Učící se člověk a učící se stroj

Umělá inteligence (AI) se rychle zabydluje v našem světě a slovníku a prostupuje tak jednotlivými obory až k běžným nástrojům každodenního užití, jakými jsou např. fotoaparát v mobilním telefonu, výběr hudby na Spotify či naše interakce s vyhledáváním Google apod.

To, co je nyní označováno za umělou inteligenci, je zatím spíše jen oblast tzv. strojového učení, nikoliv inteligence jako taková.

Aby byl stroj schopen rozeznat dopravní situaci, jako je tomu u samořiditelných aut, musí k tomu být natrénován — naučen. Aby tedy stroje mohly vykonávat požadovanou činnost, musí v jistém slova smyslu chodit do školy — jako my lidé.

Dá se vzdělávání lidí a strojů v některém bodě protnout?

Strojové učení lze v základu rozdělit do dvou přístupů, a to učení pod dozorem (supervised learning) a učení bez dozoru (unsupervised learning).

Učení bez dozoru je spíše záležitost statistické detekce anomálií a pro náš příměr s lidským učením bude spíše vhodné zúžení na učení pod dozorem.

Učení pod dozorem vyžaduje velmi kvalitní označené datasety, které jsou řádově větší, než datasety vyžadované ke stejnému účelu lidmi. Malému dítěti stačí vidět do pěti různých zástupců aut, aby poté bylo spolehlivě schopno rozpoznat auto. Stroj pro to potřebuje bohatou databází tisíců vstupů. Je zřejmé, že pořízení takového označeného datasetu pro kvalitní strojové učení není jednoduchým úkolem.

Thomas Poggio, světový odborník na umělou inteligenci z MIT, říká, že průlom v AI nastane, až počítačům bude stačit stejné množství nestrukturovaných dat, jako dítěti.

Strojové učení je tedy zatím doménou datových analytiků a odborníci se shodují, že vzdělání v této oblasti se zcela jistě vyplatí. Poggio však říká, že po éře programátorů přišla ve strojovém učení éra datových analytiků pro značkování dat. Následovat podle něj bude éra softwarových botů, kteří z větší části práci lidského klasifikátora nahradí.

Kdo ale naučí boty?

Lotem Peled, specialistka na strojové učení při Naya College, říká, že The Labels are Out There. Tj. strukturovaná a označená data jsou všude kolem nás, jen je zapotřebí být při jejich identifikaci kreativní. Příkladem zde může být technologie CAPTCHA, která je webovou variantou Turingova testu a která má velmi zajímavý vedlejší efekt — díky svým odpovědím nejen potvrdíte, že nejste robot, ale zároveň pomůžete doplnit rostoucí dataset např. rozpoznávání čísel popisných v Google maps nebo elementů v dopravní situaci pro samořiditelné auto.

Zde se naskýtá prostor a příležitost pro propojení vzdělávání lidí a strojů a to na podobném principu jako CAPTCHA, kdy výstupem vzdělávacího procesu lidí bude vstup pro trénování strojů. eLearningové platformy zde mají velký potenciál pro přemostění světa vzdělávání lidí a strojů. Může to být také zajímavý obchodní model pro edTech.

Aby byl stroj schopen rozeznat dopravní situaci, jako je tomu u samořiditelných aut, musí k tomu být natrénován — naučen. Aby tedy stroje mohly vykonávat požadovanou činnost, musí v jistém slova smyslu chodit do školy — jako my lidé.

Dá se vzdělávání lidí a strojů v některém bodě protnout?

Strojové učení lze v základu rozdělit do dvou přístupů, a to učení pod dozorem (supervised learning) a učení bez dozoru (unsupervised learning).

Učení bez dozoru je spíše záležitost statistické detekce anomálií a pro náš příměr s lidským učením bude spíše vhodné zúžení na učení pod dozorem.

Učení pod dozorem vyžaduje velmi kvalitní označené datasety, které jsou řádově větší, než datasety vyžadované ke stejnému účelu lidmi. Malému dítěti stačí vidět do pěti různých zástupců aut, aby poté bylo spolehlivě schopno rozpoznat auto. Stroj pro to potřebuje bohatou databází tisíců vstupů. Je zřejmé, že pořízení takového označeného datasetu pro kvalitní strojové učení není jednoduchým úkolem.

Thomas Poggio, světový odborník na umělou inteligenci z MIT, říká, že průlom v AI nastane, až počítačům bude stačit stejné množství nestrukturovaných dat, jako dítěti.

Strojové učení je tedy zatím doménou datových analytiků a odborníci se shodují, že vzdělání v této oblasti se zcela jistě vyplatí. Poggio však říká, že po éře programátorů přišla ve strojovém učení éra datových analytiků pro značkování dat. Následovat podle něj bude éra softwarových botů, kteří z větší části práci lidského klasifikátora nahradí.

Kdo ale naučí boty?

Lotem Peled, specialistka na strojové učení při Naya College, říká, že The Labels are Out There. Tj. strukturovaná a označená data jsou všude kolem nás, jen je zapotřebí být při jejich identifikaci kreativní. Příkladem zde může být technologie CAPTCHA, která je webovou variantou Turingova testu a která má velmi zajímavý vedlejší efekt — díky svým odpovědím nejen potvrdíte, že nejste robot, ale zároveň pomůžete doplnit rostoucí dataset např. rozpoznávání čísel popisných v Google maps nebo elementů v dopravní situaci pro samořiditelné auto.

Zde se naskýtá prostor a příležitost pro propojení vzdělávání lidí a strojů a to na podobném principu jako CAPTCHA, kdy výstupem vzdělávacího procesu lidí bude vstup pro trénování strojů. eLearningové platformy zde mají velký potenciál pro přemostění světa vzdělávání lidí a strojů. Může to být také zajímavý obchodní model pro edTech.