Šta je mašinsko učenje? Kako se mašinsko učenje poredi sa veštačkom inteligencijom? Koje probleme sa podacima bi MU moglo da reši za vašu organizaciju? Kako unapređuje bezbednost? Istražujemo ključna pitanja jednostavnim rečima.

Mašinsko učenje je već naširoko rasprostranjeno. Većina ljudi to verovatno ne shvata.

Znali vi to ili ne, sva je prilika da mašinsko učenje pokreće aplikacije koje koristite svakoga dana“, kaže Bil Brok, potpredsednik inženjeringa u kompaniji Very. “Mašinsko učenje je revolucionisalo bezbroj industrija; to je tehnologija u osnovi mnogih aplikacija u vašem pametnom telefonu, od virtuelnih asistenata kao što je Siri, do predviđanja obrazaca u saobraćaju na Gugl mapama.”

Možda vas više zanima preciznost tog predviđanja saobraćaja ili odgovor glasovnog asistenta, nego šta se krije iza toga, i to je potpuno jasno. Ali kako raste količina slučajeva upotrebe mašinskog učenja, zateći ćete se u situaciji da treba da objasnite barem osnove ove tehnologije ljudima koji nisu iz IT oblasti, bilo zato što želite da pridobijete njihovu podršku, pokažete dostignuća svog tima, ili jednostavno izgradite bolju komunikaciju među odeljenjima. Vaše razumevanje mašinskog učenja (MU) bi takođe moglo da ojača dugoročne rezultate vaše strategije veštačke inteligencije (VI).

Ako još uvek ne koristite VI ili MU, ubrzo ćete evaluirati njihov potencijal. “VI će postati primarni pokretač IT strategije” kaže Danijel Rajk, viši direktor u kompaniji Red Hat. “Veštačka inteligencija predstavlja transformacioni razvoj za IT industriju: Kupci u okviru svih vertikala se sve više fokusiraju na inteligentne aplikacije kako bi omogućili svoje poslovanje uspomoć VI. To se odnosi na bilo koji tok posla primenjen u softveru – ne samo u tradicionalnim poslovnim stranama preduzeća, već i u istraživanju, procesu proizvodnje, a sve više i u samim proizvodima.”

Šta je mašinsko učenje?

Nisu to samo mape ili virtuelni asistenti. Uzmite kao primer “An executive’s guide to AI”, istraživanje Harvard Poslovne Revije. Istraživanje navodi kako je mašinsko učenje bilo korišćeno da bi se rešio problem u Beth Israel Deaconess medicinskom centru: Njihov kapacitet operacionih sala je bio na izdisaju.

Mašinsko učenje koristi podatke o milion pacijenata – uključujući prethodna vremena operacionih sala, obavljene procedure i oboljenja, rod, starost, smrtnost, lekove pacijenata – i određuje koliko vremena u operacionim salama je potrebno za svakog pojedinog pacijenta“, navodi se u izveštaju. Medicinski centar je oslobodio 30% kapaciteta operacionih sala kao rezultat.

Ovo nije fiktivni futurizam već poduhvat opipljivog uticaja, a to je samo jedan primer. Štaviše, za većinu preduzeća, mašinsko učenje je verovatno najčešći oblik VI u akciji danas. Ljudi imaju razloga da znaju barem osnovnu definiciju ovog termina, ako ni zbog čega drugog, pominje Brok, stoga što mašinsko učenje ima sve veći uticaj na njihov život.

Zato prelazimo na pregršt jasno sročenih definicija koje možete koristiti kako biste pomogli drugima da razumeju mašinsko učenje.

Definicije: Šta je mašinsko učenje

U svojoj srži, mašinsko učenje je zadatak pravljenja računara inteligentnijim a da ih eksplicitno ne učimo kako da se ponašaju. To radi identifikovanjem obrazaca u podacima – pogotovo korisno za različite, više dimenzionalne podatke kao što su slike i zdravstveni kartoni pacijenata.” – Bil Brok, Potpredsednik inženjeringa u Very

Klasičnom terminologijom rečeno, mašinsko učenje je vrsta veštačke inteligencije koja omogućava samostalno učenje iz podataka, a zatim primenjuje to učenje bez potrebe za ljudskom intervencijom. U stvarnosti, postoji mnogo različitih vrsta mašinskog učenja, kao i mnogo strategija kako ih najbolje primeniti.” – Fran Fernandez, vođa proizvoda u Espressive

U širem smislu, MU je podskup računarske nauke koji se oslanja na primenu statistike nad posmatranim podacima da bi generisao neke procese koji mogu obaviti određeni zadatak. To obuhvata i strukturu MU (uzimanje podataka i učenje iz njih upotrebom statistike) i uticaj MU (slučajevi upotrebe poput prepoznavanja lica i sistema za preporuke).” – Majkl Mek Kort, naučnik istraživač u SigOpt

Mašinsko učenje | veštačka inteligencija | duboko učenje

Ovo su dobre široke definicije koje opisuju šta je mašinsko učenje i ne zahtevaju mnogo tehničke stručnosti da bi bile shvaćene. Stvari postaju mnogo detaljnije – i kompleksnije – nadalje. Brok primećuje, na primer, da je MU opšti termin koji obuhvata tri podkategorije: nadgledano učenje, nenadgledano učenje i pojačano učenje. On naglašava da pojačano učenje pozajmljuje od psiholoških eksperimenata: “Mašine pokušavaju da pronađu optimalne akcije koje treba preduzeti kada su postavljene u niz različitih scenarija. Ove akcije mogu imati i kratkoročne i dugoročne posledice, zahtevajući od onoga koji uči da otkrije te veze.

Takođe se možete udubiti u povezane pod-discipline kao što je duboko učenje. Za ljude izvan IT oblasti, ovo vrlo brzo može postati jako zbunjujuće. Što nameće pitanje: Koliko oni zapravo treba da razumeju o mašinskom učenju?

Ne smatram da ljudi koji nisu vični tehnici treba da razumeju osnove mašinskog učenja“, kaže Fernandez. “Pre verujem da treba da razumeju pogodnosti mašinskog učenja. Umesto da kažemo ‘Mašinsko učenje podrazumeva to i to’, trebalo bi da kažemo ‘Zahvaljujući mašinskom učenju, naše preduzeće je bilo u mogućnosti da postigne to i to’.”

Možete takođe pribeći vizualnom da biste diskutovali poređenje između VI i MU. Slika ruskih lutki Babuški: VI je najveća, MU se nalazi neposredno unutar nje, a druge kognitivne mogućnosti leže ispod njih. “VI je širok sveobuhvatni termin koji opisuje različite alate i algoritme koji omogućavaju mašinama da reprodukuju ljudsko ponašanje i inteligenciju“, pojašnjava JP Baritugo, direktor Pace Harmon konsultantske kuće. Postoji bezbroj vrsta VI. Mašinsko učenje je jedna, ali tu je takođe i prirodna obrada jezika (NLP), duboko učenje, računarski vid i još mnogo toga.

Za one koji više vole analogije, Timoti Hejvens, profesor računarskih sistema na Mičigen Tehnološkom univerzitetu ukazuje na sličnost načina kako VI radi kada uči da vozi bicikl: “Ne govorite detetu da pokreće svoje levo stopalo u krug pomerajući levu pedalu ka napred dok pokreću svoje desno stopalo u krug… Malo ga pogurate i kažete mu da drži bicikl uspravno i usmeri upravljač napred: opšti cilj. Ono padne nekoliko puta, unapređujući svoje veštine prilikom svakog pada“, kaže Hejvens. “To je VI u suštini“.

Mašinsko učenje je jedan od načina da se to postigne. Koristi statističku analizu kako bi učilo autonomno i unapređivalo svoju funkciju, objašnjava Sara Barnet, izvršni potpredsednik i istaknuti analitičar u kompaniji Everest Group za menadžement konsalting i istraživanja.

MU koristi različite algoritme da analizira podatke, razluči obrasce i generiše neophodne zaključke“, kaže Baritugo, dodajući kako je mašinsko učenje sposobnost koja predvodi prediktivnu analitiku i prediktivno modelovanje.

Kako radi mašinsko učenje?

Ako treba naglasiti samo jednu stranu MU, kaže Fernandez, to bi trebalo da bude značaj podataka, jer većina odeljenja učestvuje u njihovoj proizvodnji i ima koristi od njih, pod uslovom da se podacima ispravno upravlja i da se analiziraju.

Ako želite sebi da date više vremena u budućnosti i postanete efikasniji upotrebom mašinskog učenja, trebalo bi da razmislite o podacima koje generišete dok radite i kako se tim podacima može pristupiti, te kako se mogu struktuirati na takav način da ih mašinsko učenje može iskoristiti“, savetuje Fernandez.

Zaista, ovo je jako važna oblast u kojoj imati barem opšte razumevanje mašinskog učenja u drugim odeljenjima može povećati vaše izglede za uspeh.

Kada bi ljudi više znali o mašinskom učenju – možda ne detalje, ali barem koncepte koji leže u osnovi – onda bi razumeli da MU ne “radi tek tako” samo po sebi“, kaže Mek Kort. “Potrebno je vođenje, struktura, podaci i vreme (pogotovo u slučaju big data), i potreban je neko ko će tumačiti ishode, kako tokom razvoja, tako i tokom sprovođenja“.

Još jedna motivacija koja može pomoći drugima da razumeju osnove, pogotovo povodom značaja podataka: Potpuno neznanje može povećati rizik od pristrasnosti i drugih problema. “Lako je slepo verovati rezultatima algoritama mašinskog učnja, ali rezultati su onoliko dobri koliko su dobri podaci na kojima je treniran“, kaže Brok.

Koliko ćete detaljno objašnjavati šta je mašinsko učenje zavisi od vaših ciljeva i organizacione kulture, između ostalog. Ali opšti razlog da ljudima pružite barem sažete informacije jeste da će široko razumevanje MU (i povezanih koncepata kada su relevantni) u vašoj kompaniji verovatno povećati vaše šanse za VI uspeh, dok istovremeno održavate razumna očekivanja.

MU može rešavati probleme, ali kada vaša kompanija usvoji MU alate, to neće tek tako rešiti sve“, kaže Mek Kort. “MU, po sebi, jeste procesiranje klastera, aproksimizacija, klasifikovanje, ili dizajniranje. Učeći nešto o procesu kako MU radi, ljudi sa manje tehničke ekspertize mogu uvideti da je MU samo deo potpuno uspešnog procesa za donošenje pametnih odluka i preduzimanje pametnih akcija“.

Top 10 besplatnih kurseva: Veštačka inteligencija i Mašinsko učenje