Ile czasu potrzebuje maszyna, aby nauczyć się być człowiekiem? Czy uczenie maszynowe może zastąpić ludzką pracę?

Uczenie maszynowe pozwala przedsiębiorstwom znacznie przyspieszyć analizę danych biznesowych, a także zautomatyzować procesy, z których wiele było dotąd realizowanych przez ludzi. Dotyczy to m.in. identyfikacji obiektów na zdjęciach, odczytywania tablic rejestracyjnych, analizy tekstu i języka naturalnego czy analizy danych medycznych, w tym badań obrazowych.

Jeszcze do niedawna wdrożenie rozwiązań z zakresu uczenia maszynowego wymagało od firm budowania dużych działów specjalistów z tej dziedziny. Dziś, dzięki udostępnieniu rozwiązań w chmurze, może z niego korzystać każde przedsiębiorstwo, a także instytucja publiczna.

Uczenie maszynowe pozwala programom komputerowym odwzorować proces ludzkiego uczenia się i zastąpić pracę człowieka, zwłaszcza odtwórczą, ale wymagającą szybkości. O ile maszyny już od dawna wspierają nas w pracy fizycznej, to wiele prostych zadań w pracy biurowej nadal musiał wykonywać człowiek. Przeglądanie dziesiątek godzin nagrań monitoringu, przepisywanie danych z tysięcy faktur do systemów księgowych - to niezbyt pasjonujące, ale niezwykle czasochłonne prace dla człowieka. Machine learning pozwala “nauczyć" program np. rozpoznawać w czasie rzeczywistym nietypowe zdarzenia zarejestrowane przez monitoring.

Uczenie maszynowe można też wykorzystywać w automatyzacji bardzo skomplikowanych procesów. Przykładem może być kanadyjska spółka Imagia, która tworzy rozwiązania dla medycyny. Jednym z jej projektów jest system do wczesnego rozpoznawania choroby Alzheimera, która jest najczęstszą przyczyną demencji.

Rozwiązanie polega na analizie skanów siatkówki i wykrywaniu na nich odpowiednich biomarkerów świadczących o obecności choroby. Eksperyment przeprowadzony przez inżynierów z Imagia pokazał, że w przypadku wykorzystania tradycyjnych rozwiązań sprzętowych, analiza danych dla grupy 1000 pacjentów zajmuje 16 godzin. Po przeniesieniu systemu do chmury (wykorzystano rozwiązanie AutoML na platformie Google Cloud), czas ten udało się skrócić do zaledwie jednej godziny.

Machine learning a sztuczna inteligencja

Wiele osób utożsamia uczenie maszynowe ze sztuczną inteligencją. To nie to samo. Sztuczna inteligencja to zdolność maszyn do wykazywania rozmaitych ludzkich umiejętności, takich jak rozumowanie, uczenie się, planowanie i kreatywność. Na te potrzeby stosuje się przeróżne techniki, które pozwalają "udawać" ludzką inteligencję przy wykorzystaniu logiki, drzewek decyzyjnych, zasad "jeśli-to" oraz uczenia maszynowego,  w szczególności uczenia głębokiego.

Natomiast uczenie maszynowe jest podzbiorem sztucznej inteligencji. Oznacza nabywanie przez aplikację nowych umiejętności poprzez wykorzystanie posiadanego doświadczenia (najczęściej przez przetwarzanie dużych ilości danych) oraz nowo pozyskanych danych, z których algorytm wyciąga wnioski i podejmuje na ich podstawie decyzje.

Jak uczy się maszyna?

“Sztuczna inteligencja jest tym skuteczniejsza, im lepszej jakości dane zostały wykorzystane do jej nauczenia. Każda kolejna porcja danych pozwala na korektę algorytmów, dzięki czemu coraz lepiej radzi sobie w nowych sytuacjach - mówi Jakub Kułak, Head of Data & AI Practice w Chmurze Krajowej." I dodaje: “Dobrym przykładem uczenia maszynowego jest widzenie komputerowe (Computer Vision), które pozwala aplikacjom np. na rozpoznawanie obiektów na zdjęciach. “

Uczenie maszyny polega w tym przypadku na wprowadzaniu do systemu możliwie dużej liczby zdjęć, na których znajdują się konkretne obiekty - na przykład różne zwierzęta. Następnie trzeba ręcznie oznaczyć te zdjęcia, na których są przedstawione psy, nadając im tag “pies" i inne tagi, jeżeli na zdjęciach jest kot lub koń. Algorytm będzie szukał podobieństw między układem pikseli w podobnie otagowanych zdjęciach i w ten sposób nauczy się rozpoznawać poszczególne zwierzęta. Z każdym kolejnym zdjęciem psa algorytm jest coraz lepszy i coraz skuteczniejszy. W pewnym momencie stanie się na tyle zaawansowany, że będzie wskazywać psa na zdjęciu samodzielnie.

Uczenie maszynowe może przypominać zatem uczenie mówienia w przypadku dzieci. Gdy pokazujemy małemu dziecku psa i mówimy: “pies", za którymś razem dziecko będzie już samodzielnie rozpoznać to zwierzę. Na podobnej zasadzie uczy się sztuczna inteligencja, z tą różnicą, że człowiekowi wystarczą zdjęcia kilku, może kilkunastu psów, żeby potem zacząć je poprawnie rozpoznawać, a sztuczna inteligencja wymaga najczęściej tysięcy obrazów.

Kolejnym przykładem jest trenowanie chatbotów, czyli zautomatyzowanych systemów umożliwiających rozmowę (tekstową) między człowiekiem a maszyną. Chatbot musi zostać nauczony, jak rozumieć zapytania, które kieruje do niego człowiek. Najprościej jest zbudować  jego system na zasadzie tabelki "jeśli-to" - jeśli człowiek zada pytanie: "Jak masz na imię?", chatbot odpowiada: "Jestem chatbot Marcin". Ale żeby rozmowa była skuteczna, do tabelki trzeba by było wpisać dosłownie każde zdanie, w każdej formie, jakie może zadać człowiek. Dlatego skuteczniejszą metodą jest wykorzystanie uczenia maszynowego, które będzie doskonaliło zrozumienie zadawanych pytań wraz z każdą przeprowadzoną rozmową. Im dłużej będzie rozmawiać, im więcej pytań otrzyma, tym skuteczniej będzie funkcjonować.

Co da uczenie maszynowe przedsiębiorstwu?

Wiele procesów biznesowych da się przyspieszyć i zautomatyzować przy wykorzystaniu uczenia maszynowego. Wspomniane chatboty mogą prowadzić rozmowy z klientami czy udzielać wsparcia technicznego. Bardziej zaawansowane boty pozwalają prowadzić nie tylko rozmowy tekstowe, ale i głosowe. Obudowane są one systemami rozpoznawania mowy (które również realizowane są z wykorzystaniem uczenia maszynowego), współpracującymi z przetwarzaniem języka naturalnego (Natural Language Processing), a także syntezatorami głosu. Takie rozwiązania zastosowane są m.in. w inteligentnych asystentach głosowych, jak Amazon Alexa, Apple Siri czy Asystent Google. Asystent głosowy może pełnić rolę konsultanta na infolinii, a także interfejsu komunikacji na przykład z automatyką domową, a nawet do sterowania pracą maszyn.

Kolejnym zastosowaniem jest wspomniane wcześniej rozpoznawanie obrazów przez komputery (computer vision). Coraz częściej pracowników na parkingach zastępuje system rozpoznawania tablic rejestracyjnych. Przy bramce wjazdowej umieszczona jest kamera, która wykonuje zdjęcie samochodu od przodu, a następnie komputer rozpoznaje na zdjęciu samochodu tablicę rejestracyjną i odczytuje z niej odpowiednie litery i cyfry.

Rozpoznawanie obrazów jest też wykorzystywane na potrzeby biometrycznej weryfikacji tożsamości użytkownika. Przy użyciu wbudowanej w komputer czy smartfon kamery wykonywane jest zdjęcie twarzy, które jest potem porównywane do zapisanego w bazie. Po poprawnej weryfikacji udzielany jest dostęp do systemu (na przykład odblokowuje się smartfon). To dziś popularna metoda logowania się do smartfonów albo komputerów, zamiast ręcznego wpisywania haseł czy kodów PIN.

Szczególnym, bardzo zaawansowanym przypadkiem są samochody autonomiczne, które wykorzystują widzenie komputerowe do rozpoznawania obiektów na ulicach. Dzięki wbudowanym kamerom rozpoznają przebieg drogi, znaki drogowe, inne pojazdy, pieszych czy budynki. Wyzwaniem jest bardzo duża ilość danych i potrzeba ich analizy w trakcie jazdy, a więc w bardzo krótkim czasie.

Chcę zacząć, ale nie wiem jak

Aby wykorzystać uczenie maszynowe we własnej organizacji, nie musimy zatrudniać ekspertów od sztucznej inteligencji. Proste modele można budować za pomocą automatycznego uczenia maszynowego (AutoML). AutoML wymaga bardzo dużej mocy obliczeniowej, dostępnej na krótki czas przeliczania modelu, dlatego warto korzystać z narzędzi dostępnych na publicznych platformach chmurowych.

Google Cloud ma gotowe narzędzia automatycznego uczenia maszynowego, co znacznie skraca czas budowania tego typu modeli. Chmura Krajowa, która jest strategicznym partnerem Google w Polsce, zapewnia dostęp do platformy Google Cloud oraz wsparcie, także finansowe, na początkowym etapie testowania tego typu rozwiązań. Jeśli jest taka potrzeba, eksperci Chmury Krajowej pomagają także w budowie modelu. Specyfika rozwiązań chmurowych powoduje natomiast, że firma ponosi jedynie koszt faktycznie wykorzystanych zasobów, bez potrzeby inwestowania w infrastrukturę i konieczności jej utrzymywania.

AutoML oferuje wszystkie wspomniane wcześniej rozwiązania w zakresie uczenia maszynowego - między innymi widzenie komputerowe (rozpoznawanie obrazów, detekcja obiektów na obrazach itd.), przetwarzanie języka naturalnego czy analiza danych strukturalnych i tabelarycznych.

Kam Kafi, dyrektor ds. strategii klinicznej oraz onkologii we wspomnianej firmie Imagia stwierdził, że moc obliczeniowa platformy Google Cloud przewyższa wszystkie rozwiązania sprzętowe, na jakie spółka mogła sobie kiedykolwiek pozwolić. Umożliwia to organizacji realizowanie eksperymentów praktycznie o dowolnej skali, przy jednoczesnej optymalizacji kosztów.

Mimo że rozwiązania uczenia maszynowego przynoszą wymierne efekty biznesowe, to wiele firm jeszcze nie zauważyło szans, jakie dla nich stwarza. Według raportu ACCA “Machine learning: More science than fiction", aż 38% podmiotów w badanych przez tę organizację krajach nie ma żadnych planów na wykorzystanie uczenia maszynowego, a 24% jest na bardzo wstępnym etapie rozważania, czy w ogóle warto wykorzystać tę technologię. Jedynie 6% firm deklaruje, że już z niej korzysta.

Oznacza to, że wciąż przed większością organizacji stoją ogromne, niewykorzystane możliwości, jakie daje sztuczna inteligencja. Rozwiązania takie jak AutoML pozwalają na stosunkowo łatwą i szybką adopcję modeli uczenia maszynowego, nawet w tych przedsiębiorstwach, które do tej pory nie rozważały wykorzystania ich potencjału ze względu na brak odpowiednio wykwalifikowanego personelu lub odpowiedniego zaplecza sprzętowego.

Finanse / Giełda / Podatki
Bądź na bieżąco!
Odblokuj reklamy i zyskaj nieograniczony dostęp do wszystkich treści w naszym serwisie.
Dzięki wyświetlanym reklamom korzystasz z naszego serwisu całkowicie bezpłatnie, a my możemy spełniać Twoje oczekiwania rozwijając się i poprawiając jakość naszych usług.
Odblokuj biznes.interia.pl lub zobacz instrukcję »
Nie, dziękuję. Wchodzę na Interię »