Adimen artifiziala, ikaskuntza automatikoa eta ikaskuntza sakona

Gorka Julio

2020, Maiatza 29
Arloa: Sarean

Adimen Artifiziala, Machine Learning eta Deep Learning terminoak behin eta berriz entzuten ditugu orain, baina zein da beraien arteko harremana eta desberdintasunak?

Harremanari buruz pentsatzeko modurik errazena da kapa ezberdinak dituen zirkulu zentrokide bat irudikatzea da. Adimen Artifikalarekin, lehenik etorri zen ideia, handiena, geroago loratu zen Ikaskuntza Automatikoa (Machine Learning-a), eta, azkenik, Ikaskutnza Sakona (Deep Learning-a). Azken bien garapenarekin etorri da azken urteotako Adimen Artifizialaren eztanda.

Arrakastaren giltzarriak, prozesamendu gaitasun handia eta datu eskuragarritasuna izan dira. Lehenak, GPUaren eskuragarritasun handiarekin du zerikusia, prozesamendu paraleloa azkarragoa, merkeagoa eta indartsuagoa izatea eragiten baitute. Bigarrenak, biltegiratze ia infinituarekin eta datu-pilaketa batekin ere zerikusia du (Big Data mugimendua): irudiak, testua, transakzioak, mapak... Bi faktore horiek ekarri dute, adimen artifizialaren gorakada azken urteotan.

 

Adimen Artifiziala (Aritificial Intelligence)

Adimen artifizial indartsua edo adimen artifizial orokorra izenez ere ezagutzen den adimen artifiziala, giza adimena berdindu edo gainditzen duena dela esan daiteke. Hau da, edozein gizakiren edozein ataza intelektual arrakastaz egin dezakeen adimena duen makina bat litzateke. Adimen artifizialari buruzko ikerketarako helburu garrantzitsua da, eta zientzia-fikziorako gai interesgarria, baina gauzatu gabea oraindik.

Adimen artifizial ahula aldiz, adimen artifizialeko sistemak, problema mota jakin bati erantzuteko bakarrik aplikatzen dena da, eta, ez du, giza adimenak egin dezakeena guztia egiteko asmorik. Aurpegi erazagutzaileak edo kotxe batek aurrean dituen seinaleak ulertzeko algoritmoak adimen mota honetan kokatzen dira.

Teknologia horiek giza adimenaren alderdi batzuk erakusten dituzte. Baina nola? Nondik dator adimen hori? Hurrengo kapan topatzen dugu horren erantzuna:

 

Ikaskuntza automatikoa (Machine Learning)

Ikasketa automatikoan, bere forma oinarrizkoenean, algoritmoak erabiltzen dira datuak aztertzeko, haietatik ikasteko eta, gero, munduan zerbaiti buruzko erabaki bat edo iragarpen bat egiteko. Beraz, eskuz kodetzeko software-errutinen ordez, zeregin jakin bat egiteko berariazko jarraibide-multzo batekin, makina “entrenatuta” dago datu-kopuru handiak eta algoritmo handiak erabiliz, eta horrek lana egiten ikasteko gaitasuna ematen dio. Algoritmo horien atzean: erabaki-zuhaitzak, logika induktiboa, taldekatze algoritmoak, ikaskuntza indartua eta sare bayesiarrak daude besteak beste.

Ikasketa automatikoaren aplikazio eremu onenetako bat Ikuspegi Konputazionala (Computer Vision) izan zen urte askoan, nahiz eta oraindik ere lana egiteko eskuzko kodeketa ugari behar izan. Adibidez, argazki bat oinarri hartuta, seinale bat interpretatzeko gai izatea. Trafiko seinale-detektagailuen iragarpenak onak ziren, baina ez ziren guztiz zehatzak. Batez ere egun batean lainoa edo argi gutxi zegoenean edo kartela gaizki ikusten zenean. Irudi detekzioa ez zen guztiz hurbiltzen gizakien gaitasunetara, orain dela oso gutxi artea; Deep Learning-ak hobetu zuen arte.

 

Ikaskuntza sakona (Deep Learning)

Ikasketa automatikoko lehen espezialisten beste hurbilketa bat, Sare Neuronal Artifizialak izan ziren. Neurona-sareak gure garunen biologiaren ulermenean oinarritzen dira, neuronen arteko interkonexio horietan guztietan. Baina, distantzia fisiko jakin baten barruan edozein neurona beste edozein neuronarekin konekta badaiteke, hauetan ez. Neurona-sare artifizial horiek geruza diskretuak, konexioak eta datuen hedapen-norabideak dituzte.

Adibidez, irudi bat har daiteke, sare neuronaleko lehenengo geruzan sartzen da. Lehenengo geruzan, neurona indibidualek datuak beste geruza batera pasatzen dituzte. Neuronen bigarren geruzak bere lana egiten du, eta horrela hurrenez hurren, azken geruza eta azken emaitza lortu arte.

Neurona bakoitzak ponderazio bat esleitzen dio bere sarrerari: zuzena edo okerra dena bereizten saiatzen da egin behar duen zereginari dagokionez. Azken emaitza ponderazio horien guztizkoaz zehaztuko da gero. Seinalearen adibidean, geruzek seinale-irudi baten atributuak bereiztu eta “aztertzen” dituzte: forma, kolore, letra bereizgarriak, altuera, besteak beste.

Neuronak entrenamendua behar du. Ehunka mila irudi ikusi behar ditu, baita milioika irudi ere, neuronen sarreren ponderazioa zehatz findu arte. Horrela, erantzun zuzena ia beti izango du, eguraldi eta testuinguru aldaketetan ere. Sareak datu horiek oinarri hartuta seinaleak bereiz ditzake orduan, baita zure Facebookeko lagunen aurpegiak edota makina bat apurtu daitekeela aurreikusi, zehaztasun nahiko handiz.

 

Gidaririk gabeko autoak, prebentziozko arreta mediko hobea, baita film-gomendio hobeak ere, guztiak gelditzeko etorri dira. Adimen artifiziala da oraina eta etorkizuna. Arazoak ere badituzte, isuri kognitiboak adibidez, baina horiek beste egun baterako utziko ditugu.