Jak správně vycvičit umělou inteligenci

Správně naprogramovaná umělá inteligence (AI) může ušetřit spoustu lidské práce. Pokud se však při nastavování AI využijí chybná data, výsledky nebudou relevantní.

  • Když při programování sebevzdělávacího (self-learning) algoritmu využíváte chybná data, riskujete, že nebude fungovat
  • „Pouze  správná data zamezí chybnému rozhodování.“
  • Měřitelný úspěch EOS: díky využití AI vzrostly příchozí platby o 11 %.

Například před dvěma lety využíval termofilter, který upravuje fotky v aplikaci Faceapp, chybná data pro sebevzdělávací algoritmus, přičemž tmavá pleť  lidí na fotografiích byla zesvětlována na pleť bělejší. Co bylo příčinou této chyby? AI využívala pouze jeden soubor dat, a to obličeje světlého kavkazského typu. 

Nevýhody nekvalitních dat

Andreas Dix z Týmu pro vědecká data EOS v Německu je odborník, který umí správně „trénovat“ systémy využívající umělou inteligenci. Tento datový specialista „trénuje“ počítače pro opakující se a časově náročné procesy.

Potřebujeme přesně znát konkrétní souvislosti, aby díky našemu tréninku umělá inteligence správně fungovala. Andreas Dix

Správné zkoumání dat je jedním ze způsobů, jak nehodám předcházet.  Znamená to přistupovat k souborům dat bez hypotéz, tedy nestranně a bez nepotvrzených domněnek.  Následně se odborníci snaží zjisti, jaký druh využitelných dat soubory obsahují. Jsou v nich proměnné, které nemají žádný rozptyl? Nebo obsahují proměnné, jež mají příliš mnoho chybějících hodnot? Taková data mohou být zavádějící a měla by být vyloučena.  „Potřebujeme přesně znát konkrétní souvislosti, aby díky našemu tréninku umělá inteligence správně fungovala,“ říká Dix.

Inteligentní programování

Počítače učící se pomocí algoritmů potřebují jasná data, aby rozeznaly jejich strukturu a vyvodily závěry. „Pravidla a podmínky, jež byly nastaveny pomocí algoritmů během tréninkového procesu, by neměly být příliš konkrétní, protože jinak nebudou mít  žádnou hodnotu pro skutečnou predikci. Tomu se říká nadměrné přizpůsobení (overadaptation). Je lepší generalizovat, tzn. najít méně konkrétních konstrukcí a dojít ke kýžené přesnosti prostřednictvím nově získaných dat.“ Toho lze dosáhnout například optimalizací hyperparametrů algoritmů (zjednodušeně konstant) a pomocí většího počtu tréninkových dat.

Plně automatizované pohledávky

V případě EOS to při správě pohledávek například znamená, že umělá inteligence umí předpovídat následující nejlepší krok pro vymožení pohledávky. Konkrétně jsou data o neplatiči a jeho pohledávce v systému až do daného momentu shromažďována, seskupována a připravena. Následně se zváží všechny možnosti pro tato data, aby se předpověděla úspěšnost každého inkasního kroku u daného případu v daném okamžiku. Nebo přesněji: jaký příjem peněz může EOS očekávat.  Po zvážení všech možných kritérií a vyhodnocení nejlepší možné volby je zvolen nejlepší krok v rámci vymáhacího procesu.   

Data training: A man stands in an office holding a stopwatch
Připravit, pozor, teď: Datový specialista Andreas Dix přesně ví, která data jsou potřeba pro správné nastavení umělé inteligence.

Lidská inteligence je ze všeho nejdůležitější

Na dotaz, zda se lidské bytosti někdy stanou nadbytečnými v těchto procesech, protože samoučící se počítače převezmou život do vlastních rukou, se odborník na chvíli zamyslí: „Myslím si, že ve finále budou systémy s AI vždycky jen užitečným doplňkem lidské činnosti.  Ale člověk, jenž kontroluje procesy a činí důležitá rozhodnutí, bude vždy tím nejdůležitějším činitelem.“ Koneckonců je to právě člověk, kdo krmí počítače těmi správnými daty.

Chcete další informace? Kontaktujte nás!

Photo credits: Achim Multhaupt

Sdílet

Vytisknout