Mašinsko učenje i vještačka inteligencija neće zamijeniti ekspertsko znanje čovjeka već mu pomoći da najteže zadatke završava efikasnije, istakao je u razgovoru za Portal Analitika jedan od osnivača startup kompanije Uhura Solutions Mladen Marković.
Kako je objasnio, mašinsko učenje koristi statističke modele i algoritme kako bi na osnovu njih rješavalo zadatke i ono je dio šireg polja nauke koja se danas zove vještačka inteligencija.
„U mašinskom učenju uzimaju se podaci iz prošlosti i sa njima se uči algoritam kako da se ponaša u sličnim situacijama. Implementirani algoritmi u svakodnevnom radu povećavaju svoju tačnost na osnovu novih podataka“, naveo je Marković.
Sa druge strane, dodaje on, vještačka inteligencija se definiše kao razumno ili svjesno ponašanje od strane mašina.
„Ranije se pod vještačkom inteligencijom podrazumijevalo da mašine/algoritmi rješavaju usko specijalizovane probleme, danas se to definiše kao svjesno ponašanje od strane mašina koje ne limitra kako će se to ponašanje manifestovati. Ovo je široka definicija i o njoj se u naučnoj i laičkoj zajednici puno raspravlja“, rekao je Marković.
Potreba za fizičkim radom neće nestati
Prema njegovim riječima, sa napretkom vještačke inteligencije i mašinskog učenja potreba za fizičkim radom biće manja ali neće nestati.
„Proizvodni procesi su već na putu visokog stepena automatizacije. Ipak, ne bih rekao da se radi o uticaju mašinskog učenja ili vještačke inteligencije već o ubrzavanju i većoj efikasnosti jednih te istih postupaka. Na primjer, u automobilskoj industriji“, naveo je Marković.
Napominje da je automatizacija kroz istoriju čovječanstva uvijek imala isti učinak na rad i život ljudi. Sve su, podsjeća on, otvarale potpuno nova radna mjesta, nove privredne grane i omogućavale povećanje standarda i kvalitet života ljudi.
Za autonomna vozila trebaće vremena
Posljednjih nekoliko godina vještačka inteligencija se često pominjala u kontekstu autonomnih vozila. Ipak, Marković ne smatra da će prizor automobila bez čovjeka za volanom postati svakodnevica u bliskoj budućnosti.
„Putevi i signalizacija na tim putevima je napravljena po mjeri čovjeka, ne vještačke inteligencije koja treba da se snalazi na tim putevima. Očekujem da se autonomna vozila počnu korisiti prvo za transport robe pa tek onda ljudi. I to na način da se autonomna vozila koriste u za to predodređenom prostoru. Na primjer, u fabričkim halama ili poljoprivredi, gdje već nailaze na široku primjenu“, navodi Marković.
Kad vještačka inteligencija postaje kreativna
Našeg sagovornika smo pitali i da li je kompjuterske programe primjenom metoda mašinskog učenja moguće osposobiti da stvaraju kreativan sadržaj, tj. da slikaju, pišu, komponuju?
„Aaplikacije i programi koji daju slike i ono što zovemo kreativni sadržaj – već postoje“, rekao je Marković.
Ipak, dodaje on, kada je u pitanju umjetnost, slikanje, muzika mislim da tu već uveliko ulazimo u veoma subjektivan osjećaj svakog pojedinca jer se umjetnost ne može kvantifikovati, jednoznačno odrediti što je lijepo, što je dobra a šta loša umjetnost.
„Ako bismo se time vodili teško je reći u kom trenutku mašinsko učenje i vještačka inteligencija mogu da postanu kreativni i da njihov proizvod ili sadržaj koji generišu možemo okarakterisati kao umjetnost“, smatra Marković.
On napominje da tek kada dođemo do tačke značajn broj ljudi koje ostatak zajednice prepoznaje kao poznavaoce umjetnosti ne može da pravi razliku izmežu umjetničkog sadržaja kreiranog od strane čovjeka i putem mašinskog učenja tada možemo reći da su kompjuterski programi postali kreativni.
„Međutim, kao i za prethodno objašnjenje vještačke inteligencije mislim da će proći još dosta vremena prije nego što budemo u mogućnosti da tvrdimo da su kompjuterksi programi postali kreativni kao ljudi“, naveo je naš sagovornik.
Značajna primjena u analizi podataka
Marković ističe kako je mašinsko učenje jednu od svojih primjena našlo u brzoj i efikasnoj analizi velike količine podataka i ovdje, kako je kazao, umnogome može zamijeniti čovjeka u onim radnim zadacima koji traže veliki utrošak vremena.
„Mi u Uhuri Solutions kažemo da se našim rješenjima oslobađa čovjekova kreativnost. Upravo naše rješenje pomaže u ubrzavanju i automatizaciji biznis procesa u finansijskim institucijama“, istakao je Marković.
Na primjer, navodi on, proces odobravanja i plasiranja sredstava po osnovu kredita u mnogome se može ubrzati sa našim rješenjem.
„Vrijeme potrebno za plasman kredita se značajno skraćuje i istovremeno se smanjuje rizik od greške koja se može dogoditi u tom procesu. Dalja primjena je u procedurama za provjeru nivoa rizika kada finasijske institucije imaju veliki broj ugovora, a koje treba uskladiti sa regulativom“, ističe naš sagovornik.
Proces unapređivanja mora biti stalan
Govoreći o tome koliko je zahtjevno programirati softver za mašinsko učenje tako da se dobiju nepristrasni i objektivni rezultati, Marković je rekao da je prilikom kreiranja i koncipiranja Uhura platforme, ključni element provjera dobijenih podataka sa onim što je klijent dostavio.
„Klijent određuje što je „tačno“, a što nije „tačno“. Namjerno koristim ovdje znake navoda jer i podatak koji nam dostavi klijent mogu biti u jednom dijelu pogrešni“, objašnjava Marković.
Ističe kako je uvijek prilikom kreiranja modela zasnovanih na mašinskom učenju potrebno odrediti referente podatke i vrijednosti sa kojim se upoređuju podaci i provjerava tačnost.
„I što je najvažnije proces unapređivanja modela zasnovanih na mašinskom učenju mora biti stalan“, zaključuje Marković.
