Vše, co jste chtěli vědět o strojovém učení

Strojové učení je podoblast umělé inteligence, která pomáhá počítačovým systémům k dalšímu zdokonalování se. Právě díky němu dokážou dosáhnout lepších schopností, než jaké měli jejich vývojáři. Jak to celé funguje a kde se můžeme se strojovým učením setkat?

Co je to strojové učení

Strojové učení pomáhá strojům se učit, postupně se zdokonalovat. Díky tomu provádějí identický úkol postupně lépe – buď rychleji, či přesněji. Samotný pojem strojové učení vymyslel Arthur Samuel z IBM. Přišel s ním v roce 1959, když pracoval v oblasti počítačových her.

Strojové učení se dostalo ke slovu zejména díky snahám o počítačové zpracování obrazu a o rozpoznávání jednotlivých objektů, které jsou zachyceny na digitálních fotografiích či později videích. Dnes ho v této oblasti masivně využívá například obrazový vyhledávač Googlu na adrese images.google­.com, kde můžete hledat podle slova či podle obrázku. V masivnější míře ho však v této oblasti využívá i Microsoft, třeba pro své Azure Cognitive Services nebo ve své betaverzi Seeing AI pro nevidomé.

IBM, kde se strojové učení zrodilo, jej dnes využívá třeba v oblasti lékařské péče, kde IBM Watson Health doporučuje na základě anamnéz pacientů nejen možné diagnózy, ale i optimální léčebné postupy třeba pro onkologicky nemocné.

Obecně však platí, že strojové učení je v těchto oblastech stále ještě ve stadiu vývoje.

Způsoby strojového učení

Existuje několik hlavních způsobů, jak se stroje mohou učit – tedy jak mohou zdokonalovat své vlastní algoritmy. Tyto postupy se dají rozdělit do několika obecných kategorií:

  • Učení s učitelem, kdy stroji, či spíše počítačovému softwaru pomáhají lidé. Ti mu pomáhají označit nesprávně určené objekty na obrázcích či pojmenovat ty, které nedokázal sám rozpoznat. Na základě zásahu učitele pak dochází k přenastavení parametrů například umělých neuronových sítí, rozhodovacích stromů či asociativních pravidel.
  • Učení bez učitele se používá tehdy, kdy není možné člověkem určit správný výstup. Tohoto přístupu se využívá třeba při behaviorální analýze v oblasti síťové bezpečnosti, kdy se stroj musí naučit rozpoznat útočníka od běžného uživatele na základě sbírání dat o typickém síťovém provozu a jejich porovnávání s netypickým chováním.
  • Kombinace obou výše uvedených přístupů, která dokáže výrazně urychlit učení bez učitele. Například tím, že v předchozím případě jsou člověkem zpětně označeni skuteční útočníci a běžní uživatelé. Systém pak už sám provede novou analýzu odlišnosti chování označených útočníků od běžných uživatelů i přenastavení rozhodovacích algoritmů.
  • Zpětnovazební učení (angl. reinforcement learning) je poslední z nejčastějších postupů strojového učení, který se opírá o poznatky behaviorální psychologie. Tohoto způsobu učení se využívá třeba u průmyslových strojů, jež se tak postupně samy naučí zrychlit a zpřesnit prováděné operace na základě analýzy jejich výsledku.

Kde se setkáte se strojovým učením

Se strojovým učením se dnes setkáte zejména v počítačových systémech pro analýzu či pokročilou kompresi obrazu, pro rozpoznávání řeči a hlasovou syntézu či třeba v pokročilých nástrojích pro analýzu a zabezpečení síťového provozu.

Stejně tak se se strojovým učením setkáte i v jeho kolébce, ve hrách. A to už dávno ne pouze u speciálních systémů pro hraní šachů či hry Go, které měly za úkol jediné – naučit se porazit člověka. I běžné počítačové hry dnes obsahují chytré „boty“, jež se přizpůsobují vašemu způsobu hry, takže je čím dál těžší je porazit.

Strojové učení však v následujících dekádách zasáhne i do řízení podniků. Tak jako dnes existují první specializované systémy, které pomáhají lékařům s diagnostikou a léčbou onkologických onemocnění, tak se postupně objeví i systémy, jež budou pomáhat manažerům činit nejen operativní, ale časem i taktická a strategická rozhodnutí. To vše na základě přesných dat i odhalených spojitostí, které v tu dobu příslušný manažer třeba ještě nevidí.

V blízké budoucnosti se však strojové učení dostane stále více i mimo svět počítačů. Ať už je řeč o autonomním řízení, kdy například Tesla využívá pro svého Autopilota hardwarový systém pro neuronové sítě přímo na palubě automobilu, nebo třeba o pomocníkovi pro nevidomé, jehož se snaží vyvinout Microsoft, či o chytrých výrobních strojích, které se postupně zdokonalují v přesnosti a rychlosti své práce, podobně jako lidé. Ve všech případech však bude vždy platit, že klíčem k úspěchu bude dostatečný výpočetní výkon, jenž je ve všech těchto případech včetně Tesly zajištěn tisíce kilometrů daleko v cloudu.

Pro strojové učení tak bude klíčová vysokorychlostní bezdrátová konektivita a masivní výpočetní výkon, který by se dokázal postupně vyrovnat i tomu nejvýkonnějšímu superpočítači, jejž dnes každý z nás nosíme na svém krku.