Co je hluboké učení: neuronové sítě srozumitelně

Co je hluboké učení? Je to způsob strojového učení, který využívá umělé neuronové sítě s mnoha vrstvami. Díky nim se počítač dokáže učit z obrázků, zvuku nebo textu a sám v nich najít to podstatné, aniž by mu člověk musel předem říct, na co se dívat. Hluboké učení, anglicky deep learning, stojí za rozpoznáváním obličejů v telefonu, hlasovými asistenty, strojovým překladem i za chatboty jako ChatGPT nebo Claude. V tomto článku vysvětlíme bez vzorců, co je umělý neuron, proč mají sítě tolik vrstev, jak se učí a kde se s nimi setkáte.

Co je hluboké učení a jak souvisí se strojovým učením

Umělá inteligence je široký obor. Jeho nejdůležitější částí je strojové učení, tedy metody, kdy se počítač učí z příkladů místo z ručně psaných pravidel. Hluboké učení je pak jednou z oblastí strojového učení, ta dnes nejviditelnější.

Rozdíl si lze představit na příkladu. Klasické strojové učení často potřebuje, aby člověk data připravil: u fotek ovoce třeba změřil barvu, tvar a velikost a teprve z těchto údajů se model učí. Hluboké učení dostane rovnou samotné fotky a potřebné znaky si najde samo. To je obrovská výhoda u dat, která se těžko popisují čísly, jako jsou obrázky, řeč nebo volný text.

Jak fungují neuronové sítě

Umělý neuron

Základním stavebním kamenem je umělý neuron. Inspirací byl neuron v mozku, ale umělá verze je mnohem jednodušší. Dostane několik vstupních čísel, každé vynásobí určitou vahou podle toho, jak je důležité, výsledky sečte a rozhodne, jaký signál pošle dál. Váhy jsou ta „nastavení“, která se během učení mění.

Představte si neuron jako jednoduchého hlasujícího: dostane několik doporučení, některým věří víc, jiným méně, a podle toho se rozhodne. Sám o sobě toho moc neumí. Síla vzniká až propojením obrovského množství takových neuronů.

Vrstvy

Neurony jsou uspořádané do vrstev. První vrstva přijímá vstup, například jednotlivé body obrázku. Poslední vrstva dává výsledek, třeba odpověď „na fotce je kočka“. Mezi nimi jsou skryté vrstvy, a právě jejich množství dalo hlubokému učení název. „Hluboké“ znamená, že síť má mnoho vrstev za sebou.

Každá vrstva zpracovává výsledky té předchozí a vytváří z nich stále složitější představy. U rozpoznávání obrázků první vrstvy zachytí hrany a světlé či tmavé plochy, další vrstvy z nich poskládají tvary, jako jsou kruhy a rohy, a ještě hlubší vrstvy rozpoznají oči, uši nebo kola. Nakonec síť pozná celý objekt. Nikdo jí přitom neřekl, co je hrana nebo oko, na užitečné znaky přišla sama během učení.

Jak se neuronová síť učí

Učení neuronové sítě připomíná ladění obrovského mixážního pultu s nespočtem knoflíků. Probíhá v opakujících se krocích:

1. Odhad – síť dostane příklad, třeba fotku, a vydá svůj odhad. Na začátku jsou váhy nastavené náhodně, takže odhad je většinou špatný.
2. Změření chyby – odhad se porovná se správnou odpovědí a spočítá se, jak moc se síť spletla.
3. Zpětné šíření chyby – informace o chybě se pošle zpět sítí od poslední vrstvy k první. U každé váhy se zjistí, jak moc k chybě přispěla a jakým směrem ji posunout, aby byla chyba menší. Tomuto postupu se odborně říká backpropagation.
4. Úprava vah – všechny váhy se nepatrně posunou správným směrem.

Tento cyklus se opakuje na obrovském množství příkladů, dokud síť neodpovídá dostatečně přesně. Důležité je, aby se síť naučila zobecňovat, tedy správně odpovídat i u příkladů, které nikdy neviděla. Proto se vždy testuje na datech, která při učení nepoužila. Jak tento princip funguje u velkých jazykových modelů, kde se k němu přidává doladění a hodnocení lidmi, popisuje článek jak se trénují AI modely.

AI inspirovaná přírodou: co si vzala z mozku

Neuronové sítě jsou krásným příkladem AI inspirované přírodou. Myšlenka, že mnoho jednoduchých propojených buněk dokáže dohromady vnímat a učit se, pochází z pozorování mozku. Inspirace přírodou se v AI objevuje i jinde, třeba u algoritmů napodobujících evoluci nebo chování hejn.

Je ale důležité nepřeceňovat podobnost. Umělá síť nemyslí, necítí a neuvědomuje si, co dělá. Učí se jinak než člověk a obvykle potřebuje mnohem víc příkladů než dítě, které pozná kočku po několika setkáních. Proč se AI a lidská inteligence liší, rozebíráme v článku je AI chytřejší než člověk.

Kde se s hlubokým učením setkáte

Deep learning je dnes součástí mnoha běžných služeb:

• Rozpoznávání obrazu – odemykání telefonu obličejem, třídění fotek, kontrola kvality ve výrobě nebo pomoc lékařům při prohlížení snímků.
• Řeč – diktování textu, přepis porad, hlasoví asistenti a automatické titulky.
• Jazyk – překladače, kontrola pravopisu a chatovací asistenti. Podrobně v článku co je zpracování přirozeného jazyka.
• Generování obsahu – tvorba textů, obrázků, hudby i videa, viz co je generativní AI.
• Propojení více typů dat – asistenti, kteří rozumí textu i fotkám najednou, jak popisuje článek co je multimodální AI.
• Doporučování – návrhy filmů, hudby nebo zboží podle vašeho chování.

Ve firmách se hluboké učení uplatňuje například při zpracování dokumentů, kontrole výrobků kamerou nebo v zákaznické podpoře.

Omezení hlubokého učení

Hluboké učení je mocné, ale má i slabiny:

• Potřeba dat – kvalitní síť vyžaduje velké množství dobře připravených příkladů.
• Výpočetní náročnost – trénink i provoz velkých sítí spotřebují hodně energie, souvislosti v článku spotřeba energie AI.
• Černá skříňka – u hluboké sítě je těžké vysvětlit, proč došla k určitému závěru. To je problém hlavně tam, kde rozhodnutí ovlivňuje lidi, třeba při posuzování úvěrů nebo uchazečů o práci.
• Převzaté chyby – pokud jsou data zkreslená, síť se zkreslení naučí.
• Přesvědčivé omyly – generativní modely mohou sebejistě tvrdit nepravdy, viz co jsou halucinace AI.

Závěr

Hluboké učení je motorem dnešní umělé inteligence. Stojí na jednoduché myšlence: mnoho propojených umělých neuronů ve vrstvách se z příkladů postupně naučí rozpoznávat stále složitější vzory. Díky tomu počítače rozumí obrazu, řeči i textu lépe než kdykoli dříve. Pro běžné používání není nutné znát detaily, ale pochopení principu pomáhá lépe odhadnout, co od AI čekat a kde být opatrný.

Chcete začít s umělou inteligencí prakticky a bez programování? Přihlaste se do kurzu umělé inteligence pro začátečníky. Inspiraci, jak AI využít ve vaší firmě, najdete na stránce příklady využití AI.