Inteligența artificială este numele dat unor sisteme informatice capabile să îndeplinească sarcini precum recunoașterea imaginilor, traducerea sau generarea de text. Multe dintre ele sunt construite prin învățare automată. În loc să primească o regulă scrisă separat pentru fiecare situație, un model analizează numeroase exemple și își ajustează parametrii pentru a produce rezultate mai bune la o sarcină.
Dacă vrei să construiești un program care recunoaște pisici în fotografii, îi poți arăta imagini etichetate corect. Programul face predicții, iar în timpul antrenării diferența dintre răspunsurile sale și etichetele corecte este folosită pentru a modifica modelul. După multe ajustări, acesta poate identifica tipare utile în fotografii pe care nu le-a văzut înainte. Performanța trebuie verificată tocmai pe asemenea exemple noi.
Cuvântul învățare poate crea impresia că mașina înțelege lumea în același fel ca un om. De fapt, modelul prelucrează date și găsește relații care îi permit să calculeze un răspuns. Poate fi foarte bun la o sarcină și poate greși într-o situație care pare simplă pentru noi. Calitatea datelor, modul de antrenare și verificarea rezultatelor contează la fel de mult ca puterea calculatorului. Aceste diferențe explică atât utilitatea inteligenței artificiale, cât și limitele ei. Performanța depinde de sarcina pentru care este antrenat.
Care este diferența dintre un program obișnuit și un model care învață
Într-un program clasic, dezvoltatorul scrie reguli pe care calculatorul le urmează. Pentru a calcula o reducere de 20%, programul înmulțește prețul cu o valoare stabilită. Regula este cunoscută și funcționează la fel pentru orice preț introdus corect.
Alte sarcini sunt mai greu de descris printr-o listă completă de reguli. O pisică poate apărea în fotografii din unghiuri diferite, în lumină slabă sau ascunsă parțial. Ar fi dificil să scrii manual toate condițiile după care programul să o recunoască. În schimb, poți folosi exemple din care un model să învețe tipare.
Modelul este o parte a programului care transformă datele primite într-un rezultat. Poate primi o imagine și poate estima dacă aceasta conține o pisică. Parametrii săi sunt valori numerice care influențează calculul. Antrenarea schimbă aceste valori, astfel încât predicțiile să se potrivească mai bine cu exemplele folosite.
Învățarea automată este una dintre metodele folosite în inteligența artificială. Nu orice program numit inteligent folosește însă același tip de model. Unele sisteme clasifică imagini, altele recomandă produse sau generează texte. Pentru fiecare trebuie stabilită sarcina, alese datele și verificat dacă rezultatul este util.
Ce se întâmplă în timpul antrenării
Primul pas este pregătirea datelor. Pentru un model care distinge pisici de câini, ai nevoie de fotografii variate și de informații corecte despre ce apare în fiecare. Aceste informații se numesc etichete. Dacă imaginile sunt greșit etichetate sau arată doar animale fotografiate în condiții asemănătoare, modelul poate învăța tipare care nu îl ajută în alte situații.
În timpul antrenării, modelul primește o imagine și produce o predicție. Programul compară predicția cu eticheta și calculează cât de mare este eroarea. Apoi ajustează parametrii modelului pentru a reduce eroarea la exemplele următoare. Procesul se repetă de multe ori.
Modelul nu primește explicația umană a fiecărui pas. Calculatorul modifică valori numerice în funcție de rezultatele obținute. În cazul rețelelor neuronale, există numeroși parametri care lucrează împreună. Numele lor este inspirat de neuroni, dar funcționarea acestor rețele matematice nu este identică cu cea a creierului uman.
Nu toate modelele învață din exemple cu etichete. Unele caută structuri în date fără să primească răspunsul corect pentru fiecare element. Altele își ajustează comportamentul pe baza rezultatelor acțiunilor încercate. Metoda este aleasă în funcție de problema pe care sistemul trebuie să o rezolve.
De ce trebuie testat modelul pe exemple noi
Un elev care a memorat răspunsurile la zece întrebări poate părea pregătit, dar poate avea dificultăți când primește alte întrebări despre aceeași lecție. Un model poate face ceva asemănător. Dacă se potrivește prea bine cu exemplele de antrenare, poate învăța detalii întâmplătoare și poate greși pe date noi. Acest fenomen se numește supraînvățare.
De aceea, o parte dintre date este păstrată pentru verificare. Modelul este testat cu imagini, texte sau situații pe care nu le-a folosit la ajustarea parametrilor. Rezultatele arată mai bine dacă a învățat tipare utile sau doar particularitățile exemplelor inițiale.
Contează și cât de reprezentative sunt datele. Dacă un sistem de recunoaștere a animalelor a văzut aproape numai fotografii făcute ziua, poate avea rezultate mai slabe noaptea. Dacă datele despre oameni omit anumite grupuri, erorile pot afecta acele grupuri mai mult. Un scor bun la un test îngust nu garantează că modelul va funcționa la fel de bine peste tot.
După lansare, rezultatele trebuie urmărite în continuare. Fotografiile, limbajul sau comportamentul utilizatorilor se pot schimba. Modelul poate avea nevoie de date noi, de o evaluare suplimentară sau de modificări. Învățarea din timpul antrenării nu înseamnă că orice sistem își actualizează automat cunoștințele după fiecare conversație.
Cum generează text și de ce poate greși
Modelele care generează text sunt antrenate să observe relații între fragmente de limbaj. O sarcină importantă în antrenarea lor este să prezică ce fragment ar putea urma după cele precedente. Repetând procesul pe cantități mari de text, ele învață tipare legate de cuvinte, formulări și structura informației.
Când îi adresezi o întrebare unui asemenea model, acesta construiește răspunsul pas cu pas, folosind ceea ce a învățat și contextul primit. Poate rezuma, traduce sau redacta un text nou. Rezultatul poate fi fluent chiar și atunci când conține o greșeală. Capacitatea de a produce o explicație convingătoare nu dovedește că fiecare afirmație este adevărată.
O eroare poate apărea fiindcă datele au fost incomplete, întrebarea este ambiguă sau modelul produce o continuare plauzibilă fără informația necesară pentru verificare. De aceea, informațiile importante trebuie controlate, mai ales când privesc sănătatea, banii sau decizii cu urmări serioase.
Inteligența artificială poate ajuta la sarcini care ar consuma mult timp, de la sortarea imaginilor la redactarea unui prim text. Funcționează prin date, calcule, ajustări și testare. Cu cât înțelegi mai bine sarcina pentru care a fost pregătit un model și limitele verificării sale, cu atât îi poți folosi mai bine rezultatele.