Hlavní obsah

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

Foto: Vojtěch Kupka, Midjourney, AI vizualizace

Neuronová síť je jako síť třeba až miliardy miniaturních robůtků.

Umělá inteligence, AI, UI, logické automaty. Více názvů pro obor počítačových věd, jenž se zabývá tvorbou automatizačních nástrojů. K fungování využívá neuronové sítě i další prostředky. Základy vysvětlíme s pomocí experta z ČVUT.

Článek

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.

Proč AI potřebujeme?

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.

Učení pod dohledem a bez dohledu

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.

Další typy umělé inteligence

Mezi ostatní oblasti AI patří například počítačová vize, zpracování přirozeného jazyka (NLP), expertní systémy, robotika, rojové systémy (swarm systems) a mnohé další. Tyto přístupy se v praxi kombinují.

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.

Foto: Vojtěch Kupka, Midjourney, AI vizualizace

Jedna z variant, jak si neuronovou síť představuje samotná AI.

Neuronová síť je síť malých robůtků

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.

Další metoda: rozhodovací stromy

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.

Jak fungují chatboty

Chatboty jsou typickým příkladem spojení více přístupů počítačových věd k tvorbě AI. Strojové učení je zde využito ke generování obrázků a rozpoznání toho, co je řeč, obrázek nebo dokument. Zpracování přirozeného jazyka zase slouží k tvorbě přirozeně vypadající konverzace. V ní jsou například poskytnuté informace zasazeny do kontextu.

Související témata:
Neuronové sítě
Obecná umělá inteligence (AGI)

Doporučované