Image for post
Image for post

Učící se člověk a učící se stroj

Baron Prášil
Apr 23, 2019 · 4 min read

(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. , 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 (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.

, světový odborník na umělou inteligenci z MIT, říká, že .

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 . Tj. strukturovaná a označená data jsou všude kolem nás, jen je zapotřebí být při jejich identifikaci kreativní. Příkladem zde může být technologie , která je webovou variantou 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 (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 . 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.

EDTECH KISK

Educational Technology, KISK Masaryk University

Baron Prášil

Written by

An over-the-top storyteller whose fantastic adventures take him everywhere from Moon to the deepest recesses of a whale’s belly. Definitely not worth following.

EDTECH KISK

Educational Technology, KISK Masaryk University

Baron Prášil

Written by

An over-the-top storyteller whose fantastic adventures take him everywhere from Moon to the deepest recesses of a whale’s belly. Definitely not worth following.

EDTECH KISK

Educational Technology, KISK Masaryk University

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch

Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore

Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store