Prawdziwa twarz sztucznej inteligencji

Jeśli tak jak my masz już dość clickbaitowych artykułów o tym, jak sztuczna inteligencja lada chwila przejmie władzę nad światem, przeczytaj nasz tekst i dowiedz się, jak naprawdę działa AI. Merytorycznie piszemy o kluczowych kwestiach związanych z rozwojem sztucznej inteligencji. Przedstawiamy metody tworzenia modeli AI, a także wskazujemy nowe kierunki jej rozwoju i zawody, jakie współcześnie można realizować w tym obszarze. Przeczytaj, a w końcu będziesz wiedzieć, “o co tak naprawdę chodzi z tym całym zamieszaniem wokół AI”.

 

AI czyli (amg. Artificial inteligence) to obszar nauk komputerowych zajmujący się tworzeniem modeli i urządzeń, które w pewien sposób odwzorowują inteligencję człowieka, np. potrafią wyróżnić na obrazie konkretne elementy, określić, czy dany komentarz w sieci ma wydźwięk pozytywny czy negatywny, a nawet podejmować decyzje.

Uczenie maszynowe - to tu zaczyna się AI

Podwalinami, na których powstają modele kluczowe dla działania sztucznej inteligencji, są tzw. modele uczenia maszynowego. Wykorzystując rachunek prawdopodobieństwa, macierze i skomplikowane obliczenia, tworzy się modele, które przerabiając bardzo duże zbiory odpowiednio pogrupowanych danych, są w stanie nauczyć się wykonywania konkretnych akcji. W efekcie potrafią np. rozpoznać, jaki obszar zdjęcia to ludzka twarz, zamienić język mówiony na tekst, czy na podstawie analizy profilu genetycznego oszacować, jakie schorzenia zagrażają danej osobie.

 

Generalnie uczenie maszynowe dzieli się na dwa obszary - uczenie nadzorowane i nienadzorowane. Uczenie nadzorowane zakłada, że zbiór danych, na którym uczą się modele jest wstępnie posegregowany i oznaczony (np. specjalnymi etykietami). Takie oznaczenia stanowią swego rodzaju podpowiedź dla modelu i sugerują mu interpretowanie danych w określony sposób. Zazwyczaj w ten sposób opracowuje się zagadnienie regresji (przewidywanie wartości) i klasyfikacji (przypisywanie danych do określonych klas). Z kolei w przypadku uczenie nienadozorowanego algorytmy otrzymują dane nieoznakowane i muszą same poradzić sobie z ich analizą, znajdując najczęściej powtarzające się powiązania między elementami.

Inżynieria cech

Inżyniera cech (ang. Feature engineering) to w dużym uogólnieniu wynajdywanie nowych cech i powiązań na podstawie już istniejących. Choć brzmi to nieco enigmatycznie, po dłuższym zastanowieniu możemy wskazać bardzo wiele potencjalnych zastosowań tego zagadnienia w dziedzinach życia i biznesu. Na przykład poruszając się po historii transakcji użytkownika bankowości elektronicznej można wydobyć wiele nowych kwestii:

• wysokość zarobków,
• ulubione sklepy i miejsca,
• rodzaj zatrudnienia,
• potencjał do inwestowania na podstawie wysokości przychodów i wydatków.

 

Podobnie analizując dane użytkownika portalu do zamawiania noclegów można wyestymować:

• w jakie miesiące najchętniej podróżuje,
• jakiego rodzaju obiekty najchętniej go interesują (duże hotele czy pensjonaty, a może prywatne apartamenty),
• czy podróżuje sam, czy w towarzystwie.

 

Na podstawie wybranych w ten sposób cech można potem przewidywać trendy i korelacje, podejmować decyzje biznesowe i tworzyć ofertę bardziej pasującą do preferencji klientów.

Przetwarzanie obrazu, dźwięku i języka

Obecnie wszyscy mamy w zasięgu kilku kliknięć narzędzia, które potrafią skutecznie wygenerować obraz, muzykę czy tekst w wybranym języku. Nie wszyscy jednak zdają sobie sprawę z tego, że u podstaw działania tych narzędzi leży przetwarzanie konkretnego rodzaju danych. By modele nauczyły się generować obraz, dźwięk lub tekst, mszą najpierw umieć go przetworzyć i pogrupować w określony sposób. W dużym uproszczeniu odbywa się to tak, że program dostaje ogromne zbiory pewnych formatów, np. bazę kilkudziesięciu tysięcy obrazów, wyszukuje zależności (sam lub z pomocą nadanych etykiet) i na tej podstawie jest potem w stanie wyróżnić ludzką twarz lub konkretny przedmiot na zdjęciu. Dlatego przetwarzanie różnych typów danych to jeden z filarów sztucznej inteligencji.

Sieci neuronowe

Sieci neuronowe stanowią jeden z aspektów uczenia głębokiego (deep learning). Są to specjalne systemy do przetwarzania informacji, które sposobem działania przypominają funkcjonowanie neuronów w mózgu. Sieci podzielone są na warstwy i sztuczne neurony reprezentowane w kodzie przez funkcje. Odpowiednio przygotowane dane wejściowe przechodzą przez kolejne warstwy obliczeniowe, w ten sposób sieć neuronowa może podejmować decyzje i selekcjonować informacje. Frameworkami, które umożliwiają sprawne tworzenie sieci neuronowych są m.in. TensorFlow i Pytorch.

 

Przyszłość sztucznej inteligencji

Wiemy już, na czym zasadzona jest sztuczna inteligencja. Spójrzmy teraz w przyszłość. Jakie nowe obszary i zawody pojawiają się w dziedzinie maszynowego? Co rozwija się najprężniej? 

Modele generatywne

Modele generatywne to współcześnie jedna z najszybciej rozwijająca się gałąź sztucznej inteligencji. Są one złożonymi modelami obliczeniowymi, które potrafią nie tylko analizować dane, ale przede wszystkim również je tworzyć. Modele generatywne produkują unikalne dane, potrafią się uczyć, a nawet rozwiązywać złożone problemy przez tworzenie odpowiednich symulacji. Przykładowe rodzaje modeli generatywnych to np.

• Generatywno-dyskryminacyjne — to tak naprawdę dwie sieci neuronowe, które konkurują ze sobą. Pierwsza sieć tworzy realistyczne dane na podstawie losowego generowania, a druga próbuje odróżnić prawdziwe dane od tych wygenerowanych. Takie modele sprawnie się uczą, dlatego znajdują zastosowanie w klasyfikacji i rozwiązywaniu problemów zbyt trudnych dla innych rodzajów algorytmów.
• Autoenkodery wariacyjne — składają się z dwóch modułów — enkodera i dekodera. Enkoder analizuje dane i tworzy ich reprezentację, a dekoder na podstawie tej reprezentacji generuje nowe dane. Mają szerokie możliwości zastosowania — w inżynierii cech, wykrywaniu anomalii, klasyfikacji danych 
• Transformacyjne — oparte architekturze tzw. transformatora, która umożliwia przekształcanie długich sekwencji danych. Modele te bardzo dobrze radzą sobie z tworzeniem tekstu, dlatego głównie wykorzystuje się je w przetwarzaniu języka naturalnego.

Inteligencja rozszerzona

Augmented Intelligence to dziedzina wykorzystująca uczenie maszynowe do zwiększania możliwości pracy ludzi. Celem nie jest tu zastąpienie człowieka, ale jedynie wspieranie go w wykonywaniu pewnych zadań. Do tego obszaru zaliczamy wszelkiego rodzaju boty (np. czatboty i voiceboty, które możemy spotkać na stronach wielu usług i produktów) oraz modele ułatwiające analizowanie powtarzalnych zbiorów danych i podejmowanie decyzji, np. algorytmy w aplikacjach medycznych pomagające lekarzom wstępnie rozpoznać objawy i określić rodzaj schorzenia. Osiągnięcia z obszaru inteligencji rozszerzonej są też wykorzystywane w przemyśle, gdzie automatyzacja procesów przekłada się wyższą wydajność fabryk i zmniejszenie awarii w pracach maszyn.

Prompt engineering

Prompt Engineering to tworzenie tzw. promptów, czyli zapytań dla modeli językowych, w taki sposób, by pozwalały uzyskać jak najlepsze efekty użytkownikowi końcowemu. Od drugiej strony mianem tym określa się także technikę inżynierii AI służącą do ulepszania dużych modeli językowych przez dodawanie odpowiednich podpowiedzi.

 

W obliczu rosnącej popularności narzędzi generujących tekst i obraz (również w biznesie) zawód prompt inżyniera ma przed sobą świetlaną przyszłość. Czego należy się uczyć, by nim zostać? Prompt inżynier powinien znać tajniki i zagadnienia związane z przetwarzaniem języka naturalnego oraz obsługujące ten temat frameworki. Przydatna będzie też znajomość Pythona i modeli generatywnych.

Jak widzisz, temat AI i uczenia maszynowego to bardzo szerokie zagadnienia, o których można pisać i opowiadać w nieskończoność. Z pewnością machine learning i sztuczna inteligencja będą wdzierały się do kolejnych sfer biznesu i naszego życia codziennego. Jeśli marzy Ci się zostanie specjalistą w tej dziedzinie, sprawdź nasz kurs Machine Learning i AI — nie da się ukryć, że wiemy na ten temat całkiem sporo ;). A jeżeli chcesz dowiedzieć się jeszcze więcej, zajrzyj na nasz miniony webinar, w którym rozmawiamy o tym, jak rozwój AI może wpłynąć na branżę IT.