Šta je machine learning i razlika od umjetne inteligencije?

Kad čuješ riječi umjetna inteligencija (veštačku inteligenciju u Srbiji), vjerovatno prva pomisao ide na chatbotove i alate koji pišu tekst ili prave slike. Iza svega toga stoji jedan pojam koji rijetko ko zaista razumije, a to je machine learning. Ova dva izraza se često koriste kao da znače potpuno isto, iako to nije tačno. U ovom tekstu objašnjavamo šta je machine learning, kako funkcioniše i gdje se tačno razlikuje od umjetne inteligencije kao šireg pojma.

Šta je machine learning (mašinsko učenje)?

Zamisli dijete koje uči da prepozna mačku. Niko mu ne objašnjava pravilo za svaku dlaku, oblik ušiju ili boju očiju, dijete jednostavno vidi dovoljno mačaka na slikama i u stvarnosti, pa samo nauči obrazac. Machine learning radi po sličnom principu, samo što umjesto djeteta uči računar, a umjesto slika iz svakodnevice dobija ogromne količine podataka.

Machine learning, ili mašinsko učenje, je metoda koja računaru omogućava da uči iz podataka bez toga da mu neko unaprijed napiše tačna pravila za svaki mogući slučaj. Umjesto da programer opisuje svaki korak, sistem dobija veliku količinu primjera i sam pronalazi obrazac koji povezuje ulazne podatke sa tačnim rezultatom. Kad taj obrazac jednom nauči, može ga primijeniti na potpuno nove podatke koje nikad ranije nije vidio.

Prema definiciji kompanije IBM, machine learning predstavlja dio umjetne inteligencije koji se oslanja na algoritme sposobne da prepoznaju obrasce u podacima za treniranje i na osnovu toga donose tačne zaključke o novim podacima. To je, u suštini, razlika između klasičnog programiranja i mašinskog učenja. Klasičan program radi tačno ono što mu je napisano, dok model mašinskog učenja gradi svoje zaključke sam, na osnovu iskustva.

Šta je umjetna inteligencija?

Umjetna inteligencija je mnogo širi pojam. Ona obuhvata sve sisteme i tehnike čiji je cilj da mašina obavlja zadatke za koje je inače potrebna ljudska pamet, poput razumijevanja jezika, prepoznavanja slika ili donošenja odluka. Veštačka inteligencija, kako je zovu u Srbiji, ne mora nužno da uči iz podataka. Postoje i stariji pristupi, zasnovani na unaprijed zapisanim pravilima, koji se i dalje ubrajaju u umjetnu inteligenciju iako uopšte ne koriste mašinsko učenje.

Prema Google Cloud, umjetna inteligencija je skup tehnologija koje računaru omogućavaju da uči, zaključuje i obavlja napredne zadatke na način koji je nekad zahtijevao ljudsku pamet, poput razumijevanja jezika ili analize podataka. Ako želiš širi pregled cijele te teme na jednom mjestu, pogledaj naš vodič šta je umjetna inteligencija, sa svim osnovnim pojmovima objašnjenim redom.

Machine learning i umjetna inteligencija: koja je razlika?

Najlakše je zamisliti umjetnu inteligenciju kao veliki krug, a machine learning kao manji krug unutar njega. Svaki mašinski model koji uči iz podataka jeste dio umjetne inteligencije, ali nije svaka umjetna inteligencija zasnovana na učenju iz podataka.

Ispod je pregled po najvažnijim kriterijumima.

Ova razlika objašnjava zašto se pojmovi toliko miješaju u svakodnevnom govoru. Skoro svaki savremeni alat umjetne inteligencije, od pretraživanja slika do chatbotova, danas se oslanja upravo na machine learning. Zato ljudi često kažu umjetna inteligencija kad zapravo misle na mašinsko učenje, iako to tehnički nije potpuno tačno. Za krajnju tačku tog razvoja, tamo gdje mašina treba da izjednači ljudsku pamet u svemu, pogledaj naš tekst šta je AGI i kada ćemo ga imati.

Kako machine learning funkcioniše?

Podaci kao osnova

Bez podataka nema ni mašinskog učenja. Model uči isključivo iz primjera koje mu daš, pa što je skup podataka veći i raznovrsniji, to su predviđanja tačnija. Ako model treniraš na lošim ili nepotpunim podacima, i rezultat će biti loš, bez obzira koliko je algoritam napredan.

Algoritmi i prepoznavanje obrazaca

Algoritam je matematički postupak koji model koristi da pronađe vezu između ulaznih podataka i tačnog rezultata. Umjesto da neko ručno kaže: ako je X, uradi Y, algoritam sam prolazi kroz hiljade ili milione primjera i postepeno gradi pravilo koje najbolje odgovara podacima. Ovaj proces se naziva treniranje, a rezultat je model koji možeš koristiti na novim, još neviđenim podacima.

Treniranje modela korak po korak

Proces obično ide ovim redom. Prvo se prikupljaju i čiste podaci, zatim se biraju obilježja koja su bitna za zadatak, model se trenira na jednom dijelu podataka, a na kraju se testira na drugom dijelu kako bi se provjerilo da li stvarno radi dobro. Ako rezultati nisu zadovoljavajući, cijeli proces se ponavlja uz izmijenjene parametre. Za dublje razumijevanje šta se zapravo krije iza pojma pametne mašine, pogledaj naš tekst šta je pametna inteligencija.

Tri vrste machine learninga

Nadzirano učenje

Kod nadziranog učenja, model dobija podatke koji su već označeni tačnim odgovorom. Na primjer, ako želiš da naučiš model da prepoznaje neželjenu poštu, daješ mu hiljade emailova koji su već označeni kao spam ili nisu spam. Model uči vezu između sadržaja emaila i te oznake, a zatim tu vezu primjenjuje na nove poruke. U praksi, za solidnu tačnost prepoznavanja spama obično treba barem pet do deset hiljada označenih primjera, mada neki jednostavniji filteri rade prilično dobro i sa svega nekoliko stotina primjera po kategoriji.

Nenadzirano učenje

Ovdje model dobija podatke bez ikakvih oznaka i sam mora da pronađe strukturu ili grupe unutar njih. Tipičan primjer je grupisanje kupaca prema navikama kupovine, gdje niko unaprijed ne kaže modelu koje grupe postoje, nego on sam otkriva obrasce ponašanja.

Učenje pojačanjem

Kod učenja pojačanjem, model uči kroz pokušaje i greške, tako što dobija nagradu za dobre poteze i kaznu za loše. Ovaj pristup se koristi kod modela koji igraju igre poput šaha, gdje model isprobava hiljade partija dok ne pronađe strategiju koja najčešće vodi do pobjede.

Machine learning naspram dubinskog učenja

Duboko učenje je posebna grana unutar machine learninga koja koristi neuronske mreže sastavljene od više slojeva. Dok klasično mašinsko učenje često zahtijeva da čovjek unaprijed odabere koja su obilježja podataka bitna, duboko učenje to radi samostalno, direktno iz sirovih podataka poput slika ili zvuka. Zbog toga duboko učenje zahtijeva mnogo više podataka i računarske snage, ali istovremeno omogućava mnogo složenije zadatke, poput prepoznavanja lica ili razumijevanja govora. Ako te zanima kako izgledaju te mreže iznutra, pročitaj naš tekst šta je neural network, objašnjeno bez žargona.

Uobičajene zabune oko machine learninga

• Machine learning nije isto što i robotika. Robot može da radi potpuno bez učenja, samo prateći unaprijed napisan program, dok machine learning znači da sistem sam uči iz podataka.
• Umjetna inteligencija ne znači da mašina razmišlja kao čovjek. Ona prepoznaje statističke obrasce u podacima, bez svijesti o tome šta zapravo radi.
• Machine learning ne zahtijeva uvijek ogromne količine podataka. Neki jednostavniji modeli solidno rade i sa svega nekoliko stotina primjera, zavisno od zadatka koji obavljaju.

Primjeri machine learninga koje koristiš svaki dan

• Predlozi na Netflixu i YouTubeu koji pamte šta si ranije gledao i predlažu slične sadržaje
• Prepoznavanje lica u Google Photos, koje automatski grupiše slike prema osobama na njima
• Filter za neželjenu poštu, koji svaki dan uči na novim primjerima spama
• Navigacija u Google Maps, koja predviđa gužvu na osnovu podataka iz prošlosti
• Glasovni asistenti koji prepoznaju govor i pretvaraju ga u tekst

Iza većine ovih alata danas stoje i veliki jezički modeli, koji su posebna primjena machine learninga za razumijevanje i generisanje teksta. Ako te zanima kako oni tačno rade, pogledaj naš tekst šta je large language model.

Umjetna inteligencija i machine learning u regiji

Veštačka inteligencija i mašinsko učenje sve više ulaze u svakodnevni rad kompanija na Balkanu, od bankarstva do poljoprivrede. Alati koji koriste mašinsko učenje danas su dostupni i na bosanskom, hrvatskom i srpskom jeziku, iako većina naprednijih modela i dalje bolje radi na engleskom. Ako te zanima koliko dobro ovi alati zapravo razumiju naš jezik, pogledaj naš tekst ChatGPT na hrvatskom.

Za razliku od ranijih godina, kad je pristup ovim alatima bio ograničen, danas postoji sve više opcija koje rade bez posebnih prepreka. Ko god želi da nauči osnove, može početi od jednostavnih besplatnih alata i postepeno prelaziti na napredniji machine learning, uključujući i alate koji sami stvaraju tekst, slike ili zvuk.

Prednosti i ograničenja machine learninga

Najveća prednost machine learninga je što otkriva obrasce koje čovjek teško primijeti golim okom, pogotovo kad se radi o ogromnoj količini podataka. Isto tako, jednom kad je model istreniran, on može da obradi hiljade zahtjeva u sekundi, što ručno nije moguće postići. Zbog toga se mašinsko učenje danas koristi u bankarstvu za otkrivanje prevara, u medicini za analizu snimaka i u marketingu za personalizaciju sadržaja koji korisnik vidi.

S druge strane, machine learning ima i jasna ograničenja. Model je onoliko dobar koliko su dobri podaci na kojima je treniran, pa ako podaci sadrže greške ili pristrasnost, model će te greške samo ponoviti u većem obimu. Treniranje naprednijih modela zahtijeva i ozbiljnu računarsku snagu, što poskupljuje razvoj. Machine learning takođe ne razumije kontekst na način na koji to radi čovjek, nego prepoznaje statističke obrasce, pa se ponekad dešava da model donese pogrešan zaključak u situaciji koja mu ranije nije bila poznata. Ova ograničenja postaju posebno vidljiva kod naprednijih sistema, poput AI agenata, koji sami donose odluke bez stalnog ljudskog nadzora.

Najčešća pitanja o machine learningu i umjetnoj inteligenciji

Koja je razlika između umjetne i veštačke inteligencije?

Nema stvarne razlike u značenju, radi se samo o jezičkoj varijanti istog pojma. Umjetna inteligencija je izraz koji se češće koristi u Hrvatskoj i Bosni, dok veštačka inteligencija dominira u Srbiji, ali oba izraza opisuju potpuno isti pojam.

Je li machine learning isto što i umjetna inteligencija?

Ne, machine learning je samo jedan dio umjetne inteligencije. Umjetna inteligencija je širi pojam koji uključuje i sisteme koji uopšte ne uče iz podataka, dok je mašinsko učenje uvijek zasnovano na obrascima pronađenim u podacima.

Šta je duboko učenje?

Duboko učenje je grana mašinskog učenja koja koristi neuronske mreže sa više slojeva i omogućava rješavanje složenijih zadataka, poput prepoznavanja govora ili slika, ali zahtijeva mnogo više podataka i računarske snage od klasičnog mašinskog učenja.

Treba li znati programirati da bih razumio machine learning?

Ne, za osnovno razumijevanje principa nije potrebno znanje programiranja. Programiranje postaje bitno tek kad želiš sam da praviš ili prilagođavaš modele, dok za svakodnevno korištenje gotovih alata to znanje uopšte nije neophodno.

Koji su najpoznatiji primjeri machine learninga?

Najčešći primjeri su preporuke sadržaja na Netflixu i YouTubeu, prepoznavanje lica na fotografijama, filteri za neželjenu poštu i predviđanje gužve u saobraćaju. Svi ovi alati rade tako što uče iz ogromne količine ranijih podataka.