Jak funguje umělá inteligence: Nahlédněte s expertem do pavučiny neuronových sítí

Článek si také můžete poslechnout v audioverzi.

Nejprve je důležité vědět, že existují dva druhy AI. Jedním jsou všechny programy a přístupy, které dnes můžeme vidět kolem sebe: Doporučovací software v prohlížeči i samotný prohlížeč, chatboty, generátory obrázků nebo třeba i programy, které používají rozvozci potravin. Tento typ se nazývá specializovaná umělá inteligence nebo také úzce zaměřená AI.

„Když člověk programuje, velice často řeší problém typu: Když se stane něco, musíš něco udělat. Tedy typické ‚buď, anebo‘. Vyžaduje to jistou předchozí znalost toho konkrétního problému,“ říká Jan Drchal z Centra umělé inteligence ČVUT. Programátor v takovém případě musí nejprve definovat, co po stroji požaduje. U neuronových sítí je to jinak. „Typicky se učí, podobně jako lidé, z příkladů. Nevyžadují nutně předchozí znalost problému,“ přibližuje fungování specializované AI Jan Drchal.

Druhým typem umělé inteligence je takzvaná AGI – Artificial General Intelligence, tedy obecná umělá inteligence. Možná ji znáte z popkultury a sci-fi pořadů a videoher: Když je program natolik perfektní, že dokáže „myslet“ a jednat plně jako člověk. Umí univerzálně reagovat na své okolí a přitom ve srovnání s člověkem disponuje mnohem větší výpočetní kapacitou. AGI ovšem momentálně neexistuje, zatím je známá jen jako koncept.

Umělá inteligence, pokud se správně použije, může v mnoha případech lidem ulehčit a urychlit jejich práci. Jak ale říká Jan Drchal, AI nejsou pouze programy, které řeší problémy podobně jako lidé. Jsou to i nástroje, které dokážou řešit i takové problémy, jaké by lidé ani řešit nezvládli.

„Donedávna byla top AI témata například otázky plánování. Typicky mám například obrovskou továrnu a potřebuji naplánovat, po kterém páse zrovna pojede jaká součástka tak, aby se to na konci celé sešlo ve finální produkt,“ nastiňuje Drchal.

Podobné jsou i problémy rozvážkových služeb, kdy je nutné naplánovat kurýrovi, kde a jaké zboží nabrat a jak to zboží co nejrychleji a co nejefektivněji rozvézt například po Praze. „V těchto příkladech máte tolik proměnných, že by to člověk v životě nedokázal naplánovat,“ vysvětluje odborník z ČVUT.

V kontextu umělé inteligence se nejčastěji zmiňují termíny, jako je strojové učení a neuronové sítě. Využívaných metod v rámci AI je ale více. Právě strojové učení si lze představit jako zastřešující termín používaný pro jednu z oblastí AI.

Ke zpracování dat u strojového učení slouží hlavně dvě metody: učení pod dohledem a učení bez dohledu. „V případě učení s dohledem mám k dispozici třeba nějaké obrázky a k nim popisky, anotace – například jestli je to pes nebo kočka. Program tato data zpracuje, upraví si jejich vnitřní strukturu a měl by je být schopen generalizovat,“ vysvětluje Jan Drchal.

Je to vlastně učení na základě příkladů. Potom by měl být stroj schopen poskytnout obrázek psa, který nebyl v jeho vstupních datech, ale je oněm obrázkům psů podobný. „Stroj by měl být takto schopen mi i říct, že je to třeba pes na 60 procent,“ upřesňuje odborník. Příkladem využití učení pod dohledem je například i antispam nebo mapová aplikace hledající nejrychlejší trasu.

V případě učení bez dohledu stroj dostane soubor dat bez klíče. Například se do stroje vloží skupina obrázků a on pak posuzuje podobnost s nimi u jiných obrázků. „Když potom přijde nový obrázek, ten model neví, že to je obrázek psa, ale ví, že vykazuje známky podobnosti s určitou skupinou obrázků v jeho databázi,“ přibližuje Drchal. Tato metoda se může uplatnit například při rozpoznávání obličejů nebo v kybernetické bezpečnosti.

Neuronové sítě si lze představit tak, že máte miniaturní počítač, který dokáže vzít vstupní data, zvážit je podle předem daných parametrů, seřadit je a sečíst dohromady.

„Jeho výsledek se potom stává jedním ze vstupů pro stejný minipočítač výš nad ním v hierarchii. No a těchto počítačů máte třeba stamiliony, miliardu. Podobně fungují právě třeba neurony v lidském mozku,“ srovnává Drchal.

Čím je taková síť větší, tím více dat dokáže zpracovat, ale také je mnohem dražší ve smyslu spotřebované energie a požadavků na hardware.

Neuronové sítě ale nejsou univerzálním řešením a nehodí se na každou úlohu. Mezi možné alternativy k neuronovým sítím v rámci využití umělé inteligence patří například metody rozhodovacích stromů, kdy se stroj rozhoduje třeba ve stylu: „Chci jít na golf. Prší? Nepůjdu ven nebo si vezmu deštník. Neprší? Půjdu ven.“

Podobně lze problém dále rozebírat podle množství dalších proměnných – například podle toho, jaká je teplota nebo jestli fouká. Podle Drchala právě u podobných problémů neuronové sítě nejsou nejlepším řešením.

Typicky se u různých problémů nepoužívá jen jedna metoda. Kombinuje se jich více a až společně dají kýžený výsledek.