Technológia

Elon Musk, známy podnikateľ hlavne vďaka autonómnym vozidlám Tesla, sa zameriava aj na iné oblasti než automobilový priemysel. Už dva roky financuje spoločnosť Neuralink, ktorá pracuje na vývoji výnimočného rozhrania “brain-machine”. Má využiť silu ľudského mozgu a v spojení s umelou inteligenciou má zaznamenať veľký prelom v zdravotníctve. Ako sami tvrdia, táto technológia má pomôcť pri “riešení všetkých mozgových porúch”.

Skúšali ste sa niekedy zamyslieť nad tým, ako nám dokážu pri používaní vášho smartfónu rozumieť Siri alebo Alexa? Samozrejme, je za tým umelá inteligencia.

Pri probléme detekcie pohyblivých objektov je úlohou nájsť pohybujúce sa objekty v zábere videa. Zložitosť tejto úlohy závisí od toho, či sa jedná o záber zo statickej či pohyblivej kamery, ako veľmi dynamické je pozadie scény záberu, atď. V súčasnosti už existuje množstvo algoritmov, ktoré riešia tento problém.

Ďalšou z úloh je detekcia objektov. Tu je cieľom lokalizovať a ohraničiť objekty, ktoré sa nachádzajú v snímke a rovnako ako pri klasifikácii určiť triedy jednotlivých objektov. Výsledkom algoritmu je teda zoznam objektov, ktoré boli nájdené.

Osobitnou kategóriou algoritmov strojového učenia je učenie formou odmeňovania (Reinforcement learning). V tomto prípade už na trénovanie modelu nepoužijeme žiadne označené, či neoznačené trénovacie príklady. Učenie tu prebieha tak, že vytvoríme systém – agenta, ktorého nasadíme do prostredia a necháme ho nech sa učí prostredníctvom interakcie s prostredím.

Učenie bez učiteľa (Unsupervised machine learning) sa používa pri dátach, ktoré neboli vopred klasifikované. Chýba nám teda „správna odpoveď“, ktorou bolo v príklade pri učení s učiteľom označenie, aké číslo je napísané na obrázku.

Keď spomenieme pojmy ako je Data science, dolovanie dát (Data mining) či strojové učenie (Machine learning), mnoho z nás si hneď predstaví programovacie jazyky R, Python alebo C++. Najznámejšie frameworky v tejto oblasti ako napríklad Caffe či Tensorflow totiž fungujú práve na nich. Ak by sme však v minulosti potrebovali spoľahlivý framework napríklad pre C#, narazili by sme na problém.

Vo všeobecnosti, kedykoľvek, keď počítač spracúva vizuálny vstup, ako je napríklad fotka, video, či živý záznam z kamery na našom smartfóne, používa pritom počítačové videnie. Používa ho práve na to, aby pochopil a vyhodnotil čo “vidí”. Počítačové videnie si teda môžeme zjednodušene predstaviť ako časť ľudského mozgu, ktorý spracúva informácie prijaté očami.

Strojové učenie je jeden zo spôsobov, akým sa snažíme dosahovať umelú inteligenciu. Respektíve časť umelej inteligencie, ktorá poskytuje systému schopnosť automaticky sa učiť a zlepšovať sa, na základe existujúcich príkladov z minulosti alebo z vlastných skúseností. Proces učenia sa začína pozorovaním alebo skúmaním dát, prípadne získavaním skúseností. V nich následne program nájde vzory a na ich základe zlepší v budúcnosti svoje rozhodnutia. Hlavný zámer je, aby sa počítač dokázal učiť samostatne, bez ľudskej asistencie, a aby to, čo sa naučil, vedel aj prakticky aplikovať.

Priekopníci umelej inteligencie si spočiatku mysleli, že najvhodnejším prístupom pre vytvorenie umelej inteligencie bude klasicky krok za krokom ju inštruovať v tom, čo má ako robiť. Avšak v reálnom živote sa však rýchlo dostaneme k  problému exponenciálneho rastu.