Kuidas AI tegelikult õpib: masinõpe ilma ilustamata
Teie ema retseptiraamat
Räägin teile oma emast. Ta teeb kõige paremat õunapirukat, mida ma eales olen maitsnud. Täiuslikku. Iga kord.
Asi on selles: ta pole kunagi retsepti kasutanud. Mitte kordagi. Ta on seda pirukat teinud 40 aastat. Ta lihtsalt teab, mis toimib.
Kuidas ta õppis?
Ta alustas oma ema retseptiga. Esimene pirukas? Päris hea. Teine pirukas? Ta lisas veidi rohkem kaneeli, sest esimene oli maitsetu. Kolmas pirukas? Vähem suhkrut, sest teine oli liiga magus. Neljas pirukas? Rohkem võid põhja, sest see oli liiga kuiv.
Aasta aastalt, pirukas piruka järel, ta kohandas. Märkas mustreid. "Kui õunad on liiga hapud, lisa rohkem suhkrut. Kui nad on magusad, lisa vähem. Kui on niiske, kasuta põhjas vähem vett. Kui on kuiv, kasuta rohkem."
Ta õppis kogemusest. Tagasisidest. Sajade pirukate tegemisest ja märkamisest, mis töötas ja mis mitte.
Täpselt nii töötab masinõpe. Ainult et pirukate tegemise asemel teevad arvutid prognoose. Ja 40 aasta asemel teevad nad seda mõne tunniga.
Näitan teile, kuidas.
Mida "õppimine" tegelikult tähendab (masinate jaoks)
Kui inimesed ütlevad, et arvuti "õppis" midagi, ei mõtle nad, et see mõistis. Nad mõtlevad, et see muutus harjutamise kaudu ülesandes paremaks.
Mu ema ei mõistnud keemiat sellest, kuidas või muudab põhja helbeliseks. Ta lihtsalt teadis, et see nii on. Ta leidis mustri: rohkem võid võrdub helbelisema põhjaga. See on õppimine.
Arvutid teevad sama asja, aga andmetega pirukate asemel.
Toon teile reaalse näite, millega te iga päev kokku puutute: teie e-posti rämpspostifilter.
Vana viis (enne õppimist)
Käsitsi reeglid, mis pidevalt katki läksid
Keegi pidi reeglid kirjutama: "Kui meil ütleb 'Nigeeria prints', on see rämpspost. Kui see ütleb 'Olete võitnud loteriiga', on see rämpspost. Kui selles on rohkem kui 10 hüüumärki, on see rämpspost."
Probleem? Rämpsposti saatjad kohanesid. Nad hakkasid kirjutama "N1geeria pr1nts" või "L0terii." Reeglid läksid katki. Keegi pidi käsitsi uued reeglid kirjutama. Ikka ja jälle. Igavesti.
Uus viis (õppimisega)
Arvuti leiab ise mustrid
Näitad arvutile 10 000 meili. „Need 5000 on rämpspost. Need 5000 on päris.“ Arvuti vaatab neid ja leiab mustrid, mida sa ei palunud tal otsida:
- → Rämpsposti meilides kipuvad teatud sõnad koos esinema
- → Need tulevad teatud tüüpi meiliaadressidelt
- → Neil on ebatavalised kirjavahemärkide mustrid
- → Nendes olevad lingid tunduvad konkreetsel viisil kahtlased
Kui rämpsposti saatjad nüüd taktikat muudavad, näitad sa arvutile lihtsalt uusi rämpsposti näiteid. See leiab uued mustrid. Pole vaja uusi reegleid käsitsi kirjutada.
See on masinõpe: arvutid muutuvad ülesannetes paremaks, leides mustreid näidetest, mitte järgides kellegi kirjutatud reegleid.
Kolm viisi, kuidas masinad harjutavad
Nii nagu inimesed õpivad erinevalt, on ka masinatel erinevad õppimismeetodid erinevate olukordade jaoks. Räägin sulle kolmest peamisest, kasutades näiteid, millega sa tegelikult samastud.
Õppimine õpetajaga (juhendatud õpe)
Mäletad, kuidas koolis korrutustabelit õppisid? Su õpetaja andis sulle ülesanded JA vastused. „Mis on 7 korda 8?“ „56.“ Harjutasid, kuni oskasid vastata ilma vaatamata.
See on juhendatud õpe. Arvuti saab küsimused ja vastused koos.
Näide: arvuti õpetamine fotosid ära tundma
Näitate talle 1000 fotot. Iga foto puhul ütlete talle, mis sellel on:
- 📷 See foto: kass
- 📷 See foto: koer
- 📷 See foto: auto
Arvuti hakkab juhuslikult pakkuma. Alguses on pakkumised väga kehvad. Siis märkab ta mustreid: "Piltidega, kus on teravad kõrvad ja vurrud, on tavaliselt kassid. Piltidega, kus on lontis kõrvad ja märjad ninad, on tavaliselt koerad. Piltidega, kus on rattad ja aknad, on tavaliselt autod."
Ta harjutab nende 1000 fotoga, kuni saab väga heaks. Siis paned teda proovile uute fotodega, mida ta pole kunagi näinud. Kui ta on mustrid hästi selgeks õppinud, tunneb ta need õigesti ära.
Nii tunneb teie telefon ära nägusid, nii kasutavad arstid tehisintellekti haiguste märkamiseks röntgenipiltidel ja nii saavad hääleassistendid aru, mida te ütlete.
Õppimine ilma õpetajata (juhendamata õpe)
Kujutage nüüd ette, et sorteerite oma lahkunud tädi nööbikogu. Tal oli sadu nööpe, kõik segamini. Teil pole juhendit. Hakkate lihtsalt neid hunnikutesse sorteerima nii, nagu teile loogiline tundub.
Mustrite leidmine iseseisvalt
- → Suured nööbid siia. Väikesed nööbid sinna.
- → Metallist ühte hunnikusse. Plastikust teise hunnikusse.
Leiate mustreid ilma, et keegi ütleks teile, mida otsida.
See ongi juhendamata õpe. Arvuti otsib mustreid ilma, et talle öeldaks, milline peaks vastus olema.
Näide: kliendigruppide leidmine
Poel on andmed 10 000 kliendi kohta: mida nad ostavad, millal nad ostlevad, kui palju nad kulutavad. Keegi ei ütle arvutile, millised grupid eksisteerivad. See lihtsalt vaatab ja leiab mustrid:
Grupp 1: Noored, kes ostlevad hilisõhtul, ostavad väikseid koguseid, käivad sageli
Grupp 2: Perekonnad, kes ostlevad nädalavahetustel, ostavad hulgi, käivad iganädalaselt
Grupp 3: Pensionärid, kes ostlevad tööpäeviti keskpäeval, ostavad kindlaid tooteid, väga regulaarselt
Keegi ei öelnud talle, et need grupid eksisteerivad. Ta leidis need, märgates, millised kliendid käituvad sarnaselt.
Nii grupeerib Netflix sulle meelepäraseid saateid, nii tuvastab pettuste tuvastamine ebatavalisi tehinguid ja nii avastavad teadlased DNA-st mustreid.
Õppimine proovimise teel (tugevdav õpe)
Mäletad, kuidas õpetati koerale istumist? Sa ei selgita, mis on istumine. Sa lihtsalt ütled "istu" ja kui koer istub, annad talle maiuse. Kui ta ei istu, maiust ei tule. Koer saab aru: istumine tähendab maiust. Mitte istumine tähendab, et maiust ei tule.
See ongi tugevdav õpe. Proovi asju. Vaata, mis töötab. Tee rohkem seda, mis töötab.
Näide: arvuti õpetamine malet mängima
Arvuti ei tea alguses reegleid. Ta lihtsalt proovib käike. Juhuslikult. Enamik on kohutavad.
Aga siin on asi: kui ta mängu võidab, ütled talle "hästi tehtud". Kui ta kaotab, ütled talle "see ei töötanud". Ta hakkab märkama:
- ✓ Lippu siia liigutamine viib sageli võiduni
- ✗ Kuninga kaitsmata jätmine viib tavaliselt kaotuseni
- ✓ Laua keskosa kontrollimine on kasulik
Pärast miljonite mängude mängimist enda vastu muutub ta tõesti, tõesti heaks. Mitte sellepärast, et keegi oleks talle strateegiat õpetanud. Vaid sellepärast, et ta proovis kõike ja õppis, mis töötab.
Nii õppis tehisintellekt võitma maailmameistreid males ja Go's, kuidas robotid õpivad kõndima ja kuidas isejuhtivad autod õpivad sõitma.
Kolm õppimisviisi
Kuidas harjutamine tegelikult toimub (salajane protsess)
Olgu, arvuti harjutab näidete vaatamisega. Aga mis seal tegelikult sees toimub? Las ma viin su sellest läbi nii, nagu vaataksid arvutile üle õla.
Samm 1: alusta metsikute oletustega
Nagu kõrvitsa kaalu arvamine
Kujuta ette, et üritad kõrvitsa kaalu ära arvata lihtsalt seda vaadates. Sa pole seda kunagi varem teinud, nii et viskad lihtsalt suvalise numbri. "Eee... 15 naela?"
Täpselt seda teebki arvuti. See alustab juhuslike oletustega. Täiesti juhuslikega. See on nagu vastsündinult värvide tundmise küsimine. Oletused on kohutavad. See on okei. See on lähtepunkt.
Samm 2: kontrolli, kui palju sa mööda panid
Vea mõõtmine
Nüüd paned kõrvitsa kaalule. See on tegelikult 23 naela. Sa eksisid 8 naela. See on sinu viga.
Arvuti teeb sama asja. See teeb oletuse, kontrollib õiget vastust ja arvutab, kui palju see mööda pani. "Ma ütlesin, et see foto on koer. Tegelikult on see kass. Ma eksisin väga."
Samm 3: kohanda oma järgmist oletust
Vigadest õppimine
Järgmine kõrvits sarnaneb esimesega. Sa ei arva enam 15 naela. Sa õppisid, et sellised kõrvitsad on raskemad, kui sa arvasid. Nii et arvad 22 naela. Lähemal!
Arvuti teeb täpselt seda. See kohandab oma arvamismeetodit vigade põhjal. "Ma pakkusin pidevalt 'koer', kui nägin lontis kõrvu, aga ma eksisin. Las ma pööran rohkem tähelepanu ka teistele tunnustele."
Samm 4: korda tuhandeid kordi
Harjutamine teeb meistriks
Kui arvaksid 1000 kõrvitsa kaalu ja kontrolliksid seda iga kord kaaluga, saaksid selles päris osavaks. Märkaksid mustreid: "Suured ümmargused paksud varrega kõrvitsad on tavaliselt rasked. Pikad peenikesed on tavaliselt kergemad."
Arvuti teeb seda tuhandeid või miljoneid kordi. Iga kord läheb ta pisut paremaks. Lõpuks on ta väga hea selles ülesandes, mida ta harjutab.
See ongi kogu protsess. Tee oletus. Vaata, kui palju sa eksisid. Kohanda. Korda, kuni oled piisavalt hea. Lihtne mõte. Aga tee seda miljoneid kordi väga kiiresti ja saad võimsaid tulemusi.
Miks see nii hästi töötab (ja miks see pole maagia)
Siin on see, mis on hämmastav: see uskumatult lihtne protsess töötab uskumatult erinevate ülesannete puhul.
Sama põhiidee (harjutamine tagasisidega) saab:
- ✓ Õppida sinu nägu ära tundma, et telefoni lukust avada
- ✓ Õppida keelte vahel tõlkima
- ✓ Õppida meditsiinipiltidelt kasvajaid märkama
- ✓ Õppida ennustama, kas homme sajab vihma
- ✓ Õppida soovitama filme, mis sulle tõenäoliselt meeldivad
Miks see kõigi nende erinevate asjade puhul töötab?
Sest need on kõik oma olemuselt mustrituvastuse probleemid. Sinu näol on mustrid. Keeltel on mustrid. Kasvajatel on mustrid. Ilmal on mustrid. Sinu filmieelistustel on mustrid.
Arvuti leiab need mustrid näidete abil harjutades. Ta ei "mõista" nägusid, keeli ega meditsiini. Ta lihtsalt leiab: kui ma näen seda mustrit, on vastus tavaliselt see.
See on võimas. Aga see pole maagia. See on mustrite sobitamine, mida harjutatakse sellises mahus, mida inimesed ei suuda jäljendada.
Mida arvuti tegelikult õpib (tõde võib sind üllatada)
Siin on see, millest enamik inimesi valesti aru saab: arvuti ei õpi mõistmist. Ta õpib otseteid.
Näitan sulle, mida ma mõtlen, ühe tõestisündinud looga.
Nahavähi tehisintellekt, mis petsi
Teadlased treenisid tehisintellekti nahavähi äratundmiseks fotodelt. See muutus väga osavaks. Paremaks kui mõned arstid. Hämmastav, eks?
Siis märkasid nad midagi kummalist. Tehisintellekt vaatas joonlaudu. Paljudel vähifotodel olid joonlauad (mõõtkava näitamiseks). Paljudel mittevähifotodel polnud neid.
Tehisintellekt õppis: "Kui ma näen joonlauda, on see ilmselt vähk." See on tehniliselt muster, mis treeningandmetes töötas. Aga see ei ole vähi mõistmine. See on otsetee kasutamine.
See juhtub kogu aeg:
Näiteid tehisintellekti õpitud eelarvamustest ja otseteedest
- ⚠️ Töölevõtmise tehisintellekt õppis, et nimega "Jared" CV-d said suurema tõenäosusega tööle (sest treeningandmetes olid kallutatud inimotsused)
- ⚠️ Näotuvastussüsteem töötas paremini valgenahaliste meeste puhul (sest nemad olid treeningfotodel üleesindatud)
- ⚠️ Laenu heakskiitmise süsteem diskrimineeris teatud linnaosasid (sest see õppis ajalooliselt kallutatud laenuandmise andmetest)
Arvuti leiab mustreid andmetest, mida sa talle annad. Kui andmetes on eelarvamusi, õpib ta eelarvamusi. Kui andmetes on otseteid, õpib ta otseteid. Ta ei tea paremini. Ta lihtsalt leiab, mis nähtud näidetes töötab. Seepärast vajab masinõpe hoolikat tähelepanu. See on võimas, aga mitte tark.
Kaks viisi harjutamiseks (traditsiooniline vs. teistsugune)
Mäletad, kui ütlesin, et arvutid õpivad oma oletusi vigade põhjal kohandades? Selleks kohandamiseks on kaks peamist viisi.
Traditsiooniline viis: pisikesed nihked numbrites
Kuidas enamik tehisintellekti tänapäeval töötab
Arvutil on miljoneid väikeseid nuppe (nimetatakse kaaludeks). Iga nupp on seatud kindlale numbrile.
Kui arvuti teeb vea, selgitab ta välja, milliseid nuppe keerata ja millises suunas. Ta keerab neid ainult pisut. Seejärel teeb ta uue oletuse, teeb uue vea ja keerab nuppe jälle. Ikka ja jälle. Pärast seda miljoneid kordi tehes on kõik need nupud seatud numbritele, mis annavad häid oletusi.
Hea külg
See töötab väga hästi. See suudab leida uskumatult keerulisi mustreid. See on tõestatud ja usaldusväärne.
Halb külg
See kasutab tohutult arvuti jõudlust. Nende süsteemide treenimine maksab miljoneid dollareid elektri eest. Ja kui see on tehtud, on sul miljoneid nuppude seadeid, kuid sa ei oska tegelikult selgitada, miks need on seatud just nendele numbritele. See on must kast.
Teistsugune viis: reeglite leidmine numbrite asemel
Kuidas mõned uuemad süsteemid töötavad
Mõned süsteemid (nagu need, mida näiteks Dweve ehitab) töötavad teisiti. Selle asemel, et reguleerida miljoneid numbrilisi nuppe, otsivad nad loogilisi reegleid.
Selle asemel, et õppida "kaal 47 peaks olema 0,8234", õpivad nad "kui meilis on kiireloomulisi sõnu JA see on tundmatult saatjalt JA selles on imelikke linke, siis on see tõenäoliselt rämpspost."
See sarnaneb rohkem sellega, kuidas inimesed õpivad
Sul pole peas numbreid. Sul on rusikareeglid: "Kui leib lõhnab hapult, on see tõenäoliselt riknenud. Kui taevas on tume ja raske, võib vihma tulla."
Hea külg
Otsuseid saab tegelikult selgitada. "Meil märgiti rämpspostiks, sest see vastas neile kolmele mustrile." See on ka palju tõhusam. Kasutab palju vähem energiat.
Halb külg
Mitte iga probleem ei sobi reeglitega hästi. Mõned asjad vajavad tõesti neid miljoneid pisikesi numbrilisi kohandusi.
Kumbki viis pole alati parem. Need on tööriistad. Kasutad seda, mis töö jaoks õige on.
Kuidas õppimisprotsess tegelikult välja näeb
Kus see sinu elus tegelikult töötab
Näitan sulle, kus sa juba iga päev masinõpet kasutad, ilma et sa seda ilmselt ise märkaksid.
⏰ Sinu hommikune äratus
Sinu telefoni äratusel on ilmselt funktsioon, mis tõstab helitugevust järk-järgult. See on lihtne. Kuid mõned telefonid õpivad ka seda, millal sa loomulikult ärkad, ja soovitavad paremaid äratusaegu. Masinõpe märkas: "Sa lükkad alati 6.00 äratuskella edasi, aga ärkad loomulikult 6.30. Las ma soovitan selle asemel 6.30."
🚗 Sinu igapäevane sõit
Kaardirakendused ennustavad liiklust. Kuidas? Nad õppisid miljonitelt sõitudelt: "Teisipäeva hommikuti on see maantee umbes 7.45 paiku. Kui vihma sajab, aeglustub see marsruut 15 minuti võrra." Andmetest leitud mustrid.
📧 Sinu e-post
Iga rämpspost, mis sinu postkasti ei jõua? Masinõpe. Iga e-kiri, mis automaatselt kaustadesse sorteeritakse? Masinõpe. Sinu e-posti rakendus õppis miljonitelt näidetelt, kuidas rämpspost välja näeb ja mis on just sinu jaoks oluline.
🎬 Sinu meelelahutus
Netflix soovitab sarju. Spotify loob sulle esitusloendeid. YouTube soovitab videoid. Kõik see on masinõpe. Nad õppisid: "Inimesed, kes vaatasid neid kolme sarja, meeldivad tavaliselt ka see neljas sari. Inimesed, kes kuulavad seda artisti, kuulavad tavaliselt ka neid teisi artiste."
🛒 Sinu ostlemine
"Kliendid, kes ostsid selle, ostsid ka..." Masinõpe. "Sulle võib meeldida ka..." Masinõpe. Isegi hinnad, mida näed, võivad olla masinõppe poolt kohandatud nõudlusmustrite põhjal.
🔒 Sinu turvalisus
Sinu krediitkaardifirma blokeerib kahtlase tehingu? Masinõpe märkas mustrit: "See makse ei ühti selle inimese tavapärase kulutamiskäitumisega. See võib olla pettus."
Kõik need süsteemid õppisid näidetest. Nad leidsid mustreid. Nad muutusid harjutades paremaks. See on masinõpe, mis puudutab sinu elu kümneid kordi päevas.
Ausad piirid (mida see ei suuda)
Masinõpe on võimas, kuid see pole maagia. Olgem väga ausad selle suhtes, mida see ei suuda.
See ei saa õppida ilma näideteta
Vaja on andmeid. Palju andmeid. Tahad õpetada arvutile haruldase haiguse tuvastamist? Sul on vaja tuhandeid näiteid sellest haigusest. Sul neid pole? Süsteemi ei saa treenida. Nii lihtne see ongi.
See ei mõista konteksti nagu inimesed
Inimene näeb lumega kaetud "STOP" märki ja teab, et see on ikka stopp-märk. Arvuti ei pruugi seda ära tunda, sest kõik tema treeningnäited näitasid puhtaid ja selgeid stopp-märke. See õppis täiuslike stopp-märkide mustri, mitte "stopp" mõiste.
See ei oska oma otsuseid põhjendada (tavaliselt)
Küsi arstilt, miks ta arvab, et sul on gripp: "Sul on palavik, kehavalud ja on gripiaeg." Selge põhjendus.
Küsi enamikult tehisintellekti süsteemidelt, miks nad otsuse tegid: "Sest need 47 miljonit numbrit on seatud nendele konkreetsetele väärtustele." Pole just abivalmis.
See õpib sinu eelarvamused selgeks
Kui treenid seda kallutatud andmetega, õpib see kallutatuse selgeks. Kui ajaloolised värbamisandmed näitavad kallutatust teatud gruppide vastu, õpib tehisintellekt samuti kallutatud olema. See ei tea paremini. See lihtsalt õpib selle, mis andmetes on.
See ei suuda kohaneda täiesti uute olukordadega
Inimesed on selles head. Sa pole kunagi näinud lillat kaelkirjaku, aga kui sa ühte näeksid, tunneksid sa selle ära kaelkirjakuna, kes lihtsalt juhtumisi on lilla.
Tavapäraste kaelkirjakutega treenitud arvuti võib lilla kaelkirjaku pärast täiesti segadusse sattuda. Seda polnud treeningandmetes. Süsteem ei oska niimoodi üldistada.
Need pole väiksemad probleemid. Need on põhimõttelised sellele, kuidas masinõpe töötab. Nende piirangute mõistmine on sama oluline kui võimaluste mõistmine.
Mida Pead Meeles Pidama
Kui see tundub paljuna, siis see on see, mis tegelikult loeb:
- 1 Masinõpe on harjutamine tagasiside abil. Arvuti teeb oletusi, kontrollib, kas need on õiged, kohandab ja kordab. Täpselt nagu õpiksid sa ise midagi harjutades.
- 2 On kolm peamist tüüpi. Õpetatav (vastustega), õpetamata (mustrite leidmine iseseisvalt) ja tugevdav (proovimise teel õppimine). Igaüks sobib erinevate probleemide jaoks.
- 3 See leiab mustreid, mitte mõistmist. Arvuti ei "saa aru". Ta lihtsalt märkab: kui näen seda mustrit, on vastus tavaliselt selline. Võimas, kuid mitte sama mis inimese mõistmine.
- 4 Sa kasutad seda pidevalt. Sinu e-post, kaardid, meelelahutus, ostlemine. Masinõpe puudutab sinu elu kümneid kordi päevas.
- 5 Sellel on tõelised piirid. Vajab palju andmeid. Õpib kallutatusi. Ei oska end kergesti selgitada. Ei üldista nagu inimesed. Piirangute mõistmine on sama oluline kui võimaluste mõistmine.
- 6 On erinevaid lähenemisviise. Enamik tehisintellekti kohandab miljoneid numbrilisi nuppe. Mõned süsteemid õpivad selle asemel loogilisi reegleid. Erinevad tööriistad erinevate tööde jaoks.
The Bottom Line
Machine learning isn't mysterious. It's just a computer getting better at something through practice.
Show it examples. Let it make guesses. Tell it when it's wrong. Watch it adjust and improve. Repeat thousands of times. Eventually, it's really good at the task.
It's not learning the way you learned to ride a bike or read or make friends. It's not developing understanding or wisdom or common sense.
It's finding statistical patterns in data through repeated practice and adjustment. That's all. But done at a scale humans can't match, with millions of examples, it produces genuinely useful results.
Your spam filter works. Your voice assistant understands you. Your maps route you around traffic. All because computers practiced on millions of examples until they found patterns that work.
The word "learning" makes it sound magical. The reality is mathematical. But that mathematics, practiced at scale, changes how you live your life every single day.
Now you know how it works. The mystery is gone. Machine learning is pattern discovery through practice. Simple concept. Powerful execution. And you're using it right now, reading these words on a device filled with systems that learned to make your life easier.
Mõned ettevõtted, nagu Dweve, uurivad erinevaid viise "harjutamiseks" peale lihtsalt numbrite reguleerimise. Loogiliste reeglite õppimine numbriliste kaalude asemel. Piirangute leidmine treeningparameetrite asemel. Erinevad lähenemised erinevatele probleemidele. Sest masinõpe ei pea olema üks mudel kõigile.