Co je umělá inteligence

Umělá inteligence neboli AI (Artificial Intelligence) označuje schopnost počítačů a strojů simulovat lidskou inteligenci – učit se ze zkušeností, porozumět složitému obsahu, činit rozhodnutí, řešit složité problémy, být kreativiní a autonomně fungovat.

Praktické příklady

Přemýšleli jste někdy o tom, jak Netflix ví, které filmy nebo seriály vám má doporučit? Využívá k tomu umělé inteligence. Na základě analýzy toho, co jste sledovali a co se vám líbilo (nebo nelíbilo), předpovídá, co byste mohli chtít vidět příště.

Obdobně je samořídící auto, které se samostatně pohybuje v dopravě, řídí se dopravními značkami a vyhýbá se překážkám, schopné se samo učit z jízdních dat a neustále se zlepšovat bez výslovných lidských pokynů.

Nejvíce skloňovaný je v poslední době Chat GPT, nástroj umožňující povídat si s umělou inteligencí, nechat ji zkrátit rozsáhlý text nebo například pročíst zákony a vysvětlit složité právní problémy.

Strojové učení

Jádrem moderní umělé inteligence je něco, čemu se říká strojové učení (ML - Machine Learning). Tato podmnožina umělé inteligence je postavena na trénování algoritmu, který na základě historických dat provádí předpovědi nebo rozhodnutí.

Předpokládejme, že máte hromadu dat – řekněme obrázky koček a psů. Při tradičním programování byste počítači řekli, aby se řídil určitým souborem pravidel pro identifikaci kočky a psa. Strojové učení to převrací na ruby: místo toho, abyste stroji zadávali jakákoliv pravidla, dodáte mu tisíce, ne-li miliony příkladů koček a psů.

Nejjednodušším způsobem strojového učení je tzv. učení pod dohledem školitele (Supervised Learning), kdy jsou algoritmu poskytována označená data – ke každému obrázku je přiřazeno označení, zdali se jedná o kočku či psa. Představte si to jako učení stroje pomocí kartiček: ukážete mu obrázek (vstup), řeknete mu, co je na něm (výstup), a on se časem naučí označovat nové, dosud neviděné obrázky.

Tento postup je analogický tomu, jak se dítě učí rozpoznávat zvířata předložením obrázků, u nichž mu řeknete, co se na nich nachází. Algoritmus (nebo v naší analogii dítě) se naučí spojovat specifické znaky (jako jsou fousky nebo vrtící se ocas) se správnými označeními (kočka nebo pes). Po studiu dostatečného množství dat pak bude sám schopen přiřadit označení obrázkům, aniž by mu bylo předem sděleno.

Neuronové sítě

Existuje mnoho technik a algoritmů strojového učení, ale jeden z nejoblíbenějších se nazývá neuronová síť (nebo umělá neuronová síť). Neuronové sítě si berou inspiraci z biologických neuronových sítí lidského mozku. Tyto sítě se skládají z uzlů – neboli umělých neuronů – které pracují v tandemu a zpracovávají složité vstupy. Architektura neuronové sítě obvykle zahrnuje vstupní vrstvu, skryté vrstvy a výstupní vrstvu. Skryté vrstvy prostřednictvím propojených uzlů umožňují provést komplexnější analýzu vložených dat.

Pokud budeme pokračovat ve výše uvedeném příkladu, představte si, že trénujete neuronovou síť na rozpoznávání odlišných rysů kočky. Obrázky jsou přijímány ve vstupní vrstvě, procházejí několika skrytými vrstvami, kde síť v jednoduchých pixelech identifikuje složitější rysy (jako jsou vousy, uši a vzory srsti), a nakonec ve výstupní vrstvě vytváří skóre pravděpodobnosti, které určuje, zda obrázek obsahuje kočku.

Stejně tak když položíte otázku hlasovému asistentovi, jako je například Alexa, tak analyzuje vaši řeč a pokusí se jí porozumět a vhodně odpovědět. V zákulisí neuronová síť zpracovává vaše slova vrstvu po vrstvě, interpretuje vaši otázku a generuje odpověď. Je to podobné jako vrstvy neuronů lidského mozku, které analyzují zvuky, aby jim porozuměly a následně přiměřeně reagovaly.

Deep Learning

Vlajkovou lodí v oblasti strojového učení je nyní jednoznačně tzv. hluboké učení (Deep Learning). Toto odvětví využívá hluboké neuronové sítě, které se vyznačují stovkami skrytých vrstev, což umocňuje schopnost rozpoznávat mimořádně složitá schémata.

Jedním z pozoruhodných rysů hlubokého učení je jeho schopnost učit se bez dohledu školitele (Unsupervised Learning). Tyto algoritmy samostatně nacházejí schémata a vztahy v surových neoznačených datech, což umožňuje nebývalý pokrok v aplikacích, jako je překlad textu, rozpoznávání obrazu, a dokonce i autonomně generované umění. Jelikož školitelé nemusejí ručně označovat data, která jsou systému poskytována, umožňuje jim to provádět učení na nesrovnatelně větším množství textu, obrázků či zvuku.

Dalšími revolučními způsoby učení jsou Semi-Supervised Learning, Self-Supervised Learning, Reinforcement Learning a Transfer Learning, přičemž každý z nich rozšiřuje obzory toho, jak se tyto systémy mohou učit a používat znalosti v různých aplikacích.

Hluboké učení je základem nejpokročilejších systémů umělé inteligence, které se dnes používají v oblastech, jako je zpracování přirozeného jazyka (NLP) a počítačové vidění. Hluboké učení například umožňuje smartphonu přesně porozumět vašim hlasovým příkazům nebo Facebooku vás automaticky označovat na fotografiích.

Systémy hlubokého učení mohou díky využití obrovského množství dat a výpočetního výkonu automaticky získávat znalosti z nezpracovaných dat a provádět předpovědi s pozoruhodnou přesností.

Generativní umělá inteligence

V oblasti umělé inteligence je ta generativní nezpochybnitelnou královnou kreativity. Narozdíl od modelů, které pouze identifikují nebo klasifikují vstupní data, generativní AI vytváří nový obsah. Dokáže psát eseje, malovat obrazy, skládat hudbu, nebo dokonce generovat realistické videosekvence. Pokud požádáte počítač, aby napsal povídku ve stylu vašeho oblíbeného autora – generativní AI ji vytvoří.

Ve své podstatě se generativní AI učí generovat nová data, která se podobají jejím tréninkovým datům, tzn. datům, která jí byla v průběhu vývoje předložena.

Difuzní modely, jako jsou známé Midjourney či DALL-E, začínají s náhodným šumem a pak jej postupně vylepšují a vytvářejí zcela nové obrazy. Je to jako sochání sochy postupným odsekáváním mramorového bloku, dokud nevznikne krásná postava.

Hvězdami generativní umělé inteligence jsou však transformační modely. ChatGPT, průkopník tohoto odvětví, je schopen vést detailní konverzaci, napsat několik kapitol knihy či dokonce počítačový kód. Transformační modely čerpají inspiraci z obrovských souborů dat a dokáží na jakýkoliv dotaz vygenerovat sourodou a uvěřitelnou odpověď.

Aplikace v reálném životě

Po vysvětlení základů umělé inteligence je namístě zamyslet se nad tím, jaké jsou její reálné aplikace. Jednou z hlavních výhod je automatizace – provádění opakujících se úkolů, které lidé obvykle nechtějí dělat. Umělá inteligence dokáže projít hory dat a odhalit jakákoliv schémata či anomálie mnohem rychleji, než by to dokázal jakýkoli člověk. Může tak například optimalizovat trasy pro doručovací vozy, aby se ušetřilo palivo a čas, nebo zvládat nudné úkoly v zákaznickém servisu prostřednictvím chatbotů.

Umělá inteligence pomáhá i při rozhodování. Lékaři využívají AI k rychlé a přesné interpretaci složitých lékařských snímků a někdy zachytí včasné příznaky nemocí, které by lidské oči mohly přehlédnout. V oblasti financí pomáhají algoritmy AI předvídat tržní trendy, a dokonce provádět obchody.

Internetové obchody a marketingové platformy využívají umělou inteligenci k tomu, aby vám na základě vaší historie prohlížení a nákupů navrhovaly produkty, které by se vám mohly líbit. Zábavní platformy využívají AI k přizpůsobení obsahu vašemu vkusu, jako jsou doporučení Netflixu na další film, který byste měli vidět. V budoucnu budou dokonce moci vytvořit obsah přímo umělou inteligencí tak, aby přesně odpovídal vašim představám.

Etické problémy

Každá mince má však dvě strany a vzestup umělé inteligence vyvolává mnoho obav. Systém, který může činit rozhodnutí, nemusí být vždy nestranný. Jelikož se jeho algoritmy učí z historických dat, mohou se případné předsudky v nich obsažené projevit i v jeho výstupech. Předpokládejme například, že systém umělé inteligence používaný k prověřování uchazečů o zaměstnání byl vyškolen na datech, která historicky ukazují, že jsou upřednostňováni kandidáti mužského pohlaví. Výsledek? Systém bude nadále upřednostňovat muže před ženami, ač k tomu nebyl záměrně vyškolen.

Je proto nezbytné vytvářet systémy AI, které dokážou vysvětlit svá rozhodnutí. Pokud například umělá inteligence stanoví diagnózu, je nutné mít možnost zpětně analyzovat její závěry, aby jim bylo možné důvěřovat.

Systémy musí být transparentní, nestranné a odpovědné. Pokud dojde k poruše autonomního vozidla, kdo je za ni zodpovědný? Za činnost systémů umělé inteligence by měla existovat jasná odpovědnost.

V neposlední řadě musí systémy AI chránit soukromí svých uživatelů a nakládat s osobními údaji v souladu s právními předpisy, a to již v okamžiku, kdy jsou tyto údaje součástí vstupních dat poskytnutých modelu v procesu učení.

Budoucnost umělé inteligence

V současné době pracujeme převážně s tzv. slabou nebo úzkou umělou inteligencí (Weak AI) – systémy určenými k provádění specifických úkolů. Váš virtuální asistent nerozumí světu, ale dokáže vám nastavit budík, přehrát oblíbenou písničku, a dokonce za vás objednat potraviny online.

Svatým grálem je však tzv. silná umělá inteligence (Strong AI) neboli umělá obecná inteligence (AGI) – umělá inteligence, která má neomezené kognitivní schopnosti, dokonce překonávající ty lidské. Představte si umělou inteligenci, která se dokáže naučit všechny předměty ve škole, flexibilně tyto znalosti používat, a dokonce projevovat kreativitu a emoce podobné lidským. Tak daleko ještě nejsme, všechny technologické společnosti se ale předhánějí, kdo jí dosáhne jako první.

Úvahy na závěr

Umělá inteligence je v podstatě pozoruhodnou směsí pokročilé matematiky, inovativních algoritmů a výpočetního výkonu, která se snaží napodobit lidské poznání. Potenciál umělé inteligence je obrovský a stále roste – od zjednodušování běžných úkolů až po zavádění převratných inovací.

Až příště požádáte ChatGPT, aby vám vymyslel recept na večeři, nezapomeňte, že komunikujete s jedním z nejpokročilejších technologických zázraků, kterého lidská vynalézavost dosáhla.