Ciężko wyobrazić sobie sektor biznesu, który nie korzystałby dziś z potencjału nowych technologii. Obecnie nawet branże niekojarzące się z nowoczesnymi technologiami, jak przemysł samochodowy, intensywnie rozwijają własne centra badawcze. Jednym z najbardziej rozwojowych obszarów jest uczenie maszynowe (Machine Learning — ML). Jednym z bardziej oczywistych przykładów zastosowania algorytmów tego typu jest rozwój autonomicznych pojazdów. Jest to jednocześnie tylko kropla w morzu zastosowań tej technologii.
Zanim jednak przejdziemy do przedstawienia, czym jest uczenie maszynowe i jakie są jego zalety, musimy wyjaśnić zagadnienie sztucznej inteligencji (AI), leżącej u podstaw właściwie każdego technologicznego przełomu XXI wieku.
Sztuczna Inteligencja, czyli bez czego ML się nie obejdzie
Samo pojęcie sztucznej inteligencji pojawiła się w 1956 r., kiedy po raz pierwszy zostało użyte przez informatyka Johna McCarthy’ego na konferencji w Dartmouth. Pojęcie to jest wyjątkowo pojemne i trudno znaleźć jedną, wiążącą definicję. Zgodnie z oficjalnym unijnym1 opisem, sztuczna inteligencja określa zdolność maszyn do wykazywania ludzkich umiejętności, do których należą rozumowanie, uczenie się, planowanie i kreatywność. Sztuczna inteligencja ma możliwość obserwacji otoczenia oraz rozwiązywania problemów. PWN z kolei określa AI jako “dział informatyki badający reguły rządzące zachowaniami umysłowymi człowieka i tworzący programy lub systemy komputerowe symulujące ludzkie myślenie”2 . I to właśnie zdolność AI do uczenia się jest sednem tego materiału.
Uczenie Maszynowe — jak działa?
W dużym skrócie, uczenie maszynowe określa zdolność uczenia się komputerów, zdobywania przez nich doświadczenia oraz samodoskonalenia się przez autonomiczne nabywanie wiedzy.
Algorytmy w ML wyszukują wzorce i schematy, łączą informacje i wątki, w efekcie stają się coraz lepsze w podejmowaniu decyzji i prognozowaniu na bazie udostępnionych danych. Co istotne, jeśli algorytmy mają dostęp do bardziej jakościowych, spójnych i wiarygodnych danych, tym trafniejsze ich predykcje oraz dokładniejsze i bardziej precyzyjnie sformułowane decyzje3. Można wyróżnić cztery modele nauczania maszynowego: ze wzmocnieniem, nadzorowany, częściowo nadzorowany i nienadzorowany.
Pierwszy oznacza przedstawienie algorytmom pewnych zasad, reguł i metod, które pozwalają naszkicować ramy ich działania. Dwa kolejne zakładają m.in. wprowadzenie liczby danych do systemu oraz pełnego lub fragmentarycznego klucza odpowiedzi. Z kolei model nienadzorowany pozostawia algorytmy niejako samym sobie – to one muszą wychwycić korelacje i połączyć właściwe informacje z ogromu danych, które otrzymają.
Big Data — paliwo Machine Learningu
Jak widać, uczenie maszynowe niemal w całości opiera się na sztucznej inteligencji. Myliłby się jednak ten, kto uznałby te wyrażenia za tożsame. Uczenie maszynowe jest bowiem podzbiorem zastosowań sztucznej inteligencji, pewnym zakresem, w którym możemy wykorzystać AI. Jak definiuje Microsoft, komputer używa sztucznej inteligencji do tego, by imitować ludzkie myślenie do samodzielnego rozwiązywania zadań, z kolei uczenie maszynowe jest metodą na opracowywanie przez komputer swoich analiz4.
Żeby jednak doszło do tych analiz, potrzebne są dane. Z pomocą przychodzi Big Data — ogromne zbiory informacji, którymi algorytmy są karmione. W biznesie Big Data to także metoda legalnego zbierania informacji z wielu źródeł oraz ich późniejsza analiza. W tej perspektywie Big Data to nie tylko gromadzenie danych, ale także wyciąganie wniosków z zebranych informacji5.
Big Data — paliwo Machine Learningu
Jak widać, ML niemal w całości opiera się na sztucznej inteligencji, myliłby się jednak ten, kto uznałby te wyrażenia za synonimiczne. Uczenie maszynowe jest bowiem podzbiorem sztucznej inteligencji, pewnym zakresem, w którym możemy wykorzystać AI. Jak definiuje Microsoft, komputer używa sztucznej inteligencji do tego, by imitować ludzkie myślenie do samodzielnego rozwiązywania zadań, z kolei uczenie maszynowe jest metodą opracowywania analiz przed komputery.
Aby jednak doszło do tych analiz, niezbędne stają się jak największe ilości danych. Z pomocą przychodzi trend określany mianem Big Data. Oznacza on ogromne zbiory zróżnicowanych danych, którymi zasilane są algorytmy uczenia maszynowego i sztucznej inteligencji. Koncepcja Big Data otwiera także drogę do zakrojonych na szeroką skalę analiz danych oraz pozyskiwanie zgromadzonych w nich informacji m.in. w celach biznesowych.
Uczenie Maszynowe w praktyce
Ciężko jest zliczyć, w ilu dziedzinach życia znajduje zastosowanie uczenie maszynowe. Oglądasz serial lub film w serwisie streamingowym? Algorytmy analizują Twój gust i na bazie podejmowanych przez Ciebie decyzji podsuwają kolejne rekomendacje. To samo dzieje się, kiedy przeglądasz niektóre sklepy internetowe — działające na ich zapleczu algorytmy “uczą się” Twoich preferencji i w oparciu o takie dane rekomendują wybrane produkty. Jeśli natomiast masz wątpliwości, co kupić lub jakie są warunki reklamacji, zawsze możesz zapytać chatbota. W miarę rozwoju technologii oraz postępujących procesów uczenia maszynowego wirtualni asystenci stają się coraz lepsi w pomaganiu użytkownikom — już w 2018 roku, 44 proc. amerykanów preferowało rozmowę z chatbotem nad kontakt z człowiekiem6.
Jednak uczenie maszynowe to nie tylko rekomendacje i śledzenie ruchu w sieci. Takie algorytmy wykorzystuje się na przykład w medycynie i diagnostyce. Sprawdzając zdjęcie tomografu czy RTG, można wychwycić potencjalnie groźne zmiany chorobowe. Przykładowo, zespół naukowców z Politechniki Śląskiej przygotował system do wspierania diagnostyki obrazowej COVID-19. Analiza jest przeprowadzana przy pomocy zdjęć RTG płuc pacjentów. Zespół stworzył bazę 1200 takich zdjęć, na podstawie której dedykowany system wsparty sztuczną inteligencją system rozpoznaje koronawirusa7. Algorytmy Machine Learning pomagają także przy wyborze odpowiedniej terapii i leków, analizując geny pacjenta, jego styl życia i aktywności8. Algorytmy ML są także nieocenione w kontekście nauczania, wspomnianych wcześniej, autonomicznych samochodów. Jeden taki pojazd, poddany nietypowej sytuacji, może przesłać algorytm swojego zachowania do sieci, w efekcie z jego doświadczenia korzysta cała flota samochodów.
Z potencjału Machine Learningu korzysta także Billennium — polska spółka IT, założona w 2003 roku, wyróżniona tytułęm Partner Roku 2021 Microsoft. Specjaliści Billennium wykorzystują potencjał ML do tworzenia innowacyjnych aplikacji dla biznesu. Najpierw zbierają dane i sprawdzają ich jakość, a także użyteczność. Następnie określają, do jakiego modelu mogą być wykorzystane i jakie są ich korzyści biznesowe. Później przygotowują dane pod ten model — “czyszczą” je i normalizują. Na koniec model musi zostać w odpowiedni sposób udostępniony, zazwyczaj jako oddzielny serwis z odpowiednim API. W kolejnym etapie jest sprawdzany i testowany.
Co ważne, preferowanym podejściem do wytwarzania aplikacji są obecnie praktyki DevOps. Billennium jednak, z uwagi na korzystanie z machine learningu, opiera swoją pracę na koncepcji “MLOps”. Jest to podejście DevOps stosowane dla aplikacji opartych o algorytmy uczenia maszynowego. W projektach MLOps pracują specjaliści, zajmujący się modelami matematycznymi. Osoby te często nie mają doświadczenia w tworzeniu aplikacji na poziomie produkcyjnym. Zadania związane ze sztuczną inteligencją to najczęściej zadania typowo naukowe. Projekty rozwoju tego rodzaju oprogramowania komplikuje fakt, że modele analityczne są często dostosowane do rodzaju danych, na których będą operować. Każda zmiana schematu danych wymaga więc dostosowania na poziomie modelu analitycznego, co nie jest uwzględnione w klasycznym procesie wytwarzania oprogramowania DevOps. Co więcej, dane trzeba często przygotowywać w inny sposób dla różnych problemów. MLOps jest z natury bardziej eksperymentalną dziedziną niż DevOps9.
MLOps jest jednocześnie na tyle obiecującą ścieżką rozwoju zarówno dla firm, jak i pracowników, że Billennium rozwija obecnie odrębny zespół inżynierów, dedykowany uczeniu maszynowemu. Firma chce implementować rozwiązania ML w projekcie dla jednego ze swoich kluczowych klientów z branży farmaceutycznej. Skala projektów realizowanych przez Billennium w oparciu o technologie uczenia maszynowego jest jednak szersza. Spółka wdrożyła nowe rozwiązania modułu eUrząd u klienta z bankowości, aby umożliwić jego konsumentom wygodne korzystanie z aktualnego i nowoczesnego serwisu bankowego. Zespół Billennium stworzył także korzystającą z możliwości ML aplikację umożliwiająca sprawniejszą obsługę pożyczek długo- i krótkoterminowych dla firmy z obszaru fintech.
W praktyce, dopiero poznajemy możliwości uczenia maszynowego. Już dziś widać jednak, że potencjał związany z zastosowaniem rozwiązań ML w wielu branżach jest bardzo znaczący. Od wykrywania zmian nowotworowych i spowodowanych koronawirusem, przez coraz lepsze modele jazdy autonomicznych samochodów, po na predykcję potrzeb klienta — uczenie maszynowe ma ogrom zastosowań. Skala zastosowań ML będzie rosła, zwłaszcza, że coraz więcej biznesów dostrzega potęgę tego rozwiązania.
1 – https://www.europarl.europa.eu/news/pl/headlines/society/20200827STO85804/sztuczna-inteligencja-co-to-jest-i-jakie-ma-zastosowania
2 – https://sjp.pwn.pl/szukaj/sztuczna%20inteligencja.html
3 – https://www.sap.com/poland/insights/what-is-machine-learning.html
4 – https://azure.microsoft.com/pl-pl/overview/artificial-intelligence-ai-vs-machine-learning/
5 – https://poradnikprzedsiebiorcy.pl/-czym-jest-big-data
6 – https://pl.euro-linux.com/blog/uczenie-maszynowe/
7 – https://innowacje.newseria.pl/news/stworzone-w-polsce,p63048742
8 – https://elektronikab2b.pl/biznes/53039-czym-jest-uczenie-maszynowe-i-jak-mozna-je-wykorzystac
9 – https://billennium.pl/poznaj-nas/
