Waga, bias, operator nabla, spadek gradientowy, iloczyn skalarny i inne zagmatwane słowa bardzo często wprowadzają spore zakłopotanie do umysłu osoby, próbującej postawić pierwsze kroki w dziedzinie nauczania maszynowego. Czy powinniśmy jednak rozpoczynać naukę, podejmując się rozszyfrowywania znaczenia tych słów? Prawdopodobnie tak, aczkolwiek nie bezpośrednio. Wzorce zauważalne w naszych prostolinijnych zachowaniach są tymi samymi schematami, które staramy się odwzorować, wydając polecenia procesorowi. Z tego powodu chcę, aby fundamentem wykorzystanym do opanowania sztuki uczenia maszyny, było zrozumienie naszych – ludzkich – postępowań i decyzji. Czy życie codzienne to klucz do zrozumienia sztucznej inteligencji?
Jak podejmujemy decyzję?
Każdego dnia musimy dokonywać wyborów – większych, lub mniejszych. Rozmyślając nad tymi pierwszymi, z reguły posiłkujemy się doświadczeniami innych ludzi. To, jak zapamiętale potraktujemy czyjąś opinię, zależy głównie od tego jak trafnie pomogła nam ta osoba w przeszłości. W szkole, po skorzystaniu kilkukrotnie z podpowiedzi kolegi, za każdym razem dostając ocenę negatywną, kolejnym razem prawdopodobnie zaufamy własnej wiedzy. Właśnie. Wiedza własna i zaufanie do samego siebie – jaki ma to wpływ? Wszyscy na pewno nie raz spotkaliśmy się z określeniem: Jak grochem o ścianę. Niekiedy, mimo stu procentowej zgodności znajomych, doradzających abyśmy czegoś nie robili, podejmiemy się tego. Po tym akapicie z pewnością dużo łatwiej będzie zrozumieć znaczenie bias’u, który nadaje m.in. elastyczności.
Jak utwierdzamy się w swoich przekonaniach?
Nie wydaje się to arcytrudne pytanie, ale prawdopodobnie niewielu z nas sobie je wcześniej zadało. W wieku nastoletnim rozmyślaliśmy co zrobić, aby przypodobać się tej jednej osobie. Podróżując myślami w dalekiej przeszłości dostrzegaliśmy schematy, których rezultat ocenialiśmy bardziej lub mniej pozytywnie. Jednym z bezwzględnie pozytywnych czynników jest na pewno uśmiech – jeśli promieniuje on na naszej twarzy, nasze szanse diametralnie się zwiększają. Niestety nie zawsze on wystarczy. W przypadku, w którym przed wyjściem z domu nie zdążyliśmy uczesać włosów, uśmiech ten na niewiele może się zdać, mimo że wcześniej działał za każdym razem!
W międzyczasie, prawdopodobnie do głowy nam przyjdzie także wiele nieznaczących rzeczy, które nam wtedy towarzyszyły, aczkolwiek nie odegrały znaczącej roli.
Im więcej było takich sytuacji w naszym życiu, tym bardziej wierzymy w ich powiązanie.
Co ciekawe, ma to także podłoże w neurobiologii. W pewnym stopniu opisuje to teoria Hebba, często podsumowywana słowami: Cells that fire together wire together (Komórki, które razem się aktywują, łączą się ze sobą). W piękny sposób przedstawia to sytuacja, w której byliśmy nadzwyczaj szczęśliwi, na przykład podczas tańca z pierwszą miłością na dyskotece szkolnej. Na samą myśl o tamtej chwili, przez nasz umysł zaczyna przepływać rwący strumień obrazów impresjonistycznych, których nie powstydziłby się żaden malarz. Ukazują one zarówno rytm piosenki, która wtedy wybrzmiewała, jak i czerwoną suknię naszej partnerki. Wszystkie te elementy zostały połączone w naszym mózgu a ich więź umacnia się, wraz z każdą myślą o tamtym wieczorze.
A co z tymi porzuconymi, nieznaczącymi cechami?
Nie sztuką jest zamartwiać się milionem rzeczy, przed wyjściem zadbać nawet o jakość koncówki od sznurówek. Nie jest to gra warta świeczki. Komputer też tak uważa.
W wieku 2 lat posiadaliśmy znacząco więcej połączen między neuronami niż posiadamy teraz, lub kiedykolwiek będziemy posiadać.
Perfection is achieved, not when there is nothing more to add, but when there is nothing left to take away.
Dobry dobór cech pomagających w decyzji, jest zatem bardzo ważny.
Przeklęta matematyka…
Niestety, lub dla niektórych stety, matematyka jest nieodłącznym elementem sztucznej inteligencji.
Jednakże, moim zdaniem – matematyka występująca na początku tej przygody jest wyjątkowo intuicyjna i ciekawa. Jedną z pierwszych rzeczy, które na nas czekają – są pochodne, umożliwiające zbadanie funkcji.
Zamierzając kupić prezent urodzinowy dla nowego przyjaciela, nie próbujemy znaleźć czegoś na ślepo. Przeprowadzamy małe dochodzenie, badając jego zainteresowania. Po dowiedzeniu się, że rok temu dostał od mamy sweter, którego nigdy nie założył, z pewnością zaczniemy szukać w innym kierunku.
Powyższa niesamowita grafika Alexander’a Amini na początku może być bardzo przytłaczająca. Jest jednak niemal dokładnie tym co abstrakcyjnie opisałem w przykładzie dotyczącym kupna prezentu. Schodząc z górki – kolor czerwony, badamy najbliższy obszar, żeby dowiedzieć się, w którym kierunku postawić krok, aby przyniósł on jak najlepszy rezultat! Brzmi logicznie, prawda?
Podsumowując
Zaczynając rozwój w kierunku nauczania maszynowego nie ma się czego bać.
Przerażająco wyglądające grafiki i wzory bardzo często są zrozumiałe i ciekawe, trzeba je tylko ugryźć od dobrej strony, która mimo wszystko, czasem jest ciężka do odkrycia. Aczkolwiek nic nie jest usłane tylko i wyłącznie różami. Bardzo często odpowiedzi na pytania kryją się w rzeczach na pozór niepowiązanych – ciekawość świata, analizowanie schematów i chęć rozkładania rzeczy na czynniki pierwsze, na pewno nie okaże się wadą. Wystarczy tylko zacząć!
Autor artykułu:
Wiktor Zając, choć młody to niewzykle zdolny Software Engineer, rozwijający się w technologiach: Flutter, Cloud, Golang. Wiktor posiada szeroki zakres wiedzy z branży IT, lekkie pióro i jest Moderatorem w naszej społeczności Zaprogramuj Życie!
Profil Wiktora, na LinkedIn: https://www.linkedin.com/in/wiktor-zajac
Daj lajka i czytaj dalej!
Jeżeli chcesz być na bieżąco z artykułami i jesteś ciekawy co będzie dalej, daj lajka na moim profilu FB, a przede wszystkim zapisz się do newslettera! Spodobał Ci się artykuł? Z pewnością zaciekawią Cię inne wpisy na blogu lub filmy na kanale YT!
Dzięki za Twój czas, widzimy się niebawem! 🫡
