Co je to AI?

Kolem umělé inteligence je obrovský poprask. Původně si všichni mysleli, že to jsou jen marketingové řeči, ale časem lidé přišli na to, že umělá inteligence se dostává do naších životů a začíná nám pomáhat. Nicméně je potřeba porozumět, co to vlastně znamená.

Inteligence má klíčové atributy logika, porozumění, tvořivost, učení se, plánování, kreativitu, abstraktní myšlení a řešení problému. Umělá inteligence je na úrovni stroje, který se učí.

Většina společností mluví o umělé inteligenci a tedy spíše o strojovém učení (ML) – schopnost stroje se učit z minulosti k tomu, aby změnil budoucnost.

Například strojové učení získá obrovské data fotografií psů s cílem se naučit rozpoznávat jednotlivé rasy. V minulosti danou rasu nerozpoznal, ale tentokrát již ano.

Umělá inteligence v telefonech

Trénink a použití

Strojové učení je rozděleno do dvou fázi. V první fázi se učí, což trvá nějakou dobu, než pochopí, jak se co chová a získá veškerá potřebná data, která následně použije. Právě použití v praxi je to důležité. Stroj se učí rozpoznávat hlas, pochopit jazyk, vidění a další.

DNNs je Deep Neural Networks, taktéž známo jako hluboké učení. Jedná se o populární techniku pro strojové učení v dnešním světě.

Neuronová síť

Umělá inteligence

Tradičně jsou počitačové programy naučeny využívat logických podmínek což jsou testovací podmínky (když, a, nebo). Nicméně DNN je něco jiného. Je vytvořena za pomoci tréninku a neuronové sítě se samotnými daty.

DNN je navrženo celkem složitě, ale v praxi je jednoduchá. Je zde nastavena váha (čísla) mezi jednotlivými neurony v síti. Předtím, než jakýkoliv trénink započne, tak se váhy nastaví na náhodně malá čísla. Během testu následně DNN ukáže spoustu výstupu a vstupu a každý výsledek pozmění jednotlivé váhy na přesnější čísla. V neposlední řadě konečná váha (číslo) reprezentuje co se stroj naučil díky DNN.

Nicméně vše je mnohem složitější, až se stroj naučí, tak vytvoří statický model, kde je matice několika operací. Jsou to matematické operace, které využívají CPU, GPU.

Cloud

Dnes se většina DNN vykonává v cloudu. Například rozpoznávání hlasu ve vašem chytrém telefonu. Váš hlas je nahrán a následně odeslán na cloud, kde je server pro strojové učení. Ve chvíli, kdy se vše zpracuje, tak se výsledek pošle zpět do vašeho telefonu.

Výhodou je, že poskytovatel může mnohem jednodušeji aktualizovávat neuronovou síť s lepšími modely. Avšak jsou zde i nevýhody a to třeba časová odezva, risk nabourání soukromí.

AI přímo v čipu telefonu

Jsou zde argumenty, proč vše vykonávat místně a nikoliv v cloudu. Hlavně se ušetří zbytečné čerpání dat. A hlavně šetří energií a to na straně telefonu i serveru. Ve chvíli, kdy telefon nebude využívat mobilní síť (Wi-Fi nebo 4G/5G) k tomu, aby odeslal data na server.

Zároveň pokud je vše vykonáváno místně, tak je vše rychlejší a je menší odezva. A zároveň je větší bezpečnost pro osobní data, protože vše zůstává u vás.