Machine Learning (ML), česky strojové učení, je podoblast umělé inteligence (AI), která se zabývá algoritmy a statistickými modely, jež počítačovým systémům umožňují řešit úkoly bez explicitního naprogramování pro každý konkrétní případ. Místo toho se systémy „učí“ z dat, identifikují v nich vzory a na jejich základě činí rozhodnutí nebo predikce.

Moderní ML je úzce spjato s Neuronovými sítěmi (Neural Networks), které tvoří základ tzv. hlubokého učení (Deep Learning).

[Image of AI vs Machine Learning vs Deep Learning diagram]

Vývoj ML nebyl přímočarý. Prošel několika obdobími nadšení („AI Summer“) a stagnace („AI Winter“).

Umělé neuronové sítě (ANN) jsou volně inspirovány biologickými neurony v lidském mozku.

Síť se skládá z vrstev (Layers):

1. Vstupní vrstva (Input Layer): Přijímá surová data (pixely obrázku, slova textu).
2. Skryté vrstvy (Hidden Layers): Zde probíhá „magie“. Čím více vrstev, tím je síť „hlubší“ (Deep Learning). Zde se extrahují rysy.
3. Výstupní vrstva (Output Layer): Poskytuje finální výsledek (např. pravděpodobnost, že na obrázku je kočka).

• Neuron: Základní jednotka, která má vstupy, váhy (weights) a aktivační funkci.
• Váhy (Weights): Čísla, která určují sílu spojení mezi neurony. Během učení se tyto hodnoty upravují.
• Aktivační funkce (Activation Function): Rozhoduje, zda se neuron „aktivuje“ (pošle signál dál). Příklady: ReLU, Sigmoid, Tanh.
• Backpropagation (Zpětná propagace): Algoritmus, který po vyhodnocení chyby (rozdíl mezi tipem sítě a realitou) projde sítí pozpátku a upraví váhy tak, aby byla chyba příště menší.

Ne všechny modely se učí stejně. Rozlišujeme tři hlavní přístupy:

1. Supervised Learning (Učení s učitelem):
   1. Model dostane data i správné odpovědi (labely).
   2. Příklad: Detekce spamu (e-maily označené jako spam/ne-spam).
2. Unsupervised Learning (Učení bez učitele):
   1. Model dostane jen data, hledá v nich strukturu sám.
   2. Příklad: Segmentace zákazníků (shlukování podobných nákupních chování).
3. Reinforcement Learning (Posilované učení):
   1. Agent se učí metodou pokus-omyl v prostředí, kde dostává odměny nebo tresty.
   2. Příklad: Trénování robotů k chůzi nebo AI hrající šachy (AlphaZero).

Velké technologické firmy (Big Tech) dnes nejsou jen uživateli ML, ale hlavními tvůrci nástrojů a výzkumu.

Google se definuje jako „AI First“ společnost.

• Výzkum: Vlastní laboratoř Google DeepMind (tvůrci AlphaGo, AlphaFold).
• Infrastruktura: Vyvinuli vlastní čipy TPU (Tensor Processing Unit) pro akceleraci ML.
• Framework: Vytvořili TensorFlow, jednu z nejpopulárnějších knihoven pro ML.
• Produkty: Vyhledávání, překladač, Gemini.

Meta sází na otevřenost a sociální interakce.

• Open Source: Vyvinuli PyTorch (dnes standard v akademickém výzkumu i průmyslu) a zveřejňují modely řady Llama. Tím demokratizují přístup k velkým modelům.
• Cíl: Využití AI pro doporučování obsahu (Instagram Reels) a budování Metaverse.

Microsoft zvolil strategii partnerství a integrace.

• OpenAI: Investovali miliardy dolarů do tvůrce ChatGPT, čímž získali exkluzivní přístup k modelům GPT pro své produkty.
• Copilot: Masivní integrace AI do Windows, Office 365 a GitHubu.
• Azure AI: Poskytování cloudové infrastruktury pro trénink modelů jiných firem.

Ačkoliv jde primárně o hardwarovou firmu, je dnes nejdůležitějším hráčem v AI.

• Hardware: Jejich grafické karty (GPU) H100/B200 jsou „lopatami ve zlaté horečce“. Prakticky všechny moderní neuronové sítě se trénují na čipech Nvidia.
• CUDA: Softwarová vrstva, která uzamkla vývojáře v ekosystému Nvidia.

Zaměřuje se na praktické využití a B2B služby.

• Bedrock & SageMaker: Platformy, které umožňují firmám snadno stavět a nasazovat vlastní ML modely v cloudu.
• Logistika: ML řídí jejich sklady, roboty a predikci poptávky.

• Multimodalita: Modely, které „vidí“, „slyší“ a „mluví“ zároveň.
• Edge AI: Přesun inteligence z cloudu přímo do zařízení (mobily, IoT), kvůli soukromí a rychlosti.
• Etika a regulace: Řešení problémů jako bias (předpojatost), deepfakes a autorská práva (EU AI Act).

Související články:

• Přehled ML algoritmů
• Velké jazykové modely (LLM)
• Grafické akcelerátory pro AI

Tagy: ai ml neural_networks deep_learning historie big_tech