Cum învață un sistem AI din date
În prima lecție ai văzut că un sistem AI învață din exemple. Acum afli cum se întâmplă asta, fără nicio formulă: ce sunt datele de antrenare, ce este un model și de ce un sistem AI este exact atât de bun (sau de nedrept) cât sunt datele din care a învățat.
Două feluri de a face un program
Ioana lucrează în departamentul financiar al firmei Nordica Distribuție și primește zilnic zeci de facturi. Ar vrea un program care să le sorteze automat pe categorii: transport, chirie, utilități, marfă. Există două feluri de a-l construi.
| Programarea clasică | Învățarea automată (machine learning) | |
|---|---|---|
| Cine scrie regulile | un programator, una câte una | sistemul le deduce singur din exemple |
| Ce primește | reguli: „dacă furnizorul e X, categoria e transport” | mii de facturi deja sortate corect de oameni |
| Când apare ceva nou | nu știe ce să facă dacă nu există o regulă | ghicește pe baza asemănării cu exemplele văzute |
| Cum greșește | previzibil: regula lipsește sau e greșită | mai greu de anticipat: a învățat un tipar greșit |
Sistemele AI de azi folosesc a doua variantă. În loc de reguli, primesc exemple și găsesc singure tiparele care le leagă de răspunsul corect.
Datele, modelul și folosirea lui
Trei cuvinte apar mereu când se vorbește despre AI. Merită să le reții:
- Datele de antrenare: exemplele din care învață sistemul (facturi sortate, emailuri marcate ca spam sau nu, fotografii cu etichete, texte).
- Modelul: rezultatul învățării, un fel de „rețetă” foarte complicată, cu milioane sau miliarde de numere ajustate în timpul antrenării, care transformă o intrare (o factură nouă) într-un rezultat (categoria „transport”).
- Folosirea (în engleză inference): modelul gata antrenat primește date noi și produce rezultate. Asta faci tu când folosești o unealtă AI.
Filtrul de spam e exemplul clasic: a văzut milioane de emailuri pe care oamenii le-au marcat ca spam sau nu. A observat că anumite cuvinte, expeditori și linkuri apar des în spam. Acum, pentru un email nou, calculează cât de probabil este să fie spam.
Multe modele moderne sunt rețele neuronale: straturi de calcule simple legate între ele, inspirate vag de neuronii din creier. Când sunt foarte multe straturi, vorbim de învățare profundă (deep learning). Nu trebuie să știi cum funcționează pe dinăuntru; e suficient să știi că învață din exemple și că nu poate explica ușor de ce a dat un anumit răspuns.
Ciclul de viață al unui sistem AI
Un sistem AI nu este gata o dată pentru totdeauna. Trece printr-un ciclu în care oamenii au roluri la fiecare pas:
Ca angajat, cel mai des ești la pașii 4 și 5: folosești sistemul și observi când greșește. Observațiile tale contează: tu vezi primul când rezultatele încep să nu mai aibă sens.
Datele contează enorm
Un model învață tot ce găsește în date, inclusiv greșelile și dezechilibrele. Dacă facturile de antrenare au fost sortate greșit, modelul va sorta greșit. Dacă datele sunt vechi, nu va recunoaște situațiile noi.
Să zicem că un sistem care ajută la selecția CV-urilor a învățat din angajările din ultimii 10 ani, când într-un departament au fost angajați aproape numai bărbați. Sistemul poate „învăța” că profilurile masculine sunt mai potrivite și poate penaliza candidatele, deși nimeni nu i-a cerut asta. Despre aceste prejudecăți (bias) vorbim pe larg în lecția 21.
Fals. Un model este exact atât de corect și de echitabil cât sunt datele din care a învățat și modul în care a fost testat. Rezultatul poate arăta foarte sigur și precis și totuși să fie greșit.
Exemple din firmă
Învață din facturile sortate de oameni; greșește la furnizorii noi până când e reantrenat.
Învață din vânzările trecute; nu poate prevedea singur o situație fără precedent, cum ar fi un furnizor care dă faliment.
Învață din angajările trecute; poate prelua prejudecățile din ele dacă nimeni nu verifică.
Învață ce tichete sunt urgente; un om verifică periodic dacă nu se pierd cereri importante.
Pe scurt
- Programarea clasică = reguli scrise de om; învățarea automată = tipare găsite de sistem în exemple.
- Datele de antrenare → modelul → folosirea pe date noi.
- Ciclul: colectare, antrenare, testare, folosire, monitorizare; oamenii sunt implicați la fiecare pas.
- Datele greșite, vechi sau dezechilibrate dau rezultate greșite sau nedrepte, oricât de sigur ar arăta răspunsul.
În panoul din dreapta ai 4 provocări: ordonezi ciclul de viață al unui sistem AI, apoi răspunzi la 3 întrebări despre cum învață și de ce contează datele.
- Provocarea 1: ordonează pașii ciclului de viață.
- Întrebarea 2: diferența dintre machine learning și programarea clasică.
- Întrebarea 3: adevărat sau fals despre datele greșite.
- Întrebarea 4: ce poate face un model nedrept.
Soluția exercițiului
1. Se strâng facturile → modelul învață tiparele → se testează pe facturi noi → sortează facturile zilnic → Ioana urmărește rezultatele. 2. Sistemul deduce singur tiparele din exemple, în loc să primească toate regulile. 3. Fals: modelul învață și greșelile din date. 4. Date dezechilibrate, date vechi și exemple sortate greșit (nu culoarea ecranului).
