Algorytm AI (sztucznej inteligencji) to zestaw instrukcji, które komputer wykonuje, żeby na podstawie przykładów znajdować wzorce i podejmować decyzje bez ręcznego zapisywania każdego warunku przez programistę. Takie metody stoją za rozpoznawaniem mowy, przetwarzaniem języka naturalnego (NLP), rekomendacjami produktów, autonomicznymi pojazdami i chatbotami. Działanie każdego z nich da się opisać w trzech krokach: system dostaje przykłady, dopasowuje swoje parametry tak, żeby popełniać jak najmniej błędów, a potem stosuje wyuczony wzór do nowych przypadków.
Podstawowe komponenty algorytmów sztucznej inteligencji
Algorytm AI działa dzięki 5 składnikom: danym, modelowi, zasadom przetwarzania, uczeniu maszynowemu i optymalizacji. Każdy z nich odpowiada za inny etap drogi od surowej informacji do gotowego wyniku.
- Dane: surowy materiał wejściowy w postaci liczb, obrazów, tekstów albo dźwięków. Program przegląda te zbiory i wyszukuje w nich powtarzalne zależności, z których potem buduje przewidywania.
- Model: matematyczna struktura, która zamienia wejście na wynik na podstawie wyuczonych wzorców. Trenuje się go na dużej liczbie przykładów, a w trakcie nauki zmieniają się jego parametry, czyli według kursu Google wagi i wyraz wolny (bias), wartości wyliczane przez sam system.
- Algorytm: zestaw reguł i kolejność operacji, które określają, jak przekształcać informacje. Decyduje, jakie działania matematyczne zostaną wykonane, w jakiej sekwencji i z jaką siłą poszczególne cechy wpłyną na końcowy rezultat.
- Uczenie maszynowe: technika, w której komputer sam wyprowadza reguły z przykładów. Zamiast pisać każdy warunek ręcznie, programista podaje zestaw próbek, a system odkrywa zależności i buduje z nich mechanizm decyzyjny.
- Optymalizacja: w trakcie treningu system dąży do jak najmniejszego błędu przewidywań, krok po kroku poprawiając parametry. Najczęściej używa się do tego metod numerycznych, np. spadku gradientu, które szukają takiej kombinacji wartości, przy której odpowiedzi najlepiej zgadzają się z rzeczywistością.
Kategorie algorytmów sztucznej inteligencji
Algorytmy AI dzielą się na cztery główne grupy: uczenie nadzorowane, nienadzorowane, przez wzmacnianie i głębokie. Różnią się tym, czy przykłady mają podpisane poprawne odpowiedzi, skąd system dostaje informację zwrotną i jak złożona jest jego budowa.
Algorytmy uczenia nadzorowanego
Przy tej metodzie program dostaje próbki z etykietą, czyli z poprawną odpowiedzią. Według materiałów Google model tego typu potrafi przewidywać, gdy zobaczy dużo danych z prawidłowymi wynikami. Zbiór zdjęć zwierząt zawiera wtedy obrazy podpisane "kot", "pies" albo "ptak", a sieć uczy się, jakie układy pikseli pasują do każdej kategorii. Po treningu sama przypisze etykietę nowej, niepodpisanej fotografii.
Przykładowe zastosowanie: filtrowanie poczty. Google podaje wykrywanie spamu jako typowe zadanie klasyfikacji: system uczy się na wielu wcześniej oznaczonych wiadomości odróżniać niechciane maile od zwykłej korespondencji, analizując nagłówki, treść i metadane.
Algorytmy uczenia nienadzorowanego
W uczeniu nienadzorowanym algorytm pracuje na przykładach bez etykiet i sam szuka w nich sensownych wzorców. Najczęstsza technika to klastrowanie: elementy o podobnych cechach trafiają do jednego skupiska, a człowiek nie ustala z góry, jakie zbiory mają powstać.
Przykładowe zastosowanie: segmentacja bazy klientów sklepu. System porównuje historię zakupów, częstotliwość transakcji i wartość koszyka, a potem dzieli kupujących np. na 4-5 grup o zbliżonych zachowaniach, dzięki czemu każda dostaje inną kampanię marketingową.
Algorytmy uczenia przez wzmacnianie
Uczenie przez wzmacnianie polega na tym, że program działa w środowisku i za każdy ruch dostaje nagrodę lub karę. Według Google celem jest wypracowanie polityki, czyli strategii, która daje najwyższy łączny wynik. Przypomina to metodę prób i błędów: po tysiącach powtórzeń system wie, które decyzje w danej sytuacji się opłacają.
Przykładowe zastosowanie: sterowanie autonomicznym pojazdem w symulacji. Algorytm dostaje dodatnie punkty za płynne manewry i trzymanie się przepisów, a ujemne za zbliżanie się do przeszkód albo przekraczanie dozwolonej prędkości.
Algorytmy głębokiego uczenia
Głębokie uczenie wykorzystuje sieci neuronowe złożone z wielu warstw, a każda z nich przetwarza informacje na innym poziomie abstrakcji. Początkowe piętra wykrywają proste krawędzie i tekstury, dalsze składają je w całe obiekty i konteksty. Przełomem dla przetwarzania języka była architektura Transformer, opisana w czerwcu 2017 roku przez ośmioro autorów (Vaswani i współautorzy) w publikacji "Attention Is All You Need". Zespół podał wynik 28,4 punktu BLEU w tłumaczeniu z angielskiego na niemiecki, a wariant do przekładu na francuski trenował 3,5 dnia na 8 kartach graficznych.
Przykładowe zastosowanie: rozpoznawanie twarzy w systemach biometrycznych. Sieć mierzy wiele punktów charakterystycznych, takich jak rozstaw oczu, kształt nosa czy linia szczęki, i porównuje je z wzorcami zapisanymi w bazie.
Etapy procesu uczenia algorytmu AI
Uczenie algorytmu AI przebiega w pięciu etapach: zebranie i przygotowanie danych, trening, walidacja z testem, dobór hiperparametrów oraz wdrożenie z monitorowaniem. Pominięcie któregoś z nich zwykle kończy się systemem, który dobrze wypada w laboratorium, a myli się na prawdziwych przypadkach.
Gromadzenie i przygotowanie danych
Pierwszy krok to zebranie zbioru, na którym model będzie się uczył. Materiał może pochodzić z baz transakcji, logów serwera, czujników IoT, plików multimedialnych albo tekstów ze stron internetowych. Potem przychodzi czyszczenie: usunięcie duplikatów, uzupełnienie braków i ujednolicenie formatów. Przy uczeniu nadzorowanym dochodzi jeszcze oznaczanie próbek etykietami, które często wymaga pracy specjalistów z danej dziedziny.
Trenowanie modelu
Podczas treningu algorytm wielokrotnie przepuszcza przykłady przez model, liczy błąd przewidywań i poprawia parametry w kierunku, który ten błąd zmniejsza. Epoka to jedno pełne przejście przez cały zbiór. Materiały Google liczą to tak: 1000 próbek podzielonych na paczki (batch) po 100 sztuk wymaga 10 iteracji, żeby sieć zobaczyła każdą z nich raz. W zależności od złożoności zadania cały proces trwa od kilku minut do wielu dni i potrzebuje dużej mocy obliczeniowej.
Walidacja i testowanie modelu
Po treningu jakość sprawdza się na przykładach, których system nie widział w czasie nauki: najpierw na zbiorze walidacyjnym, na końcu na testowym. Materiały Google nazywają podział 80/20 nieoptymalnym, a trójdzielny 70/15/15 znacznie lepszym. Ocena na danych spoza nauki wykrywa przeuczenie: sytuację, w której model "zapamiętał" odpowiedzi zamiast wyciągnąć ogólne wzorce. Ten ostatni zbiór powinien według Google być na tyle duży, żeby wynik był istotny statystycznie, reprezentować całość i nie zawierać ani jednego duplikatu z części treningowej.
Optymalizacja hiperparametrów
Hiperparametry to ustawienia sterujące samym procesem nauki, które wybiera człowiek, a nie maszyna. Google wymienia trzy najczęstsze: tempo uczenia (learning rate), wielkość paczki (batch size) i liczbę epok; do tego dochodzą np. ilość warstw w sieci czy głębokość drzewa decyzyjnego. W przeciwieństwie do parametrów, które system wylicza w czasie treningu, te ustawienia dobiera się eksperymentalnie, testując różne kombinacje na zbiorze walidacyjnym. Popularne sposoby to przeszukiwanie siatki (grid search) i optymalizacja bayesowska.
Wdrożenie i monitorowanie modelu
Gotowy model trafia do środowiska produkcyjnego, gdzie obsługuje prawdziwe zapytania. Wdrożenie wymaga połączenia z istniejącymi systemami, wydajnej infrastruktury i zabezpieczeń. Po starcie program jest stale monitorowany: śledzi się czas odpowiedzi i jakość przewidywań. Gdy wyniki zaczynają się pogarszać, bo zmieniły się zachowania użytkowników albo rynek, system trenuje się ponownie na nowszych danych (retrenowanie).
Praktyczne zastosowania algorytmów AI w różnych branżach
Algorytmy AI pracują w medycynie, finansach, handlu internetowym i motoryzacji, wszędzie tam, gdzie trzeba szybko przejrzeć ogromną liczbę przypadków. Poniżej cztery przykłady z opisem, jaki typ uczenia stoi za każdym z nich.
Medycyna i diagnostyka
Przy badaniach obrazowych algorytmy AI pomagają lekarzom czytać zdjęcia rentgenowskie, tomografię i rezonans magnetyczny. Konkretne liczby podali naukowcy w czasopiśmie Nature w styczniu 2020 roku (McKinney i współautorzy, "International evaluation of an AI system for breast cancer screening"). Program do oceny mammografii zmniejszył odsetek wyników fałszywie dodatnich o 5,7 punktu procentowego w USA i o 1,2 w Wielkiej Brytanii. Przeoczeń raka było mniej o 9,4 w USA i o 2,7 w Wielkiej Brytanii. W osobnym badaniu z udziałem sześciu radiologów wypadł lepiej niż każdy z nich.
Finanse i wykrywanie oszustw
Banki stosują algorytmy AI do sprawdzania transakcji w chwili ich wykonania i wychwytywania prób oszustwa. Modele uczą się na historii operacji legalnych i nielegalnych, budując dla każdego klienta profil typowych zachowań. Gdy pojawi się płatność odbiegająca od wzorca, np. nagły zakup w obcym kraju albo kwota kilka razy wyższa niż zwykle, system może zablokować kartę i powiadomić właściciela.
Marketing i personalizacja treści
Sklepy internetowe i platformy streamingowe używają algorytmów rekomendacyjnych, które na podstawie historii zakupów, obejrzanych filmów czy słuchanej muzyki proponują treści dopasowane do preferencji użytkownika. Łączą zwykle dwie techniki: filtrowanie kolaboratywne, które porównuje osoby o podobnych gustach, i analizę cech samych produktów. Przykład: klient, który kupił namiot, zobaczy śpiwory, bo wybierali je inni nabywcy tego modelu.
Autonomiczne pojazdy
Samochody autonomiczne łączą kilka rodzajów AI, żeby przetwarzać dane z kamer, lidarów, radarów i GPS. Sieci głębokie rozpoznają pieszych, inne auta i znaki drogowe, osobne modele przewidują trasy tych obiektów, a planowanie bezpiecznej ścieżki jazdy wykorzystuje m.in. uczenie przez wzmacnianie trenowane w symulacjach.
