The Business of Artificial Intelligence – Part II.

Part II - So what is AI?

Termín umelá inteligencia bol vytvorený v roku 1955 matematickým profesorom Johnom McCarthym, ktorý organizoval kľúčovú konferenciu na túto tému nasledujúci rok. Zadefinovali ju ako systém schopný riešiť úlohy, na riešenie ktorých človek musí použiť svoju inteligenciu. To je samozrejme pomerne široká definícia, a preto niekedy vidíte hádky o tom, či niečo je alebo nie je umelá inteligencia. 

AI systémy zvyčajne preukazujú aspoň niektoré z nasledujúcich správaní, ktoré súvisia s ľudskou inteligenciou: plánovanie, učenie, argumentácia, riešenie problémov, reprezentácia vedomostí, vnímanie, pohyb a manipulácia a v menšej miere sociálna inteligencia a kreativita.

Od svojho vzniku, možno sčasti kvôli svojmu evokujúcemu názvu, toto pole prinieslo viac fantastických tvrdení a sľubov ako ktorýkoľvek iný obor ľudskej činnosti. Ekonomovia predpovedali, že počítače dokážu poraziť človeka v šachu v priebehu 10 rokov. (Ehm, trvalo to 40.) V 60. rokoch sa predpokladalo, že umelá inteligencia bude v priebehu generácie prakticky vyriešená. Realita je ale iná, preto je pochopiteľné, že dramatické tvrdenia o budúcich prelomoch sa stretávajú s určitým množstvom skepticizmu.

Hypy sú ale bežné v mnohých vznikajúcich technológiách, e.g. dot-com bubble. Pokles záujmu verejnosti, vládnych predstaviteľov a investorov po takomto hype sa nazýva “AI winter”. Umelá inteligencia ich má za sebou niekoľko, ale napriek nárastu a poklesu reputácie AI sa pokračovalo v rozvoji nových a úspešných technológií. Výskumník AI Rodney Brooks si v roku 2002 sťažoval, že "je tu hlúpy mýtus, že AI zlyhala, ale v skutočnosti sme ňou obklopený každý deň”.

zdroj: http://www.milnerltd.com/blog/is-winter-coming-the-rise-and-fall-of-artificial-intelligence/

My sa dnes ale budeme strojovému učeniu - podoblasti umelej inteligencie zaoberajúcej sa metódami a algoritmami umožnujúcimi stroju učiť sa z dát a interakcií so svetom bez toho, aby ich musel človek explicitne programovať na riešenie danej úlohy.

Poďme začať skúmaním toho, čo strojové učenie už robí a ako rýchlo sa zlepšuje. Najväčší pokrok bol zaznamenaný v dvoch širokých oblastiach: vnímanie a poznanie. V prvej kategórii boli niektoré z najpraktickejších pokrokov vo vzťahu k reči. Rozpoznávanie hlasu je stále ďaleko od dokonalosti, ale milióny ľudí ho uz teraz používajú - prikladom je Siri, Alexa a Google Asistent. Stanfordská štúdia počítačového vedca Jamesa Landaya a jeho kolegov zistila, že rozpoznávanie reči je v priemere trikrát rýchlejšie, ako je pisanie na mobilnom telefóne. Miera chybovosti, kedysi 8,5%, klesla na 4,9%. Je pozoruhodné, že toto výrazné zlepšenie nedošlo za posledných 10 rokov, ale už od leta roku 2016.

Rozpoznávanie obrazu sa tiež dramaticky zlepšilo. Možno ste si všimli, že Facebook a iné aplikácie teraz rozpoznávajú tváre vašich priateľov vo vyvesených fotografiách a vyzývajú vás, aby ste ich označili menami. Rozpoznávanie zamestnancov na zaklade tvare dnse dokonca nahrádza identifikačné karty v sídlach niektorych spoločnosti. Systémy na analýzu obrazu v samojazdiacich autách donedávna nesprávne klasifikovali chodca v jednom z 30 snímkov (kamery v týchto systémoch zaznamenávajú asi 30 snímok za sekundu); dnes sa pomýlia raz v 30 miliónoch snímkov. Miera chýb pri rozpoznávaní obrázkov z veľkej databázy s názvom ImageNet, s niekoľkými miliónmi fotografií bežných, nejasných alebo jednoznačne čudných obrazov, klesla z vyše 30% v roku 2010 na približne 4% v roku 2017 pre najlepšie systémy.

zdroj: GlobalLogic

Rýchlosť zlepšovania sa v posledných rokoch prudko zvýšila, pretože sa vo veľkom začal používat nový prístup založený na veľmi veľkých alebo "hlbokých" neuronových sieťach. Systémy videnia založené na strojovom učení sú však ešte ďaleko od bezchybných - na druhej strane, ani ľudia nie sú dokonalí.:)

Druhý typ významného zlepšenia nastal v poznaní a riešení problémov. Stroje už porazili najlepších ľudských hráčov pokru a čínskej hry Go - úspechy, ktoré odborníci predpovedali, že budú trvať najmenej ďalšiu dekádu. Tím spoločnosti Google DeepMind použil systémy strojového učenia na zlepšenie efektivity chladenia v datacentrách Googlu o viac ako 15%, aj keď uz boli optimalizované odborníkmi.

Spoločnost Deep Instinct, zaoberajúca sa počítačovou bezpečnosťou používa inteligentných agentov na detekciu škodlivého softvéru a PayPal na prevenciu prania špinavých peňazí. Systém využívajúci technológiu IBM automatizuje nárokovanie poistných udalostí v poisťovni v Singapure a systém firmy Lumidatum, čo je platforma pre dátovú vedu, ponúka včasné rady na zlepšenie zákaznickej podpory. Desiatky firiem používajú strojové učenie na rozhodovanie o tom, ktoré obchody sa majú vykonávať na Wall Street, a čoraz viac kreditných rozhodnutí sa robí prave s pomocou týchto systémov. Spoločnosť Amazon používa strojové učenie na optimalizáciu inventára a zlepšovanie odporúčaní pre zákazníkov.

Ďalsie spoločnosti vyvinuli systémy na predpovedanie toho, či konkrétny používateľ klikne alebo neklikne na konkrétnu reklamu alebo aj systém na zlepšenie vyhľadávacích možmostí zákazníkov pre jedného brazílskeho online predajcu. Prvý systém zvýšil návratnosť investícií do reklám trojnásobne a druhý viedol k nárastu ročných príjmov o 106 miliónov eur.

Čoraz viac spoločností sa dnes venuje aj aplikovaniu strojového učenia v oblasti medicíny. Medzi ne patrí aj GlobalLogic. U nás používame hlboké neurónové siete na analýzu veľkého množstva CT snímkov pľuc a hľadáme v nich podozrivé tkanivá a rakovinové nádory.

zdroj: https://deepmind.com/blog/alphago-zero-learning-scratch/

Strojové učenie nielenže nahrádza staršie algoritmy v mnohých aplikáciách, ale stáva sa dominantným aj v úlohách, ktoré boli doteraz schopní vykonávať len ľudia. Rozpoznávanie hlasu aj v hlučnom prostredí sa takmer rovná výkonu človeka. Dosiahnutie tohto prahu otvára nové rozsiahle možnosti na transformáciu pracoviska a ekonomiky. Akonáhle systémy založené na umelej inteligencii prekonajú ľudske schopnosti pri danej úlohe, pravdepodobnosť ich širokého nasadenia sa rapídne zvyšuje.

Toto sú impozantné úspechy, ale uplatniteľnosť systémov založených na umelej inteligencii je stále dosť úzka. Napríklad ich pozoruhodný výkon v databáze ImageNet, dokonca napriek miliónom dostupnych snímok, nie vždy zaručuje úspech v produkčnom nasadení, kde sú podmienky osvetlenia, uhly, rozlíšenie obrazu a kontext veľmi odlišné. Môžeme obdivovať systém, ktorý rozumie čínskemu prejavu a prekladá ho do angličtiny, ale neočakávame od neho, že by takýto systém vedel, čo znamená konkrétny znak - nieto ešte, čo sa oplatí vidieť v Pekingu.

Ak niekto dobre plní úlohu, je prirodzené predpokladať, že osoba má určité kompetencie aj v súvisiacich úlohách. Systémy strojového učenia sú však vytrénované na vykonávanie konkrétnych úloh a zvyčajne sa ich znalosti nezovšeobecňujú príliš dobre. Predpoklad, že úzko špecializované "porozumenie" problému počítačom vedie aj k širšiemu pochopeniu danej oblasti je mylná a pravdepodobne je aj najväčším zdrojom zmätku a prehnaných tvrdení o schopnostiach dnešného strojového učenia. Od mysliacich strojov so všeobecnou inteligenciou v širokom spektre rôznych domén sme ešte ďaleko.

Najdôležitejšou vecou, ktorú je potrebné pochopiť o strojovom učeni, je to, že predstavuje fundamentálne odlišný prístup k vytváraniu softvéru: Stroj sa naučí z príkladov, a nie je explicitne naprogramovaný na konkrétny výsledok. Toto je dôležitý prelom od predchádzajúcej praxe. Za posledných 50 rokov sa väčšina pokroku v oblasti informačných technológií a ich aplikácií zamerala na kódovanie existujúcich vedomostí a postupov a ich nasadenie v počítačoch. Termín "kódovanie" označuje náročný proces prenosu poznatkov z hláv vývojarov do formy, ktorú stroje dokážu pochopiť a vykonať. Tento prístup má zásadnú slabosť: veľa poznatkov, ktoré všetci máme, je vo forme, ktoru nemôžeme úplne vysvetliť. Je takmer nemožné, aby sme si napísali pokyny, ktoré by umožnili inej osobe naučiť sa jazdiť na bicykli alebo rozpoznať tvár priateľa.

Strojové učenie sa delí na 3 základné formy:

• učenie príkladom (supervised learning)
• učenie bez dozoru (unsupervised learning)
• učenie odmenou a trestom (reinforcement learning)

1.Supervised learning 

Ide o v súčasnosti najrozšírenejší a najrozvinutejší prístup. Je založený na tom, že na základe tréningového datasetu aproximujeme funkciu, ktorá popisuje vzťah medzi našimi dátami a premennou, ktorú chceme predikovať. Funkcia sa s každou iteráciou viac a viac zlepšuje až nakoniec dosiahneme úroveň presnosti, s ktorou sme spokojní. V praxi sa využíva napríklad na spomínané detekovanie pľúcnych nádorov, strojový preklad alebo syntézu reči.

2.Unsupervised learning

Napriek tomu, že táto oblasť je dnes najmenej rozvinutá, odborníci ako Yann LeCun, riaditeľ Facebook AI Research labu, si myslia, že práve týmto smerom by sa mal uberať vývoj umelej inteligencie. Dnes túto skupinu algoritmov tvoria najmä zhlukovacie metódy.

3.Reinforcement Learning

Tento spôsob učenia si môžete predstaviť ako trénovanie psa pomocou odmien a trestov. Ak agent vykoná akciu, vďaka ktorej sa priblíži k naplneniu cieľa, ktorý ste mu určili, odmeníte ho pozitívnym skóre, ktoré sa snaží maximalizovať. Na základe mnohopočetných interakcií so svetom si agent postupne vybuduje vlastnú reprezentáciu daného prostredia, s ktorou je schopný efektívne pracovať. Stratégie ako sa takéto reprezentácie vytvárajú sú rôzne a predstavujú rôzne formy reinforcement learningu. Check the link below. 🙂

 https://www.youtube.com/watch?v=qv6UVOQ0F44