Interaktyvi mokomoji medžiaga

Mašininis mokymasis

Įvadas į pagrindines dirbtinio intelekto (DI) sąvokas

Autorius: Zsolt Lengyel„iTStudy Hungary“ mokymo ir tyrimų centras
Recenzentė: Mária Hartyányi„iTStudy Hungary“ mokymo ir tyrimų centras

Trys mašininio mokymosi sudedamosios dalys: duomenys, modelis ir mokymosi paradigma — Pagrindinės mašininio mokymosi sudedamosios dalys

Mokymosi tikslas

Sparti dirbtinio intelekto plėtra sukėlė labai skirtingas žmonių reakcijas – nuo beribio susižavėjimo iki baimės prarasti darbo vietas. Šios mokomosios medžiagos tikslas – apžvelgti teorinius pagrindus, padedančius įvertinti, kas iš tiesų yra DI, ir paaiškinti pagrindines jo sąvokas, būtinas norint sąmoningai naudotis DI.

Baigę nagrinėti šią medžiagą, gebėsite atsakyti į šiuos klausimus

Kaip kompiuteris mokosi ir bendrauja?
Ką reiškia mašininio mokymosi sąvoka?
Ką reiškia teiginys, kad DI sistemos neveikia deterministiškai?
Ar „dirbtinis“ intelektas yra mašininė žmogaus intelekto versija?
Ar dirbtinis intelektas gali būti protingesnis už žmogų?

1 skyrius · 1 / 2

Mašinos, gebančios mokytis, idėja

Garsus matematikas Alanas Turingas 1947 m. Londono matematikų draugijoje skaitytoje paskaitoje pasakė:

“What we want is a machine that can learn from experience.”„Norime sukurti mašiną, kuri galėtų mokytis iš patirties.“

Tačiau tuo metu turimų kompiuterių galimybių nepakako tokiai programai sukurti. Prireikė daugiau nei septyniasdešimties metų, kad priartėtume prie Turingo vizijos – sukurti mašinas, gebančias mokytis.

Po 1956 m. Dartmuto konferencijos palaipsniui buvo kuriami mašininiam mokymuisi reikalingi matematiniai modeliai ir algoritmai. Kartu atsirado milžiniški skaitmeninių duomenų kiekiai ir jiems apdoroti reikalinga skaičiavimo galia.

1947Turingas iškelia mašinos, gebančios mokytis iš patirties, idėją.

1956Dartmuto konferencija suteikia postūmį DI tyrimams.

2022„ChatGPT“ supažindina plačiąją visuomenę su kalbiniu DI.

1 skyrius · 2 / 2

Kai mašina atsako žmogaus kalba

2022 m. lapkričio 30 d. buvo pristatytas „ChatGPT“. Per penkias dienas užsiregistravo milijonas naudotojų. Palyginkime: „Netflix“ tam pačiam rezultatui pasiekti prireikė trejų su puse metų.

„ChatGPT“ sąsaja kiekvienam leido įsitikinti, kad su kompiuteriu galima bendrauti natūralia žmogaus kalba. Greiti, nuoseklūs ir įtikinami atsakymai vienu metu sukėlė žmonių susižavėjimą, nuostabą ir nerimą.

Žmogus ir skaitmeninė figūra, simbolizuojanti dirbtinį intelektą — Žmogiškas DI vaizdavimas veikia mūsų prielaidas apie jo gebėjimus.

Vyresnio amžiaus moteris kalbasi telefonu, kitame ryšio gale pavaizduotas dirbtinis intelektas — Kai „kažkas“ prabyla visiškai žmogišku balsu

2 skyrius

Ar mašina iš tiesų mokosi?

Sakydami, kad kompiuteris „mokosi“, neturime omenyje tokio pat proceso, koks vyksta mokantis žmogui, ypač mažam vaikui. Net ir šiandien mokslas negali visiškai tiksliai aprašyti sudėtingų žmogaus mokymosi procesų.

Mašininis mokymasis: bendras metodų ir algoritmų, leidžiančių mokytis iš duomenų, pavadinimas. Kompiuteris duomenyse ir pavyzdžiuose atpažįsta dėsningumus, kuriais remdamasis prognozuoja ir siūlo sprendimus.

„Receptas“ paprastas: reikia skaitmeniniu būdu saugomų duomenų, iš kurių mokosi DI; mokymosi algoritmo, apibrėžiančio, kaip vyksta mokymasis; ir modelio, kuriame išsaugomi išmokti dėsningumai.

Duomenų, modelio ir mokymosi paradigmos schema — Iš ko, kur ir kaip mokomasi?

01

Duomenys

Pavyzdžiai ir stebėjimai, iš kurių sistema išmoksta dėsningumus.

02

Algoritmas

Metodas, apibrėžiantis, kaip vyksta mokymasis.

03

Modelis

Mokymosi rezultatas, leidžiantis daryti išvadas apie naujus duomenis.

3 skyrius · 1 / 4

Mokymasis su mokytoju

Taikant mokymąsi su mokytoju, mašina mokosi iš pavyzdžių, kuriuose kartu su įvesties duomenimis pateikiami teisingi atsakymai. Pavyzdžiui, tai gali būti milijonai nuotraukų, pažymėtų jose pavaizduotų objektų pavadinimais.

Įsivaizduokime, kad norime išmokyti modelį nustatyti, ar paveikslėlyje pavaizduotas obuolys, ar bananas. Iš anksto pateikti teisingi atsakymai vadinami žymėmis, todėl tokie duomenys vadinami pažymėtaisiais duomenimis.

Iš šių pavyzdžių modelis išmoksta, kokie vaizdiniai požymiai – forma, spalva ir kt. – būdingi kiekvienam vaisiui. Vėliau jis geba su tam tikra tikimybe klasifikuoti ir anksčiau nematytus vaizdus.

Mokymasis su mokytoju, iliustruotas šunų ir kačių vaizdais — Pavyzdžiai su teisingomis žymėmis nukreipia mokymąsi.

3 skyrius · 2 / 4

Nuo mokymo duomenų iki veikiančio modelio

Mokymui naudojami dideli duomenų kiekiai. Šie duomenys sudaro mokymo duomenų bazę arba mokymo duomenų rinkinį. Mokymosi proceso rezultatas – sukurtas modelis, galintis atpažinti anksčiau nematytus duomenis pagal mokymo metu nustatytus dėsningumus.

Svarbus apribojimas: modelis gali daryti išvadas tik remdamasis tuo, ką išmoko iš mokymo duomenų. Savarankiškų žinių ar patirties, nesusijusių su tais duomenimis, jis neturi.

Įvesties duomenų, mokymosi algoritmo ir modelio schema — Mašininis mokymasis: modelio kūrimas iš pažymėtųjų pavyzdžių

Kalbos atpažinimo piktograma — Kalbos atpažinimas

Teksto generavimo piktograma — Teksto generavimas ir vertimas

3 skyrius · 3 / 4

Mokymasis be mokytojo

Taikant mokymąsi be mokytojo, mašinai nepateikiami iš anksto apibrėžti teisingi atsakymai ar žymės. Algoritmo užduotis – savarankiškai aptikti duomenų rinkinyje slypinčius dėsningumus, grupes, panašumus ir skirtumus.

Tokie algoritmai naudojami rekomendavimo sistemoms: pagal naudotojų elgseną nustatomi jų pomėgiai ir teikiamos asmeniškai parinktos filmų, muzikos ar prekių rekomendacijos.

Automatinis vaisių grupavimas pagal panašumus — Sistema be žymių ieško vidinės duomenų struktūros.

3 skyrius · 4 / 4

Pastiprinamasis mokymasis

Taikant pastiprinamąjį mokymąsi, virtualus „agentas“ sąveikauja su aplinka ir stengiasi priimti optimalius sprendimus. Gaudamas atlygį arba nuobaudą, jis mokosi, kurie veiksmai duoda geriausią rezultatą.

Agento, aplinkos, veiksmo ir atlygio ciklas — Agentas mokosi iš savo veiksmų pasekmių.

1997 m. IBM programa „Deep Blue“, taikydama tradicinį programavimą ir pasitelkdama milžinišką skaičiavimo galią, nugalėjo pasaulio šachmatų čempioną Garį Kasparovą. Tačiau go žaidime galimų pozicijų per daug, kad būtų galima jas visas išvardyti.

„DeepMind“ sistema „AlphaGo“, taikydama pastiprinamąjį mokymąsi ir žaisdama pati su savimi, išmoko žaisti taip gerai, kad 2016 m. nugalėjo Lee Sedolį.

„AlphaGo“ ir Lee Sedolio mačas (šaltinis: „Google Arts & Culture“)

4 skyrius

Perkeliamasis mokymasis ir taikymo sritys

Perkeliamasis mokymasis

Jau sukurtą ir gerai veikiantį modelį galima toliau tobulinti, tęsiant jo mokymą siauresnėje specializuotoje srityje. Pavyzdžiui, bendrąjį kalbos modelį galima papildomai mokyti naudojant kruopščiai atrinktus mokymo šaltinius. Tai vadinama perkeliamuoju mokymusi.

Mokymasis su mokytoju

Klasifikavimas ir prognozavimas

Objektų atpažinimas, brukalų filtravimas, kredito rizikos vertinimas, medicininė diagnostika.

Mokymasis be mokytojo

Vidinės struktūros tyrimas

Klientų grupių nustatymas, neįprastų įvykių aptikimas, sudėtingų duomenų supaprastinimas.

Pastiprinamasis mokymasis

Sprendimų seka

Robotų valdymas, žaidimų programos, automatizuotas valdymas ir transporto sistemų optimizavimas.

5 skyrius

Ištekliai ir sąnaudos

Mašininiam mokymuisi reikalingi ištekliai priklauso nuo duomenų kiekio, modelio sudėtingumo ir pasirinkto mokymosi metodo.

Mokymasis su mokytoju: daug lėšų gali prireikti duomenims rinkti ir žymėti.
Mokymasis be mokytojo: gali reikėti daug vietos duomenims saugoti ir didelės skaičiavimo galios.
Pastiprinamasis mokymasis: reikia daugybės bandymų, dažnai imituojamoje aplinkoje.

Pelenė rūšiuoja įvairias sėklas į grupes — Mokymasis be mokytojo, panašiai kaip pasakoje apie Pelenę, be žymių ieško natūralių duomenų grupių.

Svarbiausios įžvalgos mokytojams

Ką geba ir ko negeba dirbtinis intelektas?

„Dirbtinis intelektas nemąsto, jis kalba.“Vilmos Csányi, 2026 m.

Žinių patikrinimas

Pasitikrinkite, ko išmokote!

1Kas yra mašininio mokymosi modelis? Mokymosi rezultatas, leidžiantis pagal išmoktus dėsningumus daryti išvadas apie naujus duomenis. Taisyklių sistema, kuri niekada neklysta. Skaitmeninė žmogaus smegenų kopija.

2Kuris metodas naudoja pavyzdžius su teisingais atsakymais? Mokymasis su mokytoju Mokymasis be mokytojo Pastiprinamasis mokymasis

3Kas būdinga mokymuisi be mokytojo? Be žymių ieškoma dėsningumų ir grupių. Mokomasi tik iš atlygio. Visada pateikiamas tas pats atsakymas.

4Kaip mokosi pastiprinamojo mokymosi sistema? Savo veiksmus vertina pagal atlygį ir nuobaudas. Įsimena visus įmanomus atsakymus. Naudoja tik pažymėtus vaizdus.

5Kuris teiginys teisingas? DI atsakymai grindžiami išmoktais dėsningumais, todėl juos reikia tikrinti. Natūralus balsas įrodo, kad DI yra sąmoningas. Modelio žinios nepriklauso nuo mokymo duomenų.

Bendraautoriai ir priedai

Leidinio duomenys ir autorių teisės

Autorius: Zsolt Lengyel„iTStudy Hungary“ mokymo ir tyrimų centras
Recenzentė: Mária Hartyányi„iTStudy Hungary“ mokymo ir tyrimų centras
Projektas: 2025-1-LT01-KA220-VET-000362456

Priedai

Atsisiųsti mokomąją medžiagą lietuvių kalbaM1-T1-MLC1-TEXT-LT.pdf Atsisiųsti praktinę užduotįM1-T1-MLC1-EXC-LT.pdf

„Creative Commons“ priskyrimo ir analogiško platinimo licencijos ženklas

Šį kūrinį galima pakartotinai naudoti ir adaptuoti pagal „Creative Commons“ priskyrimo ir analogiško platinimo 4.0 tarptautinės licencijos (CC BY-SA 4.0) sąlygas.

Finansuoja Europos Sąjunga. Išsakytos nuomonės ir požiūriai priklauso tik autoriui (-iams) ir nebūtinai atspindi Europos Sąjungos ar nacionalinės agentūros nuomonę.