Ako sa AI naozaj učí: strojové učenie bez zbytočných rečí
Receptár vašej mamy
Poviem vám o mojej mame. Robí najlepší jablkový koláč, aký som kedy jedol. Absolútne dokonalý. Zakaždým.
Ide o to, že nikdy nepoužívala recept. Ani raz. Ten koláč pečie už 40 rokov. Jednoducho vie, čo funguje.
Ako sa to naučila?
Začala s receptom svojej mamy. Prvý koláč? Prijateľný. Druhý koláč? Pridala trochu viac škorice, pretože prvý bol nevýrazný. Tretí koláč? Menej cukru, pretože druhý bol príliš sladký. Štvrtý koláč? Viac masla do cesta, pretože bolo príliš suché.
Rok čo rok, koláč za koláčom, upravovala. Všímala si vzorce. „Keď sú jablká príliš kyslé, pridaj viac cukru. Keď sú sladké, pridaj menej. Ak je vlhko, použi menej vody do cesta. Ak je sucho, použi viac."
Učila sa skúsenosťou. Spätnou väzbou. Z upečenia stoviek koláčov a všímania si, čo fungovalo a čo nie.
Presne tak funguje strojové učenie. Len namiesto pečenia koláčov počítače vytvárajú predpovede. A namiesto 40 rokov im to trvá pár hodín.
Ukážem vám, ako na to.
Čo „učenie" v skutočnosti znamená (pre stroje)
Keď ľudia povedia, že sa počítač niečo „naučil", neznamená to, že to pochopil. Znamená to, že sa v danej úlohe zlepšil praxou.
Moja mama nerozumela chémii toho, ako maslo robí cesto lístkové. Len vedela, že to tak funguje. Našla vzorec: viac masla znamená lístkovejšie cesto. To je učenie.
Počítače robia to isté, ale namiesto koláčov používajú dáta.
Dám vám skutočný príklad, s ktorým prichádzate do kontaktu každý deň: spamový filter vášho e-mailu.
Starý spôsob (pred učením)
Manuálne pravidlá, ktoré sa stále kazili
Niekto musel písať pravidlá: „Ak e-mail hovorí 'nigérijský princ', je to spam. Ak hovorí 'Vyhrali ste v lotérii', je to spam. Ak má viac ako 10 výkričníkov, je to spam."
Problém? Spaméri sa prispôsobili. Začali písať „N1gérijský pr1nc" alebo „L0téria." Pravidlá prestali fungovať. Niekto musel manuálne písať nové pravidlá. Znova a znova. Donekonečna.
Nový spôsob (s učením)
Počítač si nachádza vlastné vzory
Ukážete počítaču 10 000 e-mailov. „Týchto 5 000 je spam. Týchto 5 000 je pravých.“ Počítač sa na ne pozrie a nájde vzory, ktoré ste mu nikdy nepovedali hľadať:
- → Spamové e-maily majú tendenciu obsahovať určité slová spolu
- → Prichádzajú z konkrétnych typov e-mailových adries
- → Majú nezvyčajné vzory interpunkcie
- → Odkazy v nich vyzerajú podozrivo konkrétnymi spôsobmi
Keď teraz spaméri zmenia taktiku, jednoducho počítaču ukážete nové príklady spamu. On nájde nové vzory. Nie je potrebné ručne písať nové pravidlá.
To je strojové učenie: počítače sa zlepšujú v úlohách tým, že nachádzajú vzory v príkladoch, nie tým, že sa riadia pravidlami, ktoré niekto napísal.
Tri spôsoby, akými stroje trénujú
Tak ako sa ľudia učia rôznymi spôsobmi, aj stroje majú rôzne metódy učenia pre rôzne situácie. Poviem vám o troch hlavných na príkladoch, s ktorými sa skutočne stotožníte.
Učenie s učiteľom (supervízované učenie)
Pamätáte si, ako ste sa v škole učili násobilku? Váš učiteľ vám dával príklady AJ odpovede. „Koľko je 7 krát 8?“ „56.“ Cvičili ste, kým ste nevedeli odpovedať bez pozerania.
To je supervízované učenie. Počítač dostáva otázky a odpovede spolu.
Príklad: Ako naučiť počítač rozpoznávať fotografie
Ukážete mu 1 000 fotografií. Pri každej mu poviete, čo na nej je:
- 📷 Táto fotografia: mačka
- 📷 Táto fotografia: pes
- 📷 Táto fotografia: auto
Počítač začne hádať náhodne. Najprv sú to hrozné odhady. Potom si začne všímať vzory: „Fotografie so špicatými ušami a fúzmi sú zvyčajne mačky. Fotografie s ovisnutými ušami a mokrým nosom sú zvyčajne psy. Fotografie s kolesami a oknami sú zvyčajne autá.“
Cvičí sa na tých 1 000 fotografiách, kým to nezačne naozaj dobre ovládať. Potom ho otestujete na nových fotografiách, ktoré nikdy nevidel. Ak sa vzory naučilo dobre, správne ich rozpozná.
Takto váš telefón rozpoznáva tváre, takto lekári využívajú AI na odhaľovanie chorôb na röntgenových snímkach a takto hlasoví asistenti rozumejú tomu, čo hovoríte.
Učenie bez učiteľa (učenie bez dozoru)
Teraz si predstavte, že triedite gombíkovú zbierku svojej zosnulej tety. Mala stovky gombíkov, všetky pomiešané. Nemáte žiadnu príručku. Jednoducho ich začnete triediť do kôpok, ktoré vám dávajú zmysel.
Hľadanie vzorov na vlastnú päsť
- → Veľké gombíky sem. Malé gombíky tam.
- → Kovové do tejto kôpky. Plastové do tamtej kôpky.
Hľadáte vzory bez toho, aby vám niekto hovoril, čo máte hľadať.
Toto je učenie bez dozoru. Počítač hľadá vzory bez toho, aby mu niekto povedal, aká by mala byť odpoveď.
Príklad: Hľadanie skupín zákazníkov
Obchod má údaje o 10 000 zákazníkoch: čo kupujú, kedy nakupujú, koľko minú. Nikto počítaču nepovie, aké skupiny existujú. On sa len pozrie a nájde vzory:
Skupina 1: Mladí ľudia, ktorí nakupujú neskoro v noci, kupujú malé množstvá, chodia často
Skupina 2: Rodiny, ktoré nakupujú cez víkend, kupujú vo veľkom, chodia týždenne
Skupina 3: Dôchodcovia, ktorí nakupujú cez týždeň na poludnie, kupujú konkrétne veci, veľmi pravidelne
Nikto mu nepovedal, že tieto skupiny existujú. Našiel ich tak, že si všimol, ktorí zákazníci sa správajú podobne.
Takto Netflix zoskupuje relácie, ktoré by sa vám mohli páčiť, takto detekcia podvodov nachádza nezvyčajné transakcie a takto vedci objavujú vzory v DNA.
Učenie sa pokusom (posilňované učenie)
Pamätáte si, ako ste učili psa sadnúť? Nevysvetľujete mu, čo je sadnutie. Jednoducho poviete „sadni" a keď si pes sadne, dáte mu maškrtu. Keď si nesadne, žiadna maškrtka. Pes príde na to: sadnutie znamená maškrty. Nesadnutie znamená žiadne maškrty.
Toto je posilňované učenie. Skúšaj veci. Pozri, čo funguje. Rob viac toho, čo funguje.
Príklad: Naučiť počítač hrať šach
Počítač spočiatku nepozná pravidlá. Len skúša ťahy. Náhodne. Väčšina je hrozná.
Ale tu je vec: keď vyhrá hru, poviete mu „dobrá práca". Keď prehrá, poviete mu „toto nezabralo". Začne si všímať:
- ✓ Posunutie dámy sem často vedie k výhre
- ✗ Nechať kráľa odkrytého zvyčajne vedie k prehre
- ✓ Kontrola stredu šachovnice je užitočná
Po miliónoch hier proti sebe samému bude naozaj, naozaj dobrý. Nie preto, že by ho niekto učil stratégiu. Ale preto, že vyskúšal všetko a naučil sa, čo funguje.
Takto sa AI naučila porážať majstrov sveta v šachu a Go, takto sa roboty učia chodiť a takto sa samočiace autá učia šoférovať.
Tri štýly učenia
Ako to cvičenie naozaj prebieha (Tajný proces)
Dobre, takže počítač cvičí tak, že sa pozerá na príklady. Ale čo sa v ňom vlastne deje? Prevediem ťa tým, ako keby si mu hľadel cez plece.
Krok 1: Začni s divokými odhadmi
Ako hádať hmotnosť tekvice
Predstav si, že sa snažíš uhádnuť hmotnosť tekvice len tak, že sa na ňu pozeráš. Nikdy si to nerobil, tak len tak vybafneš náhodné číslo. "Hmm... 15 libier?"
Presne to robí aj počítač. Začína s náhodnými odhadmi. Úplne náhodnými. Je to ako pýtať sa novorodenca, aby spoznal farby. Tie odhady sú príšerné. To je v poriadku. To je východiskový bod.
Krok 2: Skontroluj, ako veľmi sa mýliš
Meranie chyby
Teraz položíš tekvicu na váhu. V skutočnosti má 23 libier. Mýlil si sa o 8 libier. To je tvoja chyba.
Počítač robí to isté. Urobí odhad, skontroluje skutočnú odpoveď a vypočíta, ako veľmi sa mýlil. "Povedal som, že táto fotka je pes. V skutočnosti je to mačka. Veľmi som sa mýlil."
Krok 3: Uprav svoj ďalší odhad
Učenie sa z chýb
Ďalšia tekvica vyzerá podobne ako tá prvá. Neuhádneš znova 15 libier. Naučil si sa, že takéto tekvice sú ťažšie, než si si myslel. Tak uhádneš 22 libier. Bližšie!
Počítač robí presne toto. Upravuje svoju metódu hádania na základe svojich chýb. "Stále som hádal pes, keď som videl ovisnuté uši, ale mýlil som sa. Dám väčší pozor aj na iné znaky."
Krok 4: Opakuj tisíckrát
Cvičenie robí majstra
Keby ste hádali hmotnosť 1 000 tekvíc a zakaždým si ju overili na váhe, časom by ste v tom boli celkom dobrí. Všimli by ste si zákonitosti: „Veľké, guľaté tekvice s hrubými stopkami sú zvyčajne ťažké. Vysoké a štíhle sú zvyčajne ľahšie.“
Počítač to robí tisícky alebo milióny krát. Zakaždým sa o kúsok zlepší. Nakoniec je naozaj dobrý v akejkoľvek činnosti, ktorú trénuje.
To je celý proces. Vyslovte odhad. Zistite, ako veľmi ste sa mýlili. Upravte ho. Opakujte, kým nie ste dosť dobrí. Jednoduchá myšlienka. Ale keď to urobíte milióny krát naozaj rýchlo, dosiahnete silné výsledky.
Prečo to funguje tak dobre (a prečo to nie je mágia)
Tu je to úžasné: tento neuveriteľne jednoduchý proces funguje pri neuveriteľnej škále úloh.
Rovnaká základná myšlienka (cvičenie so spätnou väzbou) dokáže:
- ✓ Naučiť sa rozpoznať vašu tvár na odomknutie telefónu
- ✓ Naučiť sa prekladať medzi jazykmi
- ✓ Naučiť sa odhaliť nádory na lekárskych snímkach
- ✓ Naučiť sa predpovedať, či zajtra bude pršať
- ✓ Naučiť sa odporúčať filmy, ktoré sa vám budú pravdepodobne páčiť
Prečo to funguje pri všetkých týchto rôznych veciach?
Pretože v jadre sú to všetko problémy rozpoznávania vzorov. Vaša tvár má vzory. Jazyky majú vzory. Nádory majú vzory. Počasie má vzory. Vaše filmové preferencie majú vzory.
Počítač tieto vzory nachádza cvičením na príkladoch. „Nerozumie“ tváram, jazykom ani medicíne. Len zisťuje: keď vidím tento vzor, odpoveď je zvyčajne tamto.
To je silné. Ale nie je to mágia. Je to porovnávanie vzorov, cvičené v rozsahu, ktorý ľudia nedokážu napodobniť.
Čo sa počítač vlastne naučí (pravda vás možno prekvapí)
Tu je niečo, čo väčšina ľudí chápe zle: počítač sa neučí porozumenie. Učí sa skratky.
Ukážem vám, čo tým myslím, na skutočnom príbehu.
AI na rakovinu kože, ktorá podvádzala
Vedci trénovali AI na rozpoznávanie rakoviny kože z fotografií. Stala sa naozaj dobrou. Lepšou ako niektorí lekári. Úžasné, však?
Potom si všimli niečo zvláštne. AI sa pozerala na pravítka. Mnohé fotografie rakoviny mali v zábere pravítka (na znázornenie mierky). Mnohé fotografie bez rakoviny ich nemali.
AI sa naučila: "Ak vidím pravítko, pravdepodobne ide o rakovinu." To je technicky vzor, ktorý fungoval na tréningových dátach. Ale to nie je pochopenie rakoviny. Je to skratka.
Toto sa deje stále:
Príklady predsudkov a skratiek, ktoré sa AI naučila
- ⚠️ Náborová AI sa naučila, že životopisy s menom "Jared" mali väčšiu šancu na prijatie (pretože tréningové dáta obsahovali zaujaté ľudské rozhodnutia)
- ⚠️ Systém rozpoznávania tváre fungoval lepšie na bielych mužoch (pretože práve oni boli nadmerne zastúpení na tréningových fotografiách)
- ⚠️ Systém schvaľovania pôžičiek diskriminoval určité štvrte (pretože sa učil z historicky zaujatých úverových dát)
Počítač hľadá vzory v dátach, ktoré mu dáte. Ak dáta obsahujú predsudky, naučí sa predsudky. Ak dáta obsahujú skratky, naučí sa skratky. Nevie to lepšie. Jednoducho nájde to, čo funguje na príkladoch, ktoré videl. Preto strojové učenie vyžaduje starostlivú pozornosť. Je mocné, ale nie je múdre.
The Two Ways to Practice (Traditional vs. Different)
Remember how I said computers learn by adjusting their guesses based on mistakes? There are two main ways to do that adjustment.
The Traditional Way: Tiny Tweaks to Numbers
How most AI works today
The computer has millions of little dials (called weights). Each dial is set to a specific number.
When the computer makes a mistake, it figures out which dials to turn and which direction to turn them. It turns them just a tiny bit. Then it makes another guess, makes another mistake, turns the dials again. Over and over. After doing this millions of times, all those dials are set to numbers that produce good guesses.
The Good
It works really well. It can find incredibly complex patterns. It's proven and reliable.
The Bad
It uses a huge amount of computer power. Training these systems costs millions of dollars in electricity. And when it's done, you have millions of dial settings, but you can't really explain why they're set to those specific numbers. It's a black box.
A Different Way: Finding Rules Instead of Numbers
Ako fungujú niektoré novšie systémy
Niektoré systémy (napríklad tie, ktoré budujú firmy ako Dweve) fungujú inak. Namiesto nastavovania miliónov číselných hodnôt hľadajú logické pravidlá.
Namiesto učenia sa „váha 47 by mala byť 0,8234“ sa učia „ak e-mail obsahuje naliehavé slová A zároveň pochádza od neznámeho odosielateľa A obsahuje podozrivé odkazy, potom je pravdepodobne spam.“
Je to podobnejšie tomu, ako sa učí človek
V hlave nemáte čísla. Máte skúsenostné pravidlá: „Ak chlieb kyslo vonia, pravdepodobne je pokazený. Ak je obloha tmavá a ťažká, môže pršať.“
Dobré stránky
Rozhodnutia sa dajú skutočne vysvetliť. „E-mail bol označený ako spam, pretože spĺňal tieto tri vzory.“ Je to tiež oveľa efektívnejšie. Spotrebuje oveľa menej energie.
Zlé stránky
Nie každý problém sa dá dobre vyriešiť pravidlami. Niektoré veci naozaj potrebujú tie milióny drobných úprav čísel.
Ani jeden spôsob nie je vždy lepší. Sú to nástroje. Použijete ten správny na danú úlohu.
Ako proces učenia v skutočnosti vyzerá
Kde to naozaj funguje vo vašom živote
Ukážem vám, kde strojové učenie už používate každý deň, pravdepodobne bez toho, aby ste si to uvedomovali.
⏰ Váš ranný budík
Budík vo vašom telefóne má pravdepodobne funkciu, ktorá postupne zvyšuje hlasitosť. To je jednoduché. Niektoré telefóny sa však učia aj to, kedy máte tendenciu sa prirodzene zobudiť, a navrhujú lepší čas budenia. Strojové učenie si všimlo: „Vždy odložíte budík na 6:00, ale prirodzene sa zobudíte o 6:30. Navrhnem vám 6:30.“
🚗 Vaša cesta do práce
Mapové aplikácie predpovedajú dopravu. Ako? Naučili sa z miliónov jázd: „V utorok ráno býva táto diaľnica zahustená okolo 7:45. Keď prší, táto trasa sa spomalí o 15 minút.“ Vzorce nájdené v dátach.
📧 Váš e-mail
Každý spam, ktorý sa nedostane do vašej schránky? Strojové učenie. Každý e-mail automaticky zaradený do priečinkov? Strojové učenie. Vaša e-mailová aplikácia sa z miliónov príkladov naučila, ako spam vyzerá a čo je dôležité konkrétne pre vás.
🎬 Vaša zábava
Netflix navrhuje seriály. Spotify vytvára playlisty pre vás. YouTube odporúča videá. Všetko je to strojové učenie. Naučili sa: „Ľudia, ktorí pozerali tieto tri seriály, zvyčajne majú radi aj tento štvrtý. Ľudia, ktorí počúvajú tohto interpreta, zvyčajne majú radi aj týchto iných interpretov.“
🛒 Vaše nakupovanie
„Zákazníci, ktorí si kúpili toto, si kúpili aj...“ Strojové učenie. „Mohlo by sa vám páčiť aj...“ Strojové učenie. Dokonca aj ceny, ktoré vidíte, môžu byť upravené strojovým učením na základe vzorcov dopytu.
🔒 Vaša bezpečnosť
Vaša spoločnosť vydávajúca kreditné karty blokuje podozrivú transakciu? Strojové učenie si všimlo vzorec: „Táto platba nezodpovedá bežnému správaniu tejto osoby pri míňaní. Mohlo by ísť o podvod.“
Všetky tieto systémy sa učili z príkladov. Našli vzorce. Zlepšovali sa praxou. To je strojové učenie, ktoré sa denne dotýka vášho života desiatky krát.
Úprimné limity (Čo nedokáže)
Strojové učenie je mocné, ale nie je to mágia. Budem k vám úprimný o tom, čo nedokáže.
Nedokáže sa učiť bez príkladov
Potrebujete dáta. Veľa dát. Chcete naučiť počítač rozpoznať vzácnu chorobu? Potrebujete tisíce príkladov tejto choroby. Nemáte ich? Systém sa nedá vytrénovať. Je to také jednoduché.
Nedokáže pochopiť kontext ako ľudia
Človek vidí značku "STOP" zasypanú snehom a vie, že je to stále stopka. Počítač ju možno nespozná, pretože všetky jeho tréningové príklady ukazovali čisté, viditeľné stopky. Naučil sa vzor dokonalých stopiek, nie koncept "stop".
Nedokáže vysvetliť svoje uvažovanie (zvyčajne)
Opýtajte sa lekára, prečo si myslí, že máte chrípku: "Máte horúčku, bolesti tela a je chrípková sezóna." Jasné uvažovanie.
Opýtajte sa väčšiny AI systémov, prečo sa rozhodli tak, ako sa rozhodli: "Pretože týchto 47 miliónov čísel je nastavených na tieto konkrétne hodnoty." To nepomôže.
Naučí sa vaše predsudky
Ak ho vytrénujete na zaujatých dátach, naučí sa zaujatosť. Ak historické údaje o prijímaní do zamestnania ukazujú zaujatosť voči určitým skupinám, AI sa naučí byť tiež zaujatá. Nevie to lepšie. Jednoducho sa naučí to, čo je v dátach.
Nedokáže sa prispôsobiť úplne novým situáciám
Ľudia sú v tomto skvelí. Nikdy ste nevideli fialovú žirafu, ale keby ste ju videli, spoznali by ste ju ako žirafu, ktorá je náhodou fialová.
Počítač vytrénovaný na bežných žirafách by mohol byť z fialovej úplne zmätený. Nebola v tréningových dátach. Systém nevie takto zovšeobecňovať.
Toto nie sú drobné problémy. Sú základom toho, ako strojové učenie funguje. Pochopenie týchto obmedzení je rovnako dôležité ako pochopenie možností.
Čo si treba zapamätať
Ak sa vám to zdá veľa, tu je to, na čom skutočne záleží:
- 1 Strojové učenie je prax so spätnou väzbou. Počítač háda, kontroluje, či má pravdu, upravuje sa a opakuje. Presne tak, ako by ste sa učili čokoľvek praxou.
- 2 Existujú tri hlavné typy. Učené s učiteľom (s kľúčom odpovedí), učenie bez učiteľa (hľadanie vzorov na vlastnú päsť) a posilňované učenie (učenie sa pokusom). Každý funguje na iné problémy.
- 3 Hľadá vzory, nie porozumenie. Počítač to „nechápe". Len si všimne: keď vidím tento vzor, odpoveď je zvyčajne tamto. Výkonné, ale nie to isté ako ľudské porozumenie.
- 4 Používate ho neustále. Váš e-mail, vaše mapy, vaša zábava, vaše nakupovanie. Strojové učenie sa dotýka vášho života desiatky krát denne.
- 5 Má skutočné obmedzenia. Potrebuje veľa dát. Učí sa predsudky. Nevie sa ľahko vysvetliť. Nezovšeobecňuje ako ľudia. Pochopenie obmedzení je rovnako dôležité ako pochopenie schopností.
- 6 Existujú rôzne prístupy. Väčšina umelej inteligencie nastavuje milióny číselných gombíkov. Niektoré systémy sa namiesto toho učia logické pravidlá. Rôzne nástroje pre rôzne úlohy.
Spodný riadok
Strojové učenie nie je žiadna záhada. Je to len počítač, ktorý sa v niečom zlepšuje praxou.
Ukáž mu príklady. Nechaj ho hádať. Povedz mu, keď sa mýli. Sleduj, ako sa upravuje a zlepšuje. Opakuj tisíckrát. Nakoniec bude v danej úlohe naozaj dobrý.
Neučí sa tak, ako si sa ty naučil jazdiť na bicykli, čítať alebo nadväzovať priateľstvá. Nerozvíja si pochopenie, múdrosť ani zdravý rozum.
Hľadá štatistické vzory v údajoch prostredníctvom opakovanej praxe a úprav. To je všetko. Ale keď sa to robí v rozsahu, ktorý ľudia nedokážu napodobniť, s miliónmi príkladov, prináša to naozaj užitočné výsledky.
Tvoj spamový filter funguje. Tvoj hlasový asistent ti rozumie. Tvoje mapy ťa navigujú okolo dopravy. Všetko preto, že počítače trénovali na miliónoch príkladov, až kým nenašli vzory, ktoré fungujú.
Slovo „učenie" to robí znejúcim magicky. Realita je matematická. Ale tá matematika, praktizovaná vo veľkom, mení spôsob, akým žiješ svoj život každý jeden deň.
Teraz vieš, ako to funguje. Záhada je preč. Strojové učenie je objavovanie vzorov praxou. Jednoduchý koncept. Silné vykonanie. A používaš ho práve teraz, keď čítaš tieto slová na zariadení plnom systémov, ktoré sa naučili uľahčovať ti život.
Niektoré spoločnosti, ako napríklad Dweve, skúmajú rôzne spôsoby „praxe“ okrem pouhého nastavovania číselných hodnôt. Učenie logických pravidiel namiesto numerických váh. Hľadanie obmedzení namiesto tréningových parametrov. Rôzne prístupy pre rôzne problémy. Pretože strojové učenie nemusí byť univerzálne pre všetkých.