Sztuczna inteligencja a uczenie maszynowe

W zabawny sposób tę różnicę wskazał na swoim Twitterze Mat Velloso, doradca techniczny prezesa Microsoft, stwierdzając, że o ile jest to napisane w Python, to zapewne jest to uczenie maszynowe, a jeśli w Power Point – to mowa o sztucznej inteligencji. Podchodząc do zagadnienia nieco poważniej – jestem przekonany, że najlepszą odpowiedzią jest zrozumienie, że sztuczna inteligencja to dziedzina wiedzy skupiającą się na tworzeniu modeli zachowań inteligentnych, natomiast uczenie maszynowe to koncepcja sztucznej inteligencji oparta na idei, że powinniśmy być w stanie dać maszynom dostęp do danych (big data) i pozwolić im uczyć się samodzielnie. Podobnie jak wszystkim znana ze szkoły matematyka składa się między innymi z algebry czy analizy tak sztuczna inteligencja składa się z dziedzin takich jak uczenie maszynowe czy przetwarzanie i rozumienie języka naturalnego (NLP/NLU).

Sztuczna inteligencja

Historia sztucznej inteligencji sięga już czasów starożytnych, gdzie w greckich mitach możemy znaleźć wzmianki o sztucznych istotach obdarzonych inteligencją lub świadomością przez mistrzów rzemieślników. Nowoczesne nasiona sztucznej inteligencji zostały zasiane przez filozofów klasycznych, którzy próbowali opisać proces ludzkiego myślenia. W latach pięćdziesiątych Alan Turing stworzył test mający sprawdzać opanowanie przez maszynę umiejętności myślenia w sposób podobny do ludzkiego. Turing przewidywał, że maszyny będą w stanie przejść taki test na początku dwudziestego wieku, oceniając, że to właśnie rozwój uczenia maszynowego odegra w tym kluczową rolę.

Uczenie maszynowe

Na rozwój uczenia maszynowego w ostatnich latach szczególny wpływ miał zarówno rozwój internetu, jaki i ogromny wzrost generowanych, przechowywanych i udostępnianych do analizy ilości danych. Inżynierowie zdali sobie sprawę, że zamiast uczyć komputery i maszyny jak robić wszystko, o wiele bardziej efektywne byłoby kodowanie ich tak, by myślały jak ludzie. Następnie podłączali je do internetu, aby dać im dostęp do wszystkich informacji na świecie.
 

Pod względem struktury, metody uczenia maszynowego nie różnią się znacząco od klasycznych metod statystycznych w naukach o danych. Punktem wyjścia analizy danych jest konkretny sygnał wejściowy i proces analizy, który następnie dostarcza określony wynik. 
 

Biorąc przykład z technologii „rozpoznawania twarzy”, uczenie maszynowe umożliwia to, ponieważ algorytmy były najpierw szkolone na podstawie milionów danych obrazu, aby rozpoznać te struktury w masach danych, które definiują twarz. Na początku roku Facebook oficjalnie zaprzeczył, aby #tenyearschallenge był ich pomysłem, niemniej badacze określili ilość danych, jakie firma pozyskała w związku tą viralową akcją, jako „perfect storm for machine learning”. Oficjalnie i od dawna Google wykorzystuje miliony użytkowników internetu w procesie uczenia maszynowego, np. w trakcie przechodzenia przez weryfikację captcha, kiedy musimy wskazać obrazy zawierające pomnik, psa lub samochód.

Sieci neuronowe

Sieci neuronowe są kluczem do nauczenia komputerów, aby myślały i rozumiały świat w taki sam sposób jak ludzie, zachowując przy tym wrodzone korzyści jakie posiadają nad nami (takie jak szybkość i dokładność). Są one systemem komputerowym zaprojektowanym do pracy poprzez klasyfikowanie informacji w taki sam sposób, w jaki robi to ludzki mózg. Zasadniczo działa on na systemie prawdopodobieństwa – na podstawie danych, które są do niego przesyłane, jest w stanie sformułować stwierdzenia, decyzje lub przewidywania z określonym stopniem pewności. 

Dodanie pętli sprzężenia zwrotnego umożliwia mu „uczenie się” – wyczuwając lub informując, czy jej decyzje są słuszne, czy nie, modyfikuje podejście, które podejmuje w przyszłości.

Jednak nie tylko globalni gracze pracują nad rozwojem sztucznej inteligencji. Wykorzystując wspomniane sieci neuronowe, uczenie maszynowe i przetwarzanie języka naturalnego, aplikacja SentiOne React jest w stanie rozpoznać intencję wiadomości lub posta (np. pytanie/skarga), przekiero...