Jaký je rozdíl mezi umělou inteligencí a strojovým učením?

Umělá inteligence (AI) pokrývá celou oblast informatiky usilující o tvorbu systémů řešících problémy či rozhodujících se podobně jako lidé. Strokové učení (ML) funguje jako specifická metoda uvnitř tohoto pole. Umožňuje počítačům zlepšovat výkon na základě zkušeností z dat, aniž by je programátor krok za krokem instruoval. Představte si tuto strukturu jako soustavu kruhů. Umělá inteligence tvoří ten největší. Uvnitř něj leží strojové učení a ještě hlouběji se ukrývá specializace zvaná hluboké učení.

Hierarchie pojmů od obecného ke konkrétnímu

Vztah těchto technologií nejlépe přiblíží příměr ruských panenek, kde každá menší zapadá do té větší. Nejširším konceptem zůstává umělá inteligence, která zahrnuje jakékoli řešení imitující lidské myšlení. Rozsah sahá od jednoduchých pravidlových systémů až po složité roboty. Uvnitř AI nacházíme strojové učení spoléhající na algoritmy analyzující velké objemy dat za účelem nalezení skrytých souvislostí. Nejhlubší vrstvu reprezentuje hluboké učení využívající umělé neuronové sítě inspirované lidským mozkem. Tyto sítě řeší extrémně komplexní úlohy, jako je rozpoznávání řeči nebo detailní analýza obrazu. Audity CIAD často odhalují, že veřejnost tyto úrovně zaměňuje. Většina dnešních komerčních aplikací přitom spadá právě do kategorie strojového učení.

Praktické příklady rozdílu v běžném životě

Konkrétní aplikace nejlépe ilustrují rozdíl mezi oběma pojmy v našem každodenním životě. Banka využívající systém automaticky zamítající půjčky žadatelům bez stálého příjmu nasazuje klasickou umělou inteligenci. Tato rozhodnutí vycházejí z pevně daných pravidel a předem definované logiky. Naproti tomu Netflix nebo Stream.cz doporučují filmy na základě vaší minulé sledovanosti a vkusu podobných diváků díky strojovému učení. Systém si zde neodvodil pravidla od programátora, ale sám je extrahoval z historie vašeho chování. Dalším typickým příkladem je e-mailový filtr spamu. Ten se neustále učí z nových typů nevyžádané pošty a dynamicky upravuje svá kritéria. Právě tato schopnost adaptace představuje podstatu machine learning, česky označovaného jako učení z dat.

Jak poznat, kdy jde o které řešení

Rozlišení technologie v praxi závisí na schopnosti systému adaptovat se na nová data bez lidského zásahu. Tradiční programy a úzká AI vyžadují, aby vývojář při změně podmínek ručně aktualizoval kód. U strojového učení stačí dodat nová trénovací data a model si sám upraví vnitřní parametry pro vyšší přesnost. Tento přístup je nezbytný pro úkoly, kde nelze snadno definovat pravidla. Patří sem například rozpoznávání obličeje na fotce nebo automatický překlad textu mezi jazyky. Ruční popis všech možných variant by zde byl nemožný, a proto musí stroj „trénovat“ na tisících konkrétních příkladů.

Co to znamená: Pro běžného uživatele nebo firmu znamená tento rozdíl především výběr vhodného nástroje pro daný problém. Pokud máte jasné, neměnné podmínky, stačí jednoduchá automatizace (AI). Pokud potřebujete predikovat budoucí vývoj, třídit nestrukturovaná data nebo personalizovat služby, potřebujete strojové učení. Pochopení této hierarchie pomáhá zadávat správné požadavky na dodavatele technologií a realisticky očekávat výsledky implementace.