Chcete sa naučiť rozpoznávať mačky na obrázkoch.
Klasický prístup by bol: napíšete pravidlá – „mačka má štyri nohy, fúzy, uši do tvaru trojuholníka“. Čoskoro zistíte, že takéto pravidlá sú nekonečné a nikdy nepostihnú všetky varianty – ležiaca mačka, mačka v tme, mačka bez fúzov. Hlboké učenie (deep learning) rieši tento problém zásadne inak: namiesto pravidiel sa učí z príkladov, a to vrstvu po vrstve, podobne ako ľudský mozog.
Čo je hlboké učenie – definícia
Hlboké učenie je podmnožina umelej inteligencie a strojového učenia, ktorá používa viacvrstvové neurónové siete (deep neural networks) na učenie sa z veľkého množstva dát. „Hĺbka“ znamená, že sieť má desiatky až stovky vrstiev spracovania, pričom každá vrstva extrahuje čoraz abstraktnejšie črty – od základných hrán a farieb až po celé objekty a kontext.
Ako to funguje – analógia s triedením korešpondencie
Predstavte si, že pracujete na pošte a vašou úlohou je triediť listy podľa obsahu. Prvý zamestnanec sa pozrie len na obálku – farbu, veľkosť, známku. Druhý otvorí list a prečíta prvú vetu. Tretí analyzuje celý text. Každý z nich vidí niečo iné a odovzdáva informáciu ďalej. Hlboká neurónová sieť funguje presne takto: prvé vrstvy rozpoznávajú jednoduché vzory (hrany, textúry), stredné vrstvy skladajú tieto vzory do tvarov (oko, nos, ucho) a posledné vrstvy identifikujú celé objekty (tvár, auto, pes).
Rozdiel oproti klasickému strojovému učeniu je v tom, že hlboké učenie nevyžaduje ručné navrhovanie týchto „čŕt“ – sieť sa ich naučí sama. Táto automatizácia je obrovskou výhodou, ale aj zdrojom hlavných pascí.
Konkrétny príklad z praxe: Preklad textov v reálnom čase
Keď používate Google Prekladač na preklad dlhého textu, v pozadí beží hlboká neurónová sieť. V roku 2016 Google nasadil systém GNMT (Google Neural Machine Translation), ktorý znížil chybovosť prekladov o 55 – 85 % oproti predchádzajúcim štatistickým metódam. Sieť s 8 vrstvami a 1024 neurónmi sa učí nielen slová, ale aj kontext – napríklad rozlišuje, či „bank“ znamená peňažný ústav alebo breh rieky.
Prečo na tom záleží a kde všade sa používa
Hlboké učenie je dnes motorom väčšiny moderných AI aplikácií: - Rozpoznávanie reči (Siri, Alexa, Google Assistant) – presnosť presiahla 95 % v hlučnom prostredí - Autonómne riadenie (Tesla, Waymo) – siete spracúvajú 10+ kamier v reálnom čase - Medicínska diagnostika – detekcia rakoviny kože s presnosťou porovnateľnou s dermatológmi (štúdia Nature 2017: 72,1 % vs. 65,6 %) - Generatívna AI (ChatGPT, DALL-E, Midjourney) – všetky tieto modely sú postavené na hlbokom učení
Časté omyly a na čo si dať pozor
1. „Hlboké učenie je všeliek“
Nie je to pravda. Na malé datasety (napríklad 1 000 obrázkov) fungujú lepšie klasické metódy (rozhodovacie stromy, SVM). Hlboké učenie potrebuje obrovské množstvo dát – typicky 10 000+ príkladov na triedu.
2. „Čím hlbšia sieť, tým lepšie“
Omyl. Príliš hlboká sieť môže trpieť problémom miznúceho gradientu (vanishing gradient) – informácia sa stratí v prvých vrstvách počas učenia. Moderné techniky (reziduálne prepojenia, batch normalizácia) tento problém zmiernili, ale nie odstránili.
3. „Deep learning vždy rozumie tomu, čo robí“
Hlboké siete sú notoricky nepriehľadné (black box). Nevieme presne, prečo sieť dospela k danému záveru. To je kritický problém v medicíne, práve a financiách, kde potrebujeme vysvetlenie.
4. Skryté náklady, ktoré vás prekvapia
Trénovanie jedného modelu GPT-3 stálo odhadom 4,6 milióna dolárov (zdroj: OpenAI, 2020). Pre väčšinu firiem je to neúmerné. Alternatíva? Použiť predtrénované modely (transfer learning) – stojí to od 5 do 500 € za trénovanie na špecifické dáta v cloude (AWS, Azure, Google Cloud).
Ako začať s hlbokým učením – konkrétne odporúčanie
Ak chcete hlboké učenie vyskúšať, nezačínajte od nuly. Postupujte takto: 1. Použite predtrénovaný model (napr. ResNet50, BERT) – stiahnite si ho zadarmo z knižnice PyTorch alebo TensorFlow 2. Doladenie na vaše dáta (fine-tuning) – trvá hodiny namiesto týždňov, stojí desiatky eur v cloude 3. Testovanie na reálnych dátach – očakávajte 5 – 15 % zhoršenie oproti ideálnym podmienkam
Verdikt: Hlboké učenie je neuveriteľne výkonný nástroj, ale nie je pre každého. Ak máte menej ako 10 000 príkladov, siahnite po klasických metódach (Random Forest, Gradient Boosting). Ak máte dáta, výpočtový výkon a tolerujete nepriehľadnosť, hlboké učenie vám otvorí dvere k výsledkom, ktoré boli ešte pred 10 rokmi sci-fi.
Súvisiace pojmy
- Strojové učenie (machine learning) – nadmnožina, ktorá zahŕňa aj klasické algoritmy
- Neurónová sieť (neural network) – základný stavebný kameň hlbokého učenia
- Transfer learning (prenosové učenie) – technika, ktorá šetrí čas a peniaze
- Generatívna AI – aplikácia hlbokého učenia na tvorbu obsahu
Podrobnejšie články a návody nájdete na ai.ezin.sk.
