Od konca 19. storočia sa vedci a inžinieri usilovali vytvoriť stroje, ktoré by namiesto ľudí riešili určité činnosti. Od začiatku však problém spočíva v tom, že ľudia využívajú nielen zmysly, ale aj intuíciu, a preto nie je ľahké algoritmizovať spôsob, ako uvažujeme.
Realizovateľné sú úsilia o vytvorenie algoritmov na riešenie úloh, ako je rozpoznávanie obrazu, triedenie predmetov, hranie hier, navigácia robotov v neznámom priestore, ale aj prognózy počasia, trhov či vývoja akcií na burze. Pri týchto a mnohých ďalších úlohách sa uplatní strojové učenie, machine learning.
Machine learning je typ umelej inteligencie, ktorá má schopnosť učiť sa spoznávať atribúty reálneho sveta a následne na ne adekvátne reagovať bez toho, aby bol riadiaci počítač inteligentného systému na tieto úlohy explicitne naprogramovaný.
Na huby s robotom
Princíp strojového učenia najlepšie vysvetlíme na príklade malého robotického vozidla, ktoré má za úlohu zbierať v lese huby. Keď sa vozidlo priblíži k hube, preskúma ju senzorovým systémom a má sa rozhodnúť, či ju ako jedlú zoberie, alebo ako jedovatú nechá na mieste. Senzory zisťujú toľko parametrov, koľko sa len dá, väčšinu z nich na základe rozpoznávania obrazu. Pri hubách to bude farba, tvar a povrch klobúka, rebrovanie, nohy, prstienka alebo zápach. Riadiaci systém však na túto úlohu nie je explicitne naprogramovaný – presne ako v definícii strojového učenia. Preto pri prvom zbere vozidlo prinesie na základňu všetky huby, na ktoré natrafilo. Na základni znalec huby vytriedi a oznámi riadiacemu systému vozidla, ktoré huby sú jedlé. Takýchto výletov, keď vozidlo prinesie všetky huby, bude viac, ale od určitého okamihu, keď učiaci sa algoritmus usúdi, že je k dispozícii dostatok prípadov na vytvorenie rozhodovacieho modelu, začne robot zbierať iba huby, o ktorých si myslí, že sú jedlé. Samozrejme, spočiatku bude robiť chyby a nosiť na základňu aj iné huby ako jedlé, no ich počet bude postupne klesať.
Relevantnosť atribútov
Na takúto úlohu je vhodný napríklad algoritmus tzv. rozpadových stromov. S postupujúcim časom učenia bude stúpať nielen úspešnosť rozhodovania, ale aj rýchlosť celého procesu. Výsledkom vytvoreného modelu je totiž aj určenie relevantnosti jednotlivých atribútov. V našom prípade je najdôležitejšie kritérium na určenie požívateľnosti huby zápach. Jedlé huby sú bez zápachu alebo voňajú ako aníz či mandle. A naopak, huby, ktoré majú hnilobný zápach, sa s najväčšou pravdepodobnosťou dajú zjesť len raz. Nasleduje farba rebrovania, tvar prstienka…
Niektoré atribúty majú však na rozhodovanie nepatrný až nulový vplyv, takže sa ich neoplatí merať a proces rozpoznávania sa tým zrýchli. Takto sa po jednotlivých opakovaniach (iteráciách) predikčný model spresňuje a často aj zjednodušuje fáza zberu údajov zo senzorov.
Rozvinutie analógie
Základňa, kam robotické vozidlo vozí huby na analýzu, je analógia cloudovej služby na zber a analýzu. Proces strojového učenia pozostáva z opakovaní (iterácií) a každé z nich má niekoľko fáz. Prvá sa týka získania požadovaných údajov vo vhodnej forme. Na to je potrebný výber relevantnej množiny dát, ich predspracovanie a transformácia. Nasleduje získavanie dát (datamining) a tvorba modelov na rozhodovanie. Dôležitá fáza pre úspešnosť celého procesu je vyhodnotenie získaných vzťahov a ich validácia.
Postupne v priebehu jednotlivých iterácií sa vykonáva kontrola a spresnenie natrénovaného systému a zvýšenie váhy relevantných atribútov. Ak sa úspešnosť systému dostane nad určitú úroveň, systém sám začne predvídať nadväzujúce akcie. To je v našej analógii prípad, keď robotické vozidlo už neprivezie na základňu všetky huby, ale iba tie, o ktorých si myslí, že sú jedlé.
Autor: Ľuboslav Lacko
Foto: Pixabay.com
Uverejnila: VČ
Viac o tom, či stroje môžu myslieť, ako aj o iných zaujímavých témach, sa dočítate v časopise Quark (číslo 10/2017), ktorý nájdete v novinových stánkoch alebo si ho môžete predplatiť v elektronickej alebo papierovej verzii na www.quark.sk.