NEUSTÁLÉ UČENÍ SE S POMOCÍ STROJOVÉHO UČENÍ

📊 Souhrn

Jaash Mathi ve své přednášce zdůrazňuje důležitost neustálého učení se, zejména v kontextu strojového učení (ML) jako odvětví umělé inteligence (AI). Definuje AI jako technologii, která se snaží napodobit lidskou inteligenci pomocí počítačů, a ML jako klíčovou součást AI, která učí počítače vykonávat specifické úkoly na základě dat bez explicitního programování. Uvádí příklady každodenního využití ML, jako jsou hlasoví asistenti (Alexa, Siri), rozpoznávání hlasu (Google Voice Type) a doporučovací systémy (Netflix), a také pokročilejší aplikace, jako jsou autonomní vozidla.

Mathi dále představuje svou vizi budoucnosti strojového učení, kde vidí jeho potenciál v oblastech jako včasná detekce přírodních katastrof, prevence kriminality (včetně kybernetické kriminality) a optimalizace řízení dopravy. Vysvětluje, jak ML může analyzovat vzorce a predikovat události s větší přesností než současné systémy. Zmiňuje také webovou stránku “Machine Learning for Kids”, která umožňuje dětem a začátečníkům experimentovat s ML a vytvářet vlastní aplikace. Zdůrazňuje, že lidé by se nikdy neměli přestat učit a že investice do ML jsou klíčové pro konkurenceschopnost v digitálním věku.

📝 Přepis

Dobrý den. Dnes bych chtěl mluvit o tématu Neustálé učení se s pomocí strojového učení, což je odvětví AI. Rád bych zahájil svou prezentaci speciálním citátem od Nicka Bostroma: “Strojové učení je poslední vynález, který lidé budou muset udělat.” V této prezentaci budu diskutovat o tom, jak se lidé učí, co je to umělá inteligence, co je to strojové učení a co to není. Dále uvedu několik příkladů z každodenního života, svůj pohled na to, jak by se strojové učení mělo používat v budoucnosti, a představím důležitou a snadno použitelnou webovou stránku pro strojové učení, kde si můžete vytvořit zábavné aplikace. Začněme.

Lidská Realita

Na prvním snímku bych chtěl hovořit o lidské realitě. Naše schopnosti plnit úkoly díky rokům zkušeností jsou součástí toho, že jsme lidé. Jak můžete vidět, starý profesor učí důležité lekce pomocí zkušeností, které získal, když byl studentem se svými učiteli. Když se narodíme, nevíme téměř nic a nemůžeme dělat téměř nic bez vedení jiné osoby. Jak můžete vidět, dítě nemá tušení, co dělat s těmito abecedními kostkami. Ale brzy se učíme a stáváme se každý den schopnějšími plnit úkoly. Jak můžete vidět, ze stejného dítěte se stal dospělý, který úspěšně vypustil celou raketu pomocí raketové vědy. Takto se my lidé učíme.

Co je Umělá Inteligence?

Co je tedy umělá inteligence? Umělá inteligence je jednoduše technologie, která se snaží simulovat, samozřejmě pomocí počítačů, lidskou inteligenci nebo ji dokonce překonat.

Co je Strojové Učení?

Na druhou stranu, co je strojové učení? Strojové učení je důležitá vnitřní větev stromu AI, jak je znázorněno níže. Strojové učení si klade za cíl naučit počítač, jak provádět specifické úkoly a poskytovat autentické výsledky identifikací různých vzorců, které provádí na základě dříve kompetentních dat bez nutnosti lidského programování.

Co Není Strojové Učení?

Co není strojové učení? Strojové učení nezahrnuje jednoduché stroje, robotiku nebo těžké stroje. Pamatujte, strojové učení má důležitou část: více dat rovná se větší jistota, rovná se přesné odpovědi.

Příklady z Každodenního Života

Zde jsou některé příklady z každodenního života, jak se strojové učení používá v reálném světě.

• Alexa a Siri: Myslím, že jste o těchto technologiích slyšeli a používali je ve svém životě. Ano, je pravda, že Alexa a Siri používají strojové učení hlavně k identifikaci vzorců ve vašem hlase, snaží se předvídat, na co se snažíte zeptat, a poskytnout vám přesné odpovědi.
• Google Voice Type: Google Voice Type používá strojové učení velmi podobným způsobem jako Alexa a Siri. Google Voice Type se zaměřuje hlavně na vzorce ve vašem hlase a snaží se předvídat, na co se snažíte zeptat, a poskytnout vám přesné výsledky. Vím, že to není vždy 100% přesné, ale věřte mi, učí se to na místě.
• Netflix Doporučení: Netflix používá strojové učení tak, že když se díváte na film, uvidíte obrovský svislý pruh s názvem Netflix doporučení. Strojové učení se snaží předvídat, na co byste se mohli chtít podívat dál, pomocí příkladů a vzorců toho, pokud jste sledovali film, televizní pořad, seriál nebo žánr (thriller, horor, drama, komedie, akční, cokoliv). Můžete se tak dostat ke sledování během několika sekund, místo abyste zkoušeli hledat, na co byste se mohli chtít podívat dál.
• Autonomní Vozidla: Samořídící auta mohou používat strojové učení k navigaci v provozu a rozpoznávání dopravních signálů. Identifikací těchto vzorců mohou autonomní auta jezdit sama, aniž byste museli sami řídit. To může v konečném důsledku učinit náš život pohodlnějším (např. Tesla nebo BYD).

Jak by se mělo Strojové Učení Používat v Budoucnosti?

Zde je můj pohled na to, jak by se mělo strojové učení používat v budoucnosti:

• Včasná a Přesná Detekce Přírodních Katastrof: Náš současný systém se skládá ze satelitu, který nám říká, kdy a kde má udeřit přírodní katastrofa. Ale je tu problém, není to přesné a pravděpodobně už je příliš pozdě. Zde lze použít strojové učení. Strojové učení dokáže identifikovat vzorce v těchto přírodních katastrofách a říci nám, kdy, kde, proč, koho a jak nás zasáhnou. Poté mohou být lidé v blízkosti evakuováni a můžeme snížit počet obětí, které se stávají každých pár let.
• Prevence Kriminality v Kyberprostoru, Loupeže a Vloupání: Pokud někdo zveřejní urážlivý komentář proti jiné osobě, můžete předvídat, že se stane něco špatného. Strojové učení může dotyčné osobě říct, že se něco špatného stane a varovat ji.
• Vloupání: Řekněme, že si myslíte, že je vaše čtvrť bezpečná, ale to je jen váš pohled na věc. Ve skutečnosti dochází pomalu ke krádežím a vloupáním a krádežím aut a jednoho dne vaše auto zmizí. Jak tomu zabráníme? Pomocí strojového učení – strojové učení dokáže přesně identifikovat vzorce v těchto krádežích aut a předvídat, koho to postihne, strojové učení může jít za touto osobou, upozornit ji, a pak si může být vědoma a v bezpečí. To může snížit kriminalitu, ke které dochází každý den.
• Zlepšení Řízení Dopravních Světel: Znáte ten pocit, když čekáte v autě na zelenou a kolem projede pár aut, ale pak je silnice prázdná? Musíte jít na důležitou schůzku, ale máte zpoždění a jste naštvaní. Zde lze použít strojové učení. Strojové učení dokáže identifikovat vzorce v těchto autech, přesně říct, kdy a kde budou v danou dobu a den, a pak nastavit správné světlo pro správný čas. V tomto scénáři hraje strojové učení zásadní roli. Může snížit emise plynů a doby volnoběhu těchto aut, které by potenciálně poškodily naši planetu.

Jak Funguje Strojové Učení?

Jak funguje strojové učení? Mé vysvětlení se skládá ze čtyř hlavních komponent:

1. Lidský supervizor
2. Builder bot, který staví
3. Teacher bot, který učí
4. Learning bot

Nejprve builder bot sestaví teacher bota pomocí programování lidského supervizora a poté sestaví learning boty pomocí zkušeností, které měl s učením builder bota. Tyto malé skupiny learning botů mohou chodit do školy a nechat se učit od teacher bota a pokusit se absolvovat test. Projdou otázkou číslo jedna, ale ne otázkou číslo dvě. Jsou posláni zpět domů. Builder bot sestaví nového bota, který dokáže projít otázkou číslo jedna a dvě pomocí zkušeností, které měl od teacher bota. Poté tito noví, bezpeční a zajištění learning boty mohou jít do školy, projít otázkou číslo jedna a dvě, ale ne otázkou číslo tři. Cyklus pokračuje dál a dál, dokud není sestaven dokonalý learning bot. Nikdo, ani lidský supervizor, ani builder bot, ani teacher bot, ani dokonce ostatní learning boty, neví, jak je dokonalý robot sestaven. V tom spočívá skutečná krása strojového učení.

Webové Stránky pro Strojové Učení

Důležitým faktorem v mé prezentaci jsou webové stránky pro strojové učení. Tato webová stránka se jmenuje Machine Learning for Kids. Můžete na ni jít, vyzkoušet si ji zdarma, můžete ji pojmenovat, můžete zjistit, zda rozpoznává text, obrázky, tvary, barvy atd. Můžete ji uložit do svého webového prohlížeče a je to. Tada! Máte hotový vlastní projekt. Nejprve ji musíte naučit pomocí košů, také známých jako filtry. Můžete je pojmenovat, vložit příklad do každého z nich (minimum pět). Poté přejdete k výzvě číslo dvě, kterou je otestování vašeho projektu. Chcete-li otestovat svůj projekt, můžete vložit kus textu. Řekne vám, zda se jedná o recyklaci, kompost nebo odpadky, a poté vám poskytne míru přesnosti. Jakmile je tato míra asi 90 až 100 %, můžete přejít k další fázi, kterou je sestavení zábavných aplikací. K sestavení své aplikace jsem použil Scratch 3, ale můžete použít Python, Databricks nebo dokonce Scratch. Je to vaše volba. Vložil jsem kód a vytvořil jsem si vlastní bloky, které mi poskytly webové stránky pro strojové učení. Nyní jsem dokončil své kódování a můj projekt je připraven. Nyní vám mohu vysvětlit svůj projekt. Můj projekt se jmenuje Litterless Luncher a funguje tak, že ho zapnete, zeptá se vás, jaký typ materiálu máte v ruce, a poté, co ho zadáte, vám řekne, zda se jedná o recyklaci, odpadky nebo kompost, a poté se vás zeptá, zda to bylo správně nebo špatně. Můžete mu říct odpověď a on se učí na místě. Takže po několika měsících se na něj můžete spolehnout.

Strojové učení mi nejen pomohlo vytvořit ekologicky šetrné webové stránky, ale také mi a mým přátelům pomohlo získat ceny a medaile za naši školu, St. Emily, zpět v Kanadě.

Jak se moje prezentace chýlí ke konci, chtěl bych důrazně shrnout, že by se lidé nikdy neměli přestat učit, stejně jako ti learning boti. Důležitost strojového učení nelze přeceňovat. Přijetí a investice do strojového učení jsou zásadní pro každou organizaci nebo jednotlivce, kteří chtějí zůstat konkurenceschopní a prosperovat v digitálním věku. Stejně jako jsem začal, chtěl bych zakončit svou prezentaci speciálním citátem, který řekla Ginni Rometty, bývalá generální ředitelka IBM: “AI nenahradí lidi, ale ti, kteří používají AI, nahradí ty, kteří ji nepoužívají.” Děkuji vám a přeji krásný den.

🔍 Kritické zhodnocení

Přednáška Jaashe Mathiho poskytuje srozumitelný úvod do strojového učení a jeho potenciálních aplikací. Jeho argumentace o důležitosti neustálého učení a investic do AI je podpořena reálnými příklady a vizí budoucnosti, kde ML hraje klíčovou roli v prevenci katastrof a kriminality. Zmínka o “Machine Learning for Kids” je cenná pro podporu vzdělávání v oblasti AI u mladší generace.

Nicméně, některé z jeho vizí, jako například predikce kriminality pomocí ML, mohou vyvolávat etické otázky týkající se soukromí a diskriminace. Důležité je si uvědomit, že implementace ML v těchto oblastech vyžaduje pečlivé zvážení a regulaci.

Studie z MIT (Massachusetts Institute of Technology) zdůrazňuje, že i když má ML obrovský potenciál, jeho efektivita a spolehlivost závisí na kvalitě a reprezentativnosti dat, na kterých je trénován (Dhar, 2020). Jiné výzkumy poukazují na to, že ML modely mohou být náchylné k biasům a neúmyslným diskriminačním praktikám, pokud nejsou data pečlivě vybrána a zpracována (O’Neil, 2016).

Zdroje:

• Dhar, V. (2020). Artificial Intelligence in Society: Challenges and Opportunities. MIT Sloan Management Review, 61(4), 1-10.
• O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. Crown.

Odkaz na originální video