imagazin arrow2-left arrow2-right arrow2-top arrow-up arrow-down arrow-left arrow-right cart close dossiers education fb instagram menu notification oander rss rss-footer search service shuffle speech-bubble star store stores tests twitter youtube

This post has not been updated for more than a year. Please note that he content may be outdated.

Ako ne naučite, ostaćete neuki. Sadašnjost i bliska budućnost mašinskog učenja


Skoro sve je zasnovano na mašinskom učenju, od ponude proizvoda do automobila sa samo-upravljanjem. Takozvani Go program je pomoću mašinskog učenja porazio najbolje svetske igrače. Isti taj program je sada još razvijeniji pomoću komplikovanih kompjuterskih igara, i sve ovo je samo početak. Gde je osnovno polje veštačke inteligencije, i kako ono može doprineti pojavljivanju pravog veštački ineligentnog robota?

Ceo svet je bio zadivljen kada je između 9. i 15. marta 2016. godine program pod imenom AlphaGo porazio tada četvrtog na svetu, južno koreanca Lee Sedol-a, sa rezultatom 4-1 u igri u Seulu. AlphaGo od tada poražava i druge poznate svetske igrače igre “Go”, pa se ove godine na proleće povukao iz igre nakon pobede nad kineskim svetskim prvakom Ke Jie-em.

Kako se moglo desiti da kompjuterski program trijumfuje nad najboljim igračima u igri sa Dalekog istoka mnogo komplikovanijoj od šaha i igre dame?

Mašina uči duboko

Google je kupio DeepMind veštačku inteligenciju u Londonu 2014. godine. Specijalisti koji rade u kompaniji, poznati po uzbudljivim projektima, prvi su naučili AlphaGo da koristi duboku neuronsku mrežu koja imitira veze čovečijih neurona i mreža unutar ljudskog mozga. Ova tehnologija je veoma zastupiljena u info-komunikacionom svetu. Tako se fotografije koje se nalaze na Facebook mreži identifikuju, i na osnovu toga pametni telefoni raspoznaju glasovne komande. Poenta ovoga je da program raspoznaje nosoroga ako vidi dovoljno fotografija o ovim životinjama. Isto tako je bio u stanju da nauči da igra “Go”, nakon miliona koraka.

Programeri su otišli još dalje koristeći drugu tehniku nazvanom ojačavanje učenja. Program uči na osnovu proba i greški i biva nagrađen ili kažnjen na osnovu performansi. Samo da bi stvari postale komplikovanije, DeepMind kombinuje ojačano učenje sa dubokim učenjem koje je trenutno na vrhuncu.

Različite vrste AlphaGo-a su igrale igru jedan protiv drugog, a sistem je konstantno pratio koji će korak doprineti boljem rezultatu, i program je naučio da sam kreira strategiju nakon milion igara.

Istraživači se nisu zaustavili na tome, i fino su podesili sistem usađivanjem igara, između dva AlphaGo sistema, u drugu neuronsku mrežu. Neuronska mreža je naučila sistem da zna sve korake i posledice koraka daleko unapred i da proceni šanse za pobedu, tako da nisu učili samo od ljudi, već i od različitih verzija svoje vrste.

Šta program može učiniti sa nepotpunim informacijama?

Ovo učenje na više nivoa omogućilo je sistemu da pobeđuje najbolje igrače na svetu, a pobedio je u mečevima tako što je pravio korake koji su imali od 1 do 10.000 šansi za uspeh. Razlog zbog koga se ovo moglo dogoditi je taj što su mašine poznate po svojoj brzini obrade podataka. Program je imao vremena da prođe kroz sve mogućnosti i proračuna da su šanse za pobedu veće čak i kada je potez, koji je bi na redu, veoma rizičan.

Međutim, ovaj nivo nije bio dovoljan za veštačku inteligenciju DeepMind, i bez obzira koliko komplikovana igra “Go” bila, igra se sa “otvorenim kartama”, i tu nema informacija koje nedostaju, kao što je slučaj sa pokerom ili video igrama.

Sledeći korak je bio StarCraft, koji je bio mnogo teži zadatak nego prethodni. Bio je kompleksniji. Ne samo da morate da planirate unapred, već morate da pogodite naredni korak neprijatelja, što znači da algoritam mora da se bavi informacijama koje nedostaju. Ako bi uspeo u tome, veštačka inteligencija bi prešla na sasvim drugi nivo.

Program je već imao iskustva u igranju igara dok je igrao sa Atari klasicima tokom razvoja, a takođe se bavio i problemom koji je nepobediv. Na osnovnom nivou mogao je da koristi stvari koje je naučio igrajući drugu igru. Sistemu će biti dosta potrebna ova sposobnost, jer bi u suprotnom otkrio samo deo neprijateljskih pokreta u StarCraft-u, i to govori da je potrebno još bolje uskladištiti informacije. Na primer, mi ne vidimo ono što smo videli pre nekoliko minuta, i možda bi trebalo da se krećemo na drugi način zbog onoga što se dešava u tom trenutku. Uspeh leži u dubokom učenju, a to je tehnika kojom najbolje vladaju u DeepMind-u trenutno.

Mašinski umovi postaju pametniji

Mašinsko učenje je polje studija gde su instrukcije programa prirodne umesto statičkih, gde se modeli kopiraju iz same evolucije. Ono stoji blizu računarske statistike i istih je godina kao i “zvanično” istraživanje veštačke inteligencije. U pitanju je 61 godina. Međutim, značaj ovoga je otkriven mnogo kasnije, u poslednjoj deceniji 20. veka i postao je veoma popularno polje u proteklih 10 godina.

Mnogi aspekti poput svetske mreže postaju element koji oblikuje svet, kao što su: jako prisustvo poslovne sfere na internetu, revolucija mreže 2.0 i društvenih mreža, kraj privilegija koje stvara sadržaj i širenje senzorskih mreža. Sve ovo je pomoglo procesu dobijanja podataka od mase neobrađenih podataka. Stigla je era Velikih Podataka. Kompanije stvaraju dramatično veliku količinu podataka iz dana u dan, koja je naizgled potpuno beskorisna. Ubrzo je postalo jasno da su nam potrebna potpuno nova rešenja za razumevanje i korišćenje ovih podataka. Jedan čovek nije dovoljan, pa čak i kompjuter može ostati bez rešenja ako ne nauči neki novi način rada. Srećom, izgleda da radimo na tome, i to intenzivno.

Područje “dubokog učenja” koje kombinuje mnoga druga kao što su obrade prirodnog jezika, prepoznavanje slika, pretraživanje, neuronauka, postalo je prilično zanimljivo zbog reakcije na ovaj izazov. Cilj ovog područja je da nauči računar kako da “razmišlja” na višehijerarhijskom nivou i zavisno od okoline. Na primer, ako vide zebru, trebalo bi da budu u stanju da prepoznaju specifične karakteristike zebre, iz opštih karakteristika životinjskog sveta. Ako rade sa tekstom, trebalo bi da nauče konekciju između reči i kako da formiraju rečenicu i izraze misao.

Program ili algoritam – obično neuronska mreža – saznaje karakterističnu hijerarhiju dolaznih podataka i njegovu klasifikaciju na osnovu obrasca od nivoa do nivoa. Ovo je jedini način da tačno i dubinsko prikazuju podatke, dok ne zaboravljaju mogućnost variranja. Sledeći korak bi završio jednostranost sistema, jer se mogu koristiti u samo određenom polju kao što su: slika, zvuk/govor,  tekst, itd. Ove oblasti moraju biti unificirane unutar samog programa.

Šta će nam budućnost doneti?

Prema istraživanjima iz 2015. godine objavljenom na Oxford-u, mašinsko učenje, novi sistem koji je povezan na veštačku inteligenciju na mnoštvo načina, zameniće 47% trenutnih poslova u narednim decenijama. Poslovi koji se nalaze na listi najugroženijih na iznenađenje nisu manuelni poslovi, već rutinski intelektualni rad koji se lako automatizuje. Objašnjenje je prilično jednostavno. Ovi poslovi ne zahtevaju da kontinuirano budu u kontaktu sa fizičkim svetom, tako da su pogodni za obavljanje od strane drugih tehnologija, robota na primer.

Uskoro neće biti usluga ili proizvoda koji dolaze iz velikih info-komunikacionih kompanija bez primene algoritma za mašinsko učenje mašina. Ipak, da bi ovo doživelo uspeh, na njima su nam potrebni programi i sistemi koji će raditi na ljudski način, kako bi smo mi njih, a i oni nas bolje razumeli.

Pedro Domingos, profesor na Univerzitetu Washington u Sijetlu, kaže da je rešenje glavni algoritam, “Sveti Gral” kompjuterske nauke koji obuhvata pet pristupa algoritmima za učenje. Ako uzmemo “glavni algoritam” svih tenologija i integrišemo ga u jedan sistem, mogao bi da postane toliko bitan da bi smo ga mogli nazvati “Velika udružena teorija”. On ne zalazi u detalje oko vremena kada će se ovo desiti, sve što govori je to da se može dogoditi “možda danas, a možda i za 200 godina”.

Algoritam može da nauči sve iz podataka i može, u teoriji, doneti zaključke o svim znanjima na svetu. Možemo dodati kristalnu strukturu DNK, i ona će se pojaviti sa dvostrukom spiralom. Može se dijagnostikovati i lečiti na osnovu podataka pronađenih u ogromnoj bazi podataka o AIDS-u i pacijentima sa kancerom.

Ovaj glavni algoritam ima poprilično nesigurnu budućnost, ali ono što je sigurno jeste da će mašinsko učenje definisati budućnost, možda i više nego što to čini danas.

Korišćeni radovi:

AlphaGo retires from competitive Go after defeating world number one 3-0

Deep Reinforcement Learning

Is a master algorithm the solution to our machine learning problems?

Machine learning, the new AI

Apple Inc. (AAPL)

Have you read this?

To je apsurdno. Neki ljudi jednostavno ne razumeju našu kompaniju. Čvrsto verujem da će sve pre ili kasnije doći na svoje mesto, dok god su korisnici zadovoljni. Nismo usmereni na zaradu, već na dugoročan razvoj.

To je apsurdno. Neki ljudi jednostavno ne razumeju našu kompaniju. Čvrsto verujem da će sve pre ili kasnije doći na svoje mesto, dok god su korisnici... - Click here!