Kone kasdien socialiniuose tinkluose, žinių portaluose ar net kavos pertraukų pokalbiuose darbe išgirsti frazes „dirbtinis intelektas padarė“, „AI sukūrė“, „mašininis mokymasis nustatė“. Terminai maišomi taip laisvai, kad dažnas net IT srityje dirbantis žmogus kartais susipainioja, kur baigiasi vienas reiškinys ir prasideda kitas. O juk skirtumas yra ne tik akademinis – jis tiesiogiai veikia, kaip planuojame projektus, kokias technologijas renkamės ir ko iš viso galime tikėtis iš sistemos, kurią diegiame versle ar asmeniniam naudojimui.
Šiame straipsnyje pabandysiu išnarplioti šią painiavą be perteklinio akademizmo – tiesiog paprastai, su pavyzdžiais ir praktine nauda tiems, kam reikia suprasti, apie ką iš tikrųjų kalbama, kai kolega sako „mes tai darome su AI“.
Kodėl ši tema apskritai kelia painiavą
Dirbtinis intelektas (angl. Artificial Intelligence, AI) yra platesnė, senesnė sąvoka, siekianti dar praėjusio amžiaus vidurį, kai mokslininkai pradėjo svarstyti, ar mašinos gali „mąstyti“. Mašininis mokymasis (Machine Learning, ML) yra vienas iš AI pasiekimo būdų – tam tikra jo šaka, konkretus metodas, kuriuo mašinos gali „mokytis“ iš duomenų, o ne būti tiesiogiai užprogramuotos kiekvienam žingsniui.
Įsivaizduokite tai kaip santykį tarp „transporto priemonės“ ir „automobilio“. Automobilis yra transporto priemonė, bet ne kiekviena transporto priemonė yra automobilis – gali būti dviratis, lėktuvas, laivas. Panašiai ir čia: kiekvienas mašininio mokymosi sprendimas yra dirbtinio intelekto forma, tačiau ne kiekviena AI sistema naudoja mašininį mokymąsi.
Problema kyla dėl to, kad rinkodaros specialistai, žurnalistai, o kartais ir patys kūrėjai, sąvokas vartoja kaip sinonimus, nes taip skamba įspūdingiau arba tiesiog paprasčiau. „Mūsų sistema paremta AI“ skamba geriau nei „naudojame sprendimų medžius“, nors iš esmės tai gali būti tas pats dalykas.
Kas yra dirbtinis intelektas iš tikrųjų
AI – tai plati sritis, apimanti bet kokią sistemą ar algoritmą, sukurtą imituoti žmogaus intelektualinius gebėjimus: mąstymą, sprendimų priėmimą, kalbos supratimą, vaizdo atpažinimą, planavimą. Svarbu suprasti, kad AI nebūtinai reiškia „protingą“ sistemą šiuolaikine prasme – ji apima ir gana paprastus, taisyklėmis paremtus sprendimus.
Klasikinis pavyzdys – šachmatų programa Deep Blue, kuri 1997 metais nugalėjo Garį Kasparovą. Ji nesimokė iš duomenų taip, kaip supranta šiuolaikinis ML. Ji naudojo iš anksto suprogramuotas taisykles, euristikas ir milžinišką skaičiavimo galią, kad įvertintų galimus ėjimus. Tai buvo dirbtinis intelektas be mašininio mokymosi komponento – bent jau ne ta forma, kokią žinome šiandien.
Į AI sritį taip pat patenka:
- Ekspertų sistemos (expert systems) – taisyklėmis paremti sprendimų priėmimo mechanizmai, populiarūs dar 1980-aisiais
- Robotika ir automatizuoti procesai, kurie veikia pagal iš anksto nustatytą logiką
- Natūralios kalbos apdorojimo sistemos, kurios kadaise buvo grynai taisyklėmis paremtos
- Planavimo ir paieškos algoritmai, naudojami logistikoje ar žaidimuose
Kitaip tariant, AI yra tikslas arba galutinis rezultatas – sistema, kuri atrodo „protinga“. Kaip ten prieinama, gali skirtis labai smarkiai.
O kur čia mašininis mokymasis
Mašininis mokymasis yra būdas pasiekti AI, kuris remiasi principu: vietoj to, kad programuotojas parašytų visas taisykles, sistema pati „išmoksta“ dėsningumus iš didelio kiekio duomenų. Tai reiškia, kad vietoj „jei X, tada Y“ logikos, algoritmui pateikiami tūkstančiai ar milijonai pavyzdžių, o jis pats randa modelius, koreliacijas ir sprendimų ribas.
Praktinis pavyzdys: jei norėtumėte sukurti sistemą, atpažįstančią katę nuotraukoje, taisyklėmis paremtu būdu tektų aprašinėti – „ieškok ausų formos, ūsų, kailio tekstūros“. Tai beveik neįmanoma padaryti patikimai dėl begalinės vizualinės įvairovės. Mašininio mokymosi metodu tiesiog parodote algoritmui tūkstančius kačių nuotraukų, pažymėtų kaip „katė“, ir tūkstančius kitų objektų, pažymėtų kaip „ne katė“. Modelis pats išmoksta, kokie požymiai svarbūs.
ML pats savaime turi keletą pošakių, kurie irgi dažnai painiojami:
Prižiūrimas mokymasis (Supervised Learning)
Modelis mokomas iš pažymėtų duomenų – kiekvienam įvesties pavyzdžiui yra žinomas teisingas atsakymas. Tai naudojama, pavyzdžiui, kredito rizikos vertinime ar el. laiškų filtravime kaip šlamštui.
Neprižiūrimas mokymasis (Unsupervised Learning)
Čia duomenys nėra pažymėti – algoritmas pats ieško struktūrų, klasterių ar anomalijų. Populiaru rinkodaroje, segmentuojant klientus pagal elgesio panašumus.
Sustiprintas mokymasis (Reinforcement Learning)
Sistema mokosi bandymų ir klaidų principu, gaudama „atlygį“ už teisingus veiksmus. Būtent šis metodas naudotas kuriant AlphaGo, kuris nugalėjo pasaulio čempionus go žaidime.
Giluminis mokymasis – dar viena painiavos sluoksnis
Jeigu manote, kad AI ir ML santykis jau pakankamai painus, palaukite, kol į vaizdą įtrauksime giluminį mokymąsi (Deep Learning, DL). Tai mašininio mokymosi pošakis, paremtas neuroniniais tinklais, kurie savo struktūra šiek tiek primena žmogaus smegenų neuronų tinklą (labai supaprastintai, be jokios biologinės tikslumo).
Giluminis mokymasis tapo populiarus per pastarąjį dešimtmetį dėl kelių priežasčių: išaugo skaičiavimo galia (ypač GPU technologijos), atsirado prieiga prie milžiniškų duomenų kiekių, o algoritmai patobulėjo tiek, kad galėtų efektyviai apdoroti daugiasluoksnius tinklus. Būtent DL yra pagrindas šiuolaikinių didžiųjų kalbos modelių, tokių kaip GPT serija, Claude ar Gemini.
Taigi hierarchija atrodo maždaug taip: dirbtinis intelektas yra plačiausia sąvoka, mašininis mokymasis yra jo dalis, o giluminis mokymasis – dar siauresnė mašininio mokymosi dalis. Kiekvienas sluoksnis prideda specifiškumo ir apriboja, kokiais metodais problema sprendžiama.
Praktinis skirtumas versle – kodėl tai svarbu
Dabar pereikime prie klausimo, kuris tikriausiai jums iš tikrųjų rūpi: kodėl visa tai svarbu, jei jūs ne mokslininkas, o, tarkime, produkto vadovas, verslo analitikas ar tiesiog žmogus, norintis suprasti, ką perka jo įmonė.
Pirma, terminų supratimas padeda išvengti apgaulingo rinkodaros triuko, kai paprastas taisyklėmis paremtas automatizavimas parduodamas kaip „revoliucinis AI sprendimas“. Jei chatbot’as tiesiog seka iš anksto parašytą sprendimų medį („jei klientas parašo žodį „grąžinimas“, siųsk į grąžinimų skyrių“), tai nėra mašininis mokymasis, ir tikrai nėra dirbtinis intelektas ta prasme, kokia dabar suprantama rinkoje. Tai tiesiog automatizavimas su patogia sąsaja.
Antra, žinojimas, koks metodas naudojamas, padeda įvertinti realius apribojimus. Mašininio mokymosi sistemos yra tokios geros, kokie yra jų mokymo duomenys. Jei duomenyse yra šališkumo, modelis jį atkartos ir netgi sustiprins. Taisyklėmis paremta sistema, priešingai, elgiasi nuspėjamai – jos elgesį galima visiškai kontroliuoti, bet ji nesugebės susidoroti su situacijomis, kurių kūrėjas nenumatė.
Trečia, tai turi tiesioginę įtaką biudžetui ir laiko planavimui. ML projektai reikalauja duomenų rinkimo, valymo, modelio treniravimo, validavimo ir nuolatinio perkvalifikavimo, kai keičiasi realybė (šis reiškinys vadinamas „data drift“). Tradicinis AI, paremtas taisyklėmis, gali būti greičiau įdiegtas, bet sunkiau plečiamas didelės apimties ar sudėtingoms problemoms.
Kada rinktis vieną, o kada – kitą metodą
Realiame projekte klausimas retai skamba „ar naudoti AI, ar ML“ – dažniau tenka spręsti, koks konkretus metodas tinkamiausias konkrečiai problemai. Štai keletas orientyrų, kuriais remiuosi pati vertindama panašias situacijas:
- Kai problema turi aiškias, ribotas taisykles – pavyzdžiui, mokesčių skaičiavimas ar dokumentų maršrutizavimas pagal fiksuotus kriterijus – taisyklėmis paremtas AI dažnai bus efektyvesnis, pigesnis ir lengviau prižiūrimas.
- Kai duomenų yra daug, o dėsningumai neaiškūs ar per sudėtingi žmogui apibrėžti – pavyzdžiui, sukčiavimo aptikimas kredito kortelių operacijose – ML tampa būtinybe, nes rankiniu būdu neįmanoma numatyti visų sukčiavimo scenarijų.
- Kai reikia interpretuojamumo ir skaidrumo, ypač reguliuojamose srityse kaip finansai ar medicina, paprastesni ML modeliai (pvz., sprendimų medžiai) arba hibridiniai sprendimai gali būti pranašesni už „juodosios dėžės“ giluminio mokymosi modelius, kurių sprendimų logiką sunku paaiškinti.
- Kai duomenų trūksta arba jie brangūs gauti, mašininis mokymasis gali tiesiog neveikti patikimai – tokiu atveju geriau grįžti prie ekspertinių taisyklių arba hibridinio modelio.
Verta paminėti ir hibridinius sprendimus, kurie realybėje sutinkami dažniau, nei manytume. Daugelis šiuolaikinių sistemų sujungia ML modelio prognozes su verslo taisyklėmis – pavyzdžiui, kredito vertinimo sistema gali naudoti ML modelį rizikai įvertinti, bet galutinį sprendimą filtruoti per reguliacinius reikalavimus, kurie užprogramuoti kaip griežtos taisyklės.
Dažniausios klaidos, su kuriomis susiduriama
Dirbdama su šia tema pastebiu keletą pasikartojančių nesusipratimų, kurie verti atskiro dėmesio:
Manymas, kad AI = ML = giluminis mokymasis = ChatGPT. Tai tikriausiai populiariausia klaida pastaruoju metu. Didieji kalbos modeliai yra tik viena, nors ir labai matoma, giluminio mokymosi taikymo sritis. Egzistuoja begalė kitų ML ir AI sprendimų, kurie neturi nieko bendra su tekstų generavimu – nuo orų prognozavimo iki gamybos linijų optimizavimo.
Manymas, kad ML sistema „supranta“ tai, ką daro. Modelis, atpažįstantis vėžio ląsteles rentgeno nuotraukose, „nesupranta“ vėžio biologijos prasme, kaip supranta gydytojas. Jis randa statistinius modelius pikselių pasiskirstyme, kurie koreliuoja su diagnoze. Tai galingas įrankis, bet ne tas pats, kas žmogaus supratimas.
Nepakankamas dėmesys duomenų kokybei. Tiek IT specialistai, tiek verslo atstovai kartais mano, kad pakanka „paleisti algoritmą“ ir viskas susitvarkys. Realybėje 70-80 procentų ML projekto laiko sugaišta duomenų rinkimui, valymui ir paruošimui. Prasti duomenys duos prastą modelį, nesvarbu, koks sudėtingas algoritmas naudojamas.
Ateities kryptys ir kodėl riba dar labiau ištirps
Šiandien ryškėja tendencija, kad riba tarp „tradicinio“ AI ir ML tampa vis labiau miglota. Kuriami hibridiniai modeliai, jungiantys simbolinį AI (paremtą logika ir taisyklėmis) su neuroniniais tinklais – ši kryptis vadinama neurosymbolic AI. Idėja yra pasiimti geriausia iš abiejų pasaulių: ML gebėjimą apdoroti didžiulius, netvarkingus duomenų kiekius ir simbolinio AI gebėjimą samprotauti logiškai bei paaiškinti savo sprendimus.
Taip pat sparčiai vystosi automatizuotas mašininis mokymasis (AutoML), kuris leidžia net nedideles technines žinias turintiems žmonėms kurti ML modelius be gilaus supratimo apie algoritmų vidų. Tai reiškia, kad terminų skirtumas ateityje gali tapti dar mažiau svarbus praktiniam naudojimui, bet svarbesnis suprantant, ką sistema realiai gali ir ko negali.
Vietoj išvadų: ką realiai reikia įsiminti
Jei iš viso šio teksto reikėtų išsinešti tik vieną mintį, tegul ji bus tokia: dirbtinis intelektas yra tikslas, mašininis mokymasis – vienas iš kelių, bet dabar dominuojantis kelias jo pasiekti. Kai kitą kartą pardavėjas ar kolega jums pristatys „AI sprendimą“, drąsiai paklauskite – ar tai tiesiog taisyklėmis paremtas automatizavimas, ar realiai mokomas modelis, besiremiantis duomenimis? Atsakymas pakeis, kaip vertinsite sistemos patikimumą, kaštus ir tobulėjimo galimybes.
Praktiškai, jei planuojate projektą, pradėkite ne nuo technologijos, o nuo problemos. Suformuluokite, kokį sprendimą reikia priimti, kokie duomenys jums prieinami, ir kokio skaidrumo lygio reikalauja jūsų sritis. Tik tada svarstykite, ar reikalinga sudėtinga ML architektūra, ar užteks paprastesnio, taisyklėmis paremto sprendimo, kuris bus pigesnis, greitesnis diegti ir lengviau prižiūrimas.
Ir galiausiai – nebijokite klausti „kvailų“ klausimų techniniuose susirinkimuose. Terminų painiava yra tokia paplitusi, kad net patyrę specialistai kartais vartoja juos laisvai, nesigilindami į niuansus. Aiškumas šioje srityje ne prabanga, o būtinybė, ypač kai kalbama apie biudžetus, terminus ir realius verslo lūkesčius. Technologija turi tarnauti problemai, o ne atvirkščiai – ir tam, kad tai pasiektumėte, verta suprasti, ką iš tikrųjų perkate ar diegiate.
