მანქანური სწავლება (Machine learning, ML) არის ხელოვნური ინტელექტის მიმართულება, სადაც კომპიუტერი წესებს პროგრამისტისგან კი არ იღებს, არამედ თავად სწავლობს მონაცემებზე დაყრდნობით და ამ ცოდნას ახალ შემთხვევებზე იყენებს.
რით განსხვავდება ჩვეულებრივი პროგრამირებისგან
ჩვეულებრივ პროგრამაში ადამიანი წერს წესებს: „თუ წერილში არის ეს სიტყვები, ის სპამია“. მანქანურ სწავლებაში სისტემას აძლევ ათასობით წერილს, რომლებსაც უკვე აწერია „სპამი“ ან „არა სპამი“, და ალგორითმი თავად პოულობს ნიშნებს, რომლებითაც მათ ერთმანეთისგან არჩევს. შედეგად მიღებულ, გაწვრთნილ სისტემას „მოდელი“ ჰქვია.
ძირითადი სახეები
- სწავლება მასწავლებლით (supervised) – მოდელი სწავლობს მონიშნულ მაგალითებზე, სადაც სწორი პასუხი ცნობილია. მაგალითად, ფასის პროგნოზი ან სურათის კლასიფიკაცია.
- სწავლება მასწავლებლის გარეშე (unsupervised) – მოდელი მონიშვნის გარეშე პოულობს ჯგუფებს და კანონზომიერებებს, მაგალითად მსგავსი მომხმარებლების სეგმენტებს.
- განმტკიცებით სწავლება (reinforcement) – სისტემა ცდისა და შეცდომის გზით სწავლობს და „ჯილდოს“ მაქსიმიზაციას ცდილობს. ასე სწავლობენ, მაგალითად, თამაშების AI-ები.
დიდი ენობრივი მოდელების შექმნაში ამ მიდგომების კომბინაცია გამოიყენება.
ყოველდღიური მაგალითები
- ელფოსტის სპამის ფილტრი;
- ბანკის მიერ საეჭვო ტრანზაქციების აღმოჩენა;
- ონლაინ მაღაზიისა და სტრიმინგის რეკომენდაციები;
- რუკის აპლიკაციაში მგზავრობის დროის პროგნოზი.
ML, ღრმა სწავლება და AI
ეს სამი ცნება ხშირად ერევათ. AI ყველაზე ფართო ცნებაა: ნებისმიერი სისტემა, რომელიც „ინტელექტუალურ“ ამოცანას ასრულებს. მანქანური სწავლება AI-ის ქვესიმრავლეა, ღრმა სწავლება კი მანქანური სწავლების სახეობა, რომელიც მრავალშრიან ნეირონულ ქსელებს იყენებს. დღევანდელი LLM-ები ღრმა სწავლების პროდუქტია.
პრაქტიკული რჩევა
მოდელი იმდენად კარგია, რამდენადაც მისი მონაცემები. თუ მონაცემები მიკერძოებული ან არასრულია, მოდელიც იგივე შეცდომებს გაიმეორებს. ამიტომ ML პროექტებში დროის დიდი ნაწილი მონაცემების შეგროვებასა და გაწმენდას ეთმობა და არა თავად ალგორითმს. AI-ის განსხვავებული ტიპების შესახებ იხილე ხელოვნური ინტელექტის 7 ტიპი.
დაკავშირებული ტერმინები
ღრმა სწავლება · ნეირონული ქსელი · ფაინ-თიუნინგი · LLM · გენერაციული AI
ხშირად დასმული კითხვები
რა განსხვავებაა AI-სა და მანქანურ სწავლებას შორის?
AI ფართო სფეროა, მანქანური სწავლება კი მისი ნაწილი: მეთოდი, რომლითაც სისტემა მონაცემებიდან სწავლობს წინასწარ დაწერილი წესების ნაცვლად.
მანქანური სწავლების შესასწავლად რა მჭირდება?
საფუძვლად გამოგადგება პროგრამირება (ხშირად Python), სტატისტიკა და ალგებრის საბაზისო ცოდნა. ბევრი უფასო ონლაინ კურსიც არსებობს.
რატომ არის მონაცემები ასეთი მნიშვნელოვანი?
მოდელი მხოლოდ იმას სწავლობს, რაც მონაცემებშია. ცუდი ან მიკერძოებული მონაცემი ცუდ და მიკერძოებულ შედეგს იძლევა.
შეჯამება
მანქანური სწავლება არის მიდგომა, რომელმაც AI წესების ხელით წერიდან მონაცემებზე სწავლებაზე გადაიყვანა. სწორედ ის დგას სპამის ფილტრიდან ChatGPT-მდე თითქმის ყველა თანამედროვე AI სისტემის უკან.