Jak w przypadku większości terminów z dziedziny sztucznej inteligencji, nie istnieje jednoznaczna definicja uczenia maszynowego.

Upraszczając, uczenie maszynowe (UM) wykorzystuje dane, aby odpowiedzieć na pytania. Bardziej formalnie dotyczy stosowania algorytmów, które uczą się schematów z danych i są w stanie wykonywać zadania bez wyraźnego zaprogramowania ich do tego celu. 

Co więcej, cechą charakterystyczną systemów uczenia maszynowego jest to, że zwiększają one swoją skuteczność dzięki danym i doświadczeniu. Innymi słowy: uczą się.

Uczenie maszynowe należy do zbioru technologii znanych pod wspólnym pojęciem „sztuczna inteligencja” (SI).

Pojęcia „SI” i „uczenie maszynowe” często wydają się być stosowane zamiennie, ale w rzeczywistości bardziej właściwe jest uznanie uczenia maszynowego za poddziedzinę SI, która sama w sobie jest poddziedziną informatyki.

Sztuczna inteligencja oznacza co innego dla różnych osób, ale można stwierdzić, że sztuczna inteligencja odnosi się do szerszej koncepcji maszyny zdolnej do wykonywania zadań, które zwykle wymagają ludzkiej inteligencji.

W tym kontekście uczenie maszynowe odnosi się do konkretnych aplikacji, które wykorzystują dane do szkolenia modelu, aby samodzielnie wykonał dane zadanie i uczył się na podstawie doświadczeń. 

Hasła „sztuczna inteligencja” i „uczenie maszynowe” w ostatnich latach bardzo zyskały na popularności. Ale nie są czymś nowym. Naukowcy od dłuższego czasu zajmują się SI i uczeniem maszynowym. 

Temat sztucznej inteligencji po raz pierwszy omówiono w latach 50. XX w. Termin ten ukuł w 1956 roku amerykański informatyk John McCarthy na konferencji w Dartmouth College w New Hampshire.

Od tamtej pory SI przeszła wiele etapów rozwoju, doświadczając zarówno czasów świetności, jak i gorszych okresów. Uczenie maszynowe pojawiło się w latach 80. XX w., ale dopiero w pierwszej dekadzie XXI w. rozwój tej dziedziny zaczął gwałtownie przyspieszać. Co spowodowało tę zmianę?

W ostatniej dekadzie dwa kluczowe czynniki przyczyniły się do istotnych zmian w dziedzinie SI:

Po pierwsze, co minutę powstaje ogromna ilość danych. Maszyny potrzebują danych, aby się „uczyć”, a rosnąca dostępność oznacza, że większe zestawy danych można wykorzystać do poprawy szkolenia istniejących modeli, a także, że modele te można testować i stosować w nowych dziedzinach.

Drugi czynnik dotyczy ostatnich postępów w zakresie szybkości przetwarzania danych, które pozwalają komputerom na znacznie szybsze zrozumienie wszystkich tych informacji. Pozwoliło to firmom i innym podmiotom z branży technologicznej uzasadnić coraz większe inwestycje przeznaczone na badania i rozwój.

Przy obecnej dynamice SI wkrótce stanie się trochę mniej sztuczna, a dużo bardziej inteligentna.

Istnieje zasadnicze nieporozumienie co do celów badań nad SI. Jesteśmy nadal daleko od rzeczywistości z samodzielnie myślącymi maszynami jak komputer HAL 9000 w filmie2001: Odyseja kosmiczna. Nie ma też powodów do obaw, że roboty przejmą naszą pracę w niedalekiej przyszłości.

Może się to stać tylko wtedy, gdy uda nam się kiedykolwiek stworzyć silną sztuczną inteligencję: hipotetyczne maszyny, które bez nadzoru poradzą sobie z każdym zadaniem intelektualnym w sposób podobny do człowieka. Ale na razie pozostajemy w tej kwestii w sferze fantazji.

Z wyjątkiem kilku firm i laboratoriów badawczych – na przykład DeepMind i OpenAI – obecne badania nad sztuczną inteligencją skupiają się na wąskiej sztucznej inteligencji, zaś duży postęp dokonuje się w uczeniu maszyn samodzielnego wykonywania konkretnych zadań.

Popularność uczenia maszynowego sprawia, że czasami trudno jest oddzielić to, co rzeczywiste od tego, co jest tylko nazwą. Przyczyniają się do tego brak oficjalnie ustalonej definicji, wpływ science-fiction oraz ogólnie niski poziom wiedzy na tematy związane z SI.

Mamy nadzieję, że ta lekcja pozwoli Ci lepiej zrozumieć, czym jest uczenie maszynowe i jaki ma związek ze sztuczną inteligencją. Ale nawet w dziedzinie uczenia maszynowego istnieją różne rodzaje modeli i sposoby podejścia, które warto wziąć pod uwagę.

Jest to temat kolejnej lekcji.