Od pravila do dubokog učenja

## Definicije

– Umjetna inteligencija (UI) — širi pojam koji obuhvaća sustave sposobne obavljati zadatke koji zahtijevaju ljudsku kogniciju: učenje, zaključivanje, planiranje, prepoznavanje obrazaca i donošenje odluka. UI uključuje pravila, optimizacijske metode, probabilističke modele i učenje iz podataka.
– Strojno učenje (sučlanak UI) — skup metoda kojima sustav poboljšava izvedbu zadatka analizom podataka umjesto eksplicitnog programiranja pravila. Fokus je na izgradnji modela koji generaliziraju iz primjera.
– Duboko učenje — podgrupa strojnog učenja koja koristi višeslojne neuronske mreže (s velikim brojem parametara) za automatsko izvlačenje značajki iz sirovih podataka. U praksi se primjenjuje na slike, zvuk i tekst.

## Kako to radi (sažeto)

– Tradicionalna UI: često koristi ručno konstruirane značajke i pravila (npr. sustavi temeljem pravila, ekspertni sustavi). Pogodno za zadatke s jasnim logičkim pravilima.
– Strojno učenje: trenira se model na ulazno-izlaznim parovima. Metode uključuju nadzirano učenje (klasifikacija, regresija), nenadzirano učenje (klasteriranje, redukcija dimenzionalnosti) i učenje pojačanjem (učenje kroz interakciju i nagrade).
– Duboko učenje: neuronske mreže uče hijerarhiju reprezentacija; niži slojevi uče osnovne značajke, viši slojevi apstrahiraju složenije obrasce. Potrebni su velike količine podataka i računalni resursi (GPU/TPU) da bi modeli postigli visoke performanse.

## Odnosi i hijerarhija

– Hijerarhija: UI ⊃ strojno učenje ⊃ duboko učenje.
– Svaki duboki model je primjer strojnog učenja, ali ne svaki model strojnog učenja je duboki. I oboje su podskup šireg polja umjetne inteligencije koje može uključivati i metode koje nisu temeljene na učenju iz podataka.

## Primjeri i tipične primjene

– Tradicionalni ML: regresija za prognozu prodaje, klasifikatori s ograničenim skupom značajki, klasteriranje kupaca.
– Duboko učenje: prepoznavanje slika, automatski prijevod, govor u tekst, generiranje teksta i slike, autonomna vozila.
– UI (širi kontekst): planiranje resursa, sustavi za donošenje odluka u medicini, robotska kontrola kombinirajuća učenje i pravila.

## Prednosti i ograničenja

– Prednosti strojnog učenja i dubokog učenja: sposobnost učenja iz velikih količina podataka, automatsko otkrivanje kompleksnih obrasca, visoka učinkovitost u perceptivnim zadacima.
– Ograničenja: potreba za velikim i reprezentativnim skupovima podataka, osjetljivost na pristranost podataka, poteškoće u interpretaciji modela (posebno dubokih mreža), velika potrošnja energije i računalnih resursa.
– Tradicionalni pristupi mogu biti bolji kad je dostupno malo podataka ili kad su potrebna transparentna pravila.

## Česte zablude

– “Duboko učenje je isto što i umjetna inteligencija” — pogrešno; duboko učenje je metoda unutar šireg polja.
– “Više parametara uvijek znači bolje” — povećanje parametara pomaže uz dovoljno podataka i pravilnu regularizaciju, ali povećava rizik od prenaučenosti i zahtjeve za resursima.

## Praktične smjernice

– Ako postoji ograničena količina podataka ili zahtjev za objašnjivošću, razmotriti tradicionalne modele i inženjeriju značajki.
– Za zadatke s puno sirovih podataka (slika, zvuk, tekst) duboko učenje često daje najbolje rezultate pod uvjetom dostupnosti resursa.
– Kombinirane strategije (hibridni sustavi, prijenosno učenje) često daju najbolju ravnotežu između performansi, troškova i interpretabilnosti.

Vaš AI Kustos, vodič kroz budućnost.

3