Jak działa uczenie maszynowe: jak AI naprawdę się uczy (bez ściemy)
Książka kucharska Twojej mamy
Opowiem Ci o mojej mamie. Robi najlepszą szarlotkę, jaką kiedykolwiek jadłem. Absolutnie doskonałą. Za każdym razem.
I wiecie co? Nigdy nie korzystała z przepisu. Ani razu. Piekła to ciasto przez 40 lat. Po prostu wie, co działa.
Jak się tego nauczyła?
Zaczęła od przepisu swojej mamy. Pierwsze ciasto? Niezłe. Drugie? Dodała trochę więcej cynamonu, bo pierwsze było mdłe. Trzecie? Mniej cukru, bo drugie było za słodkie. Czwarte? Więcej masła w cieście, bo było za suche.
Rok po roku, ciasto po cieście, wprowadzała poprawki. Zauważała wzorce. „Kiedy jabłka są zbyt kwaśne, dodaj więcej cukru. Kiedy są słodkie, dodaj mniej. Jeśli jest wilgotno, użyj mniej wody w cieście. Jeśli jest sucho, użyj więcej."
Uczyła się na doświadczeniu. Na informacji zwrotnej. Na upieczeniu setek ciast i zauważaniu, co działa, a co nie.
Dokładnie tak działa uczenie maszynowe. Tyle że zamiast piec ciasta, komputery tworzą prognozy. I zamiast 40 lat, robią to w kilka godzin.
Pokażę Ci, jak to działa.
Co „Uczenie się" Tak Naprawdę Znaczy (Dla Maszyn)
Kiedy ludzie mówią, że komputer „się nauczył", nie mają na myśli, że zrozumiał. Mają na myśli, że stał się lepszy w danym zadaniu dzięki praktyce.
Moja mama nie rozumiała chemii tego, jak masło sprawia, że ciasto jest kruche. Po prostu wiedziała, że tak jest. Znalazła wzorzec: więcej masła równa się bardziej kruche ciasto. To jest uczenie się.
Komputery robią to samo, tyle że zamiast ciast mają dane.
Podam Ci prawdziwy przykład, z którym masz do czynienia codziennie: filtr spamu w Twojej poczcie e-mail.
Stary Sposób (Przed Uczeniem)
Ręczne reguły, które ciągle się psuły
Ktoś musiał pisać reguły: „Jeśli e-mail zawiera 'nigeryjski książę', to spam. Jeśli zawiera 'wygrałeś na loterii', to spam. Jeśli ma więcej niż 10 wykrzykników, to spam."
Problem? Spamerzy się przystosowali. Zaczęli pisać „N1geryjski ks1ążę" albo „L0teria". Reguły przestały działać. Ktoś musiał ręcznie pisać nowe. W kółko. W nieskończoność.
Nowy Sposób (Z Uczeniem)
Komputer sam znajduje wzorce
Pokazujesz komputerowi 10 000 e-maili. „Te 5 000 to spam. Te 5 000 to prawdziwe wiadomości.” Komputer przygląda się im i znajduje wzorce, których nie kazałeś mu szukać:
- → Spam często zawiera określone słowa występujące razem
- → Pochodzi z konkretnych typów adresów e-mail
- → Ma nietypowe wzorce interpunkcji
- → Zawarte w nim linki wyglądają podejrzanie w określony sposób
Gdy spamerzy zmieniają taktykę, po prostu pokazujesz komputerowi nowe przykłady spamu. On znajduje nowe wzorce. Nie musisz ręcznie pisać nowych reguł.
To jest uczenie maszynowe: komputery stają się lepsze w zadaniach, znajdując wzorce w przykładach, a nie kierując się regułami napisanymi przez kogoś.
Trzy sposoby, w jakie maszyny ćwiczą
Tak jak ludzie uczą się na różne sposoby, maszyny mają różne metody uczenia się odpowiednie do różnych sytuacji. Opowiem ci o trzech głównych, używając przykładów, z którymi naprawdę się utożsamisz.
Nauka z nauczycielem (uczenie nadzorowane)
Pamiętasz, jak w szkole uczyłeś się tabliczki mnożenia? Nauczyciel podawał ci zadania ORAZ odpowiedzi. „Ile to jest 7 razy 8?” „56.” Ćwiczyłeś, aż potrafiłeś odpowiedzieć bez podglądania.
To jest uczenie nadzorowane. Komputer dostaje pytania i odpowiedzi razem.
Przykład: Nauka komputera rozpoznawania zdjęć
Pokazujesz mu 1000 zdjęć. Przy każdym mówisz mu, co się na nim znajduje:
- 📷 To zdjęcie: kot
- 📷 To zdjęcie: pies
- 📷 To zdjęcie: samochód
Komputer zaczyna zgadywać na chybił trafił. Na początku strasznie mu to nie wychodzi. Potem zauważa pewne prawidłowości: „Zdjęcia ze spiczastymi uszami i wąsami to zwykle koty. Zdjęcia z klapniętymi uszami i mokrymi nosami to zwykle psy. Zdjęcia z kołami i oknami to zwykle samochody.”
Ćwiczy na tych 1000 zdjęciach, aż w końcu robi to naprawdę dobrze. Potem testujesz go na nowych zdjęciach, których nigdy wcześniej nie widział. Jeśli dobrze nauczył się prawidłowości, rozpoznaje je poprawnie.
W ten sposób Twój telefon rozpoznaje twarze, lekarze używają sztucznej inteligencji do wykrywania chorób na zdjęciach rentgenowskich, a asystenci głosowi rozumieją, co mówisz.
Nauka bez nauczyciela (uczenie nienadzorowane)
Wyobraź sobie, że porządkujesz kolekcję guzików po swojej zmarłej ciotce. Miała ich setki, wszystkie wymieszane. Nie masz żadnego przewodnika. Po prostu zaczynasz układać je w kupki, które według Ciebie mają sens.
Samodzielne znajdowanie prawidłowości
- → Duże guziki tutaj. Małe tam.
- → Metalowe do tej kupki. Plastikowe do tamtej.
Znajdujesz prawidłowości, chociaż nikt nie mówi Ci, czego masz szukać.
To jest właśnie uczenie nienadzorowane. Komputer szuka prawidłowości bez informacji o tym, jaka powinna być odpowiedź.
Przykład: Znajdowanie grup klientów
Sklep ma dane o 10 000 klientów: co kupują, kiedy robią zakupy, ile wydają. Nikt nie mówi komputerowi, jakie grupy istnieją. On po prostu patrzy i znajduje wzorce:
Grupa 1: Młodzi ludzie, którzy robią zakupy późno w nocy, kupują małe ilości, przychodzą często
Grupa 2: Rodziny, które robią zakupy w weekendy, kupują hurtowo, przychodzą co tydzień
Grupa 3: Emeryci, którzy robią zakupy w południe w dni powszednie, kupują konkretne produkty, bardzo regularnie
Nikt nie powiedział mu, że te grupy istnieją. Znalazł je, zauważając, którzy klienci zachowują się podobnie.
W ten sposób Netflix grupuje filmy, które mogą Ci się spodobać, w ten sposób wykrywanie oszustw znajduje nietypowe transakcje, a naukowcy odkrywają wzorce w DNA.
Nauka przez próbowanie (uczenie przez wzmacnianie)
Pamiętasz, jak uczyłeś psa siadać? Nie tłumaczysz mu, co to znaczy siadać. Po prostu mówisz „siad”, a gdy pies usiądzie, dajesz mu smakołyk. Gdy nie usiądzie, nie ma smakołyka. Pies się domyśla: siadanie równa się smakołyki. Niesiadanie równa się brak smakołyków.
To jest uczenie przez wzmacnianie. Próbuj rzeczy. Zobacz, co działa. Rób więcej tego, co działa.
Przykład: Nauka komputera gry w szachy
Komputer na początku nie zna zasad. Po prostu próbuje ruchów. Losowo. Większość jest okropna.
Ale najważniejsze jest to: gdy wygra partię, mówisz mu „dobra robota”. Gdy przegra, mówisz mu „to nie zadziałało”. Zaczyna zauważać:
- ✓ Przesunięcie hetmana tutaj często prowadzi do wygranej
- ✗ Zostawienie króla bez osłony zwykle prowadzi do przegranej
- ✓ Kontrolowanie centrum szachownicy jest pomocne
Po rozegraniu milionów partii przeciwko sobie staje się naprawdę, naprawdę dobry. Nie dlatego, że ktoś nauczył go strategii. Dlatego, że spróbował wszystkiego i dowiedział się, co działa.
W ten sposób sztuczna inteligencja nauczyła się pokonywać mistrzów świata w szachach i Go, w ten sposób roboty uczą się chodzić, a samochody autonomiczne uczą się jeździć.
Trzy style uczenia się
Jak faktycznie wygląda ta praktyka (tajny proces)
Dobra, więc komputer ćwiczy, patrząc na przykłady. Ale co tak naprawdę dzieje się w środku? Przeprowadzę cię przez to tak, jakbyś zaglądał komputerowi przez ramię.
Krok 1: zacznij od dzikich zgadywanek
Jak zgadywanie wagi dyni
Wyobraź sobie, że próbujesz zgadnąć wagę dyni, tylko na nią patrząc. Nigdy wcześniej tego nie robiłeś, więc po prostu rzucasz jakąś liczbę. „Eee... 15 funtów?”
Dokładnie to robi komputer. Zaczyna od losowych zgadywanek. Całkowicie losowych. To jak prosić noworodka o rozpoznawanie kolorów. Te zgadywanki są fatalne. I to jest w porządku. To punkt wyjścia.
Krok 2: sprawdź, jak bardzo się mylisz
Mierzenie błędu
Teraz kładziesz dynię na wagę. Waży 23 funty. Pomyliłeś się o 8 funtów. To jest twój błąd.
Komputer robi to samo. Zgaduje, sprawdza prawdziwą odpowiedź i oblicza, jak bardzo się pomylił. „Powiedziałem, że to zdjęcie to pies. A to kot. Bardzo się pomyliłem.”
Krok 3: popraw swoją następną zgadywankę
Nauka na błędach
Następna dynia wygląda podobnie do pierwszej. Nie zgadujesz znowu 15 funtów. Nauczyłeś się, że takie dynie są cięższe, niż myślałeś. Więc zgadujesz 22 funty. Bliżej!
Komputer robi dokładnie to. Dostosowuje swoją metodę zgadywania na podstawie błędów. „Ciągle zgadywałem »pies«, gdy widziałem klapnięte uszy, ale się myliłem. Zwrócę też większą uwagę na inne cechy.”
Krok 4: powtarzaj tysiące razy
Trening czyni mistrza
Gdybyś zgadywał wagę 1000 dyń i za każdym razem sprawdzał wynik na wadze, w końcu byłbyś w tym całkiem dobry. Zauważyłbyś pewne prawidłowości: „Duże, okrągłe dynie z grubymi łodygami są zwykle ciężkie. Wysokie i chude są zwykle lżejsze”.
Komputer robi to tysiące lub miliony razy. Za każdym razem poprawia się odrobinę. W końcu jest naprawdę dobry w zadaniu, które ćwiczy.
Na tym polega cały proces. Zgaduj. Sprawdź, jak bardzo się mylisz. Popraw się. Powtarzaj, aż będziesz wystarczająco dobry. Prosty pomysł. Ale powtórz go miliony razy bardzo szybko, a otrzymasz potężne rezultaty.
Dlaczego to działa tak dobrze (i dlaczego to nie magia)
Oto co jest niesamowite: ten niezwykle prosty proces sprawdza się w przypadku ogromnej różnorodności zadań.
Ten sam podstawowy pomysł (ćwiczenie z informacją zwrotną) może:
- ✓ Nauczyć się rozpoznawać twoją twarz, aby odblokować telefon
- ✓ Nauczyć się tłumaczyć między językami
- ✓ Nauczyć się wykrywać guzy na skanach medycznych
- ✓ Nauczyć się przewidywać, czy jutro będzie padać
- ✓ Nauczyć się polecać filmy, które prawdopodobnie ci się spodobają
Dlaczego to działa w przypadku tych wszystkich różnych rzeczy?
Ponieważ w gruncie rzeczy wszystkie są problemami rozpoznawania wzorców. Twoja twarz ma wzorce. Języki mają wzorce. Guzy mają wzorce. Pogoda ma wzorce. Twoje preferencje filmowe mają wzorce.
Komputer znajduje te wzorce, ćwicząc na przykładach. Nie „rozumie” twarzy, języków ani medycyny. Po prostu odkrywa: kiedy widzę ten wzorzec, odpowiedź zwykle brzmi tak.
To potężne. Ale to nie magia. To dopasowywanie wzorców, ćwiczone na skalę, której ludzie nie są w stanie osiągnąć.
Czego właściwie uczy się komputer (prawda może cię zaskoczyć)
Większość ludzi myli się co do jednego: komputer nie uczy się rozumienia. Uczy się skrótów.
Pokażę ci, co mam na myśli, opowiadając prawdziwą historię.
Sztuczna inteligencja do wykrywania raka skóry, która oszukiwała
Naukowcy wyszkolili sztuczną inteligencję do rozpoznawania raka skóry na zdjęciach. Radziła sobie naprawdę dobrze. Lepiej niż niektórzy lekarze. Niesamowite, prawda?
Potem zauważyli coś dziwnego. AI patrzyła na linijki. Na wielu zdjęciach raka były linijki (żeby pokazać skalę). Na wielu zdjęciach bez raka ich nie było.
AI nauczyła się: „Jeśli widzę linijkę, to prawdopodobnie rak”. To technicznie wzorzec, który działał w danych treningowych. Ale to nie jest zrozumienie raka. To skrót.
To zdarza się cały czas:
Przykłady uprzedzeń i skrótów w uczeniu maszynowym
- ⚠️ AI rekrutacyjna nauczyła się, że CV z imieniem „Jared” mają większe szanse na zatrudnienie (ponieważ dane treningowe zawierały stronnicze decyzje ludzi)
- ⚠️ System rozpoznawania twarzy działał lepiej na białych mężczyznach (ponieważ to oni byli nadreprezentowani na zdjęciach treningowych)
- ⚠️ System przyznawania kredytów dyskryminował niektóre dzielnice (ponieważ uczył się na historycznie stronniczych danych dotyczących pożyczek)
Komputer znajduje wzorce w danych, które mu podasz. Jeśli dane mają uprzedzenia, uczy się uprzedzeń. Jeśli dane mają skróty, uczy się skrótów. Nie wie lepiej. Po prostu znajduje to, co działa w przykładach, które widział. Dlatego uczenie maszynowe wymaga dużej uwagi. Jest potężne, ale nie jest mądre.
Dwa sposoby ćwiczenia (tradycyjny i inny)
Pamiętasz, jak mówiłem, że komputery uczą się, dopasowując swoje zgadywanki na podstawie błędów? Są dwa główne sposoby na takie dopasowanie.
Sposób tradycyjny: drobne poprawki liczb
Jak działa większość dzisiejszej sztucznej inteligencji
Komputer ma miliony małych pokręteł (zwanych wagami). Każde pokrętło jest ustawione na konkretną liczbę.
Gdy komputer popełni błąd, ustala, które pokrętła przekręcić i w którą stronę. Przekręca je tylko odrobinę. Potem zgaduje ponownie, popełnia kolejny błąd, znowu przekręca pokrętła. I tak w kółko. Po powtórzeniu tego miliony razy wszystkie pokrętła są ustawione na liczby, które dają dobre zgadywanki.
Zalety
Działa naprawdę dobrze. Potrafi znajdować niezwykle złożone wzorce. Jest sprawdzony i niezawodny.
Wady
Wymaga ogromnej mocy obliczeniowej. Trenowanie takich systemów kosztuje miliony dolarów za prąd. A gdy już się skończy, masz miliony ustawień pokręteł, ale nie potrafisz naprawdę wyjaśnić, dlaczego są ustawione na te konkretne liczby. To czarna skrzynka.
Inny sposób: znajdowanie reguł zamiast liczb
Jak działają niektóre nowsze systemy
Niektóre systemy (takie jak te budowane przez firmy typu Dweve) działają inaczej. Zamiast regulować miliony pokręteł liczbowych, szukają logicznych reguł.
Zamiast uczyć się „waga 47 powinna wynosić 0,8234”, uczą się „jeśli e-mail zawiera pilne słowa ORAZ pochodzi od nieznanego nadawcy ORAZ ma dziwne linki, to prawdopodobnie jest spamem”.
To bardziej przypomina sposób, w jaki uczą się ludzie
Nie masz w głowie liczb. Masz praktyczne zasady: „Jeśli chleb pachnie kwaśno, prawdopodobnie jest zepsuty. Jeśli niebo jest ciemne i ciężkie, może padać”.
Zalety
Możesz faktycznie wyjaśnić decyzje. „E-mail został oznaczony jako spam, ponieważ pasował do tych trzech wzorców”. Jest to też znacznie wydajniejsze. Zużywa znacznie mniej energii.
Wady
Nie każdy problem dobrze działa na regułach. Niektóre rzeczy naprawdę wymagają tych milionów drobnych regulacji liczbowych.
Żaden sposób nie jest zawsze lepszy. To narzędzia. Używasz właściwego do danego zadania.
Jak naprawdę wygląda proces uczenia się
Gdzie to naprawdę działa w Twoim życiu
Pokażę Ci, gdzie już każdego dnia korzystasz z uczenia maszynowego, prawdopodobnie nawet o tym nie wiedząc.
⏰ Twój poranny budzik
Budzik w Twoim telefonie prawdopodobnie ma funkcję stopniowego zwiększania głośności. To proste. Ale niektóre telefony uczą się też, kiedy zwykle budzisz się naturalnie, i podpowiadają lepsze godziny budzenia. Uczenie maszynowe zauważyło: „Zawsze odkładasz budzik o 6:00, ale budzisz się naturalnie o 6:30. Podpowiem Ci 6:30 zamiast tego."
🚗 Twoje dojazdy
Aplikacje mapowe przewidują natężenie ruchu. Jak? Nauczyły się z milionów przejazdów: „We wtorkowe poranki ta droga jest zakorkowana około 7:45. Kiedy pada deszcz, ta trasa wydłuża się o 15 minut." Wzorce znalezione w danych.
📧 Twoja poczta e-mail
Każdy e-mail ze spamem, który nie trafia do Twojej skrzynki odbiorczej? Uczenie maszynowe. Każdy e-mail automatycznie sortowany do folderów? Uczenie maszynowe. Twoja aplikacja pocztowa nauczyła się z milionów przykładów, jak wygląda spam i co jest ważne specjalnie dla Ciebie.
🎬 Twoja rozrywka
Netflix podpowiadający seriale. Spotify tworzący playlisty dla Ciebie. YouTube polecający filmy. To wszystko uczenie maszynowe. Nauczyły się: „Osoby, które oglądały te trzy seriale, zwykle lubią też ten czwarty. Osoby, które słuchają tego artysty, zwykle lubią też tych innych wykonawców."
🛒 Twoje zakupy
„Klienci, którzy kupili to, kupili również..." Uczenie maszynowe. „Może Ci się spodobać również..." Uczenie maszynowe. Nawet ceny, które widzisz, mogą być dostosowywane przez uczenie maszynowe na podstawie wzorców popytu.
🔒 Twoje bezpieczeństwo
Twoja firma obsługująca kartę kredytową blokuje podejrzaną transakcję? Uczenie maszynowe zauważyło wzorzec: „Ta opłata nie pasuje do normalnych wydatków tej osoby. To może być oszustwo."
Wszystkie te systemy uczyły się na przykładach. Znajdowały wzorce. Z praktyką stawały się coraz lepsze. To jest uczenie maszynowe, które dotyka Twojego życia kilkadziesiąt razy dziennie.
Uczciwe ograniczenia (czego nie potrafi)
Uczenie maszynowe jest potężne, ale nie jest magiczne. Będę z Tobą całkowicie szczery co do tego, czego nie potrafi.
Nie może uczyć się bez przykładów
Potrzebujesz danych. Dużo danych. Chcesz nauczyć komputer rozpoznawać rzadką chorobę? Potrzebujesz tysięcy przykładów tej choroby. Nie masz ich? Nie możesz wytrenować systemu. To takie proste.
Nie rozumie kontekstu tak jak ludzie
Człowiek widzi znak „STOP” pokryty śniegiem i wie, że to nadal znak stopu. Komputer może go nie rozpoznać, bo wszystkie jego przykłady treningowe pokazywały czyste, widoczne znaki stopu. Nauczył się wzorca idealnych znaków stopu, a nie pojęcia „stop”.
Zwykle nie potrafi wyjaśnić swojego rozumowania
Zapytaj lekarza, dlaczego uważa, że masz grypę: „Masz gorączkę, bóle ciała i jest sezon grypowy”. Jasne rozumowanie.
Zapytaj większość systemów AI, dlaczego podjęły decyzję: „Ponieważ te 47 milionów liczb ma takie konkretne wartości”. Niewiele to pomaga.
Nauczy się Twoich uprzedzeń
Jeśli wytrenujesz go na stronniczych danych, nauczy się stronniczości. Jeśli historyczne dane dotyczące rekrutacji pokazują uprzedzenia wobec niektórych grup, AI również nauczy się być stronniczy. Nie wie lepiej. Po prostu uczy się tego, co jest w danych.
Nie potrafi przystosować się do zupełnie nowych sytuacji
Ludzie są w tym świetni. Nigdy nie widziałeś fioletowej żyrafy, ale gdybyś ją zobaczył, rozpoznałbyś ją jako żyrafę, która akurat jest fioletowa.
Komputer wytrenowany na zwykłych żyrafach mógłby być całkowicie zdezorientowany fioletową. Nie było jej w danych treningowych. System nie wie, jak w ten sposób uogólniać.
To nie są drobne problemy. To kwestie fundamentalne dla działania uczenia maszynowego. Zrozumienie tych ograniczeń jest równie ważne jak zrozumienie możliwości.
Co Musisz Zapamiętać
Jeśli wydaje Ci się, że to dużo, oto co naprawdę się liczy:
- 1 Uczenie maszynowe to praktyka z informacją zwrotną. Komputer zgaduje, sprawdza, czy ma rację, poprawia się i powtarza. Tak samo jak Ty uczysz się czegokolwiek przez praktykę.
- 2 Istnieją trzy główne typy. Uczenie nadzorowane (z kluczem odpowiedzi), nienadzorowane (samodzielne znajdowanie wzorców) i przez wzmacnianie (nauka przez próbowanie). Każdy z nich sprawdza się w innych problemach.
- 3 Znajduje wzorce, a nie zrozumienie. Komputer nie „rozumie”. Po prostu zauważa: gdy widzę ten wzorzec, odpowiedź zwykle jest taka. Potężne narzędzie, ale to nie to samo co ludzkie rozumienie.
- 4 Korzystasz z niego na co dzień. Twoja poczta, mapy, rozrywka, zakupy. Uczenie maszynowe towarzyszy Ci kilkadziesiąt razy dziennie.
- 5 Ma realne ograniczenia. Potrzebuje dużo danych. Uczy się uprzedzeń. Nie potrafi łatwo się wytłumaczyć. Nie uogólnia tak jak ludzie. Zrozumienie ograniczeń jest równie ważne jak zrozumienie możliwości.
- 6 Istnieją różne podejścia. Większość systemów AI reguluje miliony pokręteł liczbowych. Niektóre systemy uczą się reguł logicznych. Różne narzędzia do różnych zadań.
Sedno sprawy
Uczenie maszynowe nie jest tajemnicze. To po prostu komputer, który dzięki praktyce staje się w czymś coraz lepszy.
Pokaż mu przykłady. Pozwól mu zgadywać. Mów mu, kiedy się myli. Obserwuj, jak się dostosowuje i poprawia. Powtarzaj tysiące razy. W końcu będzie naprawdę dobre w tym zadaniu.
To nie jest uczenie się tak, jak Ty uczyłeś się jeździć na rowerze, czytać czy nawiązywać przyjaźnie. To nie jest rozwijanie zrozumienia, mądrości ani zdrowego rozsądku.
To znajdowanie statystycznych wzorców w danych poprzez powtarzalną praktykę i dostosowywanie. I tyle. Ale robione na skalę, której ludzie nie są w stanie osiągnąć, z milionami przykładów, daje naprawdę przydatne rezultaty.
Twój filtr spamu działa. Twój asystent głosowy Cię rozumie. Twoje mapy prowadzą Cię z dala od korków. Wszystko dlatego, że komputery ćwiczyły na milionach przykładów, aż znalazły wzorce, które działają.
Słowo "uczenie się" sprawia, że brzmi to magicznie. Rzeczywistość jest matematyczna. Ale ta matematyka, praktykowana na dużą skalę, zmienia Twoje życie każdego dnia.
Teraz wiesz, jak to działa. Tajemnica zniknęła. Uczenie maszynowe to odkrywanie wzorców poprzez praktykę. Prosta koncepcja. Potężne wykonanie. I korzystasz z tego właśnie teraz, czytając te słowa na urządzeniu pełnym systemów, które nauczyły się ułatwiać Ci życie.
Niektóre firmy, takie jak Dweve, poszukują innych sposobów „ćwiczenia" niż tylko regulowanie pokręteł liczb. Uczenie się reguł logicznych zamiast wag numerycznych. Znajdowanie ograniczeń zamiast parametrów treningowych. Różne podejścia do różnych problemów. Bo uczenie maszynowe nie musi być rozwiązaniem uniwersalnym.