Co je strojové učení?
Strojové učení (machine learning, ML) je způsob, jak stavět software, který se učí vzorce z příkladů, místo aby mu člověk ručně zadal každé pravidlo. V klasickém programování napíše vývojář přesná pravidla: „když e-mail obsahuje tato slova, označ ho jako spam“. Ve strojovém učení místo toho ukážete systému tisíce e-mailů, které už jsou označené jako spam nebo ne, a vzorce si dopočítá sám. Výsledkem je model, vytrénovaný kus softwaru, který předpovídá u nových dat, jež nikdy neviděl.
Lidsky řečeno
Strojové učení si představte jako učení dítěte, aby poznalo psa. Nedáte mu seznam podle délky srsti a tvaru uší. Ukazujete na psy, párkrát řeknete „pes“ a ono nakonec pozná i psa, kterého nikdy nevidělo. Strojové učení funguje stejně. Ukažte dost příkladů a systém se naučí vzorec rozpoznat i u nových případů.
Jak to funguje v jednom odstavci
Strojové učení má dvě fáze. Nejdřív přichází trénink: systému dodáte spoustu příkladů a on se sám doladí tak, aby jeho předpovědi odpovídaly známým výsledkům. Pak přichází použití (inference): vytrénovanému modelu předložíte nová data a on udělá předpověď. Čím relevantnější a čistší trénovací data, tím lepší předpovědi. Důležité je, že model neukládá pravidla, která napsal člověk. Ukládá vzorce, které našel v datech.
Kde se s tím už potkáváte
- Filtry spamu a podvodů, které se učí, jak vypadají podezřelé zprávy a transakce.
- Doporučování na Netflixu, Spotify a v e-shopech podle toho, co si vybrali podobní lidé.
- Předpovědi poptávky, odchodu zákazníků nebo stavu skladu z chování v minulosti.
- Moderní AI nástroje. Velké jazykové modely za ChatGPT a Claude jsou strojové učení ve velkém měřítku.
Pro firmu se ML hodí tam, kde máte hodně historických dat a rozhodnutí, které se často opakuje. Tato data promění v předpovědi, podle kterých se dá jednat, místo pravidel, která musí někdo ručně udržovat.
Na co si dát pozor
- Co do něj vložíte, to dostanete. Model se naučí cokoli, co je v datech, včetně chyb. Zkreslená nebo nepořádná data dávají zkreslené nebo nespolehlivé předpovědi.
- Předpovídá, nerozumí. ML hledá souvislosti, ne příčiny. Model se může s jistotou mýlit, hlavně u případů, které se ničemu z tréninku nepodobají.
- Časem se rozjíždí. Svět se mění a model trénovaný na loňském chování se pomalu zhoršuje. Modely potřebují hlídat a znovu trénovat.
- Ne každý problém ho potřebuje. Když stačí jednoduché pravidlo, je levnější, jasnější a snáz se mu věří než modelu.
Související články
- Co to je AI? - Širší obor, do kterého strojové učení patří.
- Machine learning vs. deep learning - Jak se mocná podmnožina ML liší od zbytku.
- Co je neuronová síť? - Struktura za dnešními nejschopnějšími modely.
Chcete být o krok napřed?
Nenechte si utéct naše nejlepší postřehy. Žádný spam, jen praktické analýzy, pozvánky na exkluzivní eventy a shrnutí podcastů přímo do vaší schránky.