Umjetna inteligencija, mašinsko učenje i duboko učenje

Umjetna inteligencija nije magija. Ona je naziv za sve kompjutorske aplikacije, ke imitiraju ljudsko ponašanje. Strojno učenje je opći izraz, kada kompjutorska aplikacija uči iz podatkov i tim stvara poseban slučaj umjetne inteligencije.

Jur vrlo jednostavne aplikacije broju se strojnomu učenju. Na primjer procjenjivanje nepoznatih parametrov u linearnom regresionom modelu. Jednostavno opisano: Imamo neku datarnicu, ka je rezultat nekoga eksperimenta. Željimo identificirati formulu, ka more opisati rezultat eksperimenta i da moremo onda predviditi daljne rezultate. Linearni regresioni model more se gledati kot baza za formulu, a parametri kot utegiuteg-Gewichte, Gewichtung. Oni utegi definiraju, ki dio formule je manje i ki je već relevantan. Automatizirano procjenjivanje onih parametrov je jednostavna aplikacija strojnoga učenja.

ChatGPT je rezultat dubokoga učenja. Duboko učenje more se viditi kot dalje razvito i kompleksno strojno učenje. Ima cilj, da ekstrahira mustre iz nekih ulaznih podatkov. To moru biti na primer slike, muzika ili rukom pisani teksti. Centralni sastavni dio dubokoga učenja je takozvani perceptron, jednostavan model jednoga neurona. Modeliran je nekolikimi inputi, utegami, funkcije sume, aktivacijskom funkcijom i outputom (vidi sliku).

Model perceptrona. Grafika: F. Wagner.

Kot je prije napomenuto, input more biti muzika ili neka slika. Na kompjuteru je sve to na neki način reprezentirano broji. Utega opet definira, kako relevantan je ta broj. Jednostavno opisano: Ako imamo na primjer aplikaciju na bazi dubokoga učenja za procjenjivanje temperature sutrašnjega dana, je temperatura današnjega dana relevantnija nego prosječna temperatura za ovu dob ljeta. Utega povezana s prvim brojem (= današnja temperatura) je viša od utege povezana s drugim brojem (= prosječna temperatura). Važno: Ovo je samo ilustrativan primjer, u stvarnosti ne morete identificirati veze u neuronskoj mreži na ov način.

Input broji se multipliciraju s utegami i izračuna se suma onih faktorov. Suma se ubacuje u nelinearnu funkciju. Funkcija mora biti nelinearna, mora strogo separirati broje i more funkcionirati kot prekidač (vidi sliku). Drugačije ukupni rezultat aplikacije ne bi bio specifičan. Ada: Bez nelinearne aktivacijske funkcije rezultati ChapGPT-a ne bi bili ovako impresivni. Rezultat aktivacijske funkcije je output perceptrona.

Jedna aktivacijska funkcija (u ovom slučaju: sinus hiperbolni). Grafika: F. Wagner.

Neuronska mreža postoji iz velikoga broja perceptronov. Jedan input mreže more biti input za već perceptronov. I output jednoga perceptrona more biti opet input drugim perceptronom.  Broj inputov, način povezivanja perceptronov i broj slojev odvisu od slučaja upotrebe dubokoga učenja.


Primjer neuronske mreže, svaki krug stoji za jedan perceptron – Izvor: Wikimedia, Cburnett (CC BY-SA 3.0)

Aplikacije dubokoga učenja se razlikuju i po načinu na kom mreža uči. Zapravo znači „učiti“ u ovom slučaju adaptiranje utegov mreže. Najvažniji načini učenja su: Učenje pod nadzorom, učenje bez nadzora i učenje s pojačanjem.

Načini učenja

Učenje pod nadzorom je vrst učenja iz primjera u ovom članku. Pomoću označenih podatkov, ulazno-izlazni par podatkov, neuronska mreža zna, što mora učiti. Ada, slikovito rečeno: Input je slika mačke i zapisano je uz sliku, da je to mačka.

Učenje bez nadzora koristi samo neoznačene podatke. Slikovito rečeno: Neka slika, ali ne znamo, što vidimo na sliki. Nije tako intuitivno kot učenje pod nadzorom, ova metoda učenja sposobna je za slučaje u ki nimamo pojma, kako bi naši rezultati trebali izgledati. Cilj je postignuti znanje i pronajti neku mustru u podatki.

Na primjer: Imamo popis kupcev neke firme (ulazni podatki). Poduzeće kani razumiti svoje klijente, ali još ne zna, kako se segmentiraju kupci (manjkanje izlaznih podatkov). Učenjem bez nadzora, algoritam automatski otkriva i grupira kupce u različite segmente.

Učenje s pojačanjem je način učenja s mrkvom i batinom. Algoritam uči putem pokušaja i pogriške. Nagrade i kazne djeluju kao signali za željeno i neželjeno ponašanje mreže. Na primjer: Slika mačke ubaci se u mrežu. Ako mreža identificira mačku, dobije nagradu. Tako signalizira, da je selekcija utegov dobra. Ako je mreža identificirala kucka, dobila bi kaznu i s tim dobila informaciju, da mora adaptirati utege.

Ako kanite se dalje baviti dibokim učenjem, MIT nudi podatke i snimke predavanja „Introduction to deep learning“ besplatno u internetu: http://introtodeeplearning.com


Slika na početku: Clarisse Croset/Unsplash

Piši komentar

Your email address will not be published.