ISO вијест на енглеском језику можете прочитати овдје

Људско искуство је дуго било обликовано нашим односом према машинама у нашем свакодневном животу и раду. Данас више него икад наш све дигиталнији свијет убрзано редефинише начин на који радимо, начин на који комуницирамо једни с другима, па чак и начин на који доживљавамо свијет око себе. Преклапање између онога што људи могу да ураде и онога што могу да ураде машине расте великом брзином.

Чак и учење нових вјештина, способности које су раније биле резервисане за људе и друга разумна интелигентна бића, сада улази у поље рачунарских наука. Овај напредак је посљедица недавних помака у вјештачкој интелигенцији (AI) или развоја компјутерског софтвера способног да имитира људско размишљање и обавља сложене задатке. Подобласт вјештачке интелигенције, машинско учење (ML) је једна од кључних компоненти свијета сутрашњице, али шта је то тачно машинско учење и како ће оно утицати на наше животе?

Садржај

·         Шта је машинско учење?

·         Како разликовати машинско учење од дубоког учења и неуронских мрежа?

·         Како функционише машинско учење?

·         Уобичајени модели и алгоритми обуке машинског учења

·         Које су предности машинског учења?

·         Обећања и изазови машинског учења

·         Да ли ће машинско учење бити будућност вјештачке интелигенције?

Шта је машинско учење?

Изузетно је тешко дати јасну дефиницију машинског учења. ML је врста вјештачке интелигенције која омогућава машинама да уче из података, а да ово учење није експлицитно програмирано. Ово је омогућено оптимизацијом параметара модела (нпр. интерних варијабли) кроз прорачуне, тако да понашања модела одражавају податке или стечено искуство. Затим, како учење напредује, алгоритам учења непрекидно ажурира параметризоване вриједности, што омогућава ML моделу да учи и даје предвиђања или доноси одлуке на основу науке о подацима.

Примјене машинског учења су веома разноврсне и тичу се великог броја сектора, као што су здравство, финансије, маркетинг, транспорт итд. Модели машинског учења као што су препознавање слика, обрада природног језика, откривање превара, системи препорука, аутономна возила и персонализована медицина већ се увелико користе.

Уопштено говорећи, машинско учење игра виталну улогу у омогућавању рачунарима да уче из искуства и података да би побољшали перформансе одређених специфичних задатака, а да за то нису посебно програмирани. Ова технологија има потенцијал да на револуционаран начин промијени многе индустрије тако што ће омогућити аутоматизацију сложених процеса, формулисање предвиђања или доношење интелигентних одлука кроз “анализу” огромних количина информација.

Како разликовати машинско учење од дубоког учења и неуронских мрежа?

Дубоко учење је подобласт машинског учења које је фокусирано на обуку вјештачких неуронских мрежа. Састављене од неколико слојева, неуронске мреже су инспирисане структуром и функционисањем људског мозга. Као и наш мозак и оне се састоје од међусобно повезаних чворова (неурона) који преносе сигнале.

Ови сложени алгоритми су изврсни у препознавању слике и гласа, обради природног језика и многим другим областима, захваљујући својој способности да аутоматски издвајају карактеристике из необрађених података кроз више слојева апстракције. Дубоко учење може да обрађује скупове података у веома великом обиму, користећи високодимензионалне улазне податке. Да би се то постигло, мора се комбиновати с великом рачунарском снагом и интензивном обуком.

Како функционише машинско учење?

Први корак у машинском учењу је прикупљање релевантних података који могу доћи из извора као што су базе података, сензори или интернет.

·         Поновна обрада података: када су подаци прикупљени, морају поново да се обраде да би се обезбиједио њихов квалитет и омогућила анализа.

·         Обука модела: Сљедећи корак је обука, односно тренинг модела машинског учења: алгоритам или математичка репрезентација која учи да даје предвиђања или доноси одлуке на основу улазних података.

·         Избор карактеристика и техника: Модел машинског учења затим бира најрелевантније карактеристике из улазних података које ће имати највећи утицај на перформансе модела.

·         Евалуација и оптимизација модела: Након што је модел обучен, мора се процијенити да би се измјерио његов учинак и утврдило да ли испуњава постављене критеријуме.

·         Примјена и праћење: Након успјешне обуке и евалуације, модел може да се примијени у реалним апликацијама за машинско учење.

Уобичајени модели и алгоритми обуке машинског учења

Машинско учење је засновано на постојећим рачунарским наукама и у великој мјери се ослања на статистику, теорију вјероватноће и технике оптимизације. Постоје три главна типа машинског учења:

·         Учење под надзором, гдје алгоритам учи из парова улазних-излазних података из скупа података за обуку.

·         Учење без надзора, гдје алгоритам проналази скривене обрасце или структуре међу неозначеним подацима.

·         Учење с појачањем, које користи технике награђивања и казни за обуку алгоритама за доношење оптималних одлука у датом окружењу.

Које су предности машинског учења?

Машинско учење нуди мноштво предности за различите индустрије и апликације. Његова способност да обрађује велике количине података у реалном времену омогућава му да идентификује недостатке у процесима, оптимизује токове рада и побољша укупну продуктивност.

Међу многим предностима машинског учења, можемо навести сљедеће:

·         Аутоматизација задатака који се понављају: ради уштеде времена и ресурса. На овај начин људи се могу фокусирати на сложеније и креативније задатке у свом раду.

·         Персонализација и препоруке: анализом преференција и понашања корисника, машинско учење прилагођава персонализована искуства. Платформе као што су Нетфликс, Амазон и Спотифај ослањају се на ову технологију да предлажу садржај на основу образаца преференција специфичних за корисника.

·         Анализа података и препознавање образаца: Машинско учење се истиче у анализи великих скупова података да би се идентификовали обрасци и трендови који се иначе не би могли открити традиционалнијим методама. Овај процес може резултирати веома корисним информацијама и информисаним доношењем одлука.

·         Побољшан квалитет донијетих одлука: пружањем прецизних информација заснованих на подацима, машинско учење помаже у доношењу одлука на основу бољег информисања у различитим областима, од маркетиншких стратегија па до оптимизација ланаца снабдијевања.

·         Предиктивна аналитика: Алгоритми машинског учења могу дати предвиђања на основу историјских података, предвиђајући будуће трендове, понашања купаца и динамику тржишта. Посебно су корисни за израду финансијских прогноза, предвиђања потражње и управљање ризиком.

·         Побољшано корисничко искуство: Машинско учење омогућава употребу четботова и виртуелних асистената који комуницирају с корисницима на природном језику, дајући брже, персонализованије одговоре да би побољшали корисничку услугу и сарадњу.

·         Откривање превара и сајбер безбједност: Алгоритми машинског учења могу открити необичне обрасце и понашања у подацима, помажући у откривању превара у финансијским трансакцијама и јачајући сајбер безбједност идентификовањем потенцијалних пријетњи.

·         Медицинска дијагностика и здравствена заштита: Машинско учење помаже у предвиђању исхода за пацијенте и у персонализацији третмана. Може да анализира медицинске снимке, као што су рендгенски снимци и МРИ, и да помогне у откривању болести.

·         Оптимизација расподјеле ресурса: Машинско учење предвиђа потражњу, управља залихама и поједностављује процесе у ланцу снабдијевања. Ово је кључно за индустрије које се баве кварљивом робом или зависе од флуктуирајуће потражње на тржишту.

·         Ефикасност у регрутацији и процесима везаним за људске ресурсе: Алгоритми машинског учења могу убрзати процес запошљавања тако што ће анализирати биографије, идентификовати прикладне кандидате и предвидјети учинак запосленика.

Обећања и изазови машинског учења

Машинско учење унутар вјештачке интелигенције отвара читав низ могућности за предузећа и друштво у цјелини. Поред бројних горе споменутих предности, ова технологија, која је дио AI пејзажа, обећава нам свијет богат иновацијама у области отпорности на климатске промјене и ублажавања њихових ефеката, те подржава убрзано проналажење рјешења за неке од најозбиљнијих проблема наше планете.  

Међутим, такво обећање није без ризика. Неопходно је позабавити се питањима етике, поштовања приватности и потенцијалне пристрасности да би се обезбиједила одговорна и правична употреба ових технологија. Поред тога, ефикасност апликација за машинско учење зависи од квалитета података и прикладности алгоритама одабраних за обављање специфичних задатака.

Отуда је јасна витална улога коју међународни стандарди могу одиграти у пружању јасних смјерница и правила за спречавање злоупотребе и заштиту корисника. Тако је, у сарадњи с Међународном електротехничком комисијом (IEC), ISO објавио низ стандарда који се односе на машинско учење кроз рад своје групе стручњака посвећених вјештачкој интелигенцији (ISO/IEC JTC 1/SC 42). Најновији на ову тему је стандард ISO/IEC 23053[1] који пружа оквир за системе вјештачке интелигенције који користе машинско учење.

Да ли ће машинско учење бити будућност вјештачке интелигенције?

Крајњи циљ AI-ја је да дизајнира машине које могу да размишљају, уче и прилагођавају се различитим доменима. Да би се то постигло, биће потребно мобилисати бројне напредне могућности у различитим потпољима вјештачке интелигенције, од којих је машинско учење критична компонента.

Будућност машинског учења, које спада у ширу област вјештачке интелигенције, за многе представља узбудљиву перспективу, а код неких изазива забринутост. Развој међународних стандарда је стога од кључног значаја ако желимо да минимизирамо њене ризике и максимално искористимо њене многе предности у сваком аспекту наших живота.