Sztuczna inteligencja, uczenie maszynowe – na czym polega różnica?

Bardzo trudno jest jednoznacznie określić, czym jest sztuczna inteligencja. Na przykład Britannica określa ją jako „zdolność maszyn do wykonywania zadań, które kojarzymy z inteligentnymi istotami i symulowania ludzkich procesów poznawczych”1, czyli m.in. percepcji, rozumowania i odkrywania znaczeń, generalizowania pojęć albo uczenia się na podstawie przeszłych doświadczeń. Każdy program lub robot, który potrafi wykonywać takie zadania jest, można powiedzieć, obdarzony sztuczną inteligencją. I właśnie dlatego o AI mówi się i w kontekście chatbotów takich jak ChatGPT czy Gemini, i systemów rozpoznawania obiektów na zdjęciach albo programów do predykcyjnej analizy danych.

Uczenie maszynowe (czyli po angielsku machine learning) to tylko jeden z wielu obszarów sztucznej inteligencji. Obejmuje on algorytmy, które są w stanie uczyć się i rozwijać poprzez ekspozycję na dane. W dużym uproszczeniu wygląda to tak:

• Algorytm otrzymuje z zewnątrz zbiór przykładowych danych.
• Następnie identyfikuje wzorce w tym zbiorze danych…
• … i na tej podstawie generuje model matematyczny, który potem pozwala mu podejmować decyzje dotyczące nieznanych informacji, bez potrzeby narzucania mu ścisłych reguł (czyli programowania).

To machine learning pozwala algorytmom „przewidywać” przyszłość. Znaczna część technologii, które dziś określamy jako AI, działa właśnie dzięki algorytmom uczenia maszynowego. Na przykład duże modele językowe są w stanie generować teksty, bo zostały wcześniej wytrenowane na ogromnych zbiorach treści i potrafią określić, jakie powinny być kolejne słowa w zdaniu – zgodnie z rachunkiem prawdopodobieństwa, obliczonym według wypracowanego na podstawie danych treningowych modelu matematycznego.

Czyli w skrócie: sztuczna inteligencja ma symulować ludzkie procesy poznawcze, a uczenie maszynowe jest jedną z podstawowych metod, która pozwala zbliżyć się jej do tego celu.

Gdzie machine learning znalazł swoje miejsce? Przykłady zastosowań w biznesie

Technologię uczenia maszynowego można wykorzystać do rozwoju całych modeli AI, ale też w bardziej konkretnych narzędziach biznesowych.

Każdy dział dobrze działającej firmy – od obsługi klienta po marketing – opiera się w dużym stopniu na danych. A skoro algorytmy ML potrafią uczyć się na nich i – to najważniejsze – przewidywać informacje tam, gdzie tych danych brakuje, mogą być niezastąpionym narzędziem, które usprawni procesy biznesowe i ułatwi podejmowanie trudnych decyzji.

I tak też jest. Według corocznego badania The State of AI, prowadzonego przez firmę doradczą McKinsey & Company, obecnie już 78% firm korzysta z narzędzi opartych na uczeniu maszynowym w przynajmniej jednym obszarze swojej działalności.2 A zadań, które da się zoptymalizować dzięki algorytmom ML – lub które byłyby wręcz niemożliwe do wykonania bez nich – jest sporo:

• Predykcyjne analizy biznesowe – narzędzia oparte na uczeniu maszynowym przede wszystkim pozwalają przewidywać zjawiska na podstawie danych historycznych. To chyba najważniejsze zastosowanie ML w biznesie; bez takiej technologii wszystko – poziomy popytu, ryzyka kredytowego, nawet rotacji pracowników, trzeba byłoby analizować ręcznie i w dużej mierze opierając się na intuicji; tutaj zaś mamy czysty rachunek prawdopodobieństwa.
• Praca z tekstami – bez uczenia maszynowego nie byłoby narzędzi do analizy sentymentu w social mediach i w rozmowach z klientami, do generowania streszczeń, wyszukiwania danych w dokumentach czy wszelkiego rodzaju chatbotów (na przykład tych, które zastępują dział customer service na pierwszej linii kontaktu z klientem).
• Tzw. widzenie komputerowe – na machine learningu opierają się w zasadzie wszystkie narzędzia do analizy obrazów i wideo; systemy rozpoznawania defektów na liniach produkcyjnych i monitorowania zapasów, narzędzia do sczytywania danych ze zdjęć i skanów, nie mówiąc już o systemach do diagnostyki obrazowej w medycynie.
• Personalizacja treści, usług i ofert – dane o zachowaniach klientów też mogą być dobrym materiałem treningowym dla algorytmów; choćby rekomendacje produktów w sklepach coraz częściej korzystają właśnie z machine learningu.

Jeżeli tylko firma ma naprawdę dużo informacji o klientach, o skuteczności działań marketingowych czy efektywności procesów logistycznych i do tego są to dane wysokiej jakości – to wdrożenie narzędzi opartych na uczeniu maszynowym może być jedną z lepszych decyzji biznesowych. Nie dość, że pozwolą zautomatyzować znaczną część codziennej pracy, to jeszcze mogą rozwiązać kilka problemów… które do tej pory wydawały się nie do rozwiązania.

Źródła:

1. britannica.com/technology/artificial-intelligence

2. mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai