Vještačka inteligencija je sve prisutnija u našim životima, te se u posljednje vrijeme sve više priča o njoj. I dok neki ljudi poput Elona Muska upozoravaju kako će roboti označiti kraj ljudske vrste, drugi ipak tvrde kako nas vještačka inteligencija ne vodi nigdje, niti će bitno napredovati dalje. Međutim, da bismo razumjeli šta je vještačka inteligencija, potrebno je krenuti od osnova, odnosno tačnije od dubokog učenja.
Vještačka inteligencija je postala fokus globalne tehnološke zajednice zahvaljujući porastu dubokog učenja. Također, radikalno unapređenje kompjuterskog vida i prirodne obrade jezika, dvije najbitnije i najkorisnije stvari za vještačku inteligenciju, direktno su povezane sa stvaranjem vještačkih neuronskih mreža čiji se koncept, kao i koncept dubokog učenja, oslanja na koncept neuronskih mreža u našim mozgovima.
Šta su to neuronske mreže?
Naučnici vjeruju da mozak živog bića procesira informacije zahvaljujući neuronskim mrežama. Ljudski mozak ima oko 100 biliona sinapsi (praznina među neuronima) koje formiraju posebne uzorke kada se aktiviraju – odnosno, ukoliko se pokušavate sjetiti nečega ili jednostavo razmišljate o nekoj specifičnoj stvari, taj proces se dešava formiranjem određenih neuronskih uzoraka u vašem mozgu.
Naravno, ne aktiviraju se uvijek sve sinapse. Naprimjer, ukoliko učite nešto novo (recimo, novo slovo), potebno je izgovoriti to slovo nekoliko puta kako bi mozak mogao zaključiti da je to slovo povezano sa tim glasom – u tom slučaju se aktivira set sinapsi koji služi za rješavanje problema. Međutim, kada neku riječ čujete dovoljno puta, aktivira se drugi set sinapsi koji je povezan sa vašim pamćenjem, zbog toga što je vaša neuronska mreža dovoljno istrenirana te prepoznaje tu određenu riječ.
U slučaju dubokog učenja, princip je sličan: naučnici računaru pokažu što više fotografija određenog predmeta, kako bi računar mogao zaključiti šta te fotografije imaju zajedničko, te kasnije pronaći taj predmet i na drugim fotografijama.
Postoji mnogo tipova dubokog učenja i neuronskih mreža, međutim mi ćemo se u ovom članku fokusirati na generalne kontradiktorne mreže (GAN), svodne neuronske mreže (CNN) te periodične neuronske mreže (RNN).
Generalne kontradiktorne mreže
Generalne kontradiktorne mreže osmislio je 2014-te godine Ian Goodfellow, jedan od Google-ovih gurua za vještačku inteligenciju. Najjednostavnije rečeno, GAN je neuronska mreža koja se sastoji od dvije suprotstavljene strane (generatora i protivnika) koje se svađaju dok generator ne pobijedi.
Prikažimo to na konkretnom primjeru. Recimo da želite kreirati vještačku inteligenciju koja oponaša određeni umjetnički stil – naprimjer, Picassov. Vještačka inteligencija bi, u tom slučaju, naučila sve moguće o Picassu i njegovom stilu analizirajući svaki piksel njegovih slika. Nakon toga, jedna strana (generator) bi kreirala nove slike, dok bi druga strana (protivnik) analizirala da li se radi o Picassovoj slici ili lažnjaku. Kada bi vještačka inteligencija prevarila sama sebe, rezultat bi bio proslijeđen ljudskom biću, koje bi analiziralo isti te utvrdilo da li su potrebne određene dorade, ili AI ipak radi savršeno.
Svodne neuronske mreže
Svodne neuronske mreže su, u teoriji, prisutne od 1940-tih godina, međutim zahvaljujući naprednom hardveru i algoritmima, tek nedavno su postale korisne. Dok generalne kontradiktorne mreže pokušavaju kreirati nešto što će zavarati protivnika, svodne neuronske mreže se sastoje od nekoliko slojeva koji filtriraju podatke i razvrstavaju ih u nekoliko kategorija.
Naprimjer, ukoliko trebate pregledati milijardu sati video materijala, koristit ćete vještačku inteligenciju zasnovanu na svodnoj neuronskoj mreži koja će analizirati svaku sličicu i na osnovu toga zaključiti šta se dešava. Ova vještačka inteligencija se trenira tako što analizira fotografije koje su označili ljudi, te može uspješno prepoznati stvari poput saobraćajnih znakova, automobila, drveća i slično.
Svodne neuronske mreže se koriste uglavnom za prepoznavanje slika i procesuiranje teksta, te su jedne od najčešćih neuronskih mreža i koriste se za mnoštvo stvari poput dijagnosticiranja određenih bolesti.
Periodične neuronske mreže
Periodične neuronske mreže se uglavnom koriste u situacijama kada vještačka inteligencija zahtijeva kontekst da bi razumjela ulazne podatke, kao naprimjer interpretiranje jezika na osnovu ljudskog govora. Jedan od najboljih primjera periodične neuronske mreže su Google Asistent i Amazon Alexa.
Recimo da želite kreirati vještačku inteligenciju koja kreira orginalne muzičke kompozicije na osnovu informacija koje unose ljudksa bića. Ukoliko odsvirate određenu notu, vještačka inteligencija zasnovana na periodičnoj neuronskoj mreži pokušati će pretpostaviti koju ćete notu odsvirati sljedeću. Sa svakom sljedećom notom vještačka inteligencija dobija informaciju više, te se konstantno ažurira na osnovu informacija koje je dobila ranije.
Saznajte više
Naravno, gore navedene neuronske mreže nisu jedine koje postoje, međutim one pružaju osnovno znanje o vještačkoj inteligenciji i njenom funkcionisanju. Ukoliko želite da saznate više o njima, postoje mnogi kursevi na internetu. Neki od njih su Google TensorFlow AI tutorijali, kao i Elements of AI tutorijal – oba su besplatna tutorijala na kojim se može saznati mnogo o vještačkoj inteligenciji.
