Možná jste v poslední době slyšeli o chatbotech, kteří píší jako lidé, programech rozpoznávajících obličeje na fotografiích nebo autech, která se řídí sama. Za všemi těmito technologickými zázraky stojí něco, čemu odborníci říkají neuronové sítě. Ale co to vlastně je a proč by vás to mělo zajímat?

Co jsou neuronové sítě a proč jsou důležité?

Představte si, že chcete naučit počítač rozpoznávat kočky na obrázcích. Tradičně byste museli vytvořit složitý program s přesnými pokyny – hledej špičaté uši, vousy, ocas určité délky… Takový přístup je ale nesmírně složitý a nepraktický.

Neuronové sítě nabízejí zcela jiný přístup. Místo detailních instrukcí ukážete počítači tisíce obrázků koček a řeknete: „Tohle jsou kočky.“ Počítač si sám najde vzorce a charakteristiky, které kočky definují. A co je nejdůležitější – dokáže pak rozpoznat i kočky, které nikdy předtím neviděl!

Právě tato schopnost učit se z příkladů a pak zobecňovat nově získané znalosti dělá z neuronových sítí revoluci v oblasti umělé inteligence. Není to přehnané tvrzení – neuronové sítě změnily téměř každý aspekt moderních technologií.

Jak neuronové sítě fungují? Zjednodušeně řečeno

Lidský mozek obsahuje miliardy propojených buněk zvaných neurony. Každý neuron přijímá signály od jiných neuronů, a pokud je souhrn těchto signálů dostatečně silný, sám vyšle signál dál.

Umělé neuronové sítě napodobují tento princip, ale mnohem jednodušeji. Představte si je jako vrstvený systém propojených uzlů (umělých neuronů):

• Vstupní vrstva přijímající data – tato vrstva funguje jako „senzor“ sítě. Každý neuron v ní odpovídá jednomu vstupnímu údaji – třeba hodnotě jasu konkrétního pixelu v obrázku. Pokud máte obrázek o velikosti 28×28 pixelů, vstupní vrstva bude mít 784 neuronů (28 × 28), které zpracovávají informace o každém jednotlivém bodu. V textovém nebo číselném vstupu by šlo třeba o hodnoty jednotlivých atributů (věk, pohlaví, příjem…).

• Skryté vrstvy zpracovávající informace – zde probíhá „kouzlo“ neuronové sítě. Skryté vrstvy obsahují neurony, které kombinují a transformují informace z předchozí vrstvy pomocí matematických operací – a hlavně díky tzv. vahám (ty říkají, jak silně má být určitý vstup zohledněn). Výsledkem je postupná extrakce vzorců a souvislostí. Například síť se může naučit rozpoznávat hrany, tvary nebo složitější struktury v obrázku. Každá další skrytá vrstva tak staví na výsledcích té předchozí.

• Výstupní vrstva poskytující odpověď – na konci sítě je výstup, který říká, co si síť myslí o daném vstupu. Pokud je cílem rozpoznat, zda je na obrázku kočka, výstupem bude pravděpodobnost (například 0,93), že to opravdu kočka je. V případě více tříd (např. pes, kočka, auto) výstupní vrstva obsahuje více neuronů – každý odpovídá jedné třídě a síť vybírá tu, která má nejvyšší pravděpodobnost.

Každé spojení mezi neurony má určitou váhu, která určuje, jak důležitý je daný signál. Když síť trénujete, vlastně upravujete tyto váhy, aby poskytovaly správné odpovědi.

Uveďme to na příkladu: Pokud učíte síť rozpoznávat kočky, ukážete jí obrázek a ona vydá odpověď – třeba s 30% jistotou řekne, že je to kočka. Vy víte, že na obrázku kočka skutečně je, takže síti řeknete, že se mýlila (měla být 100% jistá). Síť pak upraví váhy svých spojení, aby příště rozpoznala podobný obrázek lépe. Po tisících takových příkladů se síť postupně naučí rozpoznávat kočky s vysokou přesností.

Strojové učení a hluboké učení: Neuronové sítě v akci

Neuronové sítě jsou základním stavebním kamenem oblasti zvané strojové učení – schopnosti počítačů učit se bez explicitního programování. A když mluvíme o neuronových sítích s mnoha vrstvami, dostáváme se k „hlubokému učení“ (deep learning), které stojí za nejpůsobivějšími pokroky v umělé inteligenci posledních let.

Rozdíl mezi tradičním programováním a strojovým učením pomocí neuronových sítí je zásadní:

• Tradiční programování = programátor vytvoří přesná pravidla, která počítač následuje.
• Strojové učení s neuronovými sítěmi = programátor poskytne data a očekávané výsledky, síť sama odvozuje pravidla.

Tato schopnost samostatně odvozovat pravidla z dat umožňuje počítačům řešit problémy, které byly dříve považovány za výhradní doménu lidské inteligence.

Neuronové sítě kolem nás: Praktické příklady

Možná si to neuvědomujete, ale s neuronovými sítěmi interagujete pravděpodobně každý den:

• Virtuální asistenti v telefonech jako Siri nebo Google Assistant používají neuronové sítě k rozpoznávání řeči a porozumění vašim požadavkům.
• Překladače jako Google Translate využívají speciální typ neuronových sítí k převodu textu mezi jazyky s neustále se zlepšující přesností.
• Sociální sítě používají neuronové sítě k rozpoznávání tváří na fotografiích, filtrování nevhodného obsahu a personalizaci vašeho feedu.
• Streamovací služby jako Netflix nebo Spotify doporučují filmy a hudbu na základě predikce neuronových sítí, co by se vám mohlo líbit.
• Zdravotnictví využívá neuronové sítě k analýze rentgenových snímků, předpovídání propuknutí nemocí nebo navrhování nových léčiv.
• Autonomní vozidla používají neuronové sítě k interpretaci dat ze senzorů a kamer, aby viděla cestu a překážky.

Proč jsou neuronové sítě tak revoluční?

Neuronové sítě přinesly několik zásadních průlomů:

1. Schopnost zpracovat nestrukturovaná data – text, obrázky, zvuky – s nimiž si tradiční algoritmy neuměly poradit.
2. Automatické odvozování charakteristik – místo ručního programování, co je důležité, si síť sama zjistí, na co se má zaměřit.
3. Zlepšování s více daty – na rozdíl od tradičních algoritmů, které mají pevnou výkonnost, neuronové sítě se s více trénovacími daty dále zlepšují.
4. Řešení komplexních problémů – dokáží najít vzorce a souvislosti v datech, které by lidé sami nikdy neodhalili.

Na jaké limity naráží dnešní neuronové sítě?

Přes všechny úspěchy mají neuronové sítě i své limity:

• Potřebují velké množství dat k dosažení dobrých výsledků.
• Jsou výpočetně náročné – trénování velkých modelů vyžaduje obrovský výkon a energii.
• Fungují jako černé skříňky – často je obtížné pochopit, proč síť dospěla k určitému závěru.
• Mohou přebírat předsudky z trénovacích dat – pokud trénovací data obsahují předsudky, neuronová síť je může zesílit. Více viz také článek 17 nejčastějších mýtu o AI.

Co to znamená pro naši budoucnost?

Neuronové sítě transformují způsob, jakým žijeme a pracujeme. Můžeme očekávat stále více „inteligentních“ systémů, které nám budou pomáhat s rutinními úkoly, umožní přesnější lékařské diagnózy, efektivnější dopravu a bezpočet dalších aplikací.

Zároveň se musíme vypořádat s etickými a společenskými otázkami:

• Jak zajistit, aby tyto technologie byly spravedlivé a nepřebíraly lidské předsudky?
• Jak se změní práce, když stále více úkolů dokáží vykonávat počítače?
• Jak zabezpečit soukromí v době, kdy algoritmy analyzují naše chování?

Neuronové sítě zkrátka nejsou jen technologickým nástrojem – jsou to systémy, které formují naši budoucnost. Proto je důležité jim rozumět ( i když nejsme programátoři nebo vědci). Protože technologie, která nás obklopuje, už není jen pasivním nástrojem – stává se aktivním účastníkem našeho světa a může nám velmi pomoci v mnoha oblastech našeho (nejen pracovního) života.

A ten, kdo zaspí, už pak jednouše tento gap nemusí dohnat, protože i my, co se AI aktivně věnujeme, tak máme problém všechny informace a novinky vstřebávat, protože se celé digitální prostředí i naše společnost díky AI násobně zrychlila.