Jak se učí umělá inteligence

Hluboké učení (Deep learning) je jedna z mnoha částí vědního oboru, který se zabývá strojovým učením a rozvojem umělé inteligence. Na principu hlubokého učení je postavena celá řada moderních frameworků a umožňuje vytvářet výpočetní modely, které slouží pro učení dat s různou úrovní abstrakce. Tento způsob výrazně pomohl zlepšit rozpoznávání obrazu, řeči, ale i detekci objektů v dalších oblastech, např. při vývoji léků. Při hlubokém učení se využívají principy učení s učitelem a metody neuronových sítí.

Učení s učitelem (Support vector machines) je jednou z nejvíce používaných forem strojového učení. Pokud je cílem vybudovat systém, který umožňuje určit, zda na obrázku je dům, auto, nebo člověk, je nejprve potřeba připravit velkou datovou sadu, která obsahuje obrázky domů, aut a lidí, kde každý jednotlivý obrázek obsahuje označení, do které z kategorií spadá. Avšak vytvoření takého balíku dat s popisy se často připravuje ručně, nebo jen částečně automaticky, což je hlavní nevýhoda učení s učitelem. Během tréningu stroj prochází obrázky a vytvoří výstup ve formě vektoru hodnocení pro každou kategorii. Cílem je, aby všechny výsledné kategorie měly co nejvyšší skóre, ale tento výsledek je bez trénování nepravděpodobný. Během procesu učení se počítá funkce, která měří chybu mezi hodnocením výstupu a vzorovým hodnocením. Následně stroj upraví své vnitřní nastavení za účelem snížení této chyby. Po takovémto trénování se výkon nastaveného systému přeměří na jiném datovém balíku, který se nazývá testovací sada. To slouží k otestování obecných schopností nastaveného systému a určení výkonu na datech, se kterými se stroj ještě nesetkal.

Lidský mozek může být popsán jako biologická neuronová síť (neural networks) neboli propojená síť neuronů — jednotlivé neurony jsou vzájemně propojeny a navzájem si přeposílají signály a transformují je pomocí určitých vzorců. Neuron má libovolný počet vstupů, ale pouze jeden výstup. Mozkem, respektive obecně nervovým systémem jsou inspirovány umělé neuronové sítě. Podstatou umělých neuronových sítí je struktura systému pro zpracování informací. Ta je složena z velkého počtu propojených elementů (neutronů), které společně pracují na řešení specifického problému. Stejně jako lidé se učí z příkladů, tak umělé neuronové sítě se během učení přizpůsobují změně a nastavují parametry pro specifické použití, jako je rozpoznání vzorů nebo klasifikace dat. Běžné výpočetní systémy jsou psány procedurálně — program začíná prvním řádkem kódu, po jeho vykonání následuje další, ale pravé neuronové sítě neběží lineárně, ale paralelně ve všech uzlech.