Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
SZTUCZNAINTELIGENCJA
Algorytmyuczeniamaszynowegotrenujesięnadanychhistorycznych,czylinaprzykładach.
Podczasuczeniaalgorytmwykrywaukrytewtychprzykładachwzorceinaichpodstawietworzy
modeluczeniamaszynowego.Takimodelmożebyćnastępnieużywanydopredykcji,czyliuzu-
pełnianiabrakującychdanychonowych,nieznajdującychsięwtreningowymzbiorzedanych
obserwacji.Naprzykładmodelnauczonynadanychsprzedażowychmożeprzewidziećprzyszłą
wartośćsprzedaży,modelnauczonynahistoriachchoróbpacjentówmożeoceniaćpostępy
leczenianowychpacjentów,amodelnauczonynadanychopisującychdziałaniesieciwodo-
ciągowej–przewidywaćzużyciewody,wykrywaćpróbykradzieżyalboznajdowaćbieżące
iprzyszłeawariewodociągów.
Skorouczeniemaszynowepoleganawykrywaniuukrytychwprzykładachtreningowychwzor-
ców,toimwiększąilościądanychdysponujemy,tymlepszeosiągniemyrezultaty.Jednakwraz
zewzrostemilościdanychtreningowychrosnąrównieżwymaganiaobliczeniowe.Podamprosty
przykład–zdjęciezrobionewrozdzielczości800×600zawieraprawie1,5mlnliczbrepre-
zentującychwartościRGBokreślającychkoloryposzczególnychpikseli,ajesttorozdzielczość
mniejszaniżtypowadlawspółczesnychzdjęć.Problemwydajnościobliczeńrozwiązałyakcele-
ratorygraficzneogólnegozastosowania(ang.general-purposecomputingongraphicsprocessing
units,GPGPU)[40].PrzewagąGPUnadCPUjestichrównoległaarchitekturapozwalającana
wykonywaniewciągusekundytysięcyrazywiększejliczbyprostychoperacjimatematycznych,
takichjakmnożeniemacierzy.Trzecim,równieważnymczynnikiem,któryprzyczyniłsiędo
kolejnegorozkwitubadańnadsztucznąinteligencją,byłoopracowanienowychalgorytmów
pozwalającychmaszynomefektywnieuczyćsięnietylkonapodstawiedanychtreningowych,
leczprzedewszystkimnapodstawiesamodzielniewyodrębnionychztychdanychabstrakcyj-
nychwłaściwości.Rozpoczęłasiętrwającadodziśeragłębokiegouczeniamaszynowego
(ang.deeplearning,DL),wktórejsztucznainteligencjauczysięnapodstawieautomatycznie
wykrywanychabstrakcyjnychcech,zwykorzystaniemtakichalgorytmówuczeniamaszyno-
wegojakkonwolucyjnesiecineuronoweirekurencyjnesiecineuronowe[41].
Natymetapiesztucznainteligencjaszybkodogoniła,anastępnieprzegoniłaludziwwybra-
nychdziedzinach.Naprzykładbotypotrafiąrozmawiaćnazadanetematy,takiejakrezerwacja
samolotuczyhotelu,asystemyrozpoznawaniaobrazówklasyfikowaćprzedmiotywidocznena
zdjęciachczynagraniachwideo.Cechącharakterystycznąsystemówgłębokiegouczeniamaszy-
nowegojestzdolnośćdorozwiązywaniaproblemów,którychpokonanieludziomprzychodzi
stosunkowołatwo,natomiastmaszynywcześniejniepotrafiłysobieznimiporadzić.
Maszynynauczyłysięprzedewszystkimsłyszećirozumiećzdaniawypowiadanewtakichjęzy-
kachjakangielskiczychiński.Jużw2012r.procentpopełnianychprzezniebłędów(błędnie
zrozumianychwypowiedzi)spadłponiżej4%.Wtymczasiemaszynypotrafiłyoprócztego
mówić,popełniającmniejbłędówniżstatystycznyczłowiek.Pięćlatpóźniejmaszynynauczyły
siętłumaczyć(najęzykchiński,anastępnieangielski)jakludzie.
Postępwdziedzinierozpoznawaniaobrazówrównieżbyłimponujący.W2012r.systemucze-
niamaszynowegoprawidłoworozpoznał74%pokazanychmuprzedmiotów.Wnastępnym
rokubyłotojuż85%(tenwynikzawdzięczamyrozwojowikonwolucyjnychsiecineuronowych),
4
