Ekspertka: dostępność uczenia maszynowego to efekt wielu badań

Uczenie maszynowe (ang. machine learning) to koncepcja zakładająca, że zamiast programować komputery do wykonywania konkretnych zadań – jak podchodzono do tego wcześniej – można zaprogramować je tak, aby potrafiły rozpoznawać skomplikowane wzorce i doskonaliły swoje działanie w oparciu o zdobyte doświadczenie.

„W starym podejściu maszyny miały zostać zaprogramowane tak, aby były mądre – podczas gdy założeniem uczenia maszynowego jest to, by same nauczyły się być mądre” – tłumaczyła naspotkaniu z mediami w Warszawie Anna Ukhanova z europejskiego oddziału Google Research w Zurychu – największego biura inżynierskiego poza Stanami Zjednoczonymi.

Ukhanova zastrzegła, że nie oznacza to mądrości czy inteligencji podobnej do ludzkiej: "Mamy tutaj na myśli raczej zdolność rozwiązania konkretnego problemu bądź typu problemów".

Choć koncepcja systemów uczących się znana jest od kilku dekad, głośno zrobiło się o niej dopiero w ostatnich kilku latach. Idea ta zaczęła bowiem odgrywać ważną rolę w badaniach nad sztuczną inteligencją. Jak tłumaczy Anna Ukhanova, sytuacja ta jest wynikiem równoczesnego zaistnienia kilku czynników. Jednym z nich jest wzrost mocy obliczeniowej komputerów oraz rozwiązania chmurowe, dzięki którym większa moc obliczeniowa jest łatwo dostępna.

"W tym momencie moc obliczeniowa jest towarem" – mówi Ukhanova. Jak tłumaczy, pozwala to na obniżenie bariery wejścia: aby korzystać z dużej mocy obliczeniowej firmy nie muszą już posiadać własnej infrastruktury z tym związanej.

O wiele większa niż jeszcze pięć lat temu jest również dostępność samych algorytmów uczenia maszynowego, umieszczanych na platformach typu open source. Firmy i osoby, które z kolei nie chcą poświęcać czasu na doskonalenie algorytmów, mają dostęp do odpowiednio wytrenowanych modeli. W połączeniu z masą danych dostępnych w internecie tworzy to przyjazne środowisko dla firm pragnących wykorzystać w swoich produktach systemy uczące się – podkreśla Ukhanova.

Środowisko to jednak pozostałoby niewykorzystane, gdyby nie ludzka wizja i kreatywność. "Jest to zarazem najważniejszy, jak i najbardziej wymagający element" – stwierdza Ukhanova, dodając, że najważniejsze jest wynajdywanie nowych zastosowań dla uczenia maszynowego. "Choć czasem trudno jest nawet ubrać w słowa odpowiednie pytanie, jest to właśnie ta rzecz, nad którą wszyscy powinniśmy teraz myśleć" - mówi.

Dzięki obniżeniu bariery wejścia, narzędzia potrzebne do stosowania uczenia maszynowego są gotowe do wykorzystania przez firmy, które nie muszą zatrudniać specjalistów do prowadzenia badań. "Zamiast tego mogą zacząć myśleć nad tym, jak zastosować [systemy uczące się] w ich konkretnych produktach, jakie przeznaczyć na niego środki, jakich danych potrzebują do osiągnięcia celu".

Anna Ukhanova zaznacza jednak, że rozwój i rozprzestrzenianie się uczenia maszynowego w ostatnich latach nie jest wynikiem nagłej rewolucji – a powolnej, trwającej kilka dekad ewolucji.

"Historia niektórych z podstawowych algorytmów uczenia maszynowego używanych przez nas dzisiaj sięga lat 80." – przypomniała. – "Choć z perspektywy obserwatora zewnętrznego może się to wydawać kwestią jednego przełomowego odkrycia, to tak naprawdę doprowadziła nas do tego momentu ewolucja tych algorytmów i związanych z nich systemów. Historia zwiększania mocy obliczeniowej jest tutaj dobrym przykładem".

Ukhanova podkreśliła, że dla rozwoju technologii kluczowy jest fakt, że wykorzystywana jest teraz w "namacalnych rzeczach, nie tylko w laboratoriach" – dzięki korzyści z uczenia maszynowego mogą czerpać również zwykli ludzie.

W produktach Google\'a technologia ta stosowana jest m.in. do ulepszania automatycznych tłumaczeń, tras w mapach czy wyszukiwania. W 2016 r. uczenie maszynowe używane było w ponad 2 tys. projektach firmy.

Jeden z tych projektów to uruchomiona w listopadzie 2015 r. platforma TensorFlow – obliczony na "zwiększenie dostępności i użyteczności uczenia maszynowego" system open source. Pozwala on zainteresowanym osobom czy instytucjom na stosowanie uczenia maszynowego w swoich własnych projektach.

"Narzędzie to jest szczególnie ważne dla środowiska naukowego" – podkreśla Anna Ukhanova, która przed rozpoczęciem pracy dla Google pracowała na uniwersytecie. O TensorFlow mówi jako o alternatywie dla tradycyjnego sposobu nawiązywania współpracy naukowej pomiędzy uczonymi z dużych ośrodków.

"W tym momencie TensorFlow staje się językiem komunikacji pomiędzy badaczami [w tej dziedzinie – PAP], ponieważ mogą oni współpracować poprzez swoją pracę w kodzie, dzielić się wynikami badań jeszcze w czasie trwania projektu" – mówi. (PAP)

kflo/ zan/