Systemy uczące się (ML) są podstawą działania wielu najważniejszych technologii, których używamy, od aplikacji do tłumaczenia po pojazdy autonomiczne. Na tym szkoleniu poznasz podstawowe pojęcia związane z ML.
Sztuczna inteligencja oferuje nowy sposób rozwiązywania problemów, odpowiadania na skomplikowane pytania i tworzenia nowych treści. Systemy uczące się mogą przewidywać pogodę, szacować czas podróży, rekomendować utwory, automatycznie uzupełniać zdania, streszczać artykuły i generować niespotykane wcześniej obrazy.
Ogólnie rzecz biorąc, ML to proces trenowania oprogramowania zwanego modelem, aby dokonywać przydatnych prognoz lub generować treści na podstawie danych.
Załóżmy na przykład, że chcemy utworzyć aplikację do przewidywania opadów. Możemy zastosować podejście tradycyjne lub podejście oparte na ML. Przy użyciu tradycyjnego podejścia musielibyśmy stworzyć oparte na fizyce odwzorowanie atmosfery i powierzchni Ziemi, obliczając ogromne ilości równań mechaniki płynów. To niesamowicie trudne.
W przypadku podejścia opartego na ML model ML otrzymuje ogromne ilości danych o pogodzie, aż w końcu nauczył się matematycznych zależności między wzorcami pogodowymi, które powodują różne ilości opadów. Następnie podajemy modelowi bieżące dane pogodowe, a on prognozuje ilość opadów.
Sprawdź swoją wiedzę
Typy systemów ML
Systemy ML dzielą się na jedną lub więcej z tych kategorii w zależności od tego, jak się uczą, aby dokonywać prognoz lub generować treści:
- uczenie nadzorowane,
- Uczenie się nienadzorowane
- Uczenie się przez wzmocnienie
- Generatywna AI
uczenie nadzorowane,
Modele nauczania nadzorowanego mogą dokonywać prognoz po zapoznaniu się z dużą ilością danych z prawidłowymi odpowiedziami, a następnie odkrywają zależności między elementami w tych danych, które prowadzą do prawidłowych odpowiedzi. To tak, jakby uczeń uczył się nowego materiału, analizując stare egzaminy, które zawierają zarówno pytania, jak i odpowiedzi. Gdy uczeń przećwiczy wystarczającą liczbę starych egzaminów, będzie dobrze przygotowany do zdania nowego egzaminu. Te systemy ML są „nadzorowane” w tym sensie, że człowiek podaje systemowi ML dane ze znanymi poprawnymi wynikami.
Dwa najczęstsze przypadki użycia uczenia nadzorowanego to regresja i klasyfikacja.
Regresja
Model regresji prognozuje wartość liczbową. Na przykład model pogody, który przewiduje ilość opadów w calach lub milimetrach, jest modelem regresji.
Więcej przykładów modeli regresji znajdziesz w tabeli poniżej:
| Scenariusz | Możliwe dane wejściowe | Prognoza liczbowa |
|---|---|---|
| Przyszłe ceny domów | Powierzchnia, kod pocztowy, liczba sypialni i łazienek, wielkość działki, stopa procentowa kredytu hipotecznego, stawka podatku od nieruchomości, koszty budowy oraz liczba domów na sprzedaż w danym regionie. | Cena domu. |
| Czas przejazdu w przyszłości | historyczne warunki na drodze (zbierane ze smartfonów, czujników ruchu drogowego, aplikacji do zamawiania przejazdów i innych aplikacji do nawigacji), odległość od miejsca docelowego oraz warunki pogodowe. | Czas w minutach i sekundach potrzebny na dotarcie do miejsca docelowego. |
Klasyfikacja
Modele klasyfikacji przewidują prawdopodobieństwo, że coś należy do danej kategorii. W przeciwieństwie do modeli regresji, które zwracają liczbę, modele klasyfikacji zwracają wartość wskazującą, czy dana rzecz należy do określonej kategorii, czy nie. Na przykład modele klasyfikacji służą do przewidywania, czy e-mail jest spamem lub czy na zdjęciu jest kot.
Modele klasyfikacji dzielą się na 2 grupy: klasyfikacja binarna i klasyfikacja wieloklasowa. Modele binarnej klasyfikacji zwracają wartość z klasy, która zawiera tylko 2 wartości, np. rain lub no rain. Modele wieloklasowej klasyfikacji zwracają wartość z klasy, która zawiera więcej niż 2 wartości, np. rain, hail, snow lub sleet.
Sprawdź swoją wiedzę
Uczenie się nienadzorowane
Modele uczenia się nienadzorowanego dokonują prognoz na podstawie danych, które nie zawierają żadnych prawidłowych odpowiedzi. Celem modelu uczenia się bez nadzoru jest identyfikowanie znaczących wzorców w danych. Innymi słowy, model nie ma żadnych wskazówek, jak skategoryzować poszczególne dane, ale musi wyprowadzić własne reguły.
Często stosowany model uczenia się nienadzorowanego wykorzystuje technikę zwaną zagnieżdżonym grupowaniem. Model znajduje punkty danych, które wyznaczają naturalne grupy.
Rysunek 1 Model ML grupujący podobne punkty danych.
Rysunek 2. Grupy klastrów z naturalnymi granicami.
Uoznaczanie klastrów różni się od klasyfikacji, ponieważ kategorie nie są definiowane przez Ciebie. Na przykład model bez nadzoru może grupować zbiór danych o pogodzie na podstawie temperatury, co pozwala na podział na segmenty definiujące pory roku. Następnie możesz spróbować nazwać te skupiska na podstawie swojej wiedzy o zbiorze danych.
Rysunek 3. Model uczenia maszynowego grupujący podobne wzorce pogodowe.
Rysunek 4 Gromadzenie wzorców pogody oznaczonych jako śnieg, śnieg z deszczem, deszcz i brak deszczu.
Sprawdź swoją wiedzę
Uczenie się przez wzmocnienie
Modele uczenia się przez wzmacnianie dokonują prognoz na podstawie nagród lub kar przyznawanych za działania podejmowane w danym środowisku. System uczenia się przez wzmacnianie generuje regułę, która określa najlepszą strategię na zdobywanie jak największej liczby nagród.
Uczenie ze wzmocnieniem jest wykorzystywane do trenowania robotów do wykonywania zadań, takich jak chodzenie po pokoju, oraz programów, takich jak AlphaGo, do gry w go.
Generatywna AI
Generatywna AI to klasa modeli, które tworzą treści na podstawie danych wejściowych użytkownika. Generatywna AI może na przykład tworzyć unikalne obrazy, kompozycje muzyczne i żarty, streszczać artykuły, wyjaśniać, jak wykonać zadanie, czy edytować zdjęcie.
Generatywna AI może przetwarzać różne dane wejściowe i tworzyć różne dane wyjściowe, takie jak tekst, obrazy, dźwięki i filmy. Może też tworzyć ich kombinacje. Model może na przykład przyjąć obraz jako dane wejściowe i wygenerować obraz oraz tekst jako dane wyjściowe lub przyjąć obraz i tekst jako dane wejściowe, a jako dane wyjściowe wygenerować film.
Modele generatywne można opisywać na podstawie danych wejściowych i wyjściowych, które zwykle zapisujemy w postaci „typ danych wejściowych – typ danych wyjściowych”. Poniżej znajduje się przykładowa, częściowa lista danych wejściowych i wyjściowych modeli generatywnych:
- Tekst na tekst
- Tekst na obraz
- Tekst na film
- Tekst na kod
- Zamiana tekstu na mowę
- Obraz i tekst na obraz
W tabeli poniżej znajdziesz przykłady modeli generatywnych, ich danych wejściowych i przykładowych danych wyjściowych:
| Model | Dane wejściowe | Przykładowe dane wyjściowe |
|---|---|---|
| Tekst na tekst | Kto wymyślił wyścig Le Mans? |
24-godzinny wyścig Le Mans został założony przez Automobile Club de l'Ouest (ACO), organizację motoryzacyjną założoną w 1906 r. Pierwsze zawody odbyły się 26 i 27 maja 1923 roku na torze Sarthe Circuit o długości 13,426 km (8,345 mi) w pobliżu francuskiego miasta Le Mans.
Wyścig został pierwotnie zaprojektowany jako sposób na promowanie ACO i regionu Sarthe. Źródło: Bard |
| Tekst na obraz | Obca ośmiornica unosi się przez portal, czytając gazetę. |
 Źródło: Imagen |
| Tekst na film | Pluszowy miś o fotorealistycznym wyglądzie pływa w oceanie w San Francisco. Pluszowy miś schodzi pod wodę. Pluszowy miś pływa pod wodą w towarzystwie kolorowych ryb. Panda pływa pod wodą. |
 Źródło: Phenaki |
| Tekst na kod | Napisz w Pythonie pętlę, która będzie przeszukiwać listę liczb i wyprowadzać liczby pierwsze. |
for number in numbers: # Check if the number is prime. is_prime = True for i in range(2, number): if number % i == 0: is_prime = False break # If the number is prime, print it. if is_prime: print(number) Źródło: Bard |
| Konwersja obrazu na tekst |  |
To jest flaming. Występują na Karaibach. Źródło: Google DeepMind |
Jak działa generatywna AI? Ogólnie rzecz biorąc, modele generatywne uczą się wzorców w danych, aby wygenerować nowe, ale podobne dane. Modele generatywne:
- Komicy, którzy uczą się naśladować innych, obserwując ich zachowanie i sposób mówienia
- Artyści, którzy uczą się malować w określonym stylu, studiując wiele obrazów w tym stylu
- zespoły wykonujące covery, które uczą się brzmienia konkretnego zespołu, słuchając wielu utworów tego zespołu;
Aby generować unikalne i kreatywne wyniki, modele generatywne są początkowo trenowane za pomocą podejścia bez nadzoru, w którym uczą się naśladować dane, na których są trenowane. Model jest czasami dalej trenowany za pomocą uczenia nadzorowanego lub uczenia ze wzmocnieniem na podstawie konkretnych danych związanych z zadaniami, które model może wykonywać, np. streszczać artykuł lub edytować zdjęcie.
Generatywną AI to szybko rozwijająca się technologia, w której przypadku stale odkrywa się nowe zastosowania. Na przykład modele generatywne pomagają firmom ulepszać zdjęcia produktów w e-commerce, automatycznie usuwając rozpraszające tło lub poprawiając jakość zdjęć o niskiej rozdzielczości.