Али имајте на уму и ово: машина, па макар са најбољим процесором, дакле хардвером је у сваком свом стадијуму „хендикепирана“ у односу на људски мозак, који свакако пре било ког учења, има искуство које му помаже у учењу. Ако држимо хемијску у руци и она падне на под, знаћемо то због гравитације?То неће знати наша машина. А опет толико су их усавршили до сада ИТ инжењери да у некими областима вештачке интелегенције, нпр у неким врстама класификовања, греше до два одсто. Код људи та грешка иде и до пет процената.
Алгоритми машинског учења, дакле, користе статистику да би пронашли обрасце у масивним количинама података. И подаци, овђе, обухватају мноштво ствари - бројеве, речи, слике, кликове, шта год. Ако се може дигитално ускладиштити, може се унети у алгоритам за машинско учење.
Машинско учење је процес који управља многим услугама које данас користимо - препоруке попут оних на Netfilixu, Youtube….Претраживачи као што су Google и Baidy, социјални медији као Фејсбук и Твитер, гласовни асистенти попут Siri и Alexa.
Велика већина напретка, односи се на категорију алгоритама познатих као машинско учење.
У свим овим случајевима свака платформа сакупља што је могуће више података о вама - које жанрове желите гледати, које линкове кликате, на које статусе реагујете - и користите машинско учење да бисте направили високо образовну претпоставку о томе шта ћете ви можда урадити следеће. Или, у случају говорног асистента, о томе која се речи најбоље уклапају са смешним звуковима који излазе из уста.
Да ли је сад мало јасније?
Ако сада још поверујемо софтверским инжењерима Мајкрософта који су нас овог викенда упознали са школом дигиталног учења у Петници код Ваљева да машинско учење представља будућност у ИТ технологији и да ће ући у готово све области, почев од медицине, астронаутике до машина у великим индустријским системима, онда није ни чудно велико интересовање младих за учење у овој области.
Према речима Тадеја Курепе, који у овој школи заступа инжењере из Мајкрософт развојног центра, ове године се за Школу машинског учења пријавило око 300 младих а од тога је, кроз процес селекције, изабрано њих 25. У процесу селекције највећу улогу имало је то како су урадили задатак у процесу квалификације. Имали су четири дана да реше задатак. А после тога је испраћен њихов бекграунд – успех на факултету, такмичења, дакле ценила се едукација али и мотивација.
„Занимљиво је да тај тест прође неко и ко није из тих области. Пре две године је била девојка која је била на докторату лингвистике а успешно је прошла тест. Ми смо је позвали мислили да је нешто што се зове процеусирање природног језика, компјутерски алгоритми везани за машинско учење, вештачку интелегенцију који раде обраду, препознавање све што је везано за природни језик. Да ли је то значење, осећања, расположење кроз текст“, каже нам Тадеј.
Машинско учење – појачивач интелигенције
Алекса Гордић, један од инжењера у Мајкрософт развојном центру, у Петници је ове године као едукатор и ментор, док је прошле и сам био полазник летње школе машинског учења. Завршио је ЕТФ у Београду, усавршавао се на праксама у Немачкој и Бразилу и на крају се запослио пре годину дана у Мајкрософт развојном центру у Србији. Ради тамо у тиму који се бави когницијом и машинским учењем. „Ово ми је интересантна област и доноси велику вредност у разним индустирјама и интелектуално је стимулишућа“, објашњава нам Алекса како се и овог лета обрео у Петници.
А затим обојица објашњавају:
„Примену ова технологија има у разним областима. У медицини, на пример, можете да приметите неки деформитет ткива лакше него раније. Машинско учење знатно олакшава докторима утврђивање дијангозе. На пример на скенеру се пронађе да болујете од дискус херније, али захваљујући машини поред дискус херније на снимку се примети још нешто. Наиме, машина је захваљујући великом броју унетих снимака и дијагноза успела сама да препозна да на снимку има још нечега. Дакле, може се догодити да код др одете због прелома а сазнате за сасвим неку другу дијагнозу коју је машина приметила захваљујући свом машинском учењу. Осим тога, огромна предност је у уштеда времена јер вам је раније за скенирање било потребно 45 минута а сада тај поступак траје три минута.“
Или други пример: желите да вам рачунар класификује слику, на пример, да ли је на њој пас или мачка. Имате дакле ту неуронску мрежу и ви јој покажете много слика мачака или паса и кажете: ово је мачка или ово је пас. Систем ће затим сам научити шта је пас а шта није мачка, са неком вероватноћом. Те грешке су веома мале. Неуронске мреже рачунара су претекле човека рецимо у тим неким пословима боље класификације. Одступање је до два одсто, док је код човека та грешка око пет процената.Тадеј Курепа тврди да машинско учење представља будућност ИТ индустрије. Зато је добро што Мајкрософт овој области поклања изузетну пажњу. На нашим факултетима је ова област још у зачетку, мада на неколико њих почињу да се обликују курсеви.
„Тренутно, када се упоредимо са осталима, у Љубљани постоји мало озбиљнија катедра на њиховом Електротехничком факултету. Ми у Развојном центру Мајкрософта радимо на индустријским пројектима везаним за вештачку интелегенцију и машинско учење те стога сарађујемо са Microsoft Research из Кембриџа. Мајкрософт истраживачке институције у Кембриџу и Сијетлу раде врхунска научна истраживања у овим облстима, која касније наши нжењери примењују у свом раду. Ми такође имамо патенте који су производ дневног рада инжењера и освајамо свакодневно нове области. Све је ово релативно ново, у последњих седам до осам година је све популарније и то ће тек постати велика ствар која ће променити друштва у којима данас живимо и радимо. За мене, важније од тога да ли смо у контакту са другима који уче машинско учење јесте да ли пратимо како се тај процес развија“, каже Тадеј.
Тадеј додаје: „Ја бих машинско учење означио као неку врсту „појачивача интелигенције“. Машинско учење нам омогућава да брзо разумемо неке ствари за које би нам до сада требало доста времена.. То је алат који нам омогућава да појачамо сопствену интелигенцију. Битно је да напоменемо да у Мајкрософту постоје и тимови који се баве етичким развојем ове области.“
Пројекти на којима раде полазници Школе за машинско учење
Анастасија Илић, студент прве године Инжењерства на Универзитету Кембриџ, у Петници је полазник по четврти пут. За овај семинар се определила јер види перспективу да се бавим нечим таквим а захваљујући семинару ће ову област лакше савладати. „Ово се на Кембриџу ради на трећој години. Сада ћу да добијем неки преглед и шриу слику свега што постоји и да касније кренем сама да истражујем“. Она ради на идеји да програму додели слике које су сликане у мање осветљеном простору и слике које су са већим процентом осветљења. Идеја је била да за нове слике, које имају слаб проценат осветљења компјутер научи на претходним подацима, које су то фине особине неких слика и када му се задају параметри, он оно што је научио, примени на ту нову слику и осветли је на свој начин, који је најрприроднији и веран реалној слици. Сам тај процес учења зна да траје некад и данима. Процес траје и битно је да се све подеси, да када се уђе у учење не буде временског заостатка.
„Ми ни у једној ситуацији не кажемо алгоритму ти треба да осветлиш слику. Он треба сам да научи да је то задатак. Тиме што му задајемо параметар: ове слике треба да осветлиш на овај начин“, објашњава нам ова млада саговорница.
Наши домаћини из Мајкрософт развојног центра нам даље објашњавају: ту треба разликовати две ствари: база на основу које машина учи, а друго је процес који учи. Врло често те базе се не праве од нуле, већ се користе оне већ доступне у електронском облику. Оно што се прави је програм који ће да истренира алгоритам да уме да препозна задатак, и то је јако захтевно у смислу снаге рачунара. Ми користимо виртуелне машине у Microsoft Cloud-u, на којима се ради то рачунање и они направе програм и тренирају алгоритам, пусте га на постојећу базу и виде какви су му резултати.
Марина Васиљевић нам је објаснила још један пројекат на коме раде полазници Машинског учења. Она је прошле године била на семинару математике када је упознала људе са семинара из машинског учења и пожелела је још тада да га похађа. Њен пројекат се бави генерисањем музике. Наиме, она има базу композиција и прави програм који ће од шума правити тактове који се надовезују један на други и праве праву композицију. Добијамо уверљиву музику која звучи као оригинал. Узму се делови на пример више Бахових композиција и могу се добити композиције које задржавају стил Баха али су потпуно нове.
Стефан Стефановић и Алекса Милосављевић раде на пројекту допуњавања реченица. Стефановић је студент Електротехничког факултета у Београду и долази у Петницу већ пет година, док је Милосављевић студент Математичког и Рачунарског факултета. Завршио је прву годину и тренутно је на пракси у Мајкорософт развојном центру.
Овакав пројекат би нашао примену, рецимо у решавању тестова из енглеског језика, или при нестанку неке документације како би се урадила реконструкција података или на пример за детекцију неправилности у реченици , или као уређај који препознаје текст уколико је један део текста замрљан. Машина, дакле, препознаје која реч фали или недостаје и замењује је.
Летња школа програмирања
Новинари су након обиласка Истраживачке станице Петница имали прилику и да присуствују свечаном отварању Летње школе програмирања за основце коју на Дивчибарама организују заједно Фондација „Петља“, Друштво математичара Србије и Мајкрософт развојни центар у Србији. Војислав Андрић, председник Друштва Математичара Србије свечано је отворио летњу школу програмирања за основце.
Летње школе програмирања које се одржавају овде на Дивчибарама, наговестио је он, проћи ће укупно 260 учесника, од чега је 170 ученика и 90 наставника. Андрић се захвалио и Министарству просвета и истакао значај препознавања учитеља и наставника који су математички и информатички шампиони, те у том смислу даљег неговања њиховог талента али и адекватног награђивања.
Извор: Кућа добрих вести