Päť predikcií: Takto bude vyzerať strojové učenie o 20 rokov
Strojové učenie je veľmi rýchlo napredujúca oblasť, takže je veľmi ťažké robiť predpovede o jeho stave 6 mesiacov dopredu, nieto o 15 – 20 rokov. Keno Fischer, technologický riaditeľ spoločnosti Julia Computing, sa však o to predsa pokúsil. Ponúkame vám niekoľko jeho predikcií:
1) Od všeobecnej umelej inteligencie budeme ešte stále ďaleko
Súčasné systémy strojového učenia sú síce fenomenálne pri rozpoznávaní vzorov z mnohých údajov, ale ešte veľmi vzdialené od skutočne inteligentného systému. Ak to prirovnáme k ľudskému poznaniu, to, čo máme dnes, je analogické s podvedomými procesmi, ktoré umožňujú aktiváciu sympatického nervového systému zabezpečujúceho okamžité reakcie organizmu na hroziace nebezpečenstvo. Ide o poloautomatické rozhodnutia, ktoré náš mozog robí „v hardvéri“. Momentálne teda nemáme v strojovom učení nič, čo by sa podobalo skutočnému mysleniu. A zrejme sa k tomu ani nedostaneme v systémoch súčasnej generácie.
2) Tradičné programovanie nezmizne
Niekedy počujeme tvrdenie, že strojové učenie nahradí väčšinu programátorov. Možno však o tom pochybovať, pretože väčšina úloh si nevyžaduje strojové učenie. Strojové učenie vyniká tam, kde je k dispozícii veľa údajov a nie je dostupný primeraný základný model. Ak jedna z týchto podmienok neplatí, nepotrebujete strojové učenie, tradičné systémy sú lepšie. V podstate ľudia sú najpokročilejšou prirodzenou všeobecnou inteligenciou, ale vymysleli sme počítače na vykonávanie určitých špecializovaných úloh, na ktoré sme príliš pomalí. Podobné to môže byť aj s umelou inteligenciou.
3) Strojové učenie sa rozšíri na väčšinu bežných úloh
Ak bežný systém potrebuje interakciu s človekom, je tu možnosť rozšíriť ho o strojové učenie. Napríklad programátor, ktorý sa pozerá na chybové hlásenia, by mohol použiť systém strojového učenia na to, aby si chybové hlásenia prezrel a navrhol postup. Počítače sú totiž oveľa trpezlivejšie ako ľudia. Človek si nemôže prezrieť milióny hodín lekcií programovania, aby si zapamätal všeobecné riešenia problémov, ale systém strojového učenia to zvládne. Systémy strojového učenia sa navyše môžu veľmi rýchlo učiť z obrovského množstva údajov. Dosah tejto skutočnosti dnes ešte dostatočne neoceňujeme, ale mohlo by sa tak stať za ďalších 5 – 10 rokov.
4) Zlepší sa učenie z malých objemov údajov alebo zo „zašumených“ údajov
V súčasnosti systémy strojového učenia väčšinou vyžadujú veľké množstvo relatívne čistých, vopred pripravených súborov údajov. Existujú však snahy o zmiernenie týchto požiadaviek v jednom alebo druhom smere (či už ide o použitie menej dát, ale lepšie selektovaných, alebo o použitie ešte väčších súborov, ale bez ich predchádzajúceho organizovania). Možno očakávať, že tieto snahy budú v blízkej budúcnosti zdokonalené.
5) Systémy strojového učenia sa budú kombinovať s tradičnými postupmi
Súčasné systémy strojového učenia založené na neurónových sieťach sa snažia riešiť úlohy od začiatku do konca (end-to-end). Môže to síce fungovať, ale v niektorých prípadoch môže byť tento spôsob podstatne výpočtovo nákladnejší ako základný prístup. Preto by nebolo prekvapujúce, keby tradičný postup zaznamenal come back ako súčasť architektúry neurónovej siete. Pri prístupoch založených na fyzike by kombinácia neurónovej siete so znalosťou základného fyzikálneho modelu (napr. diferenciálnych rovníc, ktorými sa riadi určitý proces) mohla prekonať prístup založený čisto na strojovom učení alebo výlučne na fyzikálnych procesoch (t. j. simuláciách).
Zdroj: forbes.com.
