18 TEHNOPOLIS SVIBANJ 2018.

Intervju

Otkako je prije sedamnaest godina BOJANA DALBELO BAŠIĆ, redovita profesorica na Fakultetu elektrotehnike i računarstva

Sveučilišta u Zagrebu, uvela kolegij Strojno učenje u hrvatsko visoko obrazovanje, rješavanje problema revolucioniralo se s pomoću

računala, a strojevi su počeli učiti, predviđati i odlučivati. Strojno učenje postalo je okosnica područja koje tada nije postojalo; danas pokreće četvrtu industrijsku revoluciju, a to je znanost o podacima

018-021 intervju.indd 18 15.5.2018. 15:41:46

19TEHNOPOLIS SVIBANJ 2018.

Redovita profesorica na Fakul-tetu elektrotehnike i računar-stva Sveučilišta u Zagrebu na Zavodu za elektroniku, mi-kroelektroniku, računalne i

inteligentne sustave prof. dr. sc. Bojana Dal-belo Bašić prije sedamnaest godina uvela je na FER kolegij Strojno učenje. Odonda do danas strojno učenje razvilo se toliko da u nekim situacijama strojevi odlučuju umjesto ljudi, a bez njega ne bi bilo ni četvrte indu-strijske revolucije.

• Kad ste prije sedamnaest godina uveli kolegij Strojno učenje na FER, u kojoj je fazi razvoja računalne znanosti i primjene bila ta grana umjetne inteligencije u od-nosu na danas?– Tada je javnost bila manje zainteresirana za umjetnu inteligenciju i strojno učenje i ljudi su bili manje osviješteni koliko razvoj tih područja može pridonijeti razvoju indu-strije i gospodarstva te općenito poboljšati kvalitetu života ljudi, stoga nije bilo toliko široke primjene kao danas iako su već tada, ali na drugi način, bili ostvareni veliki uspjesi o kakvima se danas mnogo više zna. Bio je razvijen model autonomnog vozila, ali nje-gove performanse bile su mnogo slabije, a duljina vožnje do prve pogreške mnogo manja nego danas. Znatna je razlika i u stupnju razvoja ostalih tehnologija koje se rabe u takvim autonomnim sustavima. Ra-čunalo je već u povijesti razvoja umjetne in-teligencije moglo pobijediti svjetskog prvaka u nekim intelektualnim igrama kao što je to

ostvareno i nedavno. No postoji znatna ra-zlika u načinu ostvarenja tih pobjeda. Raču-nalo Deep Blue pobijedilo je još 1996. svjet-skoga šahovskog prvaka Garija Kasparova, a 2016. sustav AlphaGo pobijedio je svjet-skog prvaka Leeja Sedola u igri 'Go'. Uspjeh računala Deep Blue nije se temeljio na strojnom učenju, nego je to, prije svega, bila demonstracija vrlo jake računalne snage toga doba. Deep Blue pretraživao je sve moguće kombinacije poteza unaprijed, a sustav AlphaGo temeljio se na strojnom učenju, toč-nije na dubokim neuronskim mrežama. Su-stav je poboljšavao svoje performanse i učio predviđati sljedeći potez igrajući sâm protiv sebe. To su dobri primjeri onoga što čini ra-zliku u tih sedamanaest godina. Novije, na-

prednije računalne tehnologije, učinkovitiji teorijski modeli te široka primjena od raču-nalnih igara, preko pametnih kuća i teleko-munikacija do svemirskih sustava.

• Što je strojno učenje, o kakvom je pro-cesu riječ i na čemu se temelji? – Strojno učenje jest grana umjetne inteligen-cije koje se bavi oblikovanjem algoritama koji svoju učinkovitost poboljšavaju na temelju em-pirijskih podataka. Pojednostavnjeno, sposob-nost algoritma da obavi neki zadatak ne dolazi od znanja onoga koji je oblikovao algoritam, koji to znanje ima – to je paradigma klasičnog programiranja, nego od znanja zapretenog u podacima. Onaj koji oblikuje algoritam strojnog učenja, unaprijed pretpostavi matematički model koji opisuje rješenje problema, a strojnim učenjem, zapravo optimizacijskim postupkom, nalazimo parametre tog modela na temelju unaprijed danih podataka, tj. primjera. Strojno učenje interdisciplinarno je područje koje se ponajprije temelji na matematici, statistici, te-oriji vjerojatnosti i optimizacijskim postup-cima, a u širem smislu osim područja prirodnih i tehničkih znanosti obuhvaća neka područja društvenih i humanističkih znanosti.

• Kako je porast podataka utjecao na ra-zvoj strojnog učenja?– Važan faktor osviještenosti o važnosti strojnog učenja i njegove sve šire primjene u svim područjima jest i enorman porast količine podataka, posebno podataka sa svih mogućih vrsta senzora kao i nestrukturiranih podataka, kakvi su tekst, slike i videozapisi. Velike koli-

ODGOVORNOST JE NA NAMA, NE NA

STROJEVIMA

B O J A N A DA L B E L O B A Š I Ć

TEKST: KATA PRANIĆ FOTO: DRAŽEN LAPIĆ

Kao što čovjek stječe novo znanje generalizacijom na temelju primjera, stječu ga i algoritmi strojnog učenja, no umjetne i duboke neuronske mreže prema strukturi i načinu rada jako su pojednostavnjena struktura mozga

018-021 intervju.indd 19 15.5.2018. 15:41:47

Intervju

20 TEHNOPOLIS SVIBANJ 2018.

čine podataka potaknule su potrebu da se pri-mjenom strojnog učenja premosti jaz između velike količine podataka i malo znanja skrivenog u tim podacima, a koje možemo korisno upo-trijebiti i pretvoriti u akcije. U tom smislu strojno je učenje i okosnica područja koje tada nije postojalo, a danas pokreće četvrtu indu-strijsku revoluciju, a to je znanost o podacima.

• Kako je strojno učenje općenito revolu-cioniralo rješavanje problema u računar-stvu u odnosu na klasične metode?– Klasični način rješavanja problema računalom temelji se na znanju kako naći rješenje. Algo-ritmi strojnog učenja nastali su kad su se poku-šavali svladati veoma teški problemi za koje se nije znalo oblikovati eksplicitno rješenje u obliku algoritma. Ti problemi nisu nužno i teški problemi za ljude. Naprimjer, mi možemo pre-poznavati rukom pisane znakove, ali to je izra-zito težak problem za računalo; na tome se te-melji Captcha, sustav za razlikovanje strojeva od ljudi. Do razvoja algoritama strojnog učenja u području umjetne inteligencije prevladavali su sustavi temeljeni na znanju kao što su ek-spertni sustavi. U takvim sustavima ekspertno ljudsko znanje eksplicitno je zapisano u obliku pravila ako/onda. Primjerice, ako je tempera-tura tijela iznad 38 °C, onda pacijentu treba dati paracetamol. Za oblikovanje ekspertnih sustava nisu potrebni primjeri, nego suradnja s ek-spertom koji to znanje ima, dok nam za obliko-vanje sustava strojnog učenja nisu potrebni ek-sperti, samo primjeri. U tom smislu strojno učenje revolucioniralo je rješavanje problema s pomoću računala i značilo novu i mnogo na-predniju paradigmu koja je, prvo, omogućila rješavanje teških, do tada nerješivih problema za računalo i, drugo, pronalaženje rješenja ne-ovisno o ljudima/ekspertima, nego samo poda-cima, kojih je danas mnogo.

• Kako strojno učenje pridonosi razvoju tehnologije?– Strojno učenje i tehnologije potpuno su pro-žeti. Strojno učenje utječe na razvoj novih teh-nologija i obratno.

• Kako strojno učenje oponaša ljudski mozak?– Strojno učenje oponaša način na koji čo-vjek stječe novo znanje generalizacijom na temelju primjera. Naprimjer, dijete ćete na-učiti pojam 'automobil' tako da mu pokažete neke primjere automobila. Kad se pojavi au-tomobil nekog potpuno novog oblika, nove marke ili boje, dijete će prepoznati da je riječ o automobilu iako taj primjerak nije bio u skupu primjera na kojima smo ga učili. I di-jete i algoritam strojnog učenja generaliza-cijom nauče apstraktni pojam automobila na temelju primjera. Svi algoritmi strojnog učenja rade na tom načelu, no struktura i način rada umjetne i duboke neuronske mreže vrlo su pojednostavnjena struktura mozga, odnosno više jednostavnih procesnih jedinica – neurona, međusobno povezanih.

• Što označava pojam 'duboko učenje' i u kojim se područjima primjenjuje?– Duboko učenje jedna je od najpopularnijih metoda strojnog učenja posljednjih nekoliko godina, riječ je o vrsti umjetnih neuronskih mreža. Posebno se uspješnim pokazalo u rje-šavanju kompleksnih problema u područjima računalnog vida i obrade prirodnog jezika.

• Koja je općenito prednost dubokog učenja u odnosu na strojno?– Duboko učenje, odnosno duboke neu-ronske mreže, pokazuje bolje performanse u rješavanju nekih problema u odnosu na metode koje su se dosad primjenjivale za te probleme. Međutim, sve metode strojnog učenja, pa tako i duboke neuronske mreže, imaju prednosti i nedostatke. Nema univer-zalne metode koja daje dobre rezultate u svim uvjetima i na svim vrstama problema. Naprimjer, odabir metode može ovisiti osim o tipu problema o količini i kvaliteti poda-taka koji su na raspolaganju za učenje. Neke će metode biti mnogo manje osjetljive na pogreške u podacima od drugih, a će druge raditi mnogo brže i dati rješenja koja mo-žemo lako interpretirati.

Čovjek gradi inteligentne sustave na temelju svoje sposobnosti učenja te ih može i treba kontrolirati. Važno je definirati formalnopravne okvire područja umjetne inteligencije i sustavno nadzirati njihovu provedbu

Strojno učenje grana je umjetne inteligencije koja se bavi oblikovanjem učinkovitijih algoritama. Pojednostavnjeno, sposobnost algoritma da obavi neki zadatak ne dolazi od znanja onoga koji ga je oblikovao, nego od znanja zapretenog u podacima

018-021 intervju.indd 20 15.5.2018. 15:41:49

21TEHNOPOLIS SVIBANJ 2018.

• Do koje granice čovjek može kontrolirati inteligentne sustave sa sposobnošću samo-stalnog učenja?– Čovjek je taj koji gradi inteligentne su-stave sa sposobnošću učenja, zato ih može i treba kontrolirati. Kao i svaka druga teh-nologija može se upotrijebiti za dobrobit čovječanstva, ali postoji i opasnost od zlo-porabe. Zbog toga je definiranje formal-nopravnih okvira područja umjetne inte-ligencije i sustavna kontrola njihove pro-vedbe vrlo važni. Odgovornost je na nama, ne na strojevima.

• Kako će razvoj strojnog učenja utjecati na ljudski rad?– Jednako kao i razvoj umjetne inteligencije općenito, a to znači da će strojevi sve više za-mjenjivati čovjeka u rutinskim fizičkim po-slovima, ali i u nizu intelektualnih poslova te odlučivanju. No vjerujem da će nas to ojačati i omogućiti nam da se još više pomaknemo prema kreativnom i inovativnom stvaranju.

• Hoće li u budućnosti zahvaljujući strojnom učenju inteligentni strojevi od-lučivati umjesto čovjeka?– To se čini i sad. Odluke se donose od ra-zine pametnih kuća do složenih poslovnih odluka ili onih povezanih s upravljanjem složenim tehničkim i drugim sustavima.

• Što strojno učenje znači za četvrtu indu-strijsku revoluciju?– Umjetna inteligencija i strojno učenje oko-snica su četvrte industrijske revolucije i njezin glavni pokretač.

B O J A N A DA L B E L O B A Š I Ć

Neograničena primjena strojnog učenja

• Koje su mogućnosti primjene strojnog učenja i ima li ograničenja, odnosno područja u kojima se ne može primijeniti?– Nema ograničenja u primjeni strojnog učenja. Ono se može primijeniti na bilo koje područje, odnosno na bilo koji problem. Jedino je ograničenje da posjedujemo podatke/primjere na temelju kojih će algoritam ‘učiti’. No strojno učenje ne primjenjuje se ondje gdje imamo znanje kako riješiti neki problem, nego upravo ondje gdje ga nemamo, tj. gdje su problemi posebno složeni, tako da ne znamo opisati put do rješenja, a onda ni oblikovati algoritam, no imamo primjere iz prošlosti. Jednostavan je primjer u kojemu sigurno nećemo upotrijebiti algoritam strojnog učenja izračun osobnih dohodaka, a morat ćemo ga upotrijebiti za prepoznavanje lica iz videozapisa.

018-021 intervju.indd 21 15.5.2018. 15:41:50