Są programy bardziej skomplikowane i rozbudowane od sztucznej inteligencji, nawet wielokrotnie bardziej. Jednak różnica tkwi nie w złożoności programu, a w podejściu do przetwarzania danych.
Dysponując coraz większymi zasobami danych oraz matematyką jesteśmy w stanie dokonać transmutacji tychże danych w model matematyczny, dokonać przemiany jakościowej. Kamieniem filozoficznym w tym przypadku jest rozbudowany aparat matematyczny uczenia maszynowego, I o tej matematyce jest książka „Matematyka i sztuczna inteligencja. Kluczowe koncepcje zwiększania skuteczności i wydajności systemów”.
Znaczenie danych
Źródłem wiedzy AI są przetworzone dane, które nie mogą mogą być bezpośrednio wykorzystywane w swojej naturalnej postaci, gdyż są nieuporządkowane, a ich ilość wyklucza jakiekolwiek sensowne bezpośrednie zastosowanie. Takie są teksty, dane pomiarowe, obrazy czy dźwięki. Są one z natury “analogowe”, zawierają błędy, przekłamania, braki, powtórzenia, czyli ułomności właściwe dla tego rodzaju informacji. Są trudne w bezpośredniej interpretacji i dlatego, zanim staną się przydatne, będą wymagały głębokiego przetworzenia.
Zbierając i rejestrując dane pomiarowe dotyczące dowolnych zjawisk możemy skonstruować model matematyczny oddający w mniejszy lub większy sposób naturę badanego zjawiska. Mało tego, dobry model może dostarczyć szerszej wiedzy o tym zjawisku niż bezpośrednia obserwacja. Może być też pomocny w przewidywaniu zachowania badanych obiektów w warunkach, dla których nie mamy pomiarów. Można też powiedzieć, że model jest uogólnieniem całej klasy podobnych zjawisk, pozornie różnych, ale posiadających pewne wspólne cechy i zależności, z których możemy nawet nie zdawać sprawy. Zdolność uogólniania, do tej pory zarezerwowana tylko dla naszego mózgu, jest właśnie cechą charakterystyczną sztucznej inteligencji.
O książce
Przedstawiana książka jest przewodnikiem po narzędziach matematycznych służących do budowania coraz doskonalszych cyfrowych modeli rzeczywistości, czyli uczenia maszynowego.
Po pierwsze statystyka, rachunek prawdopodobieństwa i rozkłady danych, czyli klasyczny rachunek prawdopodobieństwa. O tym jest drugi rozdział „Dane, dane”, w którym, poza przypomnieniem zmiennych losowych, rozkładu normalnego, permutacji i kombinacji, dowiadujemy się, dlaczego to takie ważne w kontekście AI.
Następnie poznajemy podstawy klasycznego uczenia maszynowego, czyli przekształcania ciągów liczb w funkcję definiowaną jako zbiór wag, za pomocą której możemy przewidywać dane pośrednie (uzupełniać brakujące lub błędne pomiary) lub ekstrapolować dane w zakresach wykraczających poza pomiary, którymi dysponujemy. W praktyce oznacza to, że możemy tworzyć prognozy (na przykład pogody),
Budowa modelu matematycznego, jako uogólnienia, zawsze wiąże się z utratą precyzji, różnicą między wartościami prognozowanymi a wartościami rzeczywistymi. Matematyce służącej optymalizacji tych różnic (funkcja straty) poświęcona jest znacząca część książki.
Określenie „funkcja” użyte wcześniej oznacza zbiór parametrów (czasem bardzo duży) tworzących model danych wejściowych. Mogą to być współczynniki wielomianów, czyli wagi stojące przy poszczególnych wykładnikach, ale nie tylko.
Podstawowym pojęciem związanym ze sztuczną inteligencją, a zwłaszcza z uczeniem maszynowym, jest sieć neuronowa, czyli zbiór połączonych ze sobą „neuronów”, które przetwarzają sygnały wejściowe i przekazują je dalej. Sposób przetwarzania sygnału przez neuron i wzmacniania go (lub osłabiania) nazywamy funkcją aktywacji.
Nie oszukujmy się, teoria grafów, sieci, rachunek macierzowy, równania różniczkowe (także cząstkowe) to nie są łatwe rzeczy i wymagają porządnego przygotowania matematycznego na poziomie akademickim. Książka nie jest opowieścią o sztucznej inteligencji, ale solidnym podręcznikiem. I tak ją należy traktować, jako referencyjne źródło specjalistycznej wiedzy. Język i terminologię użyte w książce można określić jako ascetyczne i precyzyjne. Piszę tak, bo chciałbym, aby Czytelnik mógł uniknąć rozczarowania, licząc na lekką i łatwą w odbiorze opowieść o koncepcjach zwiększania skuteczności i wydajności systemów.
Książka „Matematyka i sztuczna inteligencja. Kluczowe koncepcje zwiększania skuteczności i wydajności systemów” jest wartościową pozycją, ale tylko dla osób z odpowiednim przygotowaniem matematycznym, dysponującym dostateczną motywacją do zgłębiania tajników sztucznej inteligencji, która, mimo pięknej nazwy, jest piekielnie trudną dziedziną nauki.
Autorka, dr Hala Nelson wykłada matematykę na James Madison University. Specjalizuje się w modelowaniu matematycznym i konsultacjach dla sektora publicznego, w szczególności służb ratunkowych. Dorastała w Libanie podczas brutalnej wojny domowej, to ukształtowało jej zainteresowanie ludzkim zachowaniem, naturą inteligencji i sztuczną inteligencją.
Hala Nelson „Matematyka i sztuczna inteligencja. Kluczowe koncepcje zwiększania skuteczności i wydajności systemów”. Wydawnictwo Helion, rok wydania 2024, ISBN 978-83-289-1445-2