Umělá inteligence (AI) se stále častěji objevuje v našem každodenním životě, od filmových doporučení na Netflixu až po autonomní vozidla, jako jsou ta od společnosti Waymo. Už jste se někdy zamýšleli nad tím, jak AI vlastně funguje? Za každou chytrou aplikací stojí proces, díky kterému se stroje učí z dat a dokážou přijímat rozhodnutí.

V tomto článku si jednoduše vysvětlíme princip fungování AI, se zvláštním zaměřením na systémy strojového učení (machine learning), které tvoří srdce většiny moderních AI.

AI „učí se“ a rozhoduje na základě dat

V jádru AI funguje na principu učení z dat. Místo pevně naprogramovaných reakcí na všechny situace jsou AI systémy (zejména ty využívající strojové učení) naplněny velkým množstvím dat a samy hledají vzory nebo skrytá pravidla v těchto datech.

Poté využívají nabyté znalosti k predikci nebo rozhodování při setkání s novými daty. Tento proces je podobný lidskému učení: pozorujeme mnoho příkladů, získáváme zkušenosti a aplikujeme je v nových situacích.

Například pokud chceme naučit AI rozlišovat mezi obrázky koček a psů, shromáždíme tisíce fotografií koček a psů a označíme je (například které jsou kočky a které psi). AI algoritmus pak analyzuje tuto obrovskou databázi a hledá charakteristické rysy, které pomáhají rozlišit kočku od psa – například kočky mají vousy, odlišný tvar obličeje apod. Během učení systém postupně upravuje své interní parametry tak, aby byl stále přesnější.

Výsledkem je model, který dokáže rozpoznat, zda je na novém (dosud neviděném) obrázku kočka nebo pes. Pokud model udělá chybu, AI může být upravena (pomocí algoritmů učení), aby příště byla přesnější.

Stručně řečeno, proces učení a fungování AI obvykle zahrnuje následující hlavní kroky:

• Sběr dat (Input)

Nejprve AI potřebuje vstupní data k učení. Data mohou mít různé formy: čísla, text, obrázky, zvuky atd. a obvykle jsou pečlivě sbírána a připravována. Například pro trénink AI na rozpoznávání koček je třeba shromáždit desetitisíce fotografií koček (a také ne-koček) a správně je označit. Kvalita a množství dat v této fázi jsou klíčové – čím více a rozmanitějších dat, tím lépe se AI učí.

• Trénink modelu (Learning/Training)

Následuje fáze, kdy stroj se učí z dat. Vstupní data jsou předána učícímu algoritmu (machine learning algorithm), který hledá vzory nebo korelace v datech a postupně upravuje interní parametry, aby co nejlépe odpovídaly datům.

V případě umělých neuronových sítí (běžných v hlubokém učení) trénink znamená upravovat váhy (weights) spojení mezi neurony během mnoha iterací. AI neustále zkouší predikce na tréninkových datech a opravuje chyby na základě rozdílu mezi předpovědí a skutečností (tento proces se nazývá zpětná propagace – backpropagation).

Důležité je, že v této fázi AI sbírá zkušenosti z dat, podobně jako student, který se učí z cvičení: dělá chyby, získává zkušenosti a upravuje své chování.

• Predikce/výstup (Inference)

Po tréninku má AI naučený model. Když dostane nová data (která předtím neviděla), může aplikovat model a vytvořit predikci nebo rozhodnutí.

Například po dokončení tréninku může AI rozpoznat, zda je na novém obrázku kočka nebo pes s určitou pravděpodobností. Podobně AI, která se učila z bankovních transakcí, může odhadnout, zda je nová transakce podvodná; nebo model trénovaný na lékařských datech může navrhnout diagnózu pro nového pacienta. Tato fáze se nazývá inference – AI aplikuje naučené znalosti v praxi.

• Úpravy a zlepšování (Feedback & Improvement)

Důležitou vlastností AI (zejména systémů strojového učení) je schopnost sebezdokonalování v čase. Pokud AI poskytne výsledek a obdrží zpětnou vazbu o jeho správnosti (například člověk označí, zda byla predikce správná nebo chybná), může upravit model tak, aby byl přesnější.

Vraťme se k příkladu rozpoznávání koček a psů: pokud model chybně označí některé psy jako kočky, inženýři mohou doplnit data o obtížné případy nebo upravit architekturu či hyperparametry modelu, aby AI mohla dále zlepšovat své schopnosti. Díky průběžným aktualizacím se AI časem stává přesnější a chytřejší.

Tento krok je podobný tomu, když opravujete chyby v domácích úkolech podle připomínek učitele a učíte se z nich. U některých speciálních AI systémů (například posilované učení ve hrách) probíhá sebezdokonalování i během samotného provozu: AI zkouší různé akce, pokud jsou neúspěšné, příště se jim vyhne, pokud jsou úspěšné, posílí je.

Celkově AI systémy fungují kombinací tří hlavních schopností: učení z dat, aplikace logiky k odvození výsledků a samostatné úpravy na základě chyb. V průběhu učení AI sbírá a extrahuje informace z dat (vytváří „znalosti“).

Ve fázi inference AI využívá naučené znalosti k řešení nových situací a vytváří výsledky. A díky sebeopravě AI neustále vylepšuje svůj způsob fungování, aby zvýšila přesnost. Právě tato kombinace učení, uvažování a samoregulace dává moderním AI systémům jejich sílu.

Jednoduchý příklad, jak AI funguje

Podívejme se na konkrétní příklad, který ilustruje výše uvedený proces: automatický chatbot odpovídající na zprávy. Představte si, že chcete vytvořit chatbot, který pomáhá zákazníkům a přirozeně odpovídá na otázky v češtině.

• Sběr dat: Potřebujete obrovské množství konverzačních dat, aby se chatbot naučil jazyk a způsob odpovídání. Tato data mohou být miliony otázek a vzorových odpovědí z předchozích zákaznických služeb nebo z internetu (například z fór, sociálních sítí), která jsou zpracována a vyčištěna. Každá otázka je spojena s odpovědí (označenou jako správná), podle které se chatbot učí.
• Trénink chatbota: Vyberete AI model pro zpracování jazyka (například velkou neuronovou síť Transformer) a necháte ho „přečíst“ celý shromážděný dataset. Model se naučí spojovat otázky s odpovídajícími odpověďmi a používat přirozený, plynulý jazyk. Postupně se chatbot zlepšuje v porozumění kontextu a relevantní reakci. Naučí se například, že když zákazník napíše „Zapomněl jsem heslo, co mám dělat?“, odpověď by měla vést k návodu na obnovení hesla, nikoli k nesouvisejícím informacím. Tento proces je podobný tomu, když nový zaměstnanec čte tisíce scénářů otázek a odpovědí, aby zvládl svou práci.
• Odpověď uživateli: Po nasazení chatbot přijme novou otázku (kterou předtím neviděl). Analyzuje ji, vyextrahuje hlavní záměr (například dotaz na zapomenuté heslo) na základě naučených znalostí a vytvoří vhodnou odpověď. Pokud je chatbot dobře natrénovaný, odpovědi budou přirozené a přesné, jako by je psal člověk.
• Zlepšování v čase: Po každé interakci můžete chatbotu sdělit, zda odpověď byla správná nebo chybná (na základě zpětné vazby zákazníků nebo hodnocení podpory). Pokud odpovědi nejsou dostatečně dobré, tato data se přidají do tréninkového souboru pro další vylepšení. Díky tomu se chatbot postupně zdokonaluje a zlepšuje své znalosti i způsob odpovídání. Toto je zpětná vazba, která umožňuje AI sebezdokonalování.

Tento příklad jasně ukazuje, jak AI v praxi „učí se“ a funguje: učí se z minulých dat, aby mohla aplikovat znalosti v budoucích situacích. Ať už jde o rozpoznávání koček a psů, nebo odpovídání na zákaznické dotazy, základní princip je stejný.

Jak funguje generativní AI?

V poslední době je v oblasti AI velmi populární generativní AI – systémy, které dokážou vytvářet nový obsah, jako jsou texty, obrázky nebo zvuky, které předtím neexistovaly. Jak generativní AI funguje a čím se liší?

Ve skutečnosti generativní AI také vychází z principu hlubokého učení na obrovských datech, ale místo pouhého předpovídání nebo klasifikace je model trénován tak, aby generoval nový výstup na základě naučených vzorů.

Například velký jazykový model jako ChatGPT je trénován na miliardách slov z textů (knih, článků, webů), aby se naučil vztahy mezi slovy a větami. Jeho architektura je velmi hluboká neuronová síť (desítky miliard parametrů), která dokáže předpovídat další slovo ve větě.

Při použití místo vybírání odpovědi z paměti ChatGPT vytváří novou odpověď tím, že vybírá slova jedno po druhém na základě pravděpodobností, které se naučil. Výsledkem je plynulý text, který odráží styl tréninkových dat, ale obsah je originální.

Jinými slovy, systémy generativní AI jako ChatGPT nebo AI pro tvorbu obrázků (Midjourney, DALL-E) fungují tak, že detailně „rozumí jazyku“ dané oblasti (lidský jazyk, obraz, hudba) a vytvářejí nové produkty na základě naučených znalostí. Jsou vybaveny velkými hlubokými modely – tzv. základními modely (foundation models) nebo velkými jazykovými modely (LLM) – trénovanými na obrovských datech speciálními algoritmy (například Transformer v zpracování jazyka).

To umožňuje programům jako ChatGPT nebo Midjourney vytvářet nový obsah (texty, obrázky, hudbu) na základě naučených znalostí, místo aby jen vybíraly z předem připravených odpovědí. Například když požádáte „napiš příběh o kočce, která umí programovat“, ChatGPT využije své znalosti jazyka a nespočet příběhů, které četl, a vytvoří zcela nový příběh podle zadání.

Speciální vlastností generativní AI je, že nejen rozpoznává nebo analyzuje, ale skutečně tvoří na určité úrovni. Samozřejmě tato tvorba vychází z toho, co AI již zná – kombinuje a upravuje naučené vzory, aby vytvořila něco nového. Výsledky mohou být velmi rozmanité a bohaté, díky čemuž se generativní AI stává silným nástrojem v tvorbě obsahu, designu, zábavě a dalších oblastech.

>>> Klikněte pro více informací o:

Historie vzniku a vývoje umělé inteligence

Běžné typy umělé inteligence

Shrnuto, AI funguje tak, že se učí ze zkušeností (dat) podobně jako člověk ze svých zážitků. Prostřednictvím tréninku stroje postupně zobecňují znalosti z ukázkových dat a vytvářejí model, který lze později aplikovat.

Ačkoliv pod povrchem mohou být různé algoritmy – od jednoduchých rozhodovacích stromů po hluboké neuronové sítě s miliardami parametrů – společným cílem AI je nalezení skrytých pravidel, která pomáhají řešit problémy. Díky obrovskému množství dat a výpočetní síle dneška dosáhla AI ohromujících úspěchů, od přesného rozpoznávání obrazů a hlasu až po schopnost automaticky psát texty a tvořit obrázky.

Doufáme, že vám toto vysvětlení poskytlo jasnější a přehlednější pohled na to, jak AI „myslí“ a funguje za obrazovkou. AI už není „černou skříňkou“ – je to výsledek procesu učení z dat a pokusů a omylů, neustálého zdokonalování, velmi podobného tomu, jak my lidé získáváme znalosti a dovednosti.

Sledujte INVIAI pro další aktuální informace o AI!