Uczenie maszynowe: program uczony przykładami, a nie regułami
👁 122 przeczytań
- Uczenie maszynowe to budowanie programów przez pokazywanie przykładów, nie zapisywanie reguł - np. 10 000 zdjęć kotów zamiast opisu cech kota.
- Uczenie maszynowe dzieli się na trzy rodzaje: nadzorowane (z odpowiedziami), nienadzorowane (szukanie struktury) i ze wzmocnieniem (nagroda i kara).
- Model z 99,9% skutecznością może być całkowicie bezużyteczny - np. przy zdarzeniu raz na 1000 przypadków wystarczy zawsze odpowiadać 'nie ma'.
Uczenie maszynowe to sposób budowania programów, w którym nie zapisujesz reguł, tylko pokazujesz przykłady. Zamiast tłumaczyć komputerowi, po czym poznać zdjęcie kota, dajesz mu dziesięć tysięcy zdjęć podpisanych „kot” i dziesięć tysięcy podpisanych „nie kot”, a on sam wyprowadza z nich regułę. Tej reguły potem nie da się przeczytać jak kodu, i to jest jednocześnie źródło całej mocy tego podejścia oraz wszystkich jego kłopotów.
Trzy rodzaje, które warto rozróżniać
Uczenie nadzorowane. Dane mają odpowiedzi: zdjęcia z podpisami, maile oznaczone jako spam, mieszkania z cenami. Model uczy się przewidywać odpowiedź dla nowych przypadków. To zdecydowana większość zastosowań w firmach.
Uczenie nienadzorowane. Odpowiedzi nie ma, jest tylko zbiór. Model szuka w nim struktury: grupuje podobnych klientów, wykrywa nietypowe transakcje. Używa się go, gdy nie wiadomo z góry, czego się szuka.
Uczenie ze wzmocnieniem. Model działa, dostaje nagrodę albo karę i szuka sposobu na maksymalizację nagrody. Tak uczy się grania, sterowania i, w uproszczeniu, tak dostraja się zachowanie dzisiejszych modeli językowych, żeby odpowiadały pomocnie zamiast po prostu poprawnie.
Jak to się ma do sztucznej inteligencji i do ChatGPT
Zależność jest zagnieżdżona: sztuczna inteligencja to szeroki obszar, uczenie maszynowe to jedno z podejść w nim, uczenie głębokie to odmiana uczenia maszynowego oparta na sieciach o wielu warstwach, a modele językowe stojące za dzisiejszymi czatami to zastosowanie uczenia głębokiego. Kiedy więc ktoś mówi „to AI”, zwykle ma na myśli uczenie maszynowe, a najczęściej jego głęboką odmianę. Szersze wprowadzenie do całego obszaru napisałem w tekście o sztucznej inteligencji.
Gdzie to zawodzi, czyli rzeczy niewidoczne w prezentacjach
Model dziedziczy uprzedzenia danych. Jeśli w historycznych decyzjach o kredytach była nierówność, model nauczy się jej i będzie ją odtwarzał, tyle że szybciej i pod pozorem obiektywności liczby.
Wysoka skuteczność bywa złudzeniem. Przy zjawisku występującym raz na tysiąc przypadków model odpowiadający zawsze „nie ma” osiąga skuteczność dziewięćdziesięciu dziewięciu i dziewięciu dziesiątych procenta, będąc całkowicie bezużytecznym. Dlatego przy rzadkich zdarzeniach patrzy się na inne miary niż sama trafność.
Świat się zmienia, model nie. Rozwiązanie wytrenowane na danych sprzed dwóch lat po cichu traci skuteczność, gdy zmieniają się zachowania klientów albo rynek. Nic nie sygnalizuje tego samo z siebie, trzeba to mierzyć.
Nie wiadomo, dlaczego. Przy decyzjach dotyczących ludzi, jak kredyt czy rekrutacja, przepisy coraz częściej wymagają wyjaśnienia wyniku. To bywa trudniejsze niż zbudowanie samego modelu.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Od czego zacząć, jeśli chcesz to zrozumieć
Nie od matematyki, tylko od danych. Weź arkusz z czymś, co znasz, i spróbuj przewidzieć jedną kolumnę na podstawie pozostałych. Zobaczysz wtedy od razu to, co jest w tej dziedzinie najważniejsze: że jakość danych decyduje o wyniku bardziej niż wybór metody, a większość pracy to porządkowanie, nie modelowanie. Do nauki pojęć przyda się nasz słownik AI, a do eksperymentów bez instalowania czegokolwiek Google AI Studio albo Replit.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Najczęstsze pytania
Czym różni się uczenie maszynowe od zwykłego programowania?
W uczeniu maszynowym nie zapisujesz reguł - pokazujesz modelowi przykłady i sam wyprowadza z nich regułę. Tej reguły nie da się potem przeczytać jak kodu, co jest źródłem zarówno mocy tego podejścia, jak i jego problemów.
Jak uczenie maszynowe ma się do sztucznej inteligencji i ChatGPT?
Zależność jest zagnieżdżona: sztuczna inteligencja to szeroki obszar, uczenie maszynowe to jedno z podejść w nim, uczenie głębokie to odmiana uczenia maszynowego, a modele językowe za czatami to zastosowanie uczenia głębokiego. Gdy ktoś mówi 'to AI', zwykle ma na myśli uczenie maszynowe, najczęściej jego głęboką odmianę.
Dlaczego modele uczenia maszynowego mogą być niesprawiedliwe?
Model dziedziczy uprzedzenia danych, na których był trenowany - jeśli w historycznych decyzjach kredytowych była nierówność, model nauczy się jej i będzie ją odtwarzał. Dzieje się to szybciej i pod pozorem obiektywności liczby.
Od czego zacząć naukę uczenia maszynowego?
Zacząć należy nie od matematyki, lecz od danych - wziąć arkusz z czymś znajomym i spróbować przewidzieć jedną kolumnę na podstawie pozostałych. Do eksperymentów bez instalowania czegokolwiek nadaje się Google AI Studio albo Replit.
Podobne tematy na Promptowym
