88 pojmů, co by měl znát každý marketér, který chce rozumět, když se mluví o umělé inteligenci.
Velkou bariérou většího rozšíření AI do našich oborů jsou slabé znalosti. Problém začíná u „o čem to vlastně mluvíme?“ Abychom primární ostych odstranili, stručně vysvětlujeme nejdůležitější pojmy, které si musíte zažít. Ve slovníku, který vychází jako hlavní, dvanáctistránkové téma MAM 25/2023 se dozvíte co to je například problém sladění hodnot, algoritmus zpětného šíření, černá skříňka, Darmouthská konference, entropie, generatinví soupeřící sítě, ale také co znamená problém krále Midase.
Všechny poumy jsou seřazeny přeldně abecedně, a to podle svého anglického výrazu. Zde malá ochutnávka:
Artificial intelligence (AI)
Umělá inteligence je obor, který kombinuje počítačovou vědu a robustní soubory dat s cílem řešit různá zadání a problémy. Jeho součástí jsou obory strojového učení a hlubokého učení. Ty se skládají z algoritmů, které se snaží vytvářet expertní systémy, jež na základě vstupních dat provádějí predikce či klasifikace.
O umělé inteligenci — ale bez použití pojmu „artificial intelligence“ — se v roce 1950 zmiňuje Alan Mathison Turing ve svém díle „Computing Machinery and Intelligence“, v němž si položil otázku: mohou stroje myslet? (více viz T, Turingův test).
Pojem „artificial intelligence“ navrhl o šest let později John McCarthy, americký počítačový a kognitivní vědec, na konferenci v Dartmouthu (více viz D, Dartmouth workshop).
Za zásadní dílo v oblasti umělé inteligence je považována publikace z roku 1995 „Artificial Intelligence: A Modern Approach“, jejímiž autory je dvojce počítačových vědců Stuart Russell a Peter Norvig.
Accuracy
Správnost (někdy též přesnost) je míra správných odpovědí umělé inteligence v porovnání s celkovým počtem příkladů. Vyšší hodnota přesnosti znamená vyšší výkon modelu. Příklad: model s přesností dosahující 95 procent poskytl 95 ze 100 správných odpovědí.
Přesnost, neboli správnost (accuracy) nepředstavuje přesnost pozitivních predikcí (precision, viz P). Obě jsou důležité metriky při hodnocení výkonu modelů strojového učení, ale je zde důležité rozlišení. Kdybychom chtěli vysvětlit rozdíl analogií hry v šipky, tak „accuracy“ by představovala četnost dosažení jakéhokoli místa na terči, zatímco „precision“ by určovala, jak blízko jednotlivé šipky jsou ke středu terče. Takže „accuracy“ je mírou, která vyjadřuje, jak správně model klasifikuje příklady zadaného datasetu a „precison“ je míra, která se zaměřuje na správnost pozitivních predikcí modelu. Nejlepší je, když obě veličiny dosahují vysokého skóre.
A/B testing
A/B testování je forma náhodného experimentu, kdy jsou dvě varianty určitého modelu, A a B, testovány lidským subjektem s cílem určit, která z nich je výkonnější než druhá. V marketingu se používá například s cílem pomocí jednoduché změny prvku či designu dosáhnout vyšší konverze. Musí se ale dbát na to, aby testovací vzorek byl dostatečně velký a relevantní a rovněž brát v potaz další aspekty, například druh přístupu k internetu, dny v týdnu a podobně.
Adversarial machine learning
Adverzní strojové učení je typ strojového učení útokem na algoritmy a následným vytvořením obrany. Protivník (adversary) se pokouší oklamat učící se systém tím, že mu poskytuje třeba příklady (známé jako negativní), které jsou vytvořené tak, aby je cílový učící se systém špatně klasifikoval. Generativní adverzní síť (GAN) je pak typ programu, který umožňuje generátoru (první síti) se zlepšovat tím, že mu poskytuje zpětnou vazbu proti němu stojící diskriminátor (druhá síť), který se zase zlepšuje v identifikaci falešných dat (více viz G, generative adversarial network).
Celý slovníček najdete v MAM 25/2023.
