How does artificial intelligence learn? - Briana Brownell

Prevodilac: Simonida Jekic Lektor: Milenka Okuka

Today, artificial intelligence helps doctors diagnose patients,

Danas veštačka inteligencija pomaže doktorima da dijagnostikuju pacijente,

pilots fly commercial aircraft, and city planners predict traffic.

pilotima da lete komercijalnim avionima i urbanistima da predvide saobraćaj.

But no matter what these AIs are doing, the computer scientists who designed them

Bez obzira na to šta ova VI radila, informatičari koji su je dizajnirali

likely don’t know exactly how they’re doing it.

verovatno ne znaju kako ona tačno radi.

This is because artificial intelligence is often self-taught,

To je iz razloga što je veštačka inteligencija najčešće samouka

working off a simple set of instructions

i radi na osnovu jednostavne grupe komandi

to create a unique array of rules and strategies.

da bi stvorila jedinstveni niz pravila i strategija.

So how exactly does a machine learn?

Kako tačno mašina uči?

There are many different ways to build self-teaching programs.

Postoje različiti načini kako se prave samouki programi.

But they all rely on the three basic types of machine learning:

Ali su svi zasnovani na tri osnovne vrste mašinskog učenja:

unsupervised learning, supervised learning, and reinforcement learning.

nenadgledano učenje, nadgledano učenje i učenje potkrepljivanjem.

To see these in action,

Da bismo ih videli na delu,

let’s imagine researchers are trying to pull information

zamislimo istraživače koji pokušavaju da izvuku informacije

from a set of medical data containing thousands of patient profiles.

iz grupe medicinskih podataka koji sadrže hiljade profila pacijenata.

First up, unsupervised learning.

Prvo imamo nenadgledano učenje.

This approach would be ideal for analyzing all the profiles

Ovaj pristup bi bio idealan za analiziranje svih profila

to find general similarities and useful patterns.

i pronalaženje sličnosti i korisnih obrazaca.

Maybe certain patients have similar disease presentations,

Možda pojedini pacijenti imaju slične kliničke slike

or perhaps a treatment produces specific sets of side effects.

ili terapija ima određeni skup neželjenih dejstava.

This broad pattern-seeking approach can be used to identify similarities

Ovaj opšti pristup traženju obrazaca može se koristiti da se pronađu sličnosti

between patient profiles and find emerging patterns,

između profila pacijenata, kao i za pronalaženje novih obrazaca,

all without human guidance.

sve to bez ljudskog delovanja.

But let's imagine doctors are looking for something more specific.

Recimo da lekari traže nešto specifičnije.

These physicians want to create an algorithm

Ti lekari žele da stvore algoritam

for diagnosing a particular condition.

za dijagnostikovanje određene bolesti.

They begin by collecting two sets of data—

Počnu tako što sakupljaju dve grupe podataka -

medical images and test results from both healthy patients

medicinske slike i rezultate testova zdravih pacijenata,

and those diagnosed with the condition.

ali i od obolelih.

Then, they input this data into a program

Zatim te podatke unose u program

designed to identify features shared by the sick patients

dizajniran da prepozna karakteristike prisutne kod bolesnih pacijenata,

but not the healthy patients.

ali ne i zdravih.

Based on how frequently it sees certain features,

Na osnovu toga koliko često uoči određene karakteristike,

the program will assign values to those features’ diagnostic significance,

program će odrediti vrednosti koliko je neka karakteristika važna,

generating an algorithm for diagnosing future patients.

stvarajući algoritam za dijagnostikovanje budućih pacijenata.

However, unlike unsupervised learning,

Ali za razliku od nenadgledanog učenja,

doctors and computer scientists have an active role in what happens next.

doktori i informatičari imaju aktivnu ulogu u onome što sledi.

Doctors will make the final diagnosis

Doktori će napraviti konačnu dijagnozu

and check the accuracy of the algorithm’s prediction.

i proveriti preciznost predviđanja algoritma.

Then computer scientists can use the updated datasets

Onda informatičari mogu da koriste dopunjene setove podataka

to adjust the program’s parameters and improve its accuracy.

da prilagode parametre programa i poboljšaju njegovu preciznost.

This hands-on approach is called supervised learning.

Ovaj direktni pristup se naziva nadgledano učenje.

Now, let’s say these doctors want to design another algorithm

Recimo da ovi doktori žele da naprave još jedan algoritam

to recommend treatment plans.

za preporučivanje planova za lečenje.

Since these plans will be implemented in stages,

S obzirom na to da će ovi planovi biti primenjeni u fazama,

and they may change depending on each individual's response to treatments,

i možda će se menjati na osnovu reakcije pojedinaca na terapiju,

the doctors decide to use reinforcement learning.

doktori su odlučili da koriste učenje potkrepljivanjem.

This program uses an iterative approach to gather feedback

Ovaj program koristi učestan pristup za sakupljanje povratnih informacija

about which medications, dosages and treatments are most effective.

o tome koji lekovi, doze i terapije su najefikasniji.

Then, it compares that data against each patient’s profile

Zatim poredi podatke sa profilom svakog pacijenta

to create their unique, optimal treatment plan.

i stvara njihov jedinstveni, optimalni plan lečenja.

As the treatments progress and the program receives more feedback,

Kako lečenje napreduje i program dobija sve više povratnih informacija,

it can constantly update the plan for each patient.

on može stalno da ažurira plan za svakog pacijenta.

None of these three techniques are inherently smarter than any other.

Nijedna od ove tri tehnike nije “pametnija” od ostalih.

While some require more or less human intervention,

Nekima je potrebno više ili manje ljudske intervencije,

they all have their own strengths and weaknesses

sve imaju svoje prednosti i mane

which makes them best suited for certain tasks.

što ih čini odgovarajućim za određene zadatke.

However, by using them together,

No koristeći ih zajedno,

researchers can build complex AI systems,

istraživači su izgradili kompleksne sisteme veštačke inteligencije

where individual programs can supervise and teach each other.

gde pojedinačni programi mogu da nadgledaju i uče jedni druge.

For example, when our unsupervised learning program

Na primer, kada naš program nenadgledanog učenja

finds groups of patients that are similar,

pronađe grupu pacijenata koji su slični,

it could send that data to a connected supervised learning program.

može da pošalje te podatke u program nadgledanog učenja sa kojim je povezan.

That program could then incorporate this information into its predictions.

Taj program onda može da pripoji ovu informaciju u svoja predviđanja.

Or perhaps dozens of reinforcement learning programs

Ili desetine programa učenja potkrepljivanjem

might simulate potential patient outcomes

mogu da simuliraju moguće ishode kod pacijenata

to collect feedback about different treatment plans.

kako bi sakupili povratne informacije o različitim terapijama.

There are numerous ways to create these machine-learning systems,

Postoje mnogi načini da se naprave ovakvi sistemi mašinskog učenja,

and perhaps the most promising models

a možda najobećavajući

are those that mimic the relationship between neurons in the brain.

su oni koji imitiraju vezu između neurona u mozgu.

These artificial neural networks can use millions of connections

Ove veštačke neuronske mreže mogu da koriste milione veza

to tackle difficult tasks like image recognition, speech recognition,

za teške zadatke poput prepoznavanja slika, govora,

and even language translation.

pa čak i prevođenja sa drugih jezika.

However, the more self-directed these models become,

Ali što su ovi modeli samostalniji,

the harder it is for computer scientists

teže je informatičarima

to determine how these self-taught algorithms arrive at their solution.

da odrede kako samouki algoritmi dolaze do svojih zaključaka.

Researchers are already looking at ways to make machine learning more transparent.

Istraživači već traže načine da učine mašinsko učenje transparentnijim.

But as AI becomes more involved in our everyday lives,

Međutim, kako VI postaje sve više uključena u naš svakodnevni život,

these enigmatic decisions have increasingly large impacts

ove enigmatične odluke imaju mnogo veći uticaj

on our work, health, and safety.

na naše poslove, zdravlje i bezbednost.

So as machines continue learning to investigate, negotiate and communicate,

Kako mašine nastavljaju da uče da istražuju, pregovaraju i komuniciraju

we must also consider how to teach them to teach each other to operate ethically.

moramo takođe uzeti u obzir da ih naučimo da uče jedna drugu da rade etički.