Čo je strojové učenie (machine learning)?

Strojové učenie (machine learning) je odvetvie umelej inteligencie, v ktorom sa počítač učí riešiť úlohy na základe vzorov v dátach, namiesto toho, aby mal vopred napísané presné pravidlá. Programátor nezadá postup „ak nastane A, urob B", ale dá systému veľa príkladov a ten si pravidlá odvodí sám. Práve strojové učenie je základom, na ktorom stoja moderné jazykové modely aj generatívna AI.

Tento článok vysvetľuje, čo strojové učenie je, ako sa stroj „učí", aké sú jeho hlavné typy a ako súvisí s pojmami ako deep learning a veľké jazykové modely.

Ako sa stroj „učí" z dát

Pri klasickom programovaní vývojár napíše každé pravidlo ručne. Pri strojovom učení je postup opačný: do systému vložíte vstupné dáta aj správne odpovede a algoritmus si sám nájde vzťah medzi nimi. Tomuto vzťahu sa hovorí model.

Predstavte si filter na spam. Namiesto písania stoviek pravidiel ukážete systému tisíce e-mailov označených ako „spam" a „nie spam". Model sa naučí, ktoré znaky spam predpovedajú, a dokáže ich rozpoznať aj v e-mailoch, ktoré nikdy nevidel. Schopnosť správne reagovať na nové, neznáme dáta sa nazýva generalizácia a je hlavným cieľom strojového učenia.

Podstatu vystihuje definícia, podľa ktorej sa model strojového učenia neprogramuje explicitne, ale učí sa zo skúsenosti s dátami. Práve preto je užitočný pri úlohách, kde sa pravidlá ťažko zapisujú ručne.

Tri hlavné typy strojového učenia

Strojové učenie sa zvyčajne delí na tri základné prístupy podľa toho, ako sa model učí:

Typ	Ako sa učí	Príklad použitia
Učenie s učiteľom (supervised)	Z dát s vopred známymi správnymi odpoveďami	Predikcia ceny, klasifikácia spamu
Učenie bez učiteľa (unsupervised)	Z dát bez označení, hľadá skryté vzory	Segmentácia zákazníkov, zhlukovanie
Posilňované učenie (reinforcement)	Pokusom a omylom cez odmeny a tresty	Hranie hier, robotika, ladenie LLM

Práve posilňované učenie zohráva dôležitú úlohu pri doladení jazykových modelov, kde sa model učí, ktoré odpovede ľudia preferujú.

Ako súvisí strojové učenie s AI, deep learningom a LLM

Tieto pojmy si ľudia často mýlia, hoci tvoria jasnú hierarchiu od najširšieho po najužší:

• Umelá inteligencia (AI) je najširší pojem, teda akýkoľvek systém, ktorý napodobňuje inteligentné správanie.
• Strojové učenie je podoblasť AI, v ktorej sa systém učí z dát.
• Hlboké učenie (deep learning) je podoblasť strojového učenia, ktorá využíva viacvrstvové neurónové siete. Podrobne ho rozoberáme v článku o deep learningu.
• Veľké jazykové modely (LLM) sú konkrétnou aplikáciou deep learningu na text.

Inými slovami: každý LLM je výsledkom deep learningu, každý deep learning je strojové učenie a každé strojové učenie je umelá inteligencia. Naopak to však neplatí.

Kde sa strojové učenie používa v praxi

Strojové učenie je dnes všade okolo nás, často bez toho, aby sme si to uvedomovali:

• Odporúčania filmov, hudby a produktov v e-shopoch
• Rozpoznávanie tváre a reči v telefónoch
• Detekcia podvodov pri platbách kartou
• Predpoveď dopytu a cien
• Filtre spamu a moderovanie obsahu
• Generatívne nástroje, o ktorých píšeme v článku o generatívnej AI

Čo strojové učenie potrebuje, aby fungovalo

Kvalita modelu strojového učenia stojí a padá na troch veciach: dostatku kvalitných dát, vhodnom algoritme a výpočtovom výkone. Najčastejšou príčinou zlých výsledkov nie je slabý algoritmus, ale nekvalitné alebo skreslené dáta. Platí jednoduché pravidlo: aké dáta na vstupe, taký model na výstupe.

Čo to znamená pre vašu viditeľnosť v AI

AI vyhľadávače sú postavené na modeloch strojového učenia, ktoré sa rozhodujú, ktorý obsah je dôveryhodný a hodný citácie. Pochopenie základov vám pomôže lepšie pripraviť web tak, aby tieto modely citovali práve vás. Ako na to, ukazujeme v sprievodcovi AI optimalizáciou a v článku ako zvýšiť viditeľnosť v AI.

Často kladené otázky

Aký je rozdiel medzi strojovým učením a umelou inteligenciou?

Umelá inteligencia je široký pojem pre akýkoľvek systém napodobňujúci inteligentné správanie. Strojové učenie je jej konkrétna podoblasť, v ktorej sa systém učí z dát namiesto pevných pravidiel.

Je deep learning to isté ako strojové učenie?

Nie celkom. Deep learning je špecifický druh strojového učenia, ktorý používa viacvrstvové neurónové siete. Každý deep learning je strojové učenie, ale nie každé strojové učenie je deep learning.

Potrebujem na strojové učenie veľa dát?

Vo všeobecnosti áno. Modely sa učia zo vzorov v dátach, takže viac kvalitných a reprezentatívnych dát zvyčajne vedie k presnejšiemu modelu. Pri jednoduchších úlohách však môže stačiť aj menšia vzorka.

Učí sa model neustále aj po nasadení?

Nie automaticky. Väčšina modelov sa natrénuje raz a potom sa používa v nezmenenej podobe. Ak ich chceme zlepšiť o nové dáta, musíme ich znova natrénovať alebo doladiť.

Je strojové učenie ťažké naučiť sa?

Základné koncepty pochopí každý, kto rozumie tomu, že systém hľadá vzory v dátach. Praktická tvorba modelov si však vyžaduje znalosti matematiky, štatistiky a programovania.