Przed podaniem przykładów wykorzystania sztucznej inteligencji w przemyśle usystematyzujemy podstawowe informacje na temat tej rozwijającej się obecnie w bezprecedensowo szybkim tempie dziedziny. SI (AI) to technologia umożliwiająca komputerom i innym maszynom symulowanie ludzkich zdolności do uczenia się, rozumienia, rozwiązywania problemów, podejmowania decyzji, naszej kreatywności i autonomii. Dzięki temu oparte na niej urządzenia są w stanie rozpoznawać obiekty na obrazach, rozumieć oraz generować ludzki język, uczyć się na podstawie nowych informacji i doświadczeń, formułować wnioski i tworzyć treści, działając niezależnie, bez potrzeby interwencji ludzi.
W tych celach wykorzystywane są różne techniki, stanowiące zagnieżdżone podzbiory AI. Główną podgrupą sztucznej inteligencji jest uczenie maszynowe (machine learning, ML). Jego podzbiorem są sztuczne sieci neuronowe. Na tych opiera się podkategoria ML, jaką jest uczenie głębokie (deep learning, DL).
ML vs. DL
Uczenie maszynowe (ML) polega na trenowaniu algorytmów pod kątem prognozowania lub decydowania na podstawie danych. W przeciwieństwie do systemów opartych na regułach wykonujących dane zadanie za każdym razem w taki sam sposób, te bazujące na uczeniu maszynowym doskonalą się, ucząc się przez doświadczenie. Nabierają go, analizując dostarczane im informacje. ML obejmuje wiele technik, w tym uczenie nadzorowane, nienadzorowane oraz przez wzmacnianie (patrz ramki: Uczenie maszynowe oraz Algorytmy ML).
Inspiracją dla głębokiego uczenia (DL) jest natomiast ludzki mózg, a dokładniej sposób, w jaki są w nim zorganizowane połączenia synaptyczne między neuronami. Algorytmy DL poddają dane analizie w sposób podobny do tego, w jaki człowiek wyciąga wnioski, efektywniej niż standardowe algorytmy uczenia maszynowego. By to osiągnąć, wykorzystują sztuczne sieci neuronowe. Składają się one z warstw: wejściowej, wyjściowej i środkowych, wykorzystywanych w wewnętrznych obliczeniach. Wyróżnić można kilka ich typów.
Najpopularniejsze są: splotowe sieci neuronowe (Convolutional Neural Network, CNN), składające się z jednej albo więcej warstw konwolucyjnych (warstw filtrujących), po których następują w pełni połączona wielowarstwowa sieć neuronowa oraz rekurencyjne sieci neuronowe RNN (Recurrent Neural Network). Te drugie bazują na algorytmach wykorzystujących do prognoz dane sekwencyjne (lub historyczne).
SI ma w przemyśle wiele zastosowań. Upowszechnia się m.in. w predykcyjnym utrzymaniu ruchu i kontroli jakości.
Uczenie maszynowe
Terminy "uczenie maszynowe" i "sztuczna inteligencja" są często nieprawidłowo używane zamiennie, ponieważ to pierwsze jest podgrupą AI. Definiuje się je jako zdolność algorytmu do uczenia się bez jego wyraźnego zaprogramowania. ML wykorzystuje algorytmy analizujące dane wejściowe w celu przewidzenia wartości wyjściowych. W miarę dostarczania nowych danych algorytmy uczą się i optymalizują swoje działanie, aby poprawiać wyniki, z czasem rozwijając "inteligencję". Wyróżnić można cztery typy algorytmów ML: nadzorowane, półnadzorowane, nienadzorowane i przez wzmacnianie.
Czym jest uczenie nadzorowane?
W uczeniu nadzorowanym algorytm uczy się na danych treningowych z etykietami stanowiącymi rozwiązanie problemu, dążąc do wykrycia zależności występujących między danymi wejściowymi i wyjściowymi. Następnie na ich podstawie dokonuje przewidywań i jest korygowany do czasu, aż osiągnie zakładany poziom dokładności. Do tej grupy zaliczane są techniki regresji i klasyfikacji. Pierwsze przewidują wartości liczbowe, takie jak wiek czy cena, a drugie – wartości dyskretne, jak prawda albo fałsz, mężczyzna lub kobieta.
Klasyfikacja vs regresja
Podczas szkolenia algorytmy klasyfikacji przydzielają dane treningowe do różnych kategorii, ucząc się je grupować. Przykład problemu klasyfikacji stanowi wykrywanie spamu w wiadomościach e-mail. Regresja to proces znajdowania korelacji pomiędzy zmiennymi. Algorytmy regresji trenowane na danych z przeszłości m.in. prognozują trendy na rynkach, zmiany cen nieruchomości czy pogodę. Generalnie, w uproszczeniu, w regresji szukana jest linia najlepszego dopasowania, która pozwala przewidywać wyniki, a w klasyfikacji – granica decyzyjna umożliwiająca kategoryzowanie danych.
Uczenie półnadzorowane
Przygotowanie danych treningowych z etykietami staje się czasochłonne i kosztuje. W związku z tym w uczeniu półnadzorowanym algorytm jest szkolony na danych, z których tylko część pozostaje oznaczona. Na tej podstawie uczy się, jak przypisywać etykiety danym nieoznaczonym.
Na czym polega uczenie nienadzorowane?
W uczeniu nienadzorowanym algorytm szkoli się wyłącznie na danych bez etykiet. Jego zadaniem jest wyszukanie w nich wzorców i korelacji w celu ich ustrukturyzowania. Do tej kategorii zalicza się techniki klasteryzacji, czyli grupowania podobnych obiektów, asocjacji, polegające na szukaniu powiązań i redukcji wymiarów, czyli zmniejszania liczby zmiennych branych pod uwagę.
Co wyróżnia uczenie przez wzmacnianie?
W uczeniu przez wzmacnianie – w przeciwieństwie do uczenia nadzorowanego i nienadzorowanego – algorytmowi nie są dostarczane żadne dane treningowe z wyprzedzeniem. Zamiast tego uczy się on w locie metodą prób i błędów, wchodząc w interakcję ze środowiskiem i opierając się na informacjach zwrotnych, które z niego otrzymuje.
