Velika većina AI napredaka i aplikacija koje se čuju odnose se na kategoriju algoritama poznatih kao mašinsko učenje.
Algoritmi mašinskog učenja koriste statistiku da bi pronašli obrasce u masivnim količinama podataka. I podaci, ovdje, obuhvataju mnoštvo stvari – brojeve, riječi, slike, klikove, šta god. Ako se može digitalno uskladištiti, može se unijeti u algoritam za mašinsko učenje.
Mašinsko učenje je proces koji upravlja mnogim uslugama koje danas koristimo – preporuke poput onih na Netflix-u, YouTube-u i Spotify-u; pretraživači kao što su Google i Baidu; socijalni mediji kao Facebook i Twitter; glasovni asistenti poput Siri i Alexa. Lista se nastavlja.
U svim ovim slučajevima svaka platforma sakuplja što je moguće više podataka o vama – koje žanrove želite gledati, koje linkove klikate, na koje statuse reagujete – i koristite mašinsko učenje da biste napravili visoko obrazovnu pretpostavku o tome šta ćete vi možda uraditi sljedeće. Ili, u slučaju govornog asistenta, o tome koja se riječi najbolje uklapaju sa smješnim zvukovima koji izlaze iz usta.
Iskreno, ovaj proces je sasvim osnovan: pronađite obrazac, primijenite obrazac. Ali, u velikoj mjeri upravlja svetom. To je u velikoj meri zahvaljujući izumu iz 1986. godine, zahvaljujući Džefri Hintonu, danas poznatom kao otac dubokog učenja.
Duboko učenje je mašinsko učenje na steroidima: ono koristi tehniku koja daje mašinama povećanu sposobnost pronalaženja-i pojačavanja-čak i najmanjih šablona. Ova tehnika se duboko naziva dubokom neuronskom mrežom jer ima mnogo, mnogo slojeva jednostavnih računskih čvorova koji rade zajedno da gniježu podatke i daju konačni rezultat u obliku predviđanja.
Neuronske mreže su nejasno inspirisane unutrašnjim djelovanjem ljudskog mozga. Čvorovi su poput neurona, a mreža je kao i sam mozak. (Za istraživače među vama koji se suočavaju u ovom poređenju: zaustavite pooh-poohing analogiju. To je dobra analogija.) Ali Hinton je objavio svoj proboj u trenutku kada su neuronske mreže pale iz mode. Niko nije znao kako da ih obučava, tako da nisu dale dobre rezultate. Bilo je potrebno skoro 30 godina da se tehnika vrati. I dečko, kako se samo vratila.
Posljednja stvar koju trebate znati: mašinsko (i dubinsko) učenje dolazi u tri arome: nadgledana, bez nadzora i pojačana. Kod superviziranog učenja, najčešće, podaci se označavaju kako bi mašinu precizno naveli koje obrasce treba tražiti. Pomislite na to kao nešto kao psi koji su uhvatili tragove koji će loviti mete kada prepoznaju miris. To je ono što radite kada pritisnete igru na Netflix šou-vi kažete algoritmu da pronađe slične emisije.
U nenadležnom učenju, podaci nemaju oznake. Mašina samo traži sve obrasce koje može pronaći. To je kao da pusti psa da miriše tone različitih predmeta i sortira ih u grupe sa sličnim mirisima. Nenadlećene tehnike nisu toliko popularne jer imaju manje očigledne primjene. Interesantno, one su stekle popularnost u sajber sigurnosti.
Na kraju, imamo učvršćeno učenje, najnoviju granu mašinskog učenja. Algoritam pojačanja uči se probama i greškama kako bi se postigao jasan cilj. Isprobava puno različitih stvari i nagrađuje se ili kažnjava u zavisnosti od toga da li njegovo ponašanje pomaže ili onemogućava da postigne svoj cilj. Ovo je kao davanje i zadržavanje poslastica kada učite psa novi trik. Učenje ojačavanja je osnova Google-ovog AlphaGo-a, programa koji je slavno pretukao najbolje ljudske igrače u kompleksnoj igri Go.