მანქანური სწავლება ხელოვნური ინტელექტის ის ნაწილია, სადაც პროგრამა კონკრეტულ ამოცანაში თანდათან უკეთესდება მონაცემებში პატერნების პოვნით — და არა პროგრამისტის მიერ წინასწარ დაწერილი ბიჯ-ბიჯ წესების მიხედვით. იმის ნაცვლად, რომ დაიწეროს „თუ შეტყობინება ამ სიტყვებს შეიცავს, სპამად მონიშნე“, მანქანური სწავლების სისტემა სწავლობს ათასობით წარსულ მაგალითს და თავად გამოაქვს დასკვნა, როგორ გამოიყურება სპამი. სწორედ ეს ცვლილება — მაგალითებიდან სწავლა ფიქსირებული ინსტრუქციების მიყოლის ნაცვლად — დევს ყველაფრის საფუძველში, სპამის ფილტრებიდან დაწყებული, ჩვენ ყოველდღიურად გამოყენებულ ჩატბოტებამდე.
მანქანური სწავლება AI-ის ნაწილია, არა მისი სინონიმი
ხელოვნური ინტელექტი ფართო მიზანია — მანქანებმა შეასრულონ ისეთი ამოცანები, რომლებიც ჩვეულებრივ ადამიანურ ინტელექტს მოითხოვს: მეტყველების ამოცნობა, თამაშში მოგება, საუბრის წარმართვა. მანქანური სწავლება ამ მიზნისკენ სვლის ერთ-ერთი გზაა — სამეცნიერო მიმართულება, რომელიც სტატისტიკურ ალგორითმებზეა აგებული და უფრო მეტი მონაცემის ნახვასთან ერთად თავად უმჯობესდება, ისე რომ ადამიანს ყოველი წესი ხელით არ სჭირდება ჩაწერა. ყველა AI მანქანური სწავლება არ არის — ზოგი ძველი AI სისტემა მთლიანად ადამიანის მიერ დაწერილ წესებსა და ლოგიკაზე მუშაობდა — მაგრამ დღევანდელი ყველაზე შესაძლებლობიანი AI-ის თითქმის მთელი ნაწილი, მათ შორის თანამედროვე ჩატბოტების უკან მდგარი დიდი ენობრივი მოდელები, სწორედ მანქანურ სწავლებაზეა აგებული. თავად ტერმინი უფრო ძველია, ვიდრე ბევრს ჰგონია: IBM-ის მკვლევარმა არტურ სემუელმა „მანქანური სწავლება“ 1959 წელს შემოიღო, როცა ერთ-ერთ პირველ პროგრამას ქმნიდა, რომელიც შაშქებში რაც უფრო მეტს თამაშობდა, მით უფრო უმჯობესდებოდა.
სამი გზა, რომლითაც მანქანა სწავლობს
მანქანური სწავლების უმეტესობა სამი კატეგორიიდან ერთ-ერთში ხვდება, თითოეული განსხვავებული ტიპის ამოცანისთვისაა მორგებული.
ზედამხედველობითი სწავლება (supervised learning) მოდელს წვრთნის მაგალითებზე, რომლებსაც უკვე აქვთ „სწორი პასუხი“ მიწერილი — ათასობით ელფოსტა, მონიშნული როგორც სპამი ან არასპამი, ან ფოტოები, მონიშნული როგორც კატა ან ძაღლი. მოდელი სწავლობს ახალი, უჭდომარკო მაგალითებისთვის პასუხის პროგნოზირებას. ეს არის თაღლითობის აღმოჩენის, სამედიცინო სურათების სკრინინგისა და ფასის პროგნოზირების საფუძველი.
არაზედამხედველობითი სწავლება (unsupervised learning) მოდელს აძლევს უბრალო, უჭდომარკო მონაცემებს და სთხოვს, თავად იპოვოს სტრუქტურა — მაგალითად, დაჯგუფოს მსგავსი მომხმარებლები ან შენიშნოს უცნაური ტრანზაქციები, რომლებიც ცნობილ პატერნებში არ ეტევა. არავინ უხსნის მოდელს, რას ნიშნავს ეს ჯგუფები — ის უბრალოდ პოულობს, რომ ისინი არსებობს.
გამაძლიერებელი სწავლება (reinforcement learning) უფრო ცხოველის დაწვრთნას ჰგავს: AI აგენტი გარემოში მოქმედებს, შედეგის მიხედვით ჯილდოს ან ჯარიმას იღებს და თანდათან სწავლობს სტრატეგიას, რომელიც დროთა განმავლობაში ჯილდოს მაქსიმალურს ხდის. სწორედ ასე ისწავლეს AI სისტემებმა ადამიანების დამარცხება ისეთ თამაშებში, როგორიც გოა, და ეს არის ჩატბოტების იმგვარად მორგების ერთ-ერთი ძირითადი საფეხურიც, რომ მათი პასუხები ადამიანებისთვის ნამდვილად სასარგებლო გახდეს.
სად ეხება ღრმა სწავლება და ნეირონული ქსელები
ღრმა სწავლება (deep learning) მანქანური სწავლების ქვეტიპია, რომელიც იყენებს ნეირონულ ქსელებს — ფენებად აწყობილ სისტემებს მარტივი მათემატიკური ერთეულებისგან, რომლებიც ძალიან პირობითად ტვინის ნეირონებით არის შთაგონებული — და ეს ფენები ბევრჯერ არის დაწყობილი. დამატებითი ფენები მოდელს საშუალებას აძლევს, სულ უფრო აბსტრაქტული წარმოდგენა შექმნას შენატანზე: სურათის მოდელის საწყისი ფენები, შესაძლოა, კონტურებს ცნობდნენ, მომდევნო ფენები — ფორმებს, ბოლო ფენები კი — მთელ სახეს. დღევანდელი დიდი ენობრივი მოდელები ღრმა სწავლების გამოყენებაა: ისინი ივარჯიშებენ უზარმაზარ ტექსტურ მასივზე შემდეგი სიტყვის პროგნოზირებით, შემდეგ კი დამატებითი ვარჯიშით ფორმდებიან ისე, რომ პასუხები უფრო ზუსტი და სასარგებლო გახდეს. სწორედ ღრმა სწავლების გამო გადაიქცა მანქანური სწავლება ბოლო ათწლეულის განმავლობაში ვიწროსპეციალიზებული ხელსაწყოდან მასობრივი პროდუქტების ძრავად — ის კარგად მასშტაბირდება მეტ მონაცემთან და გამოთვლით სიმძლავრესთან ერთად, ხოლო ორივე ეს რესურსი უზარმაზრად გაიზარდა.
რატომ აქვს მნიშვნელობა
მანქანური სწავლების გამო პროგრამული უზრუნველყოფის სულ უფრო დიდ ნაწილს აღარ სჭირდება პროგრამისტი, რომელიც წინასწარ ყველა შესაძლო სცენარს გაითვალისწინებს. რეკომენდაციების სისტემები, სპამის ფილტრები, თაღლითობის აღმოჩენა, ხმოვანი ასისტენტები, თარგმნის ხელსაწყოები და ჩატბოტები — ყველა ამ მოდელს ეყრდნობა, რომელიც მონაცემებიდან სწავლით გაუმჯობესდა და არა თითოეული შემთხვევისთვის ხელით დაპროგრამებით. ამიტომაც გახდა სავარჯიშო მონაცემების ხარისხი და რაოდენობა თავისთავად კონკურენტული უპირატესობა — მანქანური სწავლების სისტემა იმდენად კარგია, რამდენადაც კარგია პატერნები, რომელთა სწავლაც შეძლო.
საფუძვლების გაგება არ საჭიროებს ჯერ პროგრამისტად ქცევას. Google-ის საკუთარი Machine Learning Crash Course უფასო, თავისივე ტემპით გასავლელი შესავალია, რომელიც ინტერაქტიული მაგალითებით, მძიმე მათემატიკის გარეშე, აჩვენებს ძირითად იდეებს — მათ შორის, როგორ ვარჯიშობენ და ფასდებიან მოდელები (რესურსი ინგლისურ ენაზეა).
ხშირად დასმული კითხვები
მანქანური სწავლება იგივეა, რაც AI? არა. AI ფართო მიზანია, ხოლო მანქანური სწავლება — დღეს მისკენ მისვლის დომინანტური მეთოდი, უფრო ძველი, წესებზე დაფუძნებული მიდგომების გვერდით, რომლებიც მარტივი ამოცანებისთვის დღემდე გამოიყენება.
რა განსხვავებაა მანქანურ სწავლებასა და ღრმა სწავლებას შორის? ღრმა სწავლება მანქანური სწავლების ქვეტიპია, რომელიც მრავალფენიან ნეირონულ ქსელებს იყენებს. ყველა ღრმა სწავლება მანქანური სწავლებაა, მაგრამ არა პირიქით — უფრო მარტივი სტატისტიკური მოდელებიც ფართოდ გამოიყენება დღემდე.
მანქანური სწავლების გასაგებად პროგრამირება მჭირდება? არა — ძირითადი იდეების (მაგალითებიდან სწავლა, პროგნოზების შემოწმება, დროთა განმავლობაში გაუმჯობესება) გაგება პროგრამირების გარეშეც შესაძლებელია. მოდელების შექმნა ან წვრთნა კი პროგრამირებას საჭიროებს, ჩვეულებრივ Python-ზე.
ისეთი ხელსაწყოები, როგორიც ChatGPT და Claude, მანქანური სწავლებაა? დიახ. დიდი ენობრივი მოდელები ივარჯიშებენ მანქანური სწავლებით, კონკრეტულად ღრმა სწავლებით, უზარმაზარ ტექსტურ მასივზე, შემდეგ კი დამატებით იხვეწებიან, რომ პასუხები უფრო სასარგებლო და ზუსტი გახდეს.