Wraz z kolejnymi wdrożeniami z zakresu AI, powstaje wiele nieporozumień co do sposobu jej działania. Przez jednych sztuczna inteligencja postrzegana jest jako futurystyczna, humanoidalna maszyna, a z drugiej strony dość często bywa mylona z procesem prostego uczenia maszynowego. Jakie istnieją różnice pomiędzy machine learning a AI? Eksperci Symfonii wyjaśniają, co odróżnia te systemy.
Ze sztuczną inteligencją można spotkać się wszędzie. Często nieświadomie, jej zasoby wykorzystywane są nawet w codziennych czynnościach, jak wskazówki Siri czy system poleceń Netflix. Z uwagi na to, że AI staje się coraz bardziej powszechne, samo pojęcie sztucznej inteligencji zaczyna być rozmyte i nieprecyzyjne. Czym właściwie jest AI i co mieści się w jej ramach?
Sztuczna inteligencja (ang. artificial intelligence, AI) służy do tworzenia systemów komputerowych zdolnych do wykonywania zadań, które standardowo wymagają inteligencji ludzkiej. Składa się ona z dwóch głównych gałęzi: ogólnej sztucznej inteligencji (AGI) i wąskiej sztucznej inteligencji (ANI).
AGI odnosi się do systemów, które posiadają ogólną inteligencję, czyli zdolność do wykonywania dowolnego zadania typowo ludzkiego. Można powiedzieć, że jest to wyidealizowany model AI, który posiada wiedzę z różnych dziedzin, jest kreatywny i elastyczny w podejmowaniu decyzji. Często jest przedstawiany jako cel, do którego dąży AI. To właśnie AGI ma przekroczyć granice wąskiej inteligencji i stworzyć prawdziwie inteligentne maszyny.
ANI natomiast koncentruje się na tworzeniu systemów, które są wyspecjalizowane w wykonywaniu konkretnych zadań. Mają ograniczone zakresy działania i nie posiadają zdolności przystosowawczych lub podejmowania decyzji poza określonym obszarem. Przykładem ANI mogą być systemy do identyfikacji mowy, rozpoznawania obrazów czy autonomiczne samochody. Są one bardzo skuteczne w swojej dziedzinie, ale nie wykazują ogólnej inteligencji.
– Tak naprawdę, mówiąc o AI, większość z nas ma na myśli AGI, co możemy nazwać generalną sztuczną inteligencją. Jej istotą nie jest specjalizacja, ale maksymalna uniwersalność. Rozwiązania z zakresu AGI nie będą projektowane z myślą o realizacji konkretnych procesów. Powinny być zdolne do samouczenia się i w konsekwencji realizowania dowolnego zadania. AGI będzie więc najbardziej zbliżona do tego, z czym intuicyjnie kojarzymy AI, bo najbardziej przypomina naszą ludzką, uniwersalną inteligencję. Choć sama idea znana jest już od kilkudziesięciu lat, to nadal jesteśmy daleko od stworzenia choćby działającego prototypu – mówi Aneta Jarczyńska, dyrektor ds. rozwoju produktu i komercjalizacji w Symfonii.
Machine learning (ML) jest z kolei jedną z kluczowych technik wykorzystywanych w AI, zarówno w AGI, jak i ANI. Jest to proces, w którym komputer jest trenowany na podstawie danych, aby wykrywać wzorce, uczyć się na ich podstawie i podejmować decyzje. Należy jednak pamiętać, że uczenie maszynowe może działać samodzielnie, poza obszarem sztucznej inteligencji.
– Celem uczenia maszynowego jest chociażby projektowanie prognoz, dlatego czasami nazywa się je również analizą predykcyjną. Odpowiednie algorytmy mają pozwolić oprogramowaniu na zautomatyzowanie procesu pozyskiwania i analizy danych. Prognozy kierują następnie milionami decyzji operacyjnych. Na przykład, przewidując, którzy klienci najprawdopodobniej zrezygnują ze świadczonych usług, firma może zachęcić ich do pozostania. Należy jednak pamiętać, że ML nie jest cyfrową kryształową kulą, z której można bezbłędnie wywróżyć przyszłość – dodaje Robert Zyskowski, dyrektor ds. technologii/Symfonia Group CTO.
Problemem, z którym obecnie zmaga się świat technologii, jest niedostrzeganie różnic pomiędzy uczeniem maszynowym a sztuczną inteligencją.
Pojęcia sztucznej inteligencji są często mylone przez ludzi ze względu na popularność terminu AI i jego zastosowanie w różnych kontekstach. W mediach często mówi się o AI jak o synonimie AGI, co budzi oczekiwania na inteligencję przewyższającą ludzką. Jednak większość obecnie dostępnych technologii to systemy ANI, które są wąsko wyspecjalizowane i nie mają ogólnej inteligencji.
Inną przyczyną powszechnej mylności jest fakt, że uczenie maszynowe jest często stosowane w tworzeniu systemów AI. Wiele funkcjonalności ANI jest opartych na ML i korzysta z technik takich jak sieci neuronowe, aby nauczyć się wykonywać konkretne zadania. Ta bliskość pomiędzy dwoma terminami sprawia, że niektórzy ludzie mylą te pojęcia lub używają ich zamiennie.
– Ważną lekcją, którą powinniśmy odrobić jest to, by przestać idealizować i hiperbolizować działania sztucznej inteligencji i odróżniać ją od uczenia maszynowego. Można powiedzieć, uczenie maszynowe jest techniką stosowaną w ramach sztucznej inteligencji, ale nie każda procedura AI opiera się wyłącznie na uczeniu maszynowym. Przykładowo, istnieją systemy AI, które są oparte na regułach i logice. Mogą być programowane w taki sposób, aby wykonywały określone zadania i podejmowały decyzje na podstawie zestawu zasad. W związku z tym, choć ML jest ważnym narzędziem i techniką w AI, sztuczna inteligencja obejmuje również inne podejścia i metody. Na pewno warto nauczyć się je rozróżniać i to, co jest uczeniem maszynowym wprost tak nazywać, by nie zostało doszczętnie pochłonięte przez pięknie, często nierealistyczne wyobrażenie, jakie mamy o AI – komentuje Robert Zyskowski.
Machine learning przynosi spektakularne wyniki w wielu dziedzinach, takich jak rozpoznawanie obrazów, przetwarzanie mowy i analiza danych. Te osiągnięcia są często prezentowane w mediach jako postęp w dziedzinie AI, co jeszcze bardziej wzmacnia myślenie, że sztuczna inteligencja i uczenie maszynowe to synonimy. W rezultacie, ML zdobyło popularność i stało się głównym aspektem publicznego zainteresowania z zakresu AI.
Należy pamiętać, że chociaż machine learning jest ważnym narzędziem i techniką w AI, sztuczna inteligencja obejmuje również inne podejścia i metody. Uczenie maszynowe natomiast może być używane jako samodzielna technika w różnych dziedzinach, niekoniecznie związanych z AI.
