Tabula rasa: jak AI zdobywa wiedzę? #3

Czy przychodzimy na świat z jakąkolwiek wiedzą czy raczej jesteśmy jak czysta kartka, na której można zapisać wszsytko, co tylko zechcemy?

Tabula rasa to słynna koncepcja filozoficzna, której dosłowne tłumaczenie z łaciny oznacza „czystą tablicę”. Już Arystoteles odnosił się do tej idei, opisując umysł jako „niezapisaną tablicę”, na której zapisywane są doświadczenia. W XVII wieku angielski filozof John Locke spopularyzował tę koncepcję w swojej pracy An Essay Concerning Human Understanding. Twierdził, że ludzki umysł przy narodzinach jest jak czysta tablica, a cała wiedza i przekonania człowieka wynikają z doświadczeń i nauki.

Jednak współczesna filozofia i psychologia dowodzą, że sprawa nie jest taka prosta. Człowiek przychodzi na świat z pewnymi wrodzonymi zdolnościami i odruchami, jak ssanie, chwytanie czy rozpoznawanie twarzy. Przykładowo, Noam Chomsky, współczesny filozof i lingwista, stworzył teorię uniwersalnej gramatyki (universal grammar), sugerując, że ludzie posiadają wrodzoną zdolność do przyswajania języka. Według niego istnieje zestaw wspólnych zasad gramatycznych zapisanych w genach, wspólnych dla wszystkich języków. Teoria ta prowokuje pytania o naturę umysłu i podważa ideę “tabula rasa”.

A co ze sztuczną inteligencją? Tutaj sprawa jest prosta – AI na początku jest prawdziwą “tabula rasa”!

• Algorytm określa kroki uczenia się.
• Dane stanowią źródło wiedzy.
• Model AI uczy się z danych, wykonując kroki algorytmu, dzięki czemu nabywa „wiedzę”.

Uczenie maszynowe (ang. Machine Learning) polega na przekazywaniu algorytmowi ogromnej liczby przykładów, które pozwalają mu nauczyć się różnicowania i rozpoznawania wzorców.

Przykład: rozpoznawanie kota i psa

Jak odróżniamy kota od psa? Nie mamy jasno określonej reguły, która zawsze działa. Nasz mózg nauczył się tego na podstawie doświadczeń: wielokrotnie widzieliśmy koty, psy i inne zwierzęta, a ktoś wskazywał, czym się różnią. Nasze neurony połączyły obrazy z odpowiednimi kategoriami: „kot” lub „pies”.

AI uczy się podobnie. Zamiast tworzyć reguły, podajemy algorytmowi tysiące zdjęć z oznaczeniem, które przedstawiają kota, a które psa. Na tej podstawie algorytm dostosowuje współczynniki funkcji matematycznej, która łączy dane wejściowe (zdjęcia) z kategorią („kot” lub „pies”).

Przykład: analiza sentymentu w komentarzach

Wyobraźmy sobie model AI, który klasyfikuje komentarze jako pozytywne, negatywne lub neutralne. Tworzenie reguł, które opisują wszystkie możliwe wypowiedzi, byłoby nierealne. Ale jeśli algorytm dostanie setki tysięcy oznaczonych przykładów dla każdej kategorii, może nauczyć się klasyfikować nowe komentarze. „Uczenie się” polega tu na doborze parametrów funkcji matematycznej, która wiąże tekst komentarza z kategorią.

Jak AI przekształca dane w liczby?

Wszystkie dane używane do trenowania modeli AI muszą być liczbami. Istnieją zaawansowane metody zamiany tekstu czy obrazów na formy numeryczne, które mogą być przetwarzane przez algorytmy. Wyjście modelu, takie jak „kot” czy „pies”, to w rzeczywistości też liczba – na przykład 86% prawdopodobieństwa, że obraz przedstawia kota.

Podsumowanie

Sztuczna inteligencja naśladuje ludzką inteligencję poprzez modele trenowane z wykorzystaniem algorytmów uczenia maszynowego. Wiedza modelu pochodzi wyłącznie z danych, które wykorzystujemy do trenowania – więc model na początku jest niczym czysta kartka. Proces uczenia się to dopasowywanie parametrów funkcji matematycznej, która łączy dane wejściowe (np. obraz czy tekst) z wyjściowymi (np. kategoria).

W następnym artykule omówimy rodzaje uczenia maszynowego oraz ich zastosowania w praktyce. Będzie dużo przykładów, więc zapraszam! 😊