Blog

Mówi się, że sztuczna inteligencja jest dookoła nas. Mało tego, mówi się, że jest wyznacznikiem tempa rozwoju i konkurencyjności, że za jakiś czas sztuczna inteligencja będzie wszędzie, dotknie każdego aspektu naszego życia. Ale co to tak naprawdę oznacza „wszędzie”? Gdzie tak naprawdę ona jest teraz? Dziś na warsztat bierzemy jeden z największych działów sztucznej inteligencji – uczenie maszynowe (ang. machine learning).

Uczenie maszynowe, inaczej samouczenie się maszyn lub systemy samouczące się to jedna z najistotniejszych dziedzin sztucznej inteligencji. Bada się w niej algorytmy i systemy automatycznie usprawniające swoje działanie wraz ze zdobywanym doświadczeniem. Pierwszy raz użyto systemu uczenia maszynowego w 1958 roku. Była to maszyna perceptron stworzona przez Franka Rosenblatta, która naśladowała w działaniu ludzki mózg. Wydarzenie to było motorem napędowym dla szeregu badań nad sztucznymi sieciami neuronowymi, które trwają do dziś. Rok później Arthul Samuel opracował program do gry w warcaby, który uczył się ruchów na podstawie rozgrywek z realnymi graczami.

Technologia ta jest stale rozwijana i ciągle znajduje nowe praktyczne zastosowania. Obecnie w naszym codziennym życiu jest na wyciągnięcie ręki. Specjalista z zakresu sztucznej inteligencji i uczenia maszynowego, profesor Pedro Domingos z Uniwersytetu Stanu Waszyngton, powiedział: You may not know it, but machine learning is all around you (ang. możesz tego nie wiedzieć, ale uczenie maszynowe jest wszędzie wokół ciebie). Często nie zdajemy sobie sprawy z tego, w jak wielu urządzeniach i aplikacjach, z którymi mamy styczność, zaimplementowane są algorytmy uczenia maszynowego. W przyszłości prawdopodobnie każdy aspekt techniki będzie opierał swoje działanie na implementacji jakiegoś algorytmu maszynowego uczenia się.

Uczenie maszynowe a sztuczna inteligencja

Pojęcia „uczenie maszynowe” oraz „sztuczna inteligencja” często stosowane są zamiennie. Warto jednak pamiętać o tym, że nie są to synonimy. Uczenie maszynowe jest jedynie dziedziną sztucznej inteligencji, której możliwości są znacznie szersze. Obejmuje ona bowiem technologie rozpoznawania obrazów czy wideo, a także przetwarzania języka naturalnego, które działają bez uczenia maszynowego. O wpływie sztucznej inteligencji na rynek pisaliśmy tutaj.

Uczenie maszynowe polega na tworzeniu dynamicznych wzorców poprzez analizę dużej ilości danych i prezentowanie wyników, które wyglądają na „inteligentne”. Uzyskuje się je jednak dzięki wydajnym mechanizmom analizy statycznej, które pracują w dużej skali. Aby jednak „wytrenować” system, należy dostarczyć odpowiednio duży i dobrze dopasowany zbiór danych. Informacje w nim zawarte powinny być przydane do tworzenia wzorców, których zadaniem jest realizowanie określonych funkcji. Równocześnie nie mogą one powodować generowania fałszywych wniosków. Co więcej, dane powinny zawierać informacje dotyczące pytań, które następnie będziemy zadawać.

Nadal przyszłość czy już teraźniejszość?

Wdrożenie algorytmów uczenia maszynowego to dla większości przedsiębiorstw nadal science fiction i zadanie na przyszłość. Gartner szacuje, że z sukcesem technologię tę wdrożyło zaledwie 15% firm. Identyczny wynik przeprowadzonych badań uzyskała firma O’Reilly. Według niej 15% ankietowanych wdrożyło już algorytmy uczenia maszynowego, a pozostali, czyli 85% nie zdecydowali się jeszcze na to rozwiązanie.

Specjaliści twierdzą jednak, że warto już dziś eksperymentować z uczeniem maszynowym, ponieważ jest to technologia, która będzie miała coraz większy wpływ na biznes i konkurencyjną pozycję firm na rynku. Z licznych badań i raportów wynika, że przedsiębiorcy postrzegają sztuczną inteligencję (w tym uczenie maszynowe) jako technologię, która w ciągu kilku najbliższych lat stanie się podstawą wszelkich innowacji. Sytuację tę pokazuje badanie przeprowadzone przez Accenture – 42% dyrektorów firm jest zdania, że do 2021 roku sztuczna inteligencja będzie gościć we wszystkich nowoczesnych rozwiązaniach. Przyczyną coraz większych sukcesów i zainteresowania tą technologią jest wspomniana wyżej chęć konkurencyjności, ale i dostęp do coraz potężniejszych, a zarazem tańszych zasobów obliczeniowych.

Istota znajomości problemu

Uczenie maszynowe przyniesie jednak rezultaty wtedy, gdy dobrze znamy problem, który chcemy rozwiązać, ale nie możemy zdecydować się na zatrudnienie odpowiedniej liczby osób do jego rozwikłania. Drugim przykładem jest sytuacja, w której wiemy, co chcemy osiągnąć, jednak nie znamy metody, która pozwoliłaby na realizację naszego celu. Warto zatem dokonać starannej analizy faktów i zastanowić się nad tym, co ta technologia może poprawić w naszym przedsiębiorstwie, a czego nie należy się od niej spodziewać. Jeżeli zdecydujemy się na inwestycję w inteligentne rozwiązania, to powinniśmy określić metodę uczenia maszynowego najbardziej dopasowaną do naszych wymagań i rozważyć, jakie dane posłużą do trenowania systemu.

Rynek oferuje sporą ilość narzędzi i usług, które ułatwiają wdrożenie algorytmów uczenia maszynowego. Jednak w praktyce zbudowanie skutecznego rozwiązania jest dosyć trudne. Wymaga specjalistycznej wiedzy na temat przygotowania danych do testowania i trenowania, stosowanych algorytmów, wdrożenia systemu i nadzorowania jego pracy. Jak zawsze – są plusy i minusy. Niemniej, ilość danych do przeanalizowania w dzisiejszym świecie jest tak ogromna, że jesteśmy tak naprawdę zobligowani do budowania samouczących się systemów, by móc efektywnie zarządzać ogromnymi i bardzo złożonymi infrastrukturami.

Przykładowe zastosowania

Mechanizmy uczenia maszynowego efektywnie wykorzystują już firmy oferujące spersonalizowaną obsługę klienta. Wszystko dzięki ich ogromnym potencjale doskonalenia tej części biznesu i idącym za tym obniżeniu kosztów. Połączenie historycznych danych z obsługi klientów wraz z możliwością przetwarzania języka naturalnego sprawia, że algorytmy uczą się nieustannie dzięki interakcji z klientami, którzy zadają pytania i otrzymują wysokiej jakości odpowiedzi. Badania mówią, że aż 44% amerykanów woli rozmowę z chatbotem niż z człowiekiem. Oczywiście w sytuacjach wyjątkowych potrzebna jest reakcja człowieka. Jednak algorytm w tych wypadkach także „uczy się” i „wyciąga wnioski”, by następnym razem zareagować prawidłowo. Technologia ta pomaga także w określaniu ryzyka odejścia klientów od danej firmy na podstawie ich działań, transakcji i społecznościowych reakcji. Dzięki temu przedsiębiorstwa są w stanie zoptymalizować strategię kolejnego działania i spersonalizować całościowo ofertę.

Nowoczesna technologia pomaga także w procesie rekrutacji. Według statystyk jedna oferta pracy przyciąga średnio około 250 aplikacji. Co ciekawe, ponad 50% rekruterów uważa, że najtrudniejszym elementem ich pracy jest przygotowanie krótkiej listy kwalifikujących się kandydatów. Zadanie to można więc powierzyć algorytmom, które w szybkim czasie są w stanie „przesiać” tysiące życiorysów i wyłonić te osoby, które mają największe szanse, by osiągnąć sukces w konkretnym przedsiębiorstwie.

Wykrywanie oszustw to kwestia, w której doskonale sprawdza się uczenie maszynowe. Wykorzystując transakcje historyczne, informacje z sieci społecznościowych i innych zewnętrznych źródeł, technologia, dzięki mechanizmowi rozpoznawania schematów, może wykrywać anomalie, wyjątki czy wyróżniające się przypadki. Pomaga w ten sposób zapobiegać oszustwom transakcyjnym. Podobnie może ona wykrywać anomalie temperatury osi pociągu i informować o możliwości ich zamarznięcia, nie dopuszczając w ten sposób do awarii w trasie. Z kolei dzięki analizie danych logistycznych, inteligentne narzędzia są w stanie przewidywać i przeciwdziałać czynnikom ryzyka w dostawach. Co więcej, uczenie maszynowe daje możliwość całościowej reorganizacji procesów biznesowych przy pomocy inteligencji cyfrowej.

Ogromny potencjał

Jak widać, możliwości uczenia maszynowego i w ogóle sztucznej inteligencji są ogromne.
Nic więc dziwnego, że producenci oprogramowania starają się wbudować tę technologię do istniejących już aplikacji oraz tworzyć nowe rozwiązania. Potencjał dostrzegają także przedsiębiorcy, którzy mocno inwestują w innowacje, by za kilka lat przodować na rynku. Nie należy jednak zapominać o znaczącej tutaj roli człowieka. Mimo iż systemy potrafią udoskonalać się same i uczyć na przykładach, to przecież ich autorem jest właśnie człowiek. Co więcej, nadal ludzie podejmują kluczowe decyzje biznesowe, spośród tych, które sugerują im inteligentne rozwiązania. Dopóki nie zostanie stworzona naprawdę silna sztuczna inteligencja, dopóty priorytetem będzie inwestowanie w człowieka.

Źródła:
http://zasoby.open.agh.edu.pl/~15spkiepas/index.php/uczenie-maszynowe/index.html
https://www.computerworld.pl/news/Uczenie-maszynowe-Praktyczne-zastosowanie-AI-w-biznesie,411078.html
https://www.hbrp.pl/b/8-biznesowych-obszarow-doskonalonych-przez-uczenie-maszynowe/P12DBgOCE4
https://pl.wikipedia.org/wiki/Uczenie_maszynowe