Uczenie maszynowe to sztuczna inteligencja, która doskonali się dzięki wzorcom w danych. To jest krótka odpowiedź i to właściwa odpowiedź na to pytanie. Oznacza to, że system nie otrzymuje każdej reguły ręcznie wpisanej przez człowieka. Wyciąga użyteczne wzorce z danych i wykorzystuje je do formułowania przewidywania, przypisania klasy lub podjęcia decyzji.
Trzymam się tej definicji ściśle, ponieważ luźne sformułowania przynoszą problemy. Ludzie często mówią, że uczenie maszynowe to magia albo po prostu inna nazwa dla sztucznej inteligencji. Nie jest to ani jedno, ani drugie. Sztuczna inteligencja to szersza dziedzina. Uczenie maszynowe jest jej częścią, a jego zadaniem polega na tym, by oprogramowanie mogło uczyć się na podstawie przykładów, a nie sztywnych reguł.
Ta różnica ma znaczenie w praktyce. System oparty na regułach wymaga, aby inżynier najpierw napisał logikę. System uczący się maszynowo jest trenowany na danych. Model widzi przykłady, szuka wzorców i dostosowuje swoje wewnętrzne ustawienia, żeby lepiej wykonywać zadanie za następnym razem. Mówiąc prosto: doskonali się poprzez oglądanie wielu przykładów, a nie poprzez czytanie podręcznika zasad.
Co tak naprawdę oznacza „wzorce w danych”
Kiedy mówię o „wzorcach”, nie mam na myśli ukrytej magii. Mam na myśli powtarzalną strukturę w danych. Ta struktura może być prosta lub chaotyczna. Może to być etykieta obok obrazka, przeszłe sprzedaże obok dat czy słowa, które często pojawiają się w pobliżu siebie.
Model uczy się tej struktury podczas treningu. Trening to ta część procesu, w której model przegląda przykładowe dane i zmienia swoje wewnętrzne liczby. Te liczby nazywamy parametrami. Są to pokrętła, którymi model obraca w miarę nauki.
Dlatego uczenie maszynowe sprawdza się w zadaniach, gdzie napisanie reguł jest trudne. Rozpoznawanie obrazów to powszechny przypadek. Trudno jest ręcznie zakodować każdy szczegół, który sprawia, że kot jest kotem. Ale mając wystarczająco dużo oznaczonych przykładów, model może wyciągnąć użyteczne sygnały z kształtu, tekstury i kontekstu. Ten sam pomysł pojawia się w filtrach spamu, rankingach wyszukiwarek, sprawdzaniu oszustw i wielu innych systemach.
Nie chodzi o to, że model „rozumie” w ludzki sposób. Nie robi tego. On znajduje statystyczną strukturę. Jest to węższe pojęcie, ale często bardzo użyteczne.
Część, którą większość ludzi musi znać
Kluczowy fakt jest prosty: uczenie maszynowe staje się lepsze, gdy dane są dobre, a zadanie jest dobrze zdefiniowane. Jeśli przykłady są zaoszumione, obciążone biasem (uprzedzeniem) lub zbyt nieliczne, model nauczy się słabej wersji prawdy. Może nadal wyglądać sprawnie w demonstracji, a zawieść w rzeczywistym użyciu.
To jest właśnie ten aspekt, którego wielu ludzi nie dostrzega. ML nie jest zastępstwem dla inżynierii. To inny rodzaj inżynierii. Praca przesuwa się od pisania każdej reguły do wybierania danych, definiowania celu i sprawdzania, jak model zachowuje się na nowych przypadkach.
Dbam też o ten podział, bo utrzymuje on oczekiwania w ryzach. Model może być bardzo użyteczny, a mimo to błędny w skrajnych przypadkach. Może być stabilny w jednym środowisku, a słaby w innym. Wynik zależy od danych, które model widział, i tych, z którymi zmierzy się później.
Czysta granica możliwości
Oto limit, którego nie będę ukrywał: uczenie maszynowe nie tworzy prawdy. Uczysz się wzorców z danych historycznych, a te dane mogą być niekompletne lub niesprawiedliwe. Jeśli świat się zmienia, nauczone wzorce mogą szybko się zestarzeć. Jeśli zbiór treningowy jest wąski, model może zawieść poza tym wąskim wycinkiem rzeczywistości.
Dlatego „doskonali się dzięki wzorcom w danych” to użyteczne hasło, ale nie pełna gwarancja. Model doskonali się tylko w ramach granic wyznaczonych przez dane, zadanie i jakość procesu treningowego. Czasami wzorzec jest prawdziwy i stabilny. Czasami jest częściowo szumem. Czasami jest skrótmy, który zawodzi później.
Zatem praktyczna odpowiedź na pytanie „czym jest uczenie maszynowe” brzmi: to forma sztucznej inteligencji, która uczy się na danych, znajdując wzorce, a następnie wykorzystuje te wzorce do dokonywania predykcji lub podejmowania decyzji. Jest potężna, ponieważ redukuje potrzebę ręcznego pisania reguł. Jest ograniczona, ponieważ dane kształtują to, czego może się nauczyć, a złe dane uczą złych nawyków.
Takiego rodzaju wyjaśnienie jest dla mnie wiarygodne. Jasne, użyteczne i szczere wobec swoich granic. To również typ odpowiedzi, do której dąży The Model Log: jeden praktyczny koncept AI, jeden działający przykład i jedna szczera analiza tego, co faktycznie działa.
