Sólin Sólin Rís 09:53 • sest 17:32 í Reykjavík
Tunglið Tunglið Rís 18:01 • Sest 11:02 í Reykjavík
Flóð Flóð Árdegis: 07:05 • Síðdegis: 19:23 í Reykjavík
Fjaran Fjara Árdegis: 00:55 • Síðdegis: 13:22 í Reykjavík

Hvað er vélrænt nám og mun það leysa lækna af hólmi í framtíðinni?

Kristinn R. Þórisson

Upprunalega spurningin hljóðaði svona:

Hvað er vélrænt nám (e. machine learning) og er það rétt hjá syni mínum að það muni leysa lækna af hólmi?

Á öðrum áratugi þessarar aldar var þróuð aðferðafræði, svokallað djúptauganet (e. deep neural network) sem hentar vel til sjálfvirkrar greiningar og flokkunar á flóknu og miklu gagnamagni. Slík gervitauganet (e. artificial neural nets), en það er yfirheiti tækninnar, virka einkum vel þegar óljóst er hvaða reglum og aðferðum mætti beita við að finna ákveðin merki í gögnum, til dæmis hvort ákveðna hluti megi finna á myndum eða hvort hljóðupptökusafn innihaldi ákveðin hljóð eða orð. Þá eru gervitauganetin mótuð með völdu safni gagna með þar til gerðum reikniaðgerðum, og er það kallað „nám“ eða „þjálfun“ gervitauganetsins. Í megindráttum byggir tæknin á tengslaneti sem er mótað með gögnum svipuðum þeim sem kerfið á síðan að flokka - hvort sem um að ræða fisk á færibandi í pökkunarvél, veginn framundan í „sjálfkeyrandi“ bíl, eða mynstur á röntgenmynd.

Í ljósi þess að sífellt fleiri upplýsingar eru nú tiltækar á stafrænu formi hefur tæknin þegar nýst í ýmsum tilgangi, enda afköstin við nýtingu vel þjálfaðs gervitauganets til valinna verka yfirleitt margfalt meiri en myndi svara kostnaði ef verkin væru framkvæmd af manneskjum. Tæknin er því oft notuð til að framkvæma ný verk sem var hreinlega of dýrt að framkvæma áður. Tæknirisar heimsins hafa aðgang að miklu gagnamagni og reiknigetu, sem er lykill að góðum árangri í hagnýtingu gervitauganeta. Vegna aukins framboðs á hugbúnaði sem auðveldar þjálfun og beitingu gervitauganeta eykst áhugi á hagnýtingu þeirra líka sífellt hjá öðrum fyrirtækjum og ríkisstofnunum, þar með talið á Íslandi, þótt gagnafæð smærri fyrirtækja - það er að segja lítil gagnasöfn þeirra - takmarki töluvert möguleika á sjálfvirknivæðingu með aðferðafræði djúptauganeta.

Á öðrum áratugi þessarar aldar var þróuð aðferðafræði, svokallað djúptauganet sem hentar vel til sjálfvirkrar greiningar og flokkunar á flóknu og miklu gagnamagni.

Uppruna hugmynda manna um vélar sem geta lært má rekja að minnsta kosti 100 ár aftur í tímann, áður en rannsóknarsvið sem kallast gervigreind (e. artificial intelligence) var stofnað í nokkrum háskólum í Bandaríkjunum árið 1956. Síðan þá hafa viðfangsefni sviðsins beinst að smíðum véla sem geta innt af hendi verkefni sem áður kröfðust hugsunar. Gervitauganet komu fyrst á sjónarsviðið á sjötta áratug síðustu aldar, en þrátt fyrir nafnið eiga þau nánast ekkert sameiginlegt með náttúrulegum tauganetum. Þau byggja fyrst og fremst á tölfræðilegum reiknireglum og eru ýmsum takmörkunum háð vegna þessa, meðal annars geta þau ekki fært rök fyrir ákvörðunum sínum, borið saman ólík svör við sömu spurningu, eða uppfært þekkingu sína sjálfvirkt í ljósi nýrra staðreynda.

Þegar hugtakið vélrænt nám (e. machine learning) er túlkað þröngt vísar það yfirleitt einungis til gervitauganeta, og er það þá einfaldlega yfirheiti yfir djúptauganet og aðra skylda tækni. Þegar hugtakið er túlkað vítt vísar það hins vegar til véla framtíðarinnar sem gætu hugsanlega lært á sama hátt og manneskja: stöðugt, og á rökhugsunargrunni. Slíkar vélar gætu væntanlega einnig lært upp á eigin spýtur og metið gæði eigin þekkingar þannig að þær taki ekki óþarfa áhættu - líkt og flestir sem myndu til dæmis afþakka boð um að lenda risaþotu ef þeir hafa ekki einu sinni ekið bíl. Hugbúnað með þann hæfileika er aðeins að finna á rannsóknarstofum gervigreindarvísindamanna, enn sem komið er.

Með framförum næstu ára og áratuga í gervigreindarrannsóknum má reikna með að vélar sjái sjálfvirkt um sífellt fleiri verkefni. Hvort eða hvenær vélar taki við stórum eða öllum verkþáttum í starfi lækna - eða annarra starfsstétta - er útilokað að segja til um, enda undir mörgum þáttum komið. Ef það gerist einhvern tímann eru hins vegar litlar sem engar líkur á að slíkt byggi alfarið á gervitauganetum eins og þau virka í dag. Starf lækna er fjölbreytt, síbreytileg og krefst verulegrar hæfni og þjálfunar byggða á skilningi á orsakasamhengi og beitingu rökhugsunar - nokkuð sem gervitauganet eru ekki fær um. Slík tækni krefst eflaust töluverðra rannsókna og þróunar á nýjum aðferðum og nálgun.

Mynd:

Höfundur

Kristinn R. Þórisson

prófessor í tölvunarfræði við HR og stjórnandi Vitvélastofnunar Íslands

Útgáfudagur

19.1.2023

Spyrjandi

Þröstur Pétursson

Tilvísun

Kristinn R. Þórisson. „Hvað er vélrænt nám og mun það leysa lækna af hólmi í framtíðinni?“ Vísindavefurinn, 19. janúar 2023. Sótt 6. febrúar 2023. http://visindavefur.is/svar.php?id=84102.

Kristinn R. Þórisson. (2023, 19. janúar). Hvað er vélrænt nám og mun það leysa lækna af hólmi í framtíðinni? Vísindavefurinn. Sótt af http://visindavefur.is/svar.php?id=84102

Kristinn R. Þórisson. „Hvað er vélrænt nám og mun það leysa lækna af hólmi í framtíðinni?“ Vísindavefurinn. 19. jan. 2023. Vefsíða. 6. feb. 2023. <http://visindavefur.is/svar.php?id=84102>.

Chicago | APA | MLA

Spyrja

Sendu inn spurningu LeiðbeiningarTil baka

Hér getur þú sent okkur nýjar spurningar um vísindaleg efni.

Hafðu spurninguna stutta og hnitmiðaða og sendu aðeins eina í einu. Einlægar og vandaðar spurningar um mikilvæg efni eru líklegastar til að kalla fram vönduð og greið svör. Ekki er víst að tími vinnist til að svara öllum spurningum.

Persónulegar upplýsingar um spyrjendur eru eingöngu notaðar í starfsemi vefsins, til dæmis til að svör verði við hæfi spyrjenda. Spurningum er ekki sinnt ef spyrjandi villir á sér heimildir eða segir ekki nægileg deili á sér.

Spurningum sem eru ekki á verksviði vefsins er eytt.

Að öðru leyti er hægt að spyrja Vísindavefinn um allt milli himins og jarðar!

=

Senda grein til vinar

=

Hvað er vélrænt nám og mun það leysa lækna af hólmi í framtíðinni?
Upprunalega spurningin hljóðaði svona:

Hvað er vélrænt nám (e. machine learning) og er það rétt hjá syni mínum að það muni leysa lækna af hólmi?

Á öðrum áratugi þessarar aldar var þróuð aðferðafræði, svokallað djúptauganet (e. deep neural network) sem hentar vel til sjálfvirkrar greiningar og flokkunar á flóknu og miklu gagnamagni. Slík gervitauganet (e. artificial neural nets), en það er yfirheiti tækninnar, virka einkum vel þegar óljóst er hvaða reglum og aðferðum mætti beita við að finna ákveðin merki í gögnum, til dæmis hvort ákveðna hluti megi finna á myndum eða hvort hljóðupptökusafn innihaldi ákveðin hljóð eða orð. Þá eru gervitauganetin mótuð með völdu safni gagna með þar til gerðum reikniaðgerðum, og er það kallað „nám“ eða „þjálfun“ gervitauganetsins. Í megindráttum byggir tæknin á tengslaneti sem er mótað með gögnum svipuðum þeim sem kerfið á síðan að flokka - hvort sem um að ræða fisk á færibandi í pökkunarvél, veginn framundan í „sjálfkeyrandi“ bíl, eða mynstur á röntgenmynd.

Í ljósi þess að sífellt fleiri upplýsingar eru nú tiltækar á stafrænu formi hefur tæknin þegar nýst í ýmsum tilgangi, enda afköstin við nýtingu vel þjálfaðs gervitauganets til valinna verka yfirleitt margfalt meiri en myndi svara kostnaði ef verkin væru framkvæmd af manneskjum. Tæknin er því oft notuð til að framkvæma ný verk sem var hreinlega of dýrt að framkvæma áður. Tæknirisar heimsins hafa aðgang að miklu gagnamagni og reiknigetu, sem er lykill að góðum árangri í hagnýtingu gervitauganeta. Vegna aukins framboðs á hugbúnaði sem auðveldar þjálfun og beitingu gervitauganeta eykst áhugi á hagnýtingu þeirra líka sífellt hjá öðrum fyrirtækjum og ríkisstofnunum, þar með talið á Íslandi, þótt gagnafæð smærri fyrirtækja - það er að segja lítil gagnasöfn þeirra - takmarki töluvert möguleika á sjálfvirknivæðingu með aðferðafræði djúptauganeta.

Á öðrum áratugi þessarar aldar var þróuð aðferðafræði, svokallað djúptauganet sem hentar vel til sjálfvirkrar greiningar og flokkunar á flóknu og miklu gagnamagni.

Uppruna hugmynda manna um vélar sem geta lært má rekja að minnsta kosti 100 ár aftur í tímann, áður en rannsóknarsvið sem kallast gervigreind (e. artificial intelligence) var stofnað í nokkrum háskólum í Bandaríkjunum árið 1956. Síðan þá hafa viðfangsefni sviðsins beinst að smíðum véla sem geta innt af hendi verkefni sem áður kröfðust hugsunar. Gervitauganet komu fyrst á sjónarsviðið á sjötta áratug síðustu aldar, en þrátt fyrir nafnið eiga þau nánast ekkert sameiginlegt með náttúrulegum tauganetum. Þau byggja fyrst og fremst á tölfræðilegum reiknireglum og eru ýmsum takmörkunum háð vegna þessa, meðal annars geta þau ekki fært rök fyrir ákvörðunum sínum, borið saman ólík svör við sömu spurningu, eða uppfært þekkingu sína sjálfvirkt í ljósi nýrra staðreynda.

Þegar hugtakið vélrænt nám (e. machine learning) er túlkað þröngt vísar það yfirleitt einungis til gervitauganeta, og er það þá einfaldlega yfirheiti yfir djúptauganet og aðra skylda tækni. Þegar hugtakið er túlkað vítt vísar það hins vegar til véla framtíðarinnar sem gætu hugsanlega lært á sama hátt og manneskja: stöðugt, og á rökhugsunargrunni. Slíkar vélar gætu væntanlega einnig lært upp á eigin spýtur og metið gæði eigin þekkingar þannig að þær taki ekki óþarfa áhættu - líkt og flestir sem myndu til dæmis afþakka boð um að lenda risaþotu ef þeir hafa ekki einu sinni ekið bíl. Hugbúnað með þann hæfileika er aðeins að finna á rannsóknarstofum gervigreindarvísindamanna, enn sem komið er.

Með framförum næstu ára og áratuga í gervigreindarrannsóknum má reikna með að vélar sjái sjálfvirkt um sífellt fleiri verkefni. Hvort eða hvenær vélar taki við stórum eða öllum verkþáttum í starfi lækna - eða annarra starfsstétta - er útilokað að segja til um, enda undir mörgum þáttum komið. Ef það gerist einhvern tímann eru hins vegar litlar sem engar líkur á að slíkt byggi alfarið á gervitauganetum eins og þau virka í dag. Starf lækna er fjölbreytt, síbreytileg og krefst verulegrar hæfni og þjálfunar byggða á skilningi á orsakasamhengi og beitingu rökhugsunar - nokkuð sem gervitauganet eru ekki fær um. Slík tækni krefst eflaust töluverðra rannsókna og þróunar á nýjum aðferðum og nálgun.

Mynd:...