Ko spletna trgovina priporoči izdelek, ki vas res zanima, banka zazna sumljivo transakcijo ali telefon prepozna obraz svojega lastnika, v ozadju pogosto deluje strojno učenje. Računalnik pri tem ne razmišlja kot človek. V podatkih poišče ponavljajoče se vzorce in jih uporabi za napovedovanje rezultatov pri novih primerih.
Strojno učenje oziroma Machine Learning je eden najpomembnejših temeljev sodobne umetne inteligence. Če želimo razumeti priporočilne sisteme, prepoznavanje slik, napovedovanje povpraševanja ali generativno umetno inteligenco, moramo najprej razumeti, kako se model uči iz podatkov, kako ga preverimo in zakaj lahko naredi napako.
Kaj je strojno učenje?
Strojno učenje je podpodročje umetne inteligence, ki razvija algoritme in modele, sposobne prepoznati vzorce v učnih podatkih ter jih uporabiti pri novih, še nepoznanih primerih. Namesto da bi programer vnaprej določil vsako posamezno pravilo, računalniku ponudi podatke in način, po katerem naj v njih poišče uporabne povezave.
Klasičen program bi lahko na primer neželeno elektronsko pošto prepoznaval po ročno določenem seznamu sumljivih izrazov. Toda pošiljatelji neželene pošte besedilo nenehno spreminjajo, zato bi bilo treba pravila ves čas dopolnjevati. Model strojnega učenja se lahko namesto tega uči na večjem številu sporočil, ki so že označena kot običajna ali neželena. Pri novem sporočilu nato oceni, kateri skupini je bolj podobno.
To ne pomeni, da se je računalnik naučil pomena neželene pošte na enak način kot človek. Naučil se je matematičnega razmerja med vhodnimi podatki in želenim rezultatom. Besede, pošiljatelj, povezave in druge značilnosti sporočila postanejo podatkovni signali, iz katerih model izračuna napoved.
Od kod izraz Machine Learning?
Izraz Machine Learning je leta 1959 populariziral ameriški računalniški znanstvenik Arthur Samuel, znan po programu za igranje dame, ki je izboljševal svojo igro z izkušnjami. Njegova ideja se pogosto povzema z besedami:
»Strojno učenje daje računalnikom sposobnost učenja, ne da bi bili izrecno programirani za vsako posamezno odločitev.«*
— Arthur Samuel
Natančneje gre za pogosto uporabljeno parafrazo njegovega razmišljanja, ne nujno za dobesedni citat iz izvirnega besedila. Samuel je zapisal, da bi učenje računalnikov iz izkušenj lahko zmanjšalo potrebo po podrobnem programiranju vsakega koraka.
Ta razlika je pomembna. Pri običajnem programiranju človek pripravi podatke in pravila, računalnik pa izračuna rezultat. Pri strojnem učenju človek pripravi podatke in primere rezultatov, algoritem pa poskuša odkriti pravila.
Kako deluje strojno učenje?
Strojno učenje se začne s problemom, ne z algoritmom. Podjetje lahko želi napovedati, koliko izdelkov bo prodalo prihodnji mesec, zdravnik oceniti tveganje za zaplet ali proizvodnja pravočasno zaznati napako na stroju. Šele ko jasno določimo vprašanje, lahko začnemo zbirati primerne podatke.
Model se ne uči iz splošnih življenjskih izkušenj. Uči se iz učne množice podatkov, ki mu jo pripravimo. Pri napovedovanju cen nepremičnin lahko ta vsebuje lokacijo, površino, starost, število sob in preteklo prodajno ceno. Posamezne lastnosti, ki jih model uporablja pri učenju, imenujemo značilke, rezultat, ki ga želimo napovedati, pa oznaka oziroma cilj.
Od podatkov do napovedi
Učenje modela običajno poteka v več povezanih fazah. Najprej zberemo podatke in preverimo njihovo kakovost. Nato jih očistimo, pretvorimo v uporabno obliko ter razdelimo na ločene množice za učenje, prilagajanje in končno preverjanje.
Algoritem je postopek, po katerem se sistem uči, medtem ko je model rezultat tega postopka. To lahko primerjamo s kuhanjem: recept je algoritem, pripravljena jed pa model. Če uporabimo slab recept ali nekakovostne sestavine, končni rezultat verjetno ne bo dober.
Med učenjem model ustvari napoved in jo primerja s pravilnim rezultatom. Razlika med napovedjo in dejansko vrednostjo predstavlja napako. Algoritem nato prilagodi notranje parametre modela in postopek večkrat ponovi. Cilj ni, da si model zapomni vse učne primere, temveč da odkrije povezave, ki bodo uporabne tudi pri novih podatkih.
V praksi postopek vključuje:
- določitev problema in merila uspešnosti;
- zbiranje, čiščenje ter pripravo podatkov;
- izbiro algoritma in učenje modela;
- preverjanje na podatkih, ki jih model med učenjem ni videl;
- uvedbo modela v resnično okolje;
- spremljanje rezultatov in ponovno učenje, ko se razmere spremenijo.
Zadnji korak je pogosto spregledan. Model, ki je danes uspešen, čez leto morda ne bo več dovolj zanesljiv. Nakupne navade, gospodarske razmere, načini spletnih prevar in vedenje uporabnikov se spreminjajo. Strojno učenje zato ni enkraten projekt, temveč proces, ki potrebuje redno preverjanje.
Tri vrste strojnega učenja
Strojno učenje običajno delimo na nadzorovano učenje, nenadzorovano učenje in spodbujevano učenje. Razlikujejo se predvsem po tem, kakšne podatke uporabimo in kakšno povratno informacijo model prejema.
| Vrsta učenja | Podatki | Cilj | Primer |
|---|---|---|---|
| Nadzorovano učenje | Označeni podatki z znanimi rezultati | Napovedati razred ali številčno vrednost | Prepoznati neželeno pošto ali napovedati ceno stanovanja |
| Nenadzorovano učenje | Podatki brez vnaprej določenih oznak | Odkriti skrite skupine in povezave | Razdeliti kupce glede na vedenje |
| Spodbujevano učenje | Dejanja, okolje ter nagrade ali kazni | Naučiti se zaporedja koristnih odločitev | Vodenje robota ali igranje igre |
Nadzorovano učenje
Pri nadzorovanem strojnem učenju modelu ponudimo primere z že znanimi pravilnimi odgovori. Če ga učimo prepoznavati fotografije mačk in psov, mora biti vsaka učna slika ustrezno označena. Model skozi veliko primerov postopoma ugotovi, katere vizualne značilnosti so povezane s posamezno oznako.
Nadzorovano učenje se pogosto uporablja za dve vrsti nalog. Pri klasifikaciji model izbira med kategorijami, na primer »goljufija« ali »običajna transakcija«. Pri regresiji napoveduje številčno vrednost, na primer ceno, temperaturo ali pričakovano prodajo.
Predstavljajmo si banko, ki želi zaznavati kartične prevare. V preteklih transakcijah so znani znesek, lokacija, čas, vrsta trgovca in podatek ali je bila transakcija pozneje potrjena kot goljufiva. Model se uči iz teh primerov, vendar končne odločitve ne sprejema na podlagi enega preprostega pravila. Združi več signalov in izračuna verjetnost, da je nova transakcija sumljiva.
Nenadzorovano učenje
Pri nenadzorovanem učenju podatki nimajo pripravljenih pravilnih odgovorov. Algoritem mora sam poiskati strukturo, podobnosti, nenavadne primere ali naravne skupine. Pogosta metoda je gručenje, pri katerem sistem poveže med seboj podobne zapise.
Spletna trgovina lahko tako analizira vedenje kupcev, ne da bi vnaprej določila njihove tipe. Algoritem lahko odkrije skupino kupcev, ki nakupuje pogosto in po malo, skupino občasnih kupcev dražjih izdelkov ter skupino, ki izdelke večkrat pogleda, vendar redko zaključi nakup.
Takšne skupine niso dokončna resnica o ljudeh. So matematična razporeditev glede na izbrane podatke in uporabljeno metodo. Človek mora zato preveriti ali so odkrite skupine dejansko smiselne in uporabne za poslovni cilj.
Spodbujevano učenje
Pri spodbujevanem učenju se agent uči z dejanji v določenem okolju. Po vsakem dejanju prejme povratno informacijo v obliki nagrade, kazni ali spremembe stanja. Njegov cilj je skozi poskuse poiskati strategijo, ki dolgoročno prinese čim večjo skupno nagrado.
Predstavljajmo si robota v skladišču. Če pravočasno dostavi paket po kratki in varni poti, prejme pozitivno oceno. Če se zaleti v oviro, izbere predolgo pot ali povzroči zastoj, prejme negativno oceno. Sčasoma se nauči, katera dejanja so v določenih okoliščinah koristnejša.
Takšno učenje je primerno za igre, robotiko, optimizacijo in druge probleme, pri katerih ni pomembna le ena napoved, temveč zaporedje med seboj povezanih odločitev.
Razlika med AI, strojnim in globokim učenjem
Umetna inteligenca, strojno učenje in globoko učenje niso sopomenke. Umetna inteligenca je najširši pojem in zajema različne načine ustvarjanja sistemov, ki opravljajo naloge, povezane s človeško inteligenco. Strojno učenje je področje znotraj umetne inteligence, globoko učenje pa posebna veja strojnega učenja.
Globoko učenje uporablja večplastne umetne nevronske mreže. Posebej uspešno je pri obdelavi slik, zvoka in naravnega jezika, vendar pogosto zahteva veliko podatkov in računske moči.
Razmerje si lahko zapomnimo takole:
- Umetna inteligenca je širše področje pametnih računalniških sistemov.
- Strojno učenje omogoča učenje vzorcev iz podatkov.
- Globoko učenje uporablja večplastne nevronske mreže.
- Generativna AI ustvarja novo vsebino, pri čemer sodobni sistemi večinoma temeljijo na globokem učenju.
Vsak problem ne potrebuje globoke nevronske mreže. Za dobro urejene tabelarične podatke je lahko preprostejši model hitrejši, cenejši in lažje razložljiv. Pri izbiri tehnologije zato ne velja, da je bolj zapleten model vedno tudi boljši.
Strojno učenje v vsakdanjem življenju
Večina ljudi uporablja strojno učenje vsak dan, čeprav ga ne vidi. Ko navigacija oceni čas prihoda, sistem uporabi podatke o razdalji, prometu in preteklih potovanjih. Ko aplikacija predlaga glasbo, primerja uporabnikove navade z vsebinami in vedenjem drugih poslušalcev. Ko elektronski predal filtrira sumljivo pošto, model razvršča nova sporočila na podlagi naučenih vzorcev.
V zdravstvu lahko modeli pomagajo pri analizi medicinskih slik ali ocenjevanju tveganja, vendar njihov rezultat ne sme samodejno nadomestiti zdravniške presoje. V proizvodnji se strojno učenje uporablja za napovedno vzdrževanje: senzorji spremljajo temperaturo, vibracije in druge znake, model pa opozori, da bi se naprava lahko kmalu pokvarila.
Tudi manjše podjetje lahko uporablja strojno učenje. Spletni trgovec lahko napoveduje povpraševanje, računovodski sistem označuje neobičajne vnose, podporna služba pa razvršča prejeta vprašanja. Ključno vprašanje ni ali je tehnologija moderna, ampak ali rešuje dovolj jasno opredeljen problem.
Podatki so temelj modela
Pri strojnem učenju pogosto velja pregovor »Kakor seješ, tako žanješ.« Če model učimo na netočnih, zastarelih ali nereprezentativnih podatkih, bodo tudi njegove napovedi vprašljive. Velika količina slabih podatkov ni nujno boljša od manjše količine skrbno izbranih podatkov.
Google v izobraževalnih smernicah poudarja, da sta kakovost in velikost podatkovne zbirke pogosto pomembnejši od izbire najnovejšega algoritma. Podatki morajo dovolj dobro predstavljati okolje, v katerem bo model dejansko uporabljen. Če sistem za prepoznavanje predmetov učimo samo na jasnih dnevnih fotografijah, lahko odpove pri megli, ponoči ali ob nenavadnem zornem kotu.
Pomembna je tudi pravilna razdelitev podatkov. Učna množica se uporablja za učenje modela, validacijska množica za njegovo prilagajanje, testna množica pa za končno preverjanje. Testni primeri ne smejo biti kopije učnih primerov in morajo predstavljati resnične okoliščine uporabe.
Največje nevarnosti strojnega učenja
Strojno učenje lahko avtomatizira obsežno analizo, vendar avtomatizacija ne zagotavlja objektivnosti. Model se uči iz preteklosti, zato lahko prevzame tudi napake, neenakosti in predsodke, ki so prisotni v podatkih.
Pristranskost podatkov
Če so določene skupine v učnih podatkih slabo zastopane, je lahko model pri njih manj natančen. NIST opozarja, da pristranskost ne izvira samo iz algoritmov in podatkov, temveč tudi iz človeških odločitev institucionalnih praks in družbenega okolja, v katerem sistem uporabljamo.
To je posebej nevarno pri zaposlovanju, kreditiranju, zavarovanju, zdravstvu in drugih področjih, kjer lahko avtomatizirana ocena pomembno vpliva na posameznikovo življenje. Visoka skupna natančnost še ne pomeni, da je model enako zanesljiv za vse skupine.
Pretirano prilagajanje
Pretirano prilagajanje oziroma overfitting nastane, ko se model preveč natančno prilagodi učnim podatkom. Na njih dosega odlične rezultate, pri novih primerih pa odpove. Podoben je učencu, ki se odgovore nauči na pamet, vendar snovi ne razume dovolj dobro, da bi rešil nekoliko drugačno nalogo.
Do tega lahko pride, kadar je model preveč zapleten, podatkov premalo ali učni primeri ne predstavljajo resničnega sveta. Zato uspeha nikoli ne ocenjujemo samo na podatkih, ki jih je model že videl.
Zasebnost in varnost
Podatki lahko vsebujejo osebne, zdravstvene, finančne ali poslovno občutljive informacije. Organizacija mora vedeti, od kod podatki izvirajo ali jih sme uporabljati in kako jih varuje. Modeli lahko v nekaterih okoliščinah tudi razkrijejo ali omogočijo sklepanje o občutljivih podatkih.
Nevarnost predstavlja tudi zastrupitev podatkov, pri kateri napadalec namenoma spremeni del učne zbirke, da bi vplival na prihodnje obnašanje modela. Zaradi tega sta pomembna sledljiv izvor podatkov in preverjanje zunanjih virov.
Pomembno opozorilo: Model ne razume posledic svoje napovedi. Izračuna rezultat na podlagi vzorcev, odgovornost za uporabo tega rezultata pa še vedno nosijo ljudje in organizacije.
Kdaj je strojno učenje smiselno?
Strojno učenje je smiselno, kadar imamo dovolj kakovostnih podatkov, jasen cilj in problem, pri katerem ročno pisanje pravil ni praktično. Posebej uporabno je pri velikem številu ponavljajočih se primerov, kompleksnih vzorcih in napovedih, ki jih lahko pozneje preverimo.
Ni pa prava rešitev za vsak problem. Če lahko nalogo zanesljivo rešimo s tremi jasnimi poslovnimi pravili, je običajna avtomatizacija pogosto cenejša in preglednejša. Prav tako strojno učenje ni primerno, če nimamo uporabnih podatkov ali ne znamo določiti, kaj pomeni dober rezultat.
Pred začetkom projekta je vredno odgovoriti na nekaj vprašanj:
- Ali imamo jasno določen problem in merljiv cilj?
- Ali imamo dovolj kakovostnih ter zakonito pridobljenih podatkov?
- Kako draga je napačna napoved?
- Ali mora biti odločitev razložljiva?
- Kdo bo spremljal delovanje modela po uvedbi?
- Kdaj mora končno odločitev sprejeti človek?
Uspeh projekta ni odvisen samo od natančnosti modela. Pomembni so tudi stroški, hitrost, poštenost, razumljivost in vpliv napačnih rezultatov.
Prihodnost strojnega učenja
Strojno učenje postaja vse manj vidna, vendar vse pomembnejša infrastruktura digitalnega sveta. Vgrajeno je v poslovne aplikacije, varnostne sisteme industrijske naprave, iskalnike in komunikacijska orodja. Razvoj generativne umetne inteligence je njegovo prisotnost samo še povečal.
Kljub napredku bistvena načela ostajajo enaka: model potrebuje podatke, cilj, način učenja in pošteno preverjanje na novih primerih. Novejša tehnologija ne odpravi potrebe po kakovostnih podatkih, človeški presoji in odgovorni uporabi.
Največ prednosti zato ne bodo imeli nujno tisti, ki izberejo najdražji model, temveč tisti, ki bodo znali pravilno opredeliti problem, razumeti omejitve podatkov in uporabiti rezultat kot podporo premišljeni odločitvi.
Pogosta vprašanja
Kaj je strojno učenje?
Strojno učenje je področje umetne inteligence, pri katerem se računalniški modeli učijo vzorcev iz podatkov. Naučene povezave nato uporabijo za razvrščanje, napovedovanje ali odkrivanje strukture v novih podatkih.
Kakšna je razlika med umetno inteligenco in strojnim učenjem?
Umetna inteligenca je širši pojem za sisteme, ki opravljajo naloge, povezane z inteligentnim vedenjem. Strojno učenje je ena od metod umetne inteligence in temelji na učenju iz podatkov. Vsak sistem strojnega učenja spada na področje AI, vendar vsaka umetna inteligenca ne temelji nujno na strojnem učenju.
Ali se strojno učenje uči popolnoma samo?
Ne. Ljudje določijo problem, pripravijo podatke, izberejo način učenja, določijo merila uspeha ter preverjajo rezultate. Model lahko samodejno prilagaja svoje parametre, vendar deluje znotraj okolja in ciljev, ki so jih oblikovali ljudje.
Katere so glavne vrste strojnega učenja?
Glavne vrste so nadzorovano učenje, ki uporablja znane pravilne rezultate, nenadzorovano učenje, ki išče strukturo v neoznačenih podatkih in spodbujevano učenje, pri katerem se sistem uči z dejanji ter nagradami.
Je strojno učenje vedno natančno?
Ne. Rezultati so odvisni od kakovosti in reprezentativnosti podatkov, izbranega modela, načina preverjanja ter podobnosti med učnim in resničnim okoljem. Model lahko doseže dobre rezultate pri testiranju, vendar začne delati napake, ko se podatki ali okoliščine spremenijo.
Ali lahko strojno učenje nadomesti človeka?
Pri nekaterih ponavljajočih se nalogah lahko zmanjša potrebo po ročnem delu, vendar ne prevzame samodejno odgovornosti, zdrave presoje ali razumevanja širšega konteksta. Pri občutljivih odločitvah je primerneje, da model človeku pomaga, končno presojo pa opravi odgovorna oseba.



