Svaki put kad Netflix predloži film koji stvarno želiš gledati — machine learning.
Svaki put kad Gmail prepozna spam prije nego ga vidiš — machine learning.
Svaki put kad banka blokira sumnjivu transakciju na tvojoj kartici za sekunde — machine learning.
Machine learning je posvuda. Radi u pozadini svake digitalne usluge koju koristiš svaki dan. I unatoč tome — ili možda baš zato — većina ljudi ne razumije što zapravo jest.
Nije to nedostatak inteligencije. To je nedostatak objašnjenja koje ima smisla.
U ovom tekstu objašnjavamo što je machine learning na način koji svako može razumjeti — bez matematičkih formula, bez tehničkog žargona koji više zamagljuje nego pojašnjava. S analogijama, primjerima i konkretnim slučajevima koji pokazuju kako ova tehnologija funkcionira u stvarnom životu.
Što je machine learning — definicija koja ima smisla
Učenje iz iskustva — ali za računala
Machine learning — strojno učenje na hrvatskom — grana je računalne znanosti koja se bavi izgradnjom sustava koji uče iz podataka.
Klasičan računalni program funkcionira prema pravilima koja je programer eksplicitno napisao. Ako temperatura prelazi 30 stupnjeva, prikaži upozorenje. Ako email sadrži određene riječi, označi kao spam. Svako pravilo napisao je čovjek.
Machine learning radi fundamentalno drugačije. Umjesto da programer piše pravila — algoritam ih sam uči iz primjera.
Analogija koja pomaže
Zamislaj da učiš dijete razlikovati mačke od pasa. Ne daješ mu priručnik s pravilima — “mačka ima šiljate uši, pas ima zaobljene, mačka ima vertikalne zjenice…” Pokazuješ mu fotografije. “Ovo je mačka. Ovo je pas. Ovo je mačka. Ovo je pas.”
Nakon dovoljno primjera, dijete nauči prepoznavati — čak i kad vidi životinju koju nikad ranije nije vidjelo.
Machine learning radi isto — samo s milijunima primjera umjesto s tisućama, i s algoritmima koji traže matematičke uzorke umjesto s mozgom koji intuitivno generalizira.
Ključna razlika od klasičnog programiranja
| Klasično programiranje | Machine learning |
| Čovjek piše pravila | Algoritam uči pravila iz podataka |
| Pravila su eksplicitna | Pravila su implicitna u modelu |
| Radi dobro za predvidive situacije | Radi dobro za kompleksne uzorke |
| Teško se prilagođava novim situacijama | Može generalizirati na nove primjere |
Kako machine learning zaista funkcionira
Tri koraka koji čine sve
Bez obzira na konkretnu vrstu machine learninga ili algoritam koji se koristi — temeljni proces uvijek se svodi na tri koraka.
Korak 1 — Podaci
Svaki machine learning model počinje s podacima. Puno podataka. Što više, to bolje.
Podaci mogu biti fotografije, tekstovi, brojevi, zvukovi, videa — bilo što što se može digitalizirati i strukturirati. Ali ključno je da podaci sadrže uzorke koje algoritam može naučiti.
Ako trebaš model koji prepoznaje spam emailove — trebaš tisuće primjera spam emailova i tisuće primjera legitimnih emailova. Ako trebaš model koji predviđa cijene nekretnina — trebaš podatke o tisućama prodaja nekretnina s karakteristikama i cijenama.
Bez kvalitetnih podataka, nema machine learninga. Ovo je fundamentalno — i razlog zašto se kaže da su podaci “novo zlato.”
Korak 2 — Treniranje
Treniranje je proces u kojemu algoritam prolazi kroz podatke i uči uzorke.
Matematički, to je optimizacijski problem. Algoritam ima skup parametara — zamislaj ih kao tisuće ili milijune “knobova” koji se mogu okretati. Na početku su ti parametri nasumični. Algoritam prolazi kroz podatke, pravi predviđanja i mjeri koliko su loša. Zatim prilagođava parametre da smanji grešku. I ponavlja. Milijunima puta.
Na kraju ovog procesa, parametri su podešeni tako da model daje dobre predviđanje za podatke koje je vidio.
Korak 3 — Evaluacija i primjena
Trenirani model testira se na podacima koje nije vidio tijekom treniranja — da bi se provjerilo generalizira li dobro na nove primjere ili je samo “napamtio” trenirnaske podatke.
Ako model radi dobro na novim podacima — spreman je za primjenu u stvarnom svijetu.
Vrste machine learninga — tri temeljna pristupa
Nadzirano učenje
Nadzirano učenje (supervised learning) najčešća je i najrazumljivija vrsta machine learninga.
U nadziranom učenju, algoritam dobiva primjere koji su označeni — svaki ulaz ima poznati izlaz. Email označen kao spam ili ne-spam. Fotografija označena kao mačka ili pas. Transakcija označena kao fraudulentna ili legitimna.
Algoritam uči mapiranje između ulaza i izlaza — i može predvidjeti izlaz za nove, neoznačene primjere.
Primjeri u svakodnevnom životu
Spam filter uči iz tisuća emailova označenih kao spam ili nije spam. Medicinska dijagnostika iz rentgenskih snimki označenih kao bolest prisutna ili odsutna. Kreditni scoring iz historijskih podataka o zajmoprimcima označenim kao platio ili nije platio.
Nenadzirano učenje
Nenadzirano učenje (unsupervised learning) radi bez označenih primjera. Algoritam dobiva podatke i sam pronalazi uzorke i strukturu.
Ovo je teže — jer nema “pravog odgovora” s kojim algoritam može usporediti svoje nalaze. Ali je iznimno korisno za otkrivanje skrivene strukture u podacima.
Primjeri u svakodnevnom životu
Segmentacija kupaca — grupranje kupaca u segmente prema ponašanju bez unaprijed definiranih kategorija. Preporuke sadržaja — otkrivanje sličnosti između korisnika koji nisu eksplicitno definirane. Anomaly detection — identifikacija transakcija koje se razlikuju od uobičajenih uzoraka.
Učenje pojačavanjem
Učenje pojačavanjem (reinforcement learning) fundamentalno je drugačiji pristup — inspiriran načinom na koji životinje i djeca uče kroz nagradu i kaznu.
Agent djeluje u okruženju, prima nagrade za dobre akcije i kazne za loše, i s vremenom uči strategiju koja maksimizira ukupnu nagradu.
Primjeri koji su promijenili povijest
AlphaGo koji je pobijedio svjetskog prvaka u igri Go — igri toliko kompleksnoj da su stručnjaci mislili da će trebati desetljećima da AI dostigne razinu profesionalnih igrača.
Autonomni roboti koji uče hodati, manipulirati predmetima i navigirati kompleksnim okruženjima.
Preporučni algoritmi koji uče što sadržaja maksimizira engagement korisnika.
Ključni koncepti koje je vrijedno razumjeti
Overfitting — kada model nauči previše
Overfitting je jedan od najčešćih problema u machine learningu — i jedna od najvažnijih intuicija za razumijevanje kako modeli mogu poći krivo.
Zamislaj studenta koji uči za ispit memoriranjem svih primjera iz udžbenika — bez razumijevanja principa. Na ispitu koji sadrži iste primjere, bit će savršen. Na ispitu s novim primjerima koji testiraju razumijevanje — propast će.
Model koji ima overfitting naučio je “napamtiti” podatke za treniranje — uključujući šum i slučajnosti u tim podacima — ali nije naučio generalizabilne uzorke. Radi savršeno na podacima koje je vidio, loše na novima.
Underfitting — kada model nauči premalo
Suprotni problem: model koji je prejednostavan za uhvatiti prave uzorke u podacima. Student koji se uopće nije učio i daje iste odgovore na sva pitanja.
Bias-Variance Tradeoff
Ravnoteža između overfitting i underfitting fundamentalni je izazov u machine learningu. Premalo kompleksan model — underfitting. Previše kompleksan — overfitting. Pravi model je negdje između.
Feature engineering
Podaci rijetko dolaze u obliku koji je direktno koristan za machine learning. Feature engineering je proces transformacije sirovih podataka u reprezentacije koje algoritam može učinkovito koristiti.
Iz datuma transakcije — dan u tjednu, doba dana, je li praznik. Iz teksta emaila — frekvencija određenih riječi, duljina, broj interpunkcija. Ovo je i umjetnost i znanost.
Machine learning u praksi — gdje ga susrećeš svaki dan
Na mobitelu
Face ID i prepoznavanje lica Svaki put kad otključaš iPhone licem, CNN (convolutional neural network) — vrsta dubokog učenja — prepoznaje tvoje lice iz milijuna mogućih lica u djeliću sekunde.
Autocorrect i prediktivni tekst Jezik model koji predviđa sljedeću riječ dok tipkaš treniran je na milijardama rečenica. Nije uvijek u pravu — ali s vremenom se prilagođava tvom stilu pisanja.
Glasovni asistenti Siri, Google Assistant, Alexa — kombinacija modela za prepoznavanje govora, razumijevanje prirodnog jezika i generiranje odgovora. Svaki od ovih koraka temelji se na machine learningu.
Na internetu
Google pretraga Algoritam koji razumije namjeru iza pretrage — ne samo ključne riječi — koristi machine learning za razumijevanje konteksta i relevantnosti.
YouTube i Netflix preporuke Collaborative filtering kombiniran s deep learningom analizira što si gledao/la, koliko dugo, što si preskočio/la i što gledaju korisnici sa sličnim ukusom — i predviđa što ćeš htjeti gledati sljedeće.
Gmail spam filter Naivni Bayesov klasifikator i napredni neuralni modeli kontinuirano uče iz novih primjera spama — prilagođavajući se taktikama koje spammeri mijenjaju.
U financijama
Fraud detection Svaka transakcija kreditnom karticom prolazi kroz ML model koji procjenjuje je li fraudulentna — u milisekundama, bez ikakvog utjecaja na normalno korištenje.
Algoritmičko trgovanje ML modeli koji analiziraju tržišne podatke, vijesti i alternativne izvore donose trgovinske odluke brže nego što čovjek može reagirati.
U zdravstvu
Dijagnostika medicinskih snimki Modeli koji analiziraju rentgenske snimke, MRI i CT slike za detekciju tumora, fraktura i drugih abnormalnosti — s preciznošću koja je jednaka ili veća od specijalista.
Duboko učenje — posebna vrsta machine learninga
Zašto je deep learning revolucionirao AI
Duboko učenje (deep learning) posebna je vrsta machine learninga koja koristi neuralne mreže s mnogo slojeva — odakle i naziv “duboko.”
Revolucija dubokog učenja počela je 2012. kada je AlexNet — deep learning model — dramatično nadmašio sve konkurente na ImageNet natjecanju u prepoznavanju slika. Od tada, deep learning dominira u računalnom vidu, prepoznavanju govora i obradi prirodnog jezika.
Zašto su duboke neuralne mreže moćne
Svaki sloj neuralne mreže uči sve apstraktnije reprezentacije podataka.
Za prepoznavanje slika: prvi sloj uči rubove i linije. Drugi sloj kombinira rubove u oblike. Treći sloj kombinira oblike u dijelove tijela. Četvrti sloj kombinira dijelove u prepoznatljive objekte.
Ova hijerarhija reprezentacija omogućuje modelima da uhvate iznimno kompleksne uzorke — ali zahtijeva i enormne količine podataka i računalne moći za treniranje.
Veliki jezični modeli kao vrhunac dubokog učenja
GPT-4, Claude, Gemini — veliki jezični modeli koji pokreću moderne AI asistente — jesu deep learning modeli trenirani na stotinama milijardi riječi teksta.
Transformer arhitektura koja stoji iza njih — revolucija iz 2017. — omogućuje modelima da uhvate dugotrajne ovisnosti u tekstu i generiraju koherentne, relevantne odgovore.
Ograničenja i izazovi machine learninga
Gdje machine learning pada kratko
Potreba za velikim količinama podataka
Machine learning generalno zahtijeva puno podataka za treniranje. Za probleme gdje su označeni podaci skupi ili rijetki — medicinska dijagnostika rijetkih bolesti, npr. — ovo je značajna prepreka.
Few-shot learning i transfer learning — tehnike koje omogućuju učenje iz malog broja primjera prenosom znanja iz srodnih domena — adresiraju ovaj problem ali ga ne eliminiraju.
Interpretabilnost i black box problem
Kompleksni deep learning modeli teško su objašnjivi. Model može dati točno predviđanje — ali ne može jasno objasniti zašto.
Za primjene gdje je objašnjenje nužno — medicinska dijagnoza, kreditna odluka, pravosudna procjena — ovo je ozbiljan problem koji Explainable AI istraživačko polje pokušava riješiti.
Pristranost u podacima
Machine learning modeli reproduciraju pristranosti u podacima na kojima su trenirani. Historijski podaci koji reflektiraju diskriminaciju — u zapošljavanju, kreditiranju, kaznenom pravosuđu — daju modele koji tu diskriminaciju reproduciraju.
Ovo nije tehnički problem koji se može riješiti boljim algoritmima. To je strukturalni problem koji zahtijeva svjesnu intervenciju u odabiru i procesiranju podataka.
Distributional shift
Model koji radi dobro na podacima koji su slični trenirnaskim podacima može jako loše raditi na podacima koji su iz drugog distribucije.
COVID pandemija je dramatično pokazala ovaj problem — financijski modeli i modeli upravljanja lancem opskrbe trenirani na pre-pandemijskim podacima bili su beskorisni ili štetni u pandemijskim uvjetima.
Machine learning vs. AI vs. deep learning — razjašnjenje zbunjenosti
Odnos koji zbunjuje mnoge
Pojmovi se često koriste naizmjenično — ali nisu sinonimi.
Umjetna inteligencija (AI) je najširi pojam — svaki sustav koji pokazuje inteligentno ponašanje. Uključuje ekspertne sustave, logičko programiranje, robotiku i — machine learning.
Machine learning je podskup AI-ja — specifičan pristup gdje sustav uči iz podataka umjesto da slijedi eksplicitno programirana pravila.
Deep learning je podskup machine learninga — specifična vrsta koja koristi duboke neuralne mreže. Revolucionirala je određene domene — računalni vid, NLP — ali nije jedini ni uvijek najbolji pristup.
Analogija: AI je kao “prijevozna sredstva.” Machine learning je “automobili.” Deep learning je “električni automobili.” Svaki električni automobil je automobil je prijevozno sredstvo — ali nisu sva prijevozna sredstva električni automobili.
Budućnost machine learninga — kamo idemo
Trendovi koji oblikuju sljedeće desetljeće
Foundation models i transfer learning
Umjesto treniranja novog modela za svaki zadatak od nule — treniraju se veliki “foundation models” na ogromnim količinama podataka, a zatim se fine-tune za specifične primjene.
GPT, BERT, DALL-E — svi su to foundation models. Ovaj pristup demokratizira machine learning jer manje organizacije mogu koristiti predtrenirane modele bez potrebe za enormnim resursima.
Multimodalni modeli
Modeli koji istovremeno razumiju tekst, slike, zvuk i video — umjesto zasebnih modela za svaku modalnost. GPT-4V, Gemini Ultra — rani primjeri multimodalnog machine learninga koji postaje standard.
Edge AI
Machine learning koji se izvodi direktno na uređaju — mobitelu, IoT senzoru, automobilu — bez slanja podataka u cloud. Niža latencija, bolja privatnost, funkcioniranje bez internet veze.
Kvantno machine learning
Istraživačko polje koje istražuje kako kvantna računala mogu ubrzati određene machine learning algoritme. Još uvijek daleko od praktične primjene — ali potencijalno transformativno za određene klase problema.
Najčešće zablude o machine learningu
- “Machine learning je isto što i AI” — machine learning je jedan pristup unutar šireg polja AI-ja. Postoje i drugi pristupi — simbolička AI, ekspertni sustavi, logičko programiranje.
- “Machine learning uvijek daje točne odgovore” — daje probabilistične procjene, ne sigurne odgovore. Svaki ML model ima stopu grešaka — i razumijevanje te stope ključno je za odgovornu primjenu.
- “Više podataka uvijek znači bolji model” — kvaliteta podataka je jednako važna kao količina. Milijun loše označenih ili pristrani primjera može dati lošiji model od sto tisuća kvalitetnih.
- “Machine learning razumije ono što uči” — ne razumije u ljudskom smislu. Uči statističke uzorke — što može izgledati kao razumijevanje ali je fundamentalno drugačije.
- “Machine learning je previše kompleksno za ne-tehničare” — intuitivno razumijevanje machine learninga — što je, kako funkcionira, gdje se primjenjuje — dostupno je svakome. Matematički detalji su za stručnjake. Konceptualno razumijevanje — za svakoga.
⚡ Brzi savjeti — kako naučiti više o machine learningu
- Coursera Machine Learning Specialization Andrew Nga — zlatni standard za uvod u ML bez pretjeranog matematičkog predznanja
- Fast.ai — praktični pristup dubokom učenju koji počinje s primjenama, ne teorijom
- Kaggle — platforma s besplatnim tečajevima i natjecanjima gdje možeš primijeniti znanje na stvarnim podacima
- 3Blue1Brown YouTube kanal — vizualne animacije koje objašnjavaju neuralne mreže intuitivno
- Google’s “Machine Learning Crash Course” — besplatan i pristupačan uvod od kompanije koja je u srcu ML revolucije
FAQ
- Treba li mi znanje matematike za razumijevanje machine learninga? Za konceptualno razumijevanje — ne. Za implementaciju i istraživanje — da, posebno linearna algebra, statistika i račun. Ali postoje izvrsni alati i biblioteke (scikit-learn, TensorFlow, PyTorch) koji apstrahiraju matematičke detalje i omogućuju primjenu ML-a s relativno skromnim matematičkim predznanjem.
- Koja je razlika između machine learninga i statistike? Granica je zamagljena i stručnjaci se ne slažu uvijek. Gruba razlika: statistika se fokusira na inferiranje o populaciji iz uzorka uz eksplicitne pretpostavke o distribuciji podataka. Machine learning fokusira se na predviđanje i generalizaciju s manje eksplicitnih pretpostavki, koristeći kompleksnije modele i veće skupove podataka. U praksi, mnoge ML tehnike su statističke metode pod drugačijim imenom.
- Može li machine learning naučiti bilo što iz dovoljno podataka? Ne — postoje fundamentalna ograničenja. No Free Lunch teorem govori da ne postoji algoritam koji je generalno superioran za sve probleme. Machine learning radi dobro za probleme gdje postoji stvarni uzorak u podacima koji se može generalizirati. Za probleme koji su inherentno nepredvidivi ili kaotični — nije bolji od slučajnog pogađanja.
- Koliko dugo traje treniranje machine learning modela? Ogromna varijacija — od sekundi za jednostavne modele na malim podacima do tjedana za treniranje velikih jezičnih modela na tisućama GPU-ova. GPT-4 treniranje trajalo je procijenjeno tjednima na ogromnoj infrastrukturi. Inference — korištenje već treniranog modela — generalno je puno brže od treniranja.
- Je li machine learning siguran za kritične primjene poput medicine i autonomnih vozila? Ovisi o primjeni, razini nadzora i standardima validacije. ML sustavi u medicini prolaze kroz stroge kliničke studije i regulatornu certifikaciju. Autonomna vozila kombiniraju ML s redundantnim sustavima i ekstenzivnim testiranjem. Ključno je razumjeti gdje model može pogriješiti i osigurati da su posljedice grešaka prihvatljive — uz odgovarajući ljudski nadzor za kritične odluke.
Zaključak — tehnologija koja je svuda, razumljiva svakome
Machine learning nije misteriozna crna kutija dostupna samo matematičarima i programerima. To je elegantna ideja — učenje iz primjera — implementirana u razmjeru koji je transformirao svaki aspekt digitalnog života.
Svaki put kad ti Netflix predloži nešto što zaista želiš gledati, svaki put kad Gmail prepozna spam i svaki put kad banka zaustavi fraudulentnu transakciju — machine learning je tih saveznik koji radi u pozadini.
Razumjeti što je machine learning, kako funkcionira i gdje ima ograničenja nije privilegija tehničkih stručnjaka. To je postalo dio digitalne pismenosti koja je u 21. stoljeću jednako važna kao čitanje i pisanje.
Jer tehnologija koja oblikuje svaki aspekt našeg života — zaslužuje da je razumijemo.