imagazin arrow2-left arrow2-right arrow2-top arrow-up arrow-down arrow-left arrow-right cart close dossiers education fb instagram menu notification oander rss rss-footer search service shuffle speech-bubble star store stores tests twitter youtube

Odstartujte nový rok efektivně!

Aplikace, které vám pomohou dosáhnout vašich cílů.

Kdo se neučí, zůstane ignorantem: současnost a budoucnost strojového učení


Prakticky všechno už je nějakým způsobem propojeno se strojovým učením, a to od nabídky služeb až po samořiditelná auta. Program dokázal díky strojovému učení porazit nejlepší hráče na světě ve hře Go. Ten samý software je nyní dál zlepšován za pomoci komplikovaných počítačových her, jde přitom jen o začátek. Kam však míří strojové učení a jak se může projevit na podobě reálné AI?

Celý svět byl ohromen, když program jménem AplhaGo dokázal porazit tehdy čtvrtého nejlepšího hráče světa, Jihokorejce Lee Sedola. Mezi devátým a patnáctým březnem roku 2016 vyhrál v Soulu počítač poměrem 4-1. Od té doby AlphaGo porazil řadu dalších známých jmen a své soupeření ukončil ve chvíli, kdy letos na jaře dokázal porazit čínského světového šampiona Ke Jieho.

Jak se může stát, že počítačový program dokáže porazit nejlepší hráče světa ve hře, jež je mnohem komplikovanější než dáma či šachy?

Stroje se učí hloubkově

Google odkoupil londýnskou společnost DeepMind v roce 2014, jde o start-up zaměřený na umělou inteligenci. Profesionálové z této firmy jsou známí skrz své zajímavé projekty a nejdříve naučili AlphaGo používat hluboké neuronové sítě, jež napodobují neuronové sítě v lidském mozku během hraní. Tato technika je běžně využívána ve světe komunikací – tímto způsobem jsou identifikovány fotografie nahrané na Facebook nebo rozpoznávání hlasových příkazů u smartphonů. Cílem je, že program zvládne rozpoznat třeba nosorožce, pokud ve své historii již viděl dostatečné množství fotek s tímto zvířetem. Software se po milionech pokusů dokázal naučit hrát i Go.

Vývojáři šli ještě dál a použili další techniku jménem posilování učení – program se učí na základě pokusů a omylů a je odměněn/potrestán na základě výkonu. V DeepMind vše navzájem zkombinovali a používají jak posilování učení, tak hluboké učení, jež je nyní v rozkvětu.

Drobně odlišné verze AlphaGo hrály proti sobě a systém zaznamenával, které kroky mají nejlepší výsledky a překvapení… program se po milionech utkání sám naučil vytvářet ideální strategie.

Tam se ale výzkumníci nezastavili a vyladili systém tím, že hry AlphaGo proti AlphaGo implementovali do další nervové sítě. Neurální síť naučila systém, aby poznal všechny následky jednotlivých kroků s dostatečným předstihem a dokázal zhodnotit šance na vítězství. Program se tak neučil pouze od lidí, ale od drobně odlišných verzí sebe sama.

Jak si může program poradit s nekompletními informacemi?

Víceúrovňové učení programu umožnilo porážet nejlepší hráče světa a vyhrát zápasy díky krokům, jež se měly šanci odehrát s pravděpodobností 1:10 000. To se mohlo stát díky tomu, že stroje zvládají zpracovávat data řádově rychleji než člověk. Program pokaždé prošel všemi možnými tahy a vypočítal, který z nich má největší šanci na výhru. A to i v případě, že byl konkrétní tah riskantní.

Tato úroveň však pro vývojáře z DeepMindu nebyla dostatečná. Nezávisle na tom, jak náročná hra Go je, stále se hraje s „odkrytými kartami“. Není zde žádná situace, kdy by měl některý z hráčů nekompletní informace, jak se to svátá v pokeru nebo ve videohrách.

Dalším krokem tak byl StarCraft, což možnostmi a obtížností na strojové učení dalece přesahuje Go. Hra je komplexnější – nejenže hráč musí přemýšlet dopředu, musí rovněž odhadovat soupeřovy kroky, algoritmus se musel vypořádat s chybějícími informacemi. Pokud by se podařilo překonat tuto překážku, umělá inteligence by se dostala na zcela jinou úroveň.

Program už nějaké zkušenosti s hraním her má, jelikož během vývoje hrál klasiky z dílny studia Atari. Dokázal se dokonce vypořádat s problémem, který se zdál téměř nepřekonatelný – software dokázal využívat svých nabytých zkušeností z ostatních her. To je přitom zcela klíčová vlastnost pro to, aby se zvládl vypořádat se StarCraftem, program musí odhadovat soupeřovy tahy a využívat proto informace lépe, než je jen prostě číst z paměti. Často například nastává situace, kdy nevidíme na území, na které jsme ještě před minutou viděli – přesto se musíme na základě vývoje na tomto území optimálně rozhodovat. Úspěch leží v hlubokém učení, což je technika, která dnes vývojářům v DeepMind sedí nejlépe.

Stroje se stávají chytřejšími

Strojové učení – obor studia, kde instrukce programu vznikají na neurální, nikoliv statické bázi. Kde modely vznikají evolucí sebe sama. Obor studia, který stojí blízko počítačové statistice a oficiálně existuje již 61 let od původního výzkumu AI. Skutečná důležitost se však objevila zásadně později, konkrétně v poslední dekádě dvacátého století, velké popularity se pak obor dočkal až v posledních deseti letech.

Ilustrace virtuálních dat

Procesu získávání informací pomohla řada faktorů, mezi které patří třeba rozvoj internetu, prezence prakticky všech myslitelných aktivit online, revoluce webu 2.0, vznik sociálních sítí, konec privilegií tvorby médií a šíření senzorových sítí. Vznikla obrovská hromada neuspořádaných dat, která se stala zcela klíčovými. Přišla éra Big Data: společnosti a další se snaží sesbírá množství dat, jež se na první pohled mohou zdát zcela zbytečná. Brzy se ale přijde na to, že se firmy musí naučit používat tato data zcela jiným způsobem. Jeden člověk na to nestačí, dokonce i počítač je na to krátký, pokud se nenaučí data zpracovávat úplně rozdílným způsobem. Naštěstí to však vypadá, že se k cíli pomalu blížíme, a to mnohem intenzivnější formou.

Odvětví hlubokého učení, jež kombinuje mnoho různých věcí, jako třeba zpracovávání přirozeného jazyka, rozpoznávání obrázků, vyhledávání, neurovědy, se stalo populárním právě kvůli překonávání výše zmíněných překážek. Dává si za cíl naučit počítače „myslet“ více hierarchickým a smysluplným způsobem. Že když například vidí zebru, zvládne rozpoznat základní charakteristiky zebry od obecných vlastností ostatních zvířat. Když pracuje s textem, musí se naučit přirozená spojení mezi slovy a najít způsob, jak vytvořit větu, jak vyjádřit myšlenku.

Program či algoritmus – obvykle neurální síť – se učí základní hierarchii z příchozích dat a jejich klasifikace založené na vzorech od úrovně k úrovni. Jde o jediný způsob, jakým lze zobrazovat data přesně a „hluboce“, zatímco program nezapomíná na možnost variací. Jiné kroky by vedly k jednostrannosti rozpoznávacího softwaru – program by zvládl třeba jen rozpoznávání obrázků, zvuků/hlasu, textu apod. Tyto kategorie musí být propojené již v samotném základu programu.

Co přinese budoucnost?

Podle průzkumu, o který se v roce 2015 postarala Oxfordská univerzita, strojové učení a „nová AI“ propojená s umělou inteligencí nahradí v nadcházejících dekádách až 47 % současných pracovních pozic. Nejohroženější pozice nejsou překvapivě manuální práce, ale rutinní intelektuální práce, jež se dá snadno automatizovat. Důvod je jednoduchý – podobné práce nepotřebuji pravidelný kontakt s fyzickým světem, může je tak bez problému vykonávat robot s odpovídajícími schopnostmi.

Brzy nebudou existovat žádné nabídky na služby či produkty, aniž by velké operátorské společnosti nejdříve nepoužily propracovaný algoritmus se strojovým učením. Aby však vše fungovalo dobře, musí nejdřív programy a systémy pochopit lidské způsoby, abychom my lépe rozuměli jim a oni lépe nám.

Pedro Domingos, profesor University of Washington v Seattlu, tvrdí, že řešením je master algoritmus – svatý grál počítačové vědy, který bude obsahovat pět přístupů k algoritmům učení. Pokud vezmeme „master algoritmus“ všech technologií a integrujeme jej do systému, stane se tak důležitým, že jej budeme moci nazvat „velkou sjednocenou teorií“ strojového učení. Profesor nejde dál do velkých detailů, jen říká, že tento moment může nastat kdykoliv: „Možná dnes, možná za 200 let.“

Algoritmy se zvládnou z dat naučit vše a mohou, teoreticky, najít řešení ke všemu vědění lidstva. Můžeme vložit krystalickou strukturu DNA a algoritmus přijde s dvojitou šroubovicí; zvládne přinést diagnózu a způsob léčení AIDS či rakoviny z obrovského množství lékařských dat.

Master algoritmus je nyní nejistou představou budoucnosti, jisté ale je, že strojové učení se v budoucnosti bude na našich životech podílet mnohem více, než jak je tomu dnes.

Použité práce

AlphaGo retires from competitive Go after defeating world number one 3-0

Deep Reinforcement Learning

Is a master algorithm the solution to our machine learning problems?

Machine learning, the new AI

iMac Pro
Apple Inc. (AAPL)

Tohle už jste četli?

Nový systém se zaměřuje především na dvě oblasti: na uživatelský zážitek a na výkon. Z pohledu výkonu staví na novém frameworku Metal, který Apple již dříve přinesl na iOS. Metal kombinuje schopnosti technologií OpenGl a OpenCL do jednoho prvku.

Klikněte zde!