TI üldine tööpõhimõte
Õpieesmärgid
Selles peatükis õpite:
- Kuidas iga TI projekt samm-sammult üles ehitatakse
- TI arhitektuuri kihilist olemust
- Tehisintellekti alustalasid ehk eri liiki masinõppe meetodeid
Tehisintellekti peamised komponendid
Tihti räägitakse tehisintellektist kui millestki salapärasest – masinad, mis suudavad imesid korda saata. Tegelikult peitub selle müstilise võimekuse taga kindel ülesehitus ja loogilised komponendid. Selleks, et mõista, mida üks TI suudab ja kuidas ta töötab, heidame pilgu iga olulise etapi ja sammu taha, mis muudavad tavalised andmed kasulikuks tarkuseks.
Enne, kui räägime, mis toimub tehisintellekti kõhus, vaatame kõigepealt, mida see endas üldse sisaldab. TI traditsiooniline pool hõlmab reeglitepõhiseid ekspertsüsteeme, automatiseerimist ja planeerimist, tööstuslikku robootikat ning otsingu- ja optimeerimisalgoritme – need põhinevad inimeste etteantud loogikal ja kindlatel reeglitel.
Tehisintellekti teine suur haru on masinõppe süsteemid, mis suudavad ise andmetest mustreid leida ja oma sooritust ajapikku parandada. Sügavõpe on masinõppe osa, kus keerukad närvivõrgud töötlevad suuri andmehulkasid ja õpivad hierarhilisi mustreid.
Masinõpet saab jagada juhendatud, juhendamata ja stiimulõppeks (ehk tugevdusõpe) – need erinevad selle poolest, kas mudel õpib märgendatud andmetest, ise struktuuri otsides või keskkonnaga katsetades ja tagasisidet saades. Kõik need osad kokku moodustavad tänapäevase tehisintellekti tööriistakasti.
Tehisintellekti süsteemi elutsükkel
1. Andmed – tehisintellekti maailm
Kõik tehisintellekti lood saavad alguse andmetest. Tehisintellekt vajab tohutul hulgal andmeid, et õppida maailma tundma. Andmed võivad olla tekstina, piltidena, helina või isegi keeruliste mõõteseeriatena – kõik, mis peegeldab reaalsust. Ilma andmeteta ei suudaks TI midagi mõista ega õppida. Seega algab iga TI arendus õigete ja piisavalt mitmekülgsete andmete kogumisest.
2. Andmete eeltöötlus – ettevalmistus suureks õppeks
Toores andmehulk on väga kirju ja tihti ka ebatäiuslik. Siin tuleb mängu andmete eeltöötlus. Andmed tuleb puhastada, struktureerida ja mõtestada. Näiteks võib pilt olla udune või tekst sisaldada kirjavigu ning masin peab selle kõigepealt korda tegema, et õppimine oleks tõhus.
Selles etapis eemaldatakse müra, täidetakse tühimikud ja muudetakse andmed selliseks, et neid oleks võimalik analüüsida. Alles siis, kui andmed on korrastatud ja kvaliteetsed, saab nende põhjal masinaid edukalt õpetada.
3. Algoritmid ja mudelid – aju ülesehitamine
Kui andmed on olemas ja korras, tuleb valida sobiv algoritm – justkui arhitekt, kes otsustab, millise plaani järgi maja ehitada. Siin tulevad mängu matemaatilised mudelid ja statistilised meetodid, mis võimaldavad masinal mustreid märgata ja seoseid leida.
Näiteks, kui eesmärk on fotodelt kasse tuvastada, aitab algoritm masinal õppida, kuidas näeb välja üks tavaline kass. Mudel kujundatakse nende algoritmide põhjal ning see hakkab andmete põhjal õppima.
4. Õppimine – tarkuse kogumine
Õppimisprotsess on tehisintellekti süda. Selles etapis antakse mudelile ülesanne õppida andmetest – teha üldistusi, leida reegleid ja seoseid. Masinõppes õpetatakse mudelit olemasolevate näidete põhjal; sügavõppes kasutatakse närvivõrke, mis suudavad väga keerukaid mustreid ära tunda. Õppimise käigus muutub masin järjest targemaks ning suudab üha täpsemini oma ülesandeid täita.
Viisid, kuidas TI mustreid otsib:
- Keeletöötluses võib tehisintellekt analüüsida, kui sageli sõnad tekstis esinevad, kuidas need sõnad järjestuvad ja milline on lauseehitus, et paremini mõista tekstide tähendust või tuvastada teemat.
- Pildituvastuses õpib tehisintellekt ära tundma objektide servi, värve, tekstuure ja kujundeid, mis on iseloomulikud teatud objektidele – näiteks tunneb ta ära, et kassidel on kindla kujuga kõrvad ja silmade asetus.
- Soovitussüsteemides teeb tehisintellekt järeldusi kasutajate ostukäitumise põhjal. Kui näiteks kasutaja A ostis tooted X ja Y ning kasutaja B ostis toote X, siis võib süsteem soovitada kasutajale B ka toodet Y, kuna see on levinud käitumismuster.
- Ennustuste tegemisel kasutab tehisintellekt varasemate ilmateadete ja temperatuurikõikumiste mustreid, et prognoosida näiteks homset temperatuuri.
- Hääle analüüsimisel tuvastab tehisintellekt heli sagedusi, rütme ja meloodilisi mustreid, et eristada erinevaid instrumente, tuvastada muusikapalu või ära tunda inimeste hääli kõne- ja häältuvastussüsteemides.
Kui TI leiab mustreid, siis ta "õpib" neist. See tähendab, et ta kohandab oma sisemisi parameetreid, et tulevikus uusi sisendeid veelgi täpsemalt klassifitseerida või ennustada. Mida rohkem andmeid ja mustreid ta näeb, seda intelligentsemaks ja täpsemaks ta muutub.
5. Otsustamine ja järeldamine – teadmiste rakendamine
Kui mudel on õppinud, saab ta rakendada oma teadmisi uutes olukordades – teha ennustusi, otsuseid või soovitusi. Näiteks võib TI soovitada sulle uut muusikat, tõlkida teksti või hinnata, kas e-kiri on rämpspost. See on hetk, kus tehisintellekti tarkus jõuab päriseluliste lahendusteni ning muutub inimestele kasulikuks.
6. Suhtlemine ja kasutajaliides – koostöö inimesega
Et TI saavutused jõuaksid inimesteni, on vaja selget ja mugavat suhtluskanalit. Selleks luuakse kasutajaliidesed – vestlusaknad, häälkäsklused, rakendused või isegi robotid. Tänu neile saab inimene lihtsalt ja arusaadavalt TI-lt infot küsida, tagasisidet anda ning vajadusel süsteemi täiustada. Nii muutub TI tõeliseks abiliseks igapäevaelus.
Kõik need komponendid töötavad koos, moodustades keeruka, kuid elegantse süsteemi. Iga osa – alates andmetest ja algoritmidest kuni õppimise ja suhtluseni – on hädavajalik, et tehisintellekt oleks tõeliselt nutikas, kasulik ja usaldusväärne abiline.
Arhitektuuri vaade
Tehisintellekti arhitektuuri võib võrrelda klassikalise kreeka templi ülesehitusega, kus iga struktuurielement täidab olulist funktsiooni. Vundament koosneb suurtest andmekogudest ja arvutusvõimsusest – ilma piisava hulga kvaliteetsete treeningandmeteta ei saa ükski mudel korralikult toimida, samamoodi nagu tempel vajab kindlat alust.
Templi sambad esindavad õppimiskomponente: masinõppe algoritme ja mudelite arhitektuure, näiteks närvivõrke, transformereid või konvolutsioonilisi võrke. Need kannavad kogu süsteemi intelligentsust, muutes toorandmed kasulikeks väljunditeks. Iga sammas võib spetsialiseeruda erinevale ülesandele – keeletöötlus, pildituvastus või mustrite leidmine.
Kui mudel on õppinud, astub mängu otsustuskiht: see rakendab õpitud teadmisi uute olukordade lahendamisel, näiteks tehes ennustusi või pakkudes soovitusi. Kõige ülemiseks kihiks on kasutajaliides või rakenduskiht, mis võimaldab inimestel tehisintellekti tulemusi lihtsalt kasutada või nendega suhelda.
Mõnes süsteemis lisandub ka tagasisidekiht, mis võimaldab TI-l pidevalt areneda, õppides kasutajate või keskkonna tagasisidest. Nii töötavad kõik kihid koos, et muuta tehisintellekt nutikaks, paindlikuks ja kasulikuks abiliseks.
Tehisintellekti jaotus õppimise järgi
Tehisintellekti liigitatakse tihti selle järgi, kuidas masin õpib – ehk millist masinõppe meetodit kasutatakse.
- Kõige levinum on juhendatud õpe, kus mudel saab harjutamiseks suured kogused näiteid koos õiget vastust näitava sildiga, näiteks pildid kassidest ja koertest koos vastava märgistusega.
- Juhendamata õpe seevastu otsib andmetes ise mustreid ja struktuure ilma, et talle oleks õigeid vastuseid ette öeldud – näiteks rühmitab sarnaseid kliente või tekstilõike.
- Osaliselt juhendatud õpe ühendab mõlemat lähenemist: osa andmetest on sildistatud, osa mitte, võimaldades mudelil õppida ka siis, kui kõik vastused pole teada.
- Stiimulõpe (tugevdatud õpe) paneb mudeli keskkonnas katsetama ja õppima kogemuste ning tagasiside kaudu, sarnaselt sellele, kuidas loomad või inimesed õpivad preemiate ja karistuste abil.
- Sügavõpe kasutab mitmekihilisi närvivõrke, mis on võimelised õppima väga keerukaid mustreid – see on võimas tööriist nii pildituvastuses, keele mõistmises kui ka paljudes teistes valdkondades.
Erinevad masinõppe meetodid avavad tehisintellektile erinevaid õppimisvõimalusi, viies meid aina keerukamate ja nutikamate lahendusteni.
