fbpx

Ako funguje umelá inteligencia a predikcia neurónovými sieťami

Už od 50-tych rokov minulého storočia sa vedci a odborníci snažia vyvinúť umelú inteligenciu (AI), ktorá bude myslieť rovnakým spôsobom, akým myslia ľudia.

Tak, ako väčšina nových softvérov, aj AI vzniká ako riešenie problému. Predstavme si napríklad, že potrebujeme vytvoriť program, ktorý vie rozpoznať dopravné značky. Ak by sme chceli použiť riešenie, ktoré je bez umelej inteligencie, tak by sme museli premeniť obrázok do zjednodušeného tvaru, to znamená, obrázok dopravnej značky by sme museli zmeniť do čiernobielej farby, zarovnať podľa okrajov značky, a potom, porovnať takto zjednodušenú značku s našou predom-vytvorenou značkou – akýmsi modelom tej značky a tieto dva zjednodušené tvary porovnáme.

Ak by sme chceli použiť riešenie, ktoré obsahuje v sebe umelú inteligenciu, použili by sme strojové učenie (Machine Learning) a hlboké učenie (Deep Learning), ktoré celý proces zjednodušuje tak, že by sme programu dali príklady značiek s klasifikáciou o akú značku ide a program (alebo v tomto prípade umelá inteligencia) by sa naučila rozpoznať značku podľa príkladov, ktoré sme jej dali. Teda by sme nepotrebovali explicitne programovať celý model ako v predchádzajúcom príklade.

Strojové učenie je technika, pri ktorej trénujete systém na vyriešenie problému namiesto explicitného programovania pravidiel. V našom príklade, by ste na vyriešenie problému pomocou strojového učenia potrebovali nazhromaždiť množstvo obrázkov značiek (vstup) spolu s klasifikáciou značky napr. zákaz zastavenia (výstup), a potom vytvorili tzv. model, na základe ktorého je možné približne určiť, aká značka sa nachádza na obrázku. Stroj sa snaží využiť existujúce údaje na trénovanie tohto modelu, ktorý predpovedá správne výstupy na základe vstupov.

predikcia neurónovými sieťami

Hlboké učenie – nechajte stroje vyriešiť to za vás

Hlboké učenie je technika, pri ktorej necháte neurónovú sieť (neurónová sieť napodobňuje ľudský mozog) aby sama zistila, ktoré údaje sú dôležité. Nemusíte teda strácať čas ich identifikáciou, a zároveň môžete túto techniku použiť aj v prípade, kedy je ich identifikácia zložitá. V našom príklade, nemusíme vedieť, že značka zákazu vjazdu obsahuje horizontálnu čiaru a ako ju identifikovať, ale stroj sa to naučí.

Ďalším príkladom môže byť napríklad slovenský inštitút vedy a výskumu KInIT, ktorý v spolupráci s Gerulata Technologies prináša nový jazykový model pre slovenský jazyk, ktorý pomôže zlepšiť automatické spracovanie slovenských textov. Výskumníci pomocou týchto modelov dokázali zlepšiť výsledky v mnohých úlohách spracovania textu. Slúžia tiež ako technologický základ v aplikáciách ako napríklad Google Search alebo Google Translate, ktoré denne využívajú miliardy ľudí. 

Ako teda predikcia neurónovými sieťami funguje?

Každý neurón berie do úvahy vstupy, ktoré majú číselnú hodnotou. Keď to zjednodušíme, v našom príklade červená farba značky by bola čislo 3 a horizontálna čiara by bola číslo 5. Tieto vstupné hodnoty sú spočítané do jedného čísla, napríklad 3 a 5 je 8. Neurón sa podľa dát nastaví tak, že ak je toto spočítané číslo väčšie ako 8, tak ide o značku zákazu vjazdu. 

Správnosť výsledkov je väčšinou potrebné kontrolovať ručne, pretože neurónová sieť vie určiť výsledok len približne. Zásahy človeka pomáhajú neurónovej sieti pochopiť vzťah medzi vstupmi a výstupmi. Ďalšie príklady sú detekcia tváre, rozpoznávanie obrazov, detekcia hlasu, či prepis reči. 

Páči sa vám, čo čítate?

Prihláste sa k odberu a majte prehľad o najnovších technologických trendoch

Využitie predikcie neurónových sietí v prediktívnej analytike

Prediktívna analytika kombinuje techniky, ako prediktívne modelovanie so strojovým učením, na analýzu existujúcich údajov s cieľom predpovedať budúce trendy. Neurónové siete sa však od bežných prediktívnych nástrojov líšia. Najčastejšie používaný model – lineárna regresia – je v porovnaní s neurónovou sieťou v skutočnosti veľmi jednoduchá. Expertné systémy, ktoré často používajú regresné modely na predpovedanie, sa líšia od neurónových sietí, pretože ich nastavuje človek. Človek rozhodne, aké vstupné hodnoty sú potrebné na to, aby sme mohli predvídať nejaký výsledok.

Neurónové siete sú ,,nastavené” dátami, preto výsledok je veľmi ovplyvnený trénovacími údajmi, ktoré neurónovej sieti dáme. Ak napríklad chceme predpovedať v technologickej firme, či sa kandidát o pracovnú pozíciu hodí do našeho tímu a dáme neurónovej sieti zoznam úspešných a neúspešných kandidátov, tak táto neurónová sieť pravdepodobne bude diskriminovať ženy, pretože väčšina z úspešných kandidátov sú muži. 

Využitie predikcie neurónovými sieťami v praxi

Pandémiou COVID-19 sa na celom svete nakazili milióny ľudí, a pre nedávny príklad z praxe preto nemusíme chodiť ďaleko. Politici i spoločnosti využili predikcie založené na umelých neurónových sieťach na predpovedanie prepuknutia epidémie COVID-19, konkrétne na odhad potvrdených pozitívnych prípadov COVID-19 v Číne, Japonsku, Singapure, Iráne, Taliansku, Južnej Afrike a USA. Tieto modely využívajú záznamy a časové údaje potvrdených prípadov. Údaje o COVID-19 boli rozdelené na dve časti, ktoré sa medzi sebou následne porovnávali. Autority tak dokázali pomerne presne predpovedať počet denných prírastkov aj so zohľadnením 14 dennej inkubačnej doby.

V mnohých spoločnostiach, ako napríklad General Motors, BMW, General Electric, Unilever, MasterCard, Manpower, FedEx, Cisco, Google, alebo NASA, sa však využíva predikcia neurónovými sieťami /AI i v bežnej praxi.

Predikcia neurónovými sieťami sa dnes využíva aj v oblasti inžinierstva, a to najmä v systémoch s vysokým zabezpečením, ktoré sa využívajú napríklad v letectve na riadenie letu, v oblasti chemického inžinierstva, v elektrárňach, na autonómne riadenie automobilov, či lekárskych systémov.

Boom však zažívajú aj oblasti biznisu. V niektorých prípadoch sa už stali prvou voľbou podnikov, ktoré využívajú analýzy fondov, marketingovú segmentáciu, alebo sa živia odhaľovaním podvodov. Spoločnosť untapt napríklad využíva neurónové siete a AI na riešenie výziev v oblasti získavania ľudských zdrojov. Pomocou neurónových sietí rieši neefektívnosť prijímania zamestnancov, ich fluktuáciu, či nespokojnosť s prácou. Model hlbokého učenia dokáže priradiť ľudí k takým rolám, u ktorých je pravdepodobnejšie, že uspejú, a to všetko v priebehu milisekúnd. Spoločnosť OKRA Technologies zase pomáha zainteresovaným stranám v zdravotníctve a farmaceutickým spoločnostiam robiť lepšie rozhodnutia založené na dôkazoch v reálnom čase. V oblasti pestúnskej starostlivosti používajú neurónové siete aj na spojenie detí s vhodnými pestúnskymi opatrovateľmi.

Neurónové siete sú prítomné aj v oblasti finančníctva, častým prípadom použitia je predpoveď vlastností marketu. Napríklad slovenská aplikácia Tradiny používa neurónové siete na predpovedanie ceny na burze (Forex).

Záver

Umelá inteligencia, neurónové siete a hlboké učenie sú v súčasnosti čoraz populárnejším riešením, a v budúcnosti budú zohrávať v biznise oveľa aktívnejšiu úlohu. V priebehu niekoľkých desaťročí bude vývoj využitia tejto oblasti AI pokračovať, a môže tak poskytnúť lepšie, alebo i nové riešenia, akými sú napríklad jednorazové učenie, kontextové spracovanie prirodzeného jazyka, nezávislé využitie emócií a zdravého rozumu, či umelá kreativita. Nechajme sa prekvapiť.

Zaujíma vás ako by mohla predikcia neurónovými sieťami pomôcť aj vašej spoločnosti? Kontaktujte nás.

Top