grze w kalambury. Jednak przełomem w grze jest przeciwnik, z którym mamy się zmierzyć - nie gramy w grę z innym człowiekiem, ale z gigantyczną siecią neuronową, która ma za zadanie odgadywać tworzone przez gracza obrazki. Oto zasady: jedna rozgrywka trwa sześć rund, każda z nich to inny obraz, który gracz musi narysować. Sztuczna inteligencja ma 20 sekund na odgadnięcie, jaki obraz obecnie powstaje. Quick, Draw! to nic innego, jak system mający za zadanie uczenie maszyny rozpoznawania wzorców. Sztuczna inteligencja uczy się rozpoznawać rysunki na podstawie wcześniej narysowanych przez innych graczy obrazów. Zapamiętuje schematy i obrazy by móc je porównywać z rysunkami tworzonymi w czasie rzeczywistym. Gracz jest w tym przypadku "nauczycielem" - im więcej osób weźmie udział w grze, tym większe będą możliwości rozpoznania obrazu przez komputer. Obecnie, po dwóch latach od uruchomienia gry sztuczna inteligencja potrafi przy pomocy pattern recognition rozpoznać rysunek niemalże błyskawicznie. (Google, 2018)