Strojno učenje objašnjeno: kako AI zapravo uči (Bez uvrta)
Mamina kuharica
Da vam ispričam o svojoj majci. Ona peče najbolju pitu od jabuka koju sam ikad probao. Savršenu. Baš svaki put.
Evo u čemu je stvar: nikad nije koristila recept. Ni jednom. Tu pitu peče 40 godina. Ona jednostavno zna što funkcionira.
Kako je to naučila?
Krenula je od mamine recepture. Prva pita? Pristojna. Druga? Dodala je malo više cimeta jer je prva bila bljutava. Treća? Manje šećera jer je druga bila preslatka. Četvrta? Više maslaca u tijestu jer je bilo presuho.
Godinu za godinom, pitu za pitom, prilagođavala je. Uočavala je obrasce. "Kad su jabuke prekisele, dodaj više šećera. Kad su slatke, dodaj manje. Ako je vlažno, stavi manje vode u tijesto. Ako je suho, stavi više."
Učila je iz iskustva. Iz povratnih informacija. Iz stotina ispečenih pita i uočavanja što je uspjelo, a što nije.
Upravo tako funkcionira strojno učenje. Samo što umjesto pita računala donose predviđanja. I umjesto 40 godina, to obave u nekoliko sati.
Da vam pokažem kako.
Što "učenje" zapravo znači (za strojeve)
Kad ljudi kažu da je računalo nešto "naučilo", ne misle da je to razumjelo. Misle da je postalo bolje u zadatku kroz vježbu.
Moja majka nije razumjela kemiju toga kako maslac čini tijesto lisnatim. Samo je znala da ga čini. Pronašla je obrazac: više maslaca znači lisnatije tijesto. To je učenje.
Računala rade istu stvar, samo s podacima umjesto s pitama.
Da vam dam pravi primjer s kojim se susrećete svaki dan: filtar neželjene pošte u vašoj e-pošti.
Stari način (prije učenja)
Ručna pravila koja su se stalno kvarila
Netko je morao pisati pravila: "Ako u poruci piše 'nigerijski princ', to je neželjena pošta. Ako piše 'Dobili ste na lutriji', to je neželjena pošta. Ako ima više od 10 uskličnika, to je neželjena pošta."
Problem? Pošiljatelji neželjene pošte su se prilagodili. Počeli su pisati "N1gerijsk1 princ" ili "L0trija". Pravila su se kvarila. Netko je morao ručno pisati nova pravila. Iznova i iznova. Zauvijek.
Novi način (s učenjem)
Računalo samo pronalazi obrasce
Pokažete računalu 10.000 e-poruka. "Ovih 5.000 je neželjena pošta. Ovih 5.000 je prava pošta." Računalo ih pogleda i pronađe obrasce koje mu niste rekli da traži:
- → Neželjena pošta često sadrži određene riječi zajedno
- → Dolazi s određenih vrsta adresa e-pošte
- → Ima neobične obrasce interpunkcije
- → Poveznice u njoj izgledaju sumnjivo na određene načine
Kada sada spameri promijene taktiku, samo pokažete računalu nove primjere neželjene pošte. Ono pronađe nove obrasce. Nema potrebe ručno pisati nova pravila.
To je strojno učenje: računala postaju bolja u zadacima pronalazeći obrasce u primjerima, a ne slijedeći pravila koja je netko napisao.
Tri načina na koja se strojevi uvježbavaju
Baš kao što ljudi uče na različite načine, strojevi imaju različite metode učenja za različite situacije. Ispričat ću vam o tri glavne metode koristeći primjere s kojima se doista možete poistovjetiti.
Učenje s učiteljem (nadzirano učenje)
Sjećate se učenja tablice množenja u školi? Učitelj vam je davao zadatke I odgovore. "Koliko je 7 puta 8?" "56." Vježbali ste dok niste mogli odgovoriti bez gledanja.
To je nadzirano učenje. Računalo dobiva pitanja i odgovore zajedno.
Primjer: Učenje računala prepoznavanju fotografija
Pokažete mu 1.000 fotografija. Za svaku mu kažete što se na njoj nalazi:
- 📷 Ova fotografija: mačka
- 📷 Ova fotografija: pas
- 📷 Ova fotografija: automobil
Računalo počinje pogađati nasumce. U početku su pogreške užasne. Zatim uočava obrasce: "Fotografije sa šiljastim ušima i brkovima obično su mačke. Fotografije s mlitavim ušima i mokrim nosom obično su psi. Fotografije s kotačima i prozorima obično su automobili."
Vježba na tih 1.000 fotografija sve dok ne postane jako dobro. Zatim ga testirate na novim fotografijama koje nikad nije vidjelo. Ako je dobro naučilo obrasce, ispravno ih prepoznaje.
Tako vaš telefon prepoznaje lica, tako liječnici pomoću umjetne inteligencije otkrivaju bolesti na rendgenskim snimkama i tako glasovni pomoćnici razumiju što govorite.
Učenje bez učitelja (nenadzirano učenje)
Zamislite sada da razvrstavate zbirku gumba svoje pokojne tetke. Imala je stotine gumba, sve pomiješane. Nemate priručnik. Samo ih počnete razvrstavati u hrpice koje vama imaju smisla.
Sami pronalazite obrasce
- → Veliki gumbi ovdje. Mali gumbi tamo.
- → Metalni u ovoj hrpi. Plastični u onoj hrpi.
Pronalazite obrasce iako vam nitko ne govori što da tražite.
To je nenadzirano učenje. Računalo traži obrasce bez da mu se kaže koji bi odgovor trebao biti.
Primjer: Pronalaženje skupina kupaca
Trgovina ima podatke o 10.000 kupaca: što kupuju, kada kupuju, koliko troše. Nitko ne kaže računalu koje skupine postoje. Ono samo pogleda i pronađe obrasce:
Skupina 1: Mladi ljudi koji kupuju kasno navečer, kupuju male količine, dolaze često
Skupina 2: Obitelji koje kupuju vikendom, kupuju na veliko, dolaze tjedno
Skupina 3: Umirovljenici koji kupuju sredinom dana radnim danom, kupuju određene artikle, vrlo redovito
Nitko mu nije rekao da te skupine postoje. Ono ih je pronašlo primijetivši koji se kupci ponašaju slično.
Tako Netflix grupira emisije koje bi vam se mogle svidjeti, tako otkrivanje prijevara pronalazi neuobičajene transakcije i tako znanstvenici otkrivaju obrasce u DNK.
Učenje pokušajima i pogreškama (potkrepljeno učenje)
Sjećate se učenja psa da sjedi? Ne objašnjavate mu što je sjedenje. Samo kažete "sjedi", i kada pas sjedne, date mu poslasticu. Kada ne sjedne, nema poslastice. Pas zaključi: sjedenje znači poslastice. Nesjedenje znači nema poslastica.
To je potkrepljeno učenje. Pokušavaj stvari. Gledaj što funkcionira. Radi više onoga što funkcionira.
Primjer: Učenje računala da igra šah
Računalo isprva ne poznaje pravila. Samo pokušava poteze. Nasumično. Većina je užasna.
Ali evo u čemu je stvar: kada pobijedi u partiji, kažete mu "bravo". Kada izgubi, kažete mu "to nije uspjelo". Ono počinje primjećivati:
- ✓ Pomicanje dame ovdje često vodi do pobjede
- ✗ Ostavljanje kralja izloženog obično vodi do poraza
- ✓ Kontroliranje središta ploče je korisno
Nakon što odigra milijune partija protiv samog sebe, postane stvarno, stvarno dobro. Ne zato što ga je netko učio strategiji. Zato što je isprobalo sve i naučilo što funkcionira.
Tako je umjetna inteligencija naučila pobjeđivati svjetske prvake u šahu i Go igri, tako roboti uče hodati i tako samovozeći automobili uče voziti.
Tri stila učenja
Kako se vježbanje zapravo odvija (Tajni proces)
U redu, računalo vježba gledajući primjere. Ali što se zapravo događa unutra? Provest ću te kroz to kao da gledaš računalu preko ramena.
Korak 1: Počni s nasumičnim nagađanjima
Kao pogađanje težine bundeve
Zamisli da pokušavaš pogoditi težinu bundeve samo gledajući je. Nikad to prije nisi radio, pa samo baciš nasumičan broj. "Hmm... 15 funti?"
To je točno ono što računalo radi. Kreće s nasumičnim nagađanjima. Potpuno nasumičnim. Kao da pitaš novorođenče da prepozna boje. Nagađanja su užasna. To je u redu. To je početna točka.
Korak 2: Provjeri koliko si pogriješio
Mjerenje pogreške
Sada staviš bundevu na vagu. Zapravo ima 23 funte. Promašio si za 8 funti. To je tvoja pogreška.
Računalo radi istu stvar. Daje nagađanje, provjerava točan odgovor, izračunava koliko je pogriješilo. "Rekao sam da je ova fotografija pas. Zapravo je mačka. Jako sam pogriješio."
Korak 3: Prilagodi svoje sljedeće nagađanje
Učenje iz pogrešaka
Sljedeća bundeva izgleda slično prvoj. Ne nagađaš opet 15 funti. Naučio si da su bundeve poput ove teže nego što si mislio. Pa nagađaš 22 funte. Bliže!
Računalo radi točno to. Prilagođava svoju metodu nagađanja na temelju svojih pogrešaka. "Stalno sam nagađao 'pas' kad sam vidio mlitave uši, ali sam pogriješio. Obratit ću više pažnje i na druge značajke."
Korak 4: Ponovi tisuće puta
Vježba čini majstora
Nakon što pogodite težinu 1000 bundeva i svaki put provjerite na vagi, postali biste prilično dobri u tome. Primijetili biste obrasce: "Velike, okrugle bundeve s debelim peteljkama obično su teške. Visoke, mršave obično su lakše."
Računalo to radi tisućama ili milijunima puta. Svaki put postane malčice bolje. Na kraju je stvarno dobro u zadatku koji vježba.
To je cijeli postupak. Pogodi. Provjeri koliko si pogriješio. Prilagodi. Ponavljaj dok ne budeš dovoljno dobar. Jednostavna zamisao. Ali ponovi je milijunima puta jako brzo i dobiješ moćne rezultate.
Zašto ovo tako dobro funkcionira (i zašto nije magija)
Evo što je nevjerojatno: ovaj nevjerojatno jednostavan postupak funkcionira za nevjerojatan raspon zadataka.
Ista osnovna zamisao (vježba s povratnom informacijom) može:
- ✓ Naučiti prepoznati vaše lice za otključavanje telefona
- ✓ Naučiti prevoditi među jezicima
- ✓ Naučiti uočavati tumore na medicinskim snimkama
- ✓ Naučiti predvidjeti hoće li sutra padati kiša
- ✓ Naučiti preporučiti filmove koji će vam se vjerojatno svidjeti
Zašto funkcionira za sve te različite stvari?
Zato što su sve u svojoj srži problemi prepoznavanja obrazaca. Vaše lice ima obrasce. Jezici imaju obrasce. Tumori imaju obrasce. Vrijeme ima obrasce. Vaše filmske preferencije imaju obrasce.
Računalo pronalazi te obrasce vježbajući na primjerima. Ono ne "razumije" lica, jezike ili medicinu. Ono jednostavno pronalazi: kad vidim ovaj obrazac, odgovor je obično ono.
To je moćno. Ali nije magija. To je prepoznavanje obrazaca, vježbano u mjerilu kojem se ljudi ne mogu približiti.
Što računalo zapravo nauči (istina bi vas mogla iznenaditi)
Evo nečega što većina ljudi krivo shvaća: računalo ne uči razumijevanje. Ono uči prečace.
Dopustite mi da vam pokažem što mislim uz pomoć istinite priče.
AI za rak kože koja je varala
Znanstvenici su istrenirali AI da prepoznaje rak kože na fotografijama. Postala je jako dobra. Bolja od nekih liječnika. Nevjerojatno, zar ne?
Onda su primijetili nešto čudno. AI je gledala u ravnala. Na mnogim fotografijama raka bila su ravnala (da se vidi mjerilo). Na mnogim fotografijama bez raka nije bilo ravnala.
AI je naučila: "Ako vidim ravnalo, vjerojatno je rak." To je tehnički obrazac koji je funkcionirao na podacima za treniranje. Ali to nije razumijevanje raka. To je prečac.
To se događa cijelo vrijeme:
Primjeri pristranosti i prečaca koje AI nauči
- ⚠️ AI za zapošljavanje naučila je da životopisi s imenom "Jared" imaju veće šanse za zaposlenje (jer su podaci za treniranje sadržavali pristrane ljudske odluke)
- ⚠️ Sustav za prepoznavanje lica radio je bolje na bijelcima (jer su oni bili nadzastupljeni na fotografijama za treniranje)
- ⚠️ Sustav za odobravanje kredita diskriminirao je određene četvrti (jer je učio iz povijesno pristranih podataka o kreditiranju)
Računalo pronalazi obrasce u podacima koje mu date. Ako podaci imaju pristranosti, naučit će pristranosti. Ako podaci imaju prečace, naučit će prečace. Ne zna bolje. Samo pronalazi ono što funkcionira na primjerima koje je vidjelo. Zato strojno učenje zahtijeva pažljiv pristup. Moćno je, ali nije mudro.
Dva načina vježbanja (tradicionalni naspram drugačijeg)
Sjećaš se kako sam rekao da računala uče prilagođavajući svoje pretpostavke na temelju pogrešaka? Postoje dva glavna načina za to prilagođavanje.
Tradicionalni način: sitne promjene brojeva
Kako danas radi većina umjetne inteligencije
Računalo ima milijune malih kotačića (koji se zovu težine). Svaki kotačić postavljen je na određeni broj.
Kad računalo pogriješi, shvati koje kotačiće treba okrenuti i u kojem smjeru. Okrene ih samo malo. Zatim ponovno pogodi, ponovno pogriješi i ponovno okreće kotačiće. I tako uvijek iznova. Nakon što to učini milijune puta, svi su ti kotačići postavljeni na brojeve koji daju dobre pretpostavke.
Dobra strana
Funkcionira jako dobro. Može pronaći nevjerojatno složene obrasce. Provjereno je i pouzdano.
Loša strana
Zahtijeva ogromnu računalnu snagu. Obuka tih sustava košta milijune dolara za električnu energiju. A kad završi, imaš milijune postavki kotačića, ali ne možeš baš objasniti zašto su postavljeni na te određene brojeve. To je crna kutija.
Drugačiji način: pronalaženje pravila umjesto brojeva
Kako rade neki noviji sustavi
Neki sustavi (poput onih koje gradi tvrtka poput Dwevea) rade drugačije. Umjesto podešavanja milijuna brojčanih kotačića, oni traže logička pravila.
Umjesto učenja "težina 47 treba biti 0,8234", oni uče "ako e-poruka sadrži hitne riječi I dolazi od nepoznatog pošiljatelja I ima čudne poveznice, onda je vjerojatno neželjena pošta."
Sličnije je načinu na koji ljudi uče
U glavi nemate brojeve. Imate praktična pravila: "Ako kruh miriše na kiselinu, vjerojatno je pokvaren. Ako je nebo tamno i teško, možda će padati kiša."
Dobre strane
Odluke se doista mogu objasniti. "E-poruka je označena kao neželjena jer odgovara ovim trima obrascima." Također je znatno učinkovitije. Troši mnogo manje energije.
Loše strane
Ne funkcionira svaki problem dobro s pravilima. Neke stvari doista trebaju te milijune sitnih brojčanih prilagodbi.
Nijedan način nije uvijek bolji. Oni su alati. Za posao koristite onaj pravi.
Kako proces učenja stvarno izgleda
Gdje to zapravo radi u vašem životu
Pokazat ću vam gdje već svaki dan koristite strojno učenje, a da to vjerojatno ni ne primjećujete.
⏰ Vaš jutarnji alarm
Alarm na vašem telefonu vjerojatno ima značajku koja postupno pojačava glasnoću. To je jednostavno. No neki telefoni također uče kada se prirodno budite i predlažu bolje vrijeme za alarm. Strojno učenje primijetilo je: "Uvijek odgađate alarm u 6:00, ali se prirodno budite u 6:30. Dopustite da predložim 6:30 umjesto toga."
🚗 Vaše putovanje na posao
Aplikacije s kartama predviđaju promet. Kako? Naučile su iz milijuna putovanja: "Utorkom ujutro ova autocesta bude zakrčena oko 7:45. Kad pada kiša, ova ruta uspori za 15 minuta." Obrasci pronađeni iz podataka.
📧 Vaša e-pošta
Svaka neželjena poruka koja ne stigne u vašu pristiglu poštu? Strojno učenje. Svaka poruka automatski razvrstana u mape? Strojno učenje. Vaša aplikacija za e-poštu naučila je iz milijuna primjera kako izgleda neželjena pošta i što je važno vama osobno.
🎬 Vaša zabava
Netflix predlaže serije. Spotify stvara popise pjesama za vas. YouTube preporučuje videozapise. Sve je to strojno učenje. Naučili su: "Ljudi koji su gledali ove tri serije obično vole i ovu četvrtu. Ljudi koji slušaju ovog izvođača obično slušaju i ove druge izvođače."
🛒 Vaša kupnja
"Kupci koji su kupili ovo, kupili su i..." Strojno učenje. "Moglo bi vam se svidjeti i..." Strojno učenje. Čak i cijene koje vidite mogu biti prilagođene strojnim učenjem na temelju obrazaca potražnje.
🔒 Vaša sigurnost
Vaša banka blokira sumnjivu transakciju? Strojno učenje uočilo je obrazac: "Ova naplata ne odgovara uobičajenom načinu trošenja ove osobe. Mogla bi biti prijevara."
Svi ti sustavi učili su iz primjera. Pronalazili su obrasce. S vježbom su postajali sve bolji. To je strojno učenje koje se svakodnevno dotiče vašeg života desetke puta.
Iskrena ograničenja (što ne može)
Strojno učenje je moćno, ali nije čarolija. Budimo potpuno iskreni o tome što ne može.
Ne može učiti bez primjera
Trebaju vam podaci. Puno podataka. Želite naučiti računalo prepoznati rijetku bolest? Trebate tisuće primjera te bolesti. Nemate ih? Ne možete istrenirati sustav. To je tako jednostavno.
Ne razumije kontekst kao ljudi
Čovjek vidi znak "STOP" prekriven snijegom i zna da je to i dalje znak zaustavljanja. Računalo ga možda neće prepoznati jer su svi njegovi primjeri za učenje pokazivali čiste, vidljive znakove zaustavljanja. Naučilo je obrazac savršenih znakova, a ne pojam "zaustavljanja".
Ne može objasniti svoje razmišljanje (obično)
Pitajte liječnika zašto misli da imate gripu: "Imate temperaturu, bolove u tijelu i sezona je gripe." Jasno razmišljanje.
Pitajte većinu AI sustava zašto su donijeli odluku: "Zato što je tih 47 milijuna brojeva postavljeno na te specifične vrijednosti." Nije od pomoći.
Naučit će vaše predrasude
Ako ga istrenirate na pristranim podacima, naučit će pristranost. Ako povijesni podaci o zapošljavanju pokazuju pristranost prema određenim skupinama, AI će također naučiti biti pristran. Ne zna bolje. Samo uči ono što je u podacima.
Ne može se prilagoditi potpuno novim situacijama
Ljudi su u tome izvrsni. Nikada niste vidjeli ljubičastu žirafu, ali kad biste je vidjeli, prepoznali biste je kao žirafu koja je slučajno ljubičasta.
Računalo istrenirano na običnim žirafama mogla bi potpuno zbuniti ljubičasta. Nije bila u podacima za učenje. Sustav se ne zna generalizirati na taj način.
To nisu manji problemi. Oni su temeljni za način na koji strojno učenje funkcionira. Razumijevanje tih ograničenja jednako je važno kao i razumijevanje mogućnosti.
Što Trebate Zapamtiti
Ako se čini da je to puno, evo što je zapravo važno:
- 1 Strojno učenje je vježba s povratnom informacijom. Računalo nagađa, provjerava je li pogodilo, prilagođava se i ponavlja. Baš kao što bi ti naučio bilo što vježbom.
- 2 Postoje tri glavne vrste. Nadzirano (s ključem za rješenja), nenadzirano (samo pronalazi obrasce) i potkrepljeno (uči pokušajima). Svaka odgovara različitim problemima.
- 3 Pronalazi obrasce, ne razumijevanje. Računalo ne "shvaća". Ono samo primjećuje: kad vidim ovaj obrazac, odgovor je obično taj. Moćno, ali nije isto kao ljudsko razumijevanje.
- 4 Koristiš ga stalno. Tvoja e-pošta, karte, zabava, kupovina. Strojno učenje dotiče tvoj život desetke puta dnevno.
- 5 Ima stvarne granice. Treba puno podataka. Uči pristranosti. Ne može se lako objasniti. Ne generalizira kao ljudi. Razumijevanje granica važno je koliko i razumijevanje mogućnosti.
- 6 Postoje različiti pristupi. Većina umjetne inteligencije prilagođava milijune brojčanih kotačića. Neki sustavi uče logička pravila. Različiti alati za različite poslove.
Suština
Strojno učenje nije mistično. To je samo računalo koje vježbom postaje bolje u nečemu.
Pokažite mu primjere. Pustite ga da nagađa. Recite mu kada pogriješi. Gledajte kako se prilagođava i napreduje. Ponovite tisuće puta. Na kraju će biti jako dobro u tom zadatku.
To nije učenje na način na koji ste vi naučili voziti bicikl, čitati ili sklapati prijateljstva. Ne razvija razumijevanje, mudrost ni zdrav razum.
Radi se o pronalaženju statističkih obrazaca u podacima kroz ponovljenu praksu i prilagodbu. To je sve. Ali kada se to radi u mjerilu koje ljudi ne mogu dostići, s milijunima primjera, daje doista korisne rezultate.
Vaš filtar za neželjenu poštu radi. Vaš glasovni asistent vas razumije. Vaše karte vas vode zaobilazeći gužve. Sve zato što su se računala uvježbala na milijunima primjera dok nisu pronašla obrasce koji funkcioniraju.
Riječ "učenje" čini to čarobnim. Stvarnost je matematička. Ali ta matematika, uvježbana u velikom mjerilu, mijenja način na koji živite svoj život svaki dan.
Sada znate kako to funkcionira. Misterij je nestao. Strojno učenje je otkrivanje obrazaca kroz praksu. Jednostavan koncept. Moćna izvedba. I koristite ga upravo sada, čitajući ove riječi na uređaju prepunom sustava koji su naučili olakšati vam život.
Neke tvrtke, poput Dwevea, istražuju različite načine "vježbanja" koji nadilaze samo podešavanje brojčanih kotačića. Učenje logičkih pravila umjesto numeričkih težina. Pronalaženje ograničenja umjesto parametara za treniranje. Različiti pristupi za različite probleme. Jer strojno učenje ne mora biti univerzalno rješenje za sve.