BNN.grΔιάστημαΦυσικήΤεχνητή ΝοημοσύνηΒιολογίαΝευροεπιστήμεςΥγεία
Τεχνητή Νοημοσύνη & Υπολογιστές

Πώς μαθαίνει μια μηχανή;

Από τα παραδείγματα στα συμπεράσματα

Φαντάσου ότι θέλεις να μάθεις σε ένα πρόγραμμα να αναγνωρίζει γάτες. Του δείχνεις χιλιάδες φωτογραφίες, κάθε μία με την ετικέτα «γάτα» ή «όχι γάτα». Το πρόγραμμα κάνει μια πρόβλεψη, συγκρίνει με τη σωστή απάντηση, υπολογίζει πόσο λάθος έκανε και ρυθμίζει ελαφρά τις εσωτερικές του παραμέτρους ώστε την επόμενη φορά να κάνει λιγότερο λάθος. Αυτή η διαδικασία επαναλαμβάνεται εκατομμύρια φορές.

Για να ξέρουμε ότι το πρόγραμμα όντως έμαθε και δεν απομνημόνευσε, το δοκιμάζουμε σε φωτογραφίες που δεν έχει ξαναδεί. Αν τα πάει καλά και εκεί, λέμε ότι γενικεύει. Αν τα πάει καλά μόνο στις γνωστές, έχουμε υπερπροσαρμογή.

Το πιο σημαντικό μάθημα είναι ότι οι μηχανές μαθαίνουν από τα δεδομένα που τους δίνουμε. Αν τα δεδομένα είναι μονόπλευρα ή λανθασμένα, το σύστημα θα αναπαράγει αυτές τις προκαταλήψεις. Γι' αυτό η ποιότητα και η ποικιλία των δεδομένων είναι τόσο σημαντική όσο και ο αλγόριθμος.

Η μάθηση ενός μοντέλου στηρίζεται σε μια συνάρτηση σφάλματος, που μετρά πόσο λάθος κάνει. Ο αλγόριθμος κατεβάσματος κλίσης αλλάζει τις παραμέτρους σε μικρά βήματα, ώστε το σφάλμα να μειώνεται.

Η ποιότητα των δεδομένων είναι καθοριστική: αν τα παραδείγματα έχουν προκαταλήψεις, το μοντέλο τις αναπαράγει.

Το ήξερες; Ένα σύστημα μάθησης είναι τόσο καλό όσο τα παραδείγματα από τα οποία έμαθε.
Δες το άρθρο στο διαδραστικό site →

Διάβασε και

Όλα τα άρθρα: Τεχνητή Νοημοσύνη & Υπολογιστές