facebook
Tematické sekce
 
Branžové sekce
Přehledy
IT Systems - online trafika
 
Tematické seriály
Nové!

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 
Nové!

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 
Nové!

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 

Pokročilá analýza provozu datových sítí

V tomto čtyřdílném seriálu vás seznámíme s různými metodami a přístupy...

1. až 4. díl >>

 

Cesta k efektivnímu identity managementu

Správa identit a přístupů (IAM) je klíčová oblast pro zaručení bezpečnosti...

1. až 9. díl >>

Business Intelligence

Všudypřítomná umělá inteligence bude megatrendem příštích deseti let

Honza Tyl


Umělá inteligenceČlánek popisuje stručné dějiny umělé inteligence a zamýšlí se nad vyhlídkami do blízké budoucnosti. Seznámí nás s principem deep learningu včetně několika ukázek z českého prostředí.

Konference Business IT

V posledních letech se umělá inteligence (Artificial Intelligence), česky označovaná zkratkou UI nebo anglicky AI, stále více objevuje v médiích. Vzpomeňme třeba na Putinovo prohlášení: „Národ, který ovládne AI, bude vládnout světu.“ Putin následně svou myšlenku rozvádí tvrzením, že umělá inteligence je nejen budoucností Ruska, ale i celého světa. Je to jen nadsazená fráze, nebo může mít pravdu?

Výkonný ředitel společnosti Google Sundar Pichai minulý rok v dopise akcionářům napsal: „Technologie umělé inteligence, jako je strojové učení, budou hrát klíčovou roli v určování směru budoucího vývoje.“

Nejinak vidí budoucnosti i Mark Zuckerberg, výkonný ředitel Facebooku. Sám investuje do vývoje umělé inteligence značné množství finančních prostředků. Mimo jiné například do „chatbotů“ neboli umělé inteligence, která se za pomoci interakce s člověkem učí novému a stále realističtějšímu chování.

Možná jste si už také všimli, že pojmy Deep Learning a Machine learning jsou na úplném vrcholu pověstné Gartnerovské Hype Cycle. „Artificial intelligence everywhere.“ Všudypřítomná umělá inteligence je dokonce největší z takzvaných megatrendů, jinými slovy právě vznikajících technologií. Další dva megatrendy jsou všudypřítomné transparentní zkušenosti a digitální platformy.

Obr. 1: Graf společnosti Gartner Hype Cycle ukazuje všudypřítomnou umělou inteligenci jako největší megatrend příštích deseti let.
Obr. 1: Graf společnosti Gartner Hype Cycle ukazuje všudypřítomnou umělou inteligenci jako největší megatrend příštích deseti let. Zásluhu na tom má téměř neomezené množství dat, nebývalý pokrok v neuronových sítích a stále rostoucí výpočetní výkon. Proto si můžete v grafu povšimnout úzce souvisejících trendů hlubokého učení, hlubokého posilovaného učení, obecné umělé inteligence, autonomních vozidel, kognitivní výpočetní techniky, komerčních dronů, konverzního uživatelského rozhraní, podnikové taxonomie, ontologického managementu, chytrého prachu, inteligentních robotů a chytrých pracovišť.

Co znamená „Všudypřítomná umělá inteligence“?

„Umělá inteligence se stává skutečností,“ uvádí Jackie Fennová, analytička Gartneru. Podle ní byla umělá inteligence více než deset let v období symbolické zimy, ale během posledních let došlo k mnoha průlomům. Poukazuje přitom na algoritmy schopné rozeznávat tváře či na auta schopná se sama řídit. Zamysleme se nad tím, jak mohou autonomní automobily změnit svět. Mohou zrychlit celou dopravu, snížit počet nehod a lidé už nebudou tolik potřebovat bydlet v blízkosti centra. Automobily nemusí být v takové míře soukromým majetkem, ale dá se o nich více uvažovat jako o službě.

Nejedná se jen o automobilový průmysl. V letošním roce by se za realizaci AI řešení mělo celosvětově utratit zhruba 12 miliard dolarů, což bude představovat nárůst téměř o 60 procent oproti roku 2016! Analytická společnost IDC vydala nedávno aktualizovanou prognózu Worldwide Semiannual Cognitive Artificial Intelligence Systems Spending Guide, která popisuje očekávaný vývoj trhu s technologiemi umělé inteligence. Zatímco v letošním roce se systémy AI dostávají především do bankovnictví a maloobchodu (oba sektory představují trh kolem 1,7 miliardy dolarů), další největší investice do AI míří do výroby a zdravotnictví. Příkladem nových technologií může být automatické doporučování a nákupní poradci. Velká budoucnost je spatřována i v aplikacích pro zajištění vyšší bezpečnosti a lepších reakcí na krizové události. Největší procento výdajů za technologie AI bude podle této studie představovat nákup softwaru.

Podíváme-li se na mapu, největší výdaje na umělou inteligenci má USA a Asie. V tomto bodě se však různé studie pozoruhodně rozjíždějí.

Ohlédnutí do historie umělé inteligence

Málokde se u technologií objevují tak výrazné cykly vzestupu a pádu jako u umělé inteligence. Na konci padesátých let se objevilo velké nadšení a věřilo se, že umělá inteligence spasí svět. Toto nadšení však záhy vystřídala vlna skepse a bolestného vystřízlivění, které pramenilo především z nedostatečného výpočetního výkonu počítačů. Mluví se o první zimě AI. Kolem roku 1985 následovalo velké vzedmutí, protože počítače začaly být dostupnější a lidé dokázali dělat do té doby nepředstavitelné věci.

Tento zápal ale dlouho nevydržel a koncem osmdesátých let přichází doposud největší AI zima. Nadšení vystřídalo zklamání. Úspěchy umělé inteligence nebyly tak velké, jak průmysl očekával. Vtipné je i to, že pokud byl nějaký problém experty na umělou inteligenci úspěšně vyřešen, přestává být řešení považováno za umělou inteligenci, ale za obyčejný program.

K tomu, aby mohla pomyslná zima odejít, bylo třeba souhry tří klíčových principů: vyšší výpočetní síla počítačů, počet dat, která generujeme, a na neposledním místě vylepšené algoritmy strojového učení. K této příznivé konjunkci dochází právě nyní a s ní přichází i doposud největší jaro umělé inteligence. Umělá inteligence se dnes stává všudypřítomná. Používáme jí pokaždé, když se na něco zeptáme asistentky Siri nebo Cortany, pokaždé když použijeme GPS pro vyhledání cesty, nebo Google k vyhledání dotazu, či když na Facebooku vidíme reklamu.

Výše zmíněná trojice klíčových faktorů přispěla k tomu, že umělá inteligence se dostává za určitý zlom. Rok od roku dokážeme počítat komplikovanější neuronové sítě se složitější architekturou. Ještě před pár lety se jako hluboké sítě označovaly takové, které mají čtyři nebo pět skrytých vrstev umělých neuronů. Dnes se setkáváme se sítěmi, které mají desítky i stovky takovýchto skrytých vrstev, a tak jsme schopni řešit stále složitější a abstraktnější problémy.

Ředitel výzkumu umělé inteligence ve Facebooku tuto technologii popisuje jako způsob umožňující lépe automatizovat strojové učení pomocí vícevrstevné analýzy, která může srovnávat výsledky mezi jednotlivými vrstvami. Díky deep learningu můžeme používat více vrstev automaticky.

Jak se učí umělá inteligence

Představme si, jak se učí hluboká neuronová sít rozpoznávat, co je na fotografii. Zaprvé potřebujeme velké množství obrázků, o kterých předem víme, co na nich je. Síť tedy v první fázi vyžaduje „učitele“, který jí řekne, zde máš tisíc obrázků koček a tady je tisíc obrázků psů. Síť si prochází obrázky stále dokola a stále lépe se učí rozpoznávat kočky od psů. V nižších vrstvách sítě se učí identifikovat barvy a základní tvary, ze kterých se obrázek skládá. V další vrstvách se komponují základní tvary do ucelenějších částí, jako je oko, čumák nebo packa. V posledních vrstvách nalezneme nejvyšší míru abstrakce. Zde síť rozhoduje, zda je na obrázku kočka, nebo pes. Dobře naučená síť dokáže rozpoznat kočku od psa nejen u fotografií, na které jsme ji trénovali, ale také na těch, které nikdy předtím neviděla. Umělé neuronové sítě jsou inspirovány našimi poznatky o neurobiologii, přesto by však bylo zavádějící tvrdit, že jsou její přesnou kopií.

Obr. 2: Pohled na vrstvy neuronové sítě, která slouží k rozpoznávání zvířat. Vpravo nahoře nízká hloubka, sítě se učí rozpoznávat barvy, tvary a obrysy. Vlevo a vpravo dole jsou patrné komplexnější vzory, které mohou sloužit k identifikaci šupin a srsti.
Obr. 2: Pohled na vrstvy neuronové sítě, která slouží k rozpoznávání zvířat. Vpravo nahoře nízká hloubka, sítě se učí rozpoznávat barvy, tvary a obrysy. Vlevo a vpravo dole jsou patrné komplexnější vzory, které mohou sloužit k identifikaci šupin a srsti.

Deep learnig v praxi

K čemu je možné takový deep learnig použít v praxi? Nemusí jít jen o kategorizaci obrázků, rozpoznávání obličejů a podobně. Pokud máme velké množství dat, tak může síť například velmi dobře identifikovat delikventní klienty, kteří pravděpodobně nesplatí půjčku, či klienty, kteří se chystají opustit mobilního operátora. Dokážeme na jejich základě pozoruhodně přesně předpovídat časové řady a predikovat tak například cenu akcií nebo zítřejší teplotu v Praze. Můžeme kategorizovat články v novinách a oddělit reklamní sdělení od sportu či politických komentářů. Používají se i pro tzv. odhad sentimentu textu. Je podle slovního hodnocení film divácky atraktivní, nebo propadák? Jsou uživatelé s vaší službou podle slovního popisu spokojeni, nebo ne? To všechno nám mohou tyto algoritmy říci.

Ani tím však není síla hlubokého učení vyčerpána. V posledních dvou třech letech se začalo objevovat takzvané generativní hluboké učení. To dokáže nejen vstupní data kategorizovat do skupin, ale dokáže i vytvářet vlastní smysluplná data. Možná už jste viděli psychedelické obrázky generované pomocí algoritmu Deep Dream.

Obr. 3: Ukázka dvou technik generativního hlubokého učení. Barva reprezentuje teplotní mapu důležitost – čím červenější, tím víc to síť ujišťuje, že se jedná o obrázek leguána. Ornamenty jsou „halucinace“ sítě, která je naučená rozpoznávat především zvířata.
Obr. 3: Ukázka dvou technik generativního hlubokého učení. Barva reprezentuje teplotní mapu důležitost – čím červenější, tím víc to síť ujišťuje, že se jedná o obrázek leguána. Ornamenty jsou „halucinace“ sítě, která je naučená rozpoznávat především zvířata.

Vyzkoušel jsem dát takovéto hluboké neuronové síti knihu citátů a požádal jsem ji, aby vytvořila svůj vlastní. Kupodivu na základě jedné jediné knihy dokázala odvodit, jak funguje česká gramatika. Písmenko po písmenku dala dohromady slova a ze slov věty. Její vlastní citát není kdovíjak lidumilný, ale alespoň sémanticky dává smysl: „Lidé jsou nízcí a shnilí. Jedině člověk nechápe dvě teze a to, že pokud ztroskotá Trockij, ztroskotá i vlastnictví.“

To, že se umělá inteligence dostává do kurzu, potvrzuje například i Forbes startup roku. Když se zeptali více než stovky investorů a expertů na to, který ze startupů má nejlepší budoucnost, tak mezi top 10 je jich hned několik založených čistě na umělé inteligenci. Neuron Soundware – analýza zvuků pomocí UI; SpaceKNOW – analýza satelitních snímků pomocí strojového učení a neuronových sítí; Rossum – učí stroje rozumět fakturám a následně je přepisovat do databáze. Další start-upy chtějí často použít AI k zefektivnění stávajících procesů.

Nakonec si neodpustím svou oblíbenou hlášku: Ukažte mi jakoukoliv aplikaci a já vám ukáži, jak může fungovat pomocí umělé inteligence lépe.

Honza Tyl Honza Tyl
Autor článku přes den pracuje jako analytik a Scrum Master ve velkých bankách, po nocích vede Analytickou a Startup akademii ve společnosti Inventi působící v oblasti vývoje softwaru a testování. Ve volném čase studuje na Standford University Neural Networks and Deep Learning.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.
POINT.X (2018-19)


Časopis IT Systems / Odborná příloha Archiv časopisu IT Systems
IT Systems 4/
IT Systems 3/
IT Systems 1-2/
IT Systems 12/
Oborové a tematické přílohy
příloha #1 4/
příloha #1 3/
příloha #1 1-2/
příloha #1 11/
Kalendář akcí