Kako veštačka inteligencija uči? / How does artificial intelligence learn?

Danas veštačka inteligencija pomaže lekarima da dijagnostikuju pacijente, pilotima da upravljaju komercijalnim avionima i urbanistima da predvide saobraćaj. Ova VI je najčešće samouka, radi na osnovu jednostavne grupe instrukcija da stvori jedinstven niz pravila i strategija. Dakle, kako mašine tačno uče? Briana Braunel objašnjava tri osnovna načina kako mašine istražuju, pregovaraju i komuniciraju. [Režija: Čamp Panupong Tečavongtavon; naracija: Safija Elhiljo; muzika: Embroz Ju] Upozorenje za stroboskopski efekat: imajte u vidu da ova animacija sadrži blješteća svetla i boje od 1:52 do 1:56.

Uključite / isključite prevod dole desno: strelica

AI TED 1

AI TED 2

AI TED 3

 

  

  

 
 
 Transkript 
 

Simonida Jekic, Translator

Milenka Okuka, Reviewer

00:00

Danas veštačka inteligencija pomaže doktorima da dijagnostikuju pacijente, pilotima da lete komercijalnim avionima i urbanistima da predvide saobraćaj. Bez obzira na to šta ova VI radila, informatičari koji su je dizajnirali verovatno ne znaju kako ona tačno radi. To je iz razloga što je veštačka inteligencija najčešće samouka i radi na osnovu jednostavne grupe komandi da bi stvorila jedinstveni niz pravila i strategija. Kako tačno mašina uči?

00:00

Postoje različiti načini kako se prave samouki programi. Ali su svi zasnovani na tri osnovne vrste mašinskog učenja: nenadgledano učenje, nadgledano učenje i učenje potkrepljivanjem. Da bismo ih videli na delu, zamislimo istraživače koji pokušavaju da izvuku informacije iz grupe medicinskih podataka koji sadrže hiljade profila pacijenata.

00:00

Prvo imamo nenadgledano učenje. Ovaj pristup bi bio idealan za analiziranje svih profila i pronalaženje sličnosti i korisnih obrazaca. Možda pojedini pacijenti imaju slične kliničke slike ili terapija ima određeni skup neželjenih dejstava. Ovaj opšti pristup traženju obrazaca može se koristiti da se pronađu sličnosti između profila pacijenata, kao i za pronalaženje novih obrazaca, sve to bez ljudskog delovanja.

00:00

Recimo da lekari traže nešto specifičnije. Ti lekari žele da stvore algoritam za dijagnostikovanje određene bolesti. Počnu tako što sakupljaju dve grupe podataka - medicinske slike i rezultate testova zdravih pacijenata, ali i od obolelih. Zatim te podatke unose u program dizajniran da prepozna karakteristike prisutne kod bolesnih pacijenata, ali ne i zdravih. Na osnovu toga koliko često uoči određene karakteristike, program će odrediti vrednosti koliko je neka karakteristika važna, stvarajući algoritam za dijagnostikovanje budućih pacijenata. Ali za razliku od nenadgledanog učenja, doktori i informatičari imaju aktivnu ulogu u onome što sledi. Doktori će napraviti konačnu dijagnozu i proveriti preciznost predviđanja algoritma. Onda informatičari mogu da koriste dopunjene setove podataka da prilagode parametre programa i poboljšaju njegovu preciznost. Ovaj direktni pristup se naziva nadgledano učenje.

00:00

Recimo da ovi doktori žele da naprave još jedan algoritam za preporučivanje planova za lečenje. S obzirom na to da će ovi planovi biti primenjeni u fazama, i možda će se menjati na osnovu reakcije pojedinaca na terapiju, doktori su odlučili da koriste učenje potkrepljivanjem. Ovaj program koristi učestan pristup za sakupljanje povratnih informacija o tome koji lekovi, doze i terapije su najefikasniji. Zatim poredi podatke sa profilom svakog pacijenta i stvara njihov jedinstveni, optimalni plan lečenja. Kako lečenje napreduje i program dobija sve više povratnih informacija, on može stalno da ažurira plan za svakog pacijenta. Nijedna od ove tri tehnike nije “pametnija” od ostalih. Nekima je potrebno više ili manje ljudske intervencije, sve imaju svoje prednosti i mane što ih čini odgovarajućim za određene zadatke. No koristeći ih zajedno, istraživači su izgradili kompleksne sisteme veštačke inteligencije gde pojedinačni programi mogu da nadgledaju i uče jedni druge. Na primer, kada naš program nenadgledanog učenja pronađe grupu pacijenata koji su slični, može da pošalje te podatke u program nadgledanog učenja sa kojim je povezan. Taj program onda može da pripoji ovu informaciju u svoja predviđanja. Ili desetine programa učenja potkrepljivanjem mogu da simuliraju moguće ishode kod pacijenata kako bi sakupili povratne informacije o različitim terapijama.

00:00

Postoje mnogi načini da se naprave ovakvi sistemi mašinskog učenja, a možda najobećavajući su oni koji imitiraju vezu između neurona u mozgu. Ove veštačke neuronske mreže mogu da koriste milione veza za teške zadatke poput prepoznavanja slika, govora, pa čak i prevođenja sa drugih jezika. Ali što su ovi modeli samostalniji, teže je informatičarima da odrede kako samouki algoritmi dolaze do svojih zaključaka. Istraživači već traže načine da učine mašinsko učenje transparentnijim. Međutim, kako VI postaje sve više uključena u naš svakodnevni život, ove enigmatične odluke imaju mnogo veći uticaj na naše poslove, zdravlje i bezbednost. Kako mašine nastavljaju da uče da istražuju, pregovaraju i komuniciraju moramo takođe uzeti u obzir da ih naučimo da uče jedna drugu da rade etički.