ISO vijest na engleskom jeziku možete pročitati ovdje

Ljudsko je iskustvo dugo bilo oblikovano našim odnosom prema strojevima u našem svakodnevnom životu i radu. Danas više nego ikad naš sve digitalniji svijet ubrzano redefinira način na koji radimo, način na koji komuniciramo jedni s drugima, pa čak i način na koji doživljavamo svijet oko sebe. Preklapanje između onoga što ljudi mogu uraditi i onoga što mogu uraditi strojevi raste velikom brzinom.

Čak i učenje novih vještina, sposobnosti koje su ranije bile rezervirane za ljude i druga razumna inteligentna bića, sada ulazi u polje računarskih znanosti. Ovaj napredak je posljedica nedavnih pomaka u vještačkoj inteligenciji (AI) ili razvitka kompjutorskog softvera sposobnog da imitira ljudsko razmišljanje i obavlja složene zadatke. Podoblast vještačke inteligencije, strojno učenje (ML) jedna je od ključnih komponenti svijeta sutrašnjice, ali što je to točno strojno učenje i kako će ono utjecati na naše živote?

Sadržaj

·         Što je strojno učenje?

·         Kako razlikovati strojno učenje od dubokog učenja i neuronskih mreža?

·         Kako funkcionira strojno učenje?

·         Uobičajeni modeli i algoritmi obuke strojnog učenja

·         Koje su prednosti strojnog učenja?

·         Obećanja i izazovi strojnog učenja

·         Hoće li strojno učenje biti budućnost vještačke inteligencije?

Što je strojno učenje?

Iznimno je teško dati jasnu definiciju strojnog učenja. ML je vrsta vještačke inteligencije koja omogućava strojevima da uče iz podataka, a da ovo učenje nije eksplicitno programirano. Ovo je omogućeno optimizacijom parametara modela (npr. internih varijabli) kroz proračune, tako da ponašanja modela odražavaju podatke ili stečeno iskustvo. Potom, kako učenje napreduje, algoritam učenja neprekidno ažurira parametrizirane vrijednosti, što omogućava ML modelu da uči i daje predviđanja ili donosi odluke na temelju znanosti o podatcima.

Primjene strojnog učenja veoma su raznovrsne i tiču se velikog broja sektora, kao što su zdravstvo, financije, marketing, promet itd. Modeli strojnog učenja kao što su prepoznavanje slika, obrada prirodnog jezika, otkrivanje prijevara, sustavi preporuka, autonomna vozila i personalizirana medicina već se uvelike koriste.

Općenito govoreći, strojno učenje igra vitalnu ulogu u omogućavanju računarima da uče iz iskustva i podataka kako bi poboljšali performanse određenih specifičnih zadataka, a da za to nisu posebno programirani. Ova tehnologija ima potencijal na revolucionaran način promijeniti mnoge industrije tako što će omogućiti automatizaciju složenih procesa, formuliranje predviđanja ili donošenje inteligentnih odluka kroz “analizu” ogromnih količina informacija.

Kako razlikovati strojno učenje od dubokog učenja i neuronskih mreža?

Duboko učenje je podoblast strojnog učenja koje je fokusirano na obuku vještačkih neuronskih mreža. Sastavljene od nekoliko slojeva, neuronske mreže su inspirirane strukturom i funkcioniranjem ljudskog mozga. Kao i naš mozak i one se sastoje od međusobno povezanih čvorova (neurona) koji prenose signale.

Ovi složeni algoritmi izvrsni su u prepoznavanju slike i glasa, obradi prirodnog jezika i mnogim drugim oblastima, zahvaljujući svojoj sposobnosti da automatski izdvajaju značajke iz neobrađenih podataka kroz više slojeva apstrakcije. Duboko učenje može obrađivati skupove podataka u veoma velikom opsegu, koristeći visokodimenzionalne ulazne podatke. Kako bi se to postiglo, mora se kombinirati s velikom računarskom snagom i intenzivnom obukom.

Kako funkcionira strojno učenje?

Prvi korak u strojnom učenju je prikupljanje relevantnih podataka koji mogu doći iz izvora kao što su baze podataka, senzori ili internet.

·         Ponovna obrada podataka: kada su podatci prikupljeni, moraju se ponovo obraditi kako bi se osigurala njihova kvaliteta i omogućila analiza.

·         Obuka modela: Sljedeći korak je obuka, odnosno trening modela strojnog učenja: algoritam ili matematička reprezentacija koja uči davati predviđanja ili donositi odluke na temelju ulaznih podataka.

·         Izbor značajki i tehnika: Model strojnog učenja zatim bira najrelevantnije značajke iz ulaznih podataka koje će imati najveći utjecaj na performanse modela.

·         Evaluacija i optimizacija modela: Nakon što je model obučen, mora se procijeniti kako bi se izmjerio njegov učinak i utvrdilo ispunjava li postavljene kriterije.

·         Primjena i praćenje: Nakon uspješne obuke i evaluacije, model se može primijeniti u realnim aplikacijama za strojno učenje.

Uobičajeni modeli i algoritmi obuke strojnog učenja

Strojno učenje je utemeljeno na postojećim računarskim znanostima i u velikoj mjeri se oslanja na statistiku, teoriju vjerojatnoće i tehnike optimizacije. Postoje tri glavna tipa strojnog učenja:

·         Učenje pod nadzorom, gdje algoritam uči iz parova ulaznih-izlaznih podataka iz skupa podataka za obuku.

·         Učenje bez nadzora, gdje algoritam pronalazi skrivene obrasce ili strukture među neoznačenim podatcima.

·         Učenje s pojačanjem, koje koristi tehnike nagrađivanja i kazni za obuku algoritama za donošenje optimalnih odluka u datom okruženju.

Koje su prednosti strojnog učenja?

Strojno učenje nudi mnoštvo prednosti za različite industrije i aplikacije. Njegova sposobnost da obrađuje velike količine podataka u realnom vremenu omogućava mu da identificira nedostatke u procesima, optimizira tijekove rada i poboljša ukupnu produktivnost.

Među mnogim prednostima strojnog učenja, možemo navesti sljedeće:

·         Automatizacija zadataka koji se ponavljaju: radi uštede vremena i resursa. Na ovaj način ljudi se mogu usredotočiti na složenije i kreativnije zadatke u svome radu.

·         Personalizacija i preporuke: analizom preferencija i ponašanja korisnika, strojno učenje prilagođava personalizirana iskustva. Platforme kao što su Netflix, Amazon i Spotify oslanjaju se na ovu tehnologiju da predlažu sadržaj na temelju obrazaca preferencija specifičnih za korisnika.

·         Analiza podataka i prepoznavanje obrazaca: Strojno učenje se ističe u analizi velikih skupova podataka kako bi se identificirali obrasci i trendovi koji se inače ne bi mogli otkriti tradicionalnijim metodama. Ovaj proces može rezultirati veoma korisnim informacijama i informiranim donošenjem odluka.

·         Poboljšana kvaliteta donijetih odluka: pružanjem preciznih informacija utemeljenih na podatcima, strojno učenje pomaže u donošenju odluka na temelju boljeg informiranja u različitim oblastima, od marketinških strategija pa do optimizacija lanaca opskrbe.

·         Prediktivna analitika: Algoritmi strojnog učenja mogu dati predviđanja na temelju povijesnih podataka, predviđajući buduće trendove, ponašanja kupaca i dinamiku tržišta. Osobito su korisni za izradu financijskih prognoza, predviđanja potražnje i upravljanje rizikom.

·         Poboljšano korisničko iskustvo: Strojno učenje omogućava uporabu chatbotova i virtualnih asistenata koji komuniciraju s korisnicima na prirodnom jeziku, dajući brže, personaliziranije odgovore kako bi poboljšali korisničku uslugu i suradnju.

·         Otkrivanje prijevara i cyber sigurnost: Algoritmi strojnog učenja mogu otkriti neobične obrasce i ponašanja u podatcima, pomažući u otkrivanju prijevara u financijskim transakcijama i jačajući cyber sigurnost identificiranjem potencijalnih prijetnji.

·         Medicinska dijagnostika i zdravstvena zaštita: Strojno učenje pomaže u predviđanju ishoda za pacijente i u personalizaciji tretmana. Može analizirati medicinske snimke, kao što su rendgenski snimci i MRI, i pomoći u otkrivanju bolesti.

·         Optimizacija raspodjele resursa: Strojno učenje predviđa potražnju, upravlja zalihama i pojednostavljuje procese u lancu opskrbe. Ovo je ključno za industrije koje se bave kvarljivom robom ili ovise o fluktuirajućoj potražnji na tržištu.

·         Učinkovitost u regrutaciji i procesima vezanim za ljudske resurse: Algoritmi strojnog učenja mogu ubrzati proces zapošljavanja tako što će analizirati životopise, identificirati prikladne kandidate i predvidjeti učinak zaposlenika.

Obećanja i izazovi strojnog učenja

Strojno učenje unutar vještačke inteligencije otvara čitav niz mogućnosti za poduzeća i društvo u cjelini. Pored brojnih gore spomenutih prednosti, ova tehnologija, koja je dio AI pejzaža, obećava nam svijet bogat inovacijama u oblasti otpornosti na klimatske promjene i ublažavanja njihovih učinaka, te podupire ubrzano pronalaženje rješenja za neke od najozbiljnijih problema naše planete.  

Međutim, takvo obećanje nije bez rizika. Prijeko je potrebno pozabaviti se pitanjima etike, poštovanja privatnosti i potencijalne pristrasnosti kako bi se osigurala odgovorna i pravična uporaba ovih tehnologija. Pored toga, učinkovitost aplikacija za strojno učenje ovisi o kvaliteti podataka i prikladnosti algoritama odabranih za obavljanje specifičnih zadataka.

Otuda je jasna vitalna uloga koju međunarodni standardi mogu odigrati u pružanju jasnih smjernica i pravila za sprječavanje zlouporabe i zaštitu korisnika. Tako je, u suradnji s Međunarodnom elektrotehničkom komisijom (IEC), ISO objavio niz standarda koji se odnose na strojno učenje kroz rad svoje skupine stručnjaka posvećenih vještačkoj inteligenciji (ISO/IEC JTC 1/SC 42). Najnoviji na ovu temu je standard ISO/IEC 23053[1] koji pruža okvir za sustave vještačke inteligencije koji koriste strojno učenje.

Hoće li strojno učenje biti budućnost vještačke inteligencije?

Krajnji cilj AI-ja je dizajnirati strojeve koji mogu razmišljati, učiti i prilagođavati se različitim domenama. Kako bi se to postiglo, bit će potrebno mobilizirati brojne napredne mogućnosti u različitim potpoljima vještačke inteligencije, od kojih je strojno učenje kritična komponenta.

Budućnost strojnog učenja, koje spada u širu oblast vještačke inteligencije, za mnoge predstavlja uzbudljivu perspektivu, a kod nekih izaziva zabrinutost. Razvitak međunarodnih standarda je stoga od ključnog značaja ako želimo minimizirati njezine rizike i maksimalno iskoristiti njezine mnoge prednosti u svakom aspektu naših života.