ISO vijest na engleskom jeziku možete pročitati ovdje

Ljudsko iskustvo je dugo bilo oblikovano našim odnosom prema mašinama u našem svakodnevnom životu i radu. Danas više nego ikad naš sve digitalniji svijet ubrzano redefiniše 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 mašine raste velikom brzinom.

Čak i učenje novih vještina, sposobnosti koje su ranije bile rezervisane za ljude i druga razumna inteligentna bića, sada ulazi u polje računarskih nauka. Ovaj napredak je posljedica nedavnih pomaka u vještačkoj inteligenciji (AI) ili razvoja kompjuterskog softvera sposobnog da imitira ljudsko razmišljanje i obavlja složene zadatke. Podoblast vještačke inteligencije, mašinsko učenje (ML) je jedna od ključnih komponenti svijeta sutrašnjice, ali šta je to tačno mašinsko učenje i kako će ono uticati na naše živote?

Sadržaj

·         Šta je mašinsko učenje?

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

·         Kako funkcioniše mašinsko učenje?

·         Uobičajeni modeli i algoritmi obuke mašinskog učenja

·         Koje su prednosti mašinskog učenja?

·         Obećanja i izazovi mašinskog učenja

·         Da li će mašinsko učenje biti budućnost vještačke inteligencije?

Šta je mašinsko učenje?

Izuzetno je teško dati jasnu definiciju mašinskog učenja. ML je vrsta vještačke inteligencije koja omogućava mašinama 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 osnovu nauke o podacima.

Primjene mašinskog učenja su veoma raznovrsne i tiču se velikog broja sektora, kao što su zdravstvo, finansije, marketing, transport itd. Modeli mašinskog učenja kao što su prepoznavanje slika, obrada prirodnog jezika, otkrivanje prevara, sistemi preporuka, autonomna vozila i personalizirana medicina već se uveliko koriste.

Općenito govoreći, mašinsko 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 da na revolucionaran način promijeni mnoge industrije tako što će omogućiti automatizaciju složenih procesa, formulisanje predviđanja ili donošenje inteligentnih odluka kroz “analizu” ogromnih količina informacija.

Kako razlikovati mašinsko učenje od dubokog učenja i neuronskih mreža?

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

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

Kako funkcioniše mašinsko učenje?

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

·         Ponovna obrada podataka: kada su podaci prikupljeni, moraju se ponovo obraditi da bi se obezbijedio njihov kvalitet i omogućila analiza.

·         Obuka modela: Sljedeći korak je obuka, odnosno trening modela mašinskog učenja: algoritam ili matematička reprezentacija koja uči da daje predviđanja ili donosi odluke na osnovu ulaznih podataka.

·         Izbor karakteristika i tehnika: Model mašinskog učenja zatim bira najrelevantnije karakteristike iz ulaznih podataka koje će imati najveći uticaj na performanse modela.

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

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

Uobičajeni modeli i algoritmi obuke mašinskog učenja

Mašinsko učenje je zasnovano na postojećim računarskim naukama i u velikoj mjeri se oslanja na statistiku, teoriju vjerovatnoće i tehnike optimizacije. Postoje tri glavna tipa mašinskog 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 podacima.

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

Koje su prednosti mašinskog učenja?

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

Među mnogim prednostima mašinskog učenja, možemo navesti sljedeće:

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

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

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

·         Poboljšan kvalitet donijetih odluka: pružanjem preciznih informacija zasnovanih na podacima, mašinsko učenje pomaže u donošenju odluka na osnovu boljeg informisanja u različitim oblastima, od marketinških strategija pa do optimizacija lanaca snabdijevanja.

·         Prediktivna analitika: Algoritmi mašinskog učenja mogu dati predviđanja na osnovu historijskih podataka, predviđajući buduće trendove, ponašanja kupaca i dinamiku tržišta. Posebno su korisni za izradu finansijskih prognoza, predviđanja potražnje i upravljanje rizikom.

·         Poboljšano korisničko iskustvo: Mašinsko učenje omogućava upotrebu chatbotova i virtuelnih asistenata koji komuniciraju s korisnicima na prirodnom jeziku, dajući brže, personaliziranije odgovore kako bi poboljšali korisničku uslugu i saradnju.

·         Otkrivanje prevara i cyber sigurnost: Algoritmi mašinskog učenja mogu otkriti neobične obrasce i ponašanja u podacima, pomažući u otkrivanju prevara u finansijskim transakcijama i jačajući cyber sigurnost identificiranjem potencijalnih prijetnji.

·         Medicinska dijagnostika i zdravstvena zaštita: Mašinsko 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: Mašinsko učenje predviđa potražnju, upravlja zalihama i pojednostavljuje procese u lancu snabdijevanja. Ovo je ključno za industrije koje se bave kvarljivom robom ili zavise od fluktuirajuće potražnje na tržištu.

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

Obećanja i izazovi mašinskog učenja

Mašinsko učenje unutar vještačke inteligencije otvara čitav niz mogućnosti za preduzeća 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 efekata, te podržava ubrzano pronalaženje rješenja za neke od najozbiljnijih problema naše planete.  

Međutim, takvo obećanje nije bez rizika. Neophodno je pozabaviti se pitanjima etike, poštovanja privatnosti i potencijalne pristrasnosti kako bi se osigurala odgovorna i pravična upotreba ovih tehnologija. Pored toga, efikasnost aplikacija za mašinsko učenje zavisi od kvaliteta 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 sprečavanje zloupotrebe i zaštitu korisnika. Tako je, u saradnji s Međunarodnom elektrotehničkom komisijom (IEC), ISO objavio niz standarda koji se odnose na mašinsko učenje kroz rad svoje grupe stručnjaka posvećenih vještačkoj inteligenciji (ISO/IEC JTC 1/SC 42). Najnoviji na ovu temu je standard ISO/IEC 23053[1] koji pruža okvir za sisteme vještačke inteligencije koji koriste mašinsko učenje.

Da li će mašinsko učenje biti budućnost vještačke inteligencije?

Krajnji cilj AI-ja je da dizajnira mašine koje mogu da razmišljaju, uče i prilagođavaju se različitim domenima. Da bi se to postiglo, bit će potrebno mobilizirati brojne napredne mogućnosti u različitim potpoljima vještačke inteligencije, od kojih je mašinsko učenje kritična komponenta.

Budućnost mašinskog učenja, koje spada u širu oblast vještačke inteligencije, za mnoge predstavlja uzbudljivu perspektivu, a kod nekih izaziva zabrinutost. Razvoj međunarodnih standarda je stoga od ključnog značaja ako želimo da minimiziramo njene rizike i maksimalno iskoristimo njene mnoge prednosti u svakom aspektu naših života.