Może nie zdajesz sobie z tego sprawy, ale przykłady uczenia maszynowego można znaleźć niemal wszędzie. Kiedy wpisujesz jakieś zapytanie w oknie wyszukiwarki, to właśnie uczenie maszynowe pozwala jej ustalić, jakie wyniki Ci pokazać (i jakie reklamy). Kiedy sprawdzasz maile, nie widzisz większości spamu, jaki trafia do Twojej skrzynki — bo dzięki uczeniu maszynowemu został odfiltrowany.Kiedy odwiedzasz Amazon, żeby kupić książkę, czy Netflix, żeby obejrzeć film, to pomocny system oparty na uczeniu maszynowym podpowiada inne rzeczy, które mogłyby Ci się spodobać. Facebook wykorzystuje uczenie maszynowe do wybierania, które posty Ci pokazać, a Twitter robi to samo z tweetami. Za każdym razem, kiedy używasz komputera, uczenie maszynowe w jakiś sposób bierze w tym udział.

  Tradycyjnym sposobem na to, żeby komputer zrobił cokolwiek — od dodania dwóch liczb po sterowanie samolotem — było do niedawna pisanie algorytmu, który w nieprawdopodobnie szczegółowy sposób objaśniał, jak to zrobić. Ale algorytmy uczenia maszynowego, nazywane również algorytmami uczącymi, są inne: same uczą się, jak coś robić, wyciągając wnioski z dostępnych danych. A im więcej danych mają do dyspozycji, tym lepiej sobie radzą. Nie programujemy już komputerów — komputery programują się same.   Dzieje się tak nie tylko w cyberprzestrzeni: cały Twój dzień, od przebudzenia do zaśnięcia, obfituje w przykłady uczenia maszynowego.   Twój budzik włącza radio o 7.00 rano. Puszcza piosenkę, której nie znasz, ale która bardzo Ci się podoba. Dzięki Pandorze uczy się Twoich gustów muzycznych, jak Twój osobisty DJ. Ba, uczenie maszynowe mogło nawet mieć udział przy tworzeniu tej piosenki. Jesz śniadanie i czytasz gazetę. Gazeta została wydrukowana kilka godzin temu, a za pomocą algorytmu uczącego cały proces został starannie wyregulowany, żeby uniknąć rozmazywania druku. Temperatura w Twoim domu jest dokładnie taka, jak lubisz, a wydatki za ogrzewanie znacznie spadły, odkąd masz nowy, uczący się termostat Nest.   Kiedy jedziesz do pracy, Twój samochód na bieżąco dostosowuje wtrysk paliwa i recyrkulację spalin, żeby uzyskać najwydajniejsze spalanie. Inrix, system przewidywania ruchu na drodze, umożliwia skrócenie czasu dojazdu w godzinach szczytu (a przede wszystkim pomaga Ci uniknąć stresu). W pracy uczenie maszynowe wspiera Cię w walce z przeładowaniem informacjami.   Korzystasz z kostki danych, żeby podsumować ogromne ilości danych, spojrzeć na nie z każdej strony i skupić się na najważniejszych częściach. Musisz zdecydować: czy układ A, czy B spowoduje większy ruch na Twojej stronie? Sieciowy system uczący się wypróbuje oba układy i przedstawi wyniki. Musisz przejrzeć stronę potencjalnego dostawcy, ale jest napisana w obcym języku? Nie ma sprawy: Google automatycznie ją dla Ciebie przetłumaczy. Twoje maile są wygodnie sortowane w foldery, tak że w skrzynce odbiorczej masz tylko najważniejsze z nich. Twój edytor tekstu sprawdza za Ciebie gramatykę i ortografię. Udaje Ci się znaleźć bilet na zaplanowany lot, ale nie kupujesz go od razu, bo Bing Travel przewiduje, że niedługo cena biletu spadnie. Być może nieświadomie, ale każdego dnia udaje Ci się zrobić więcej dzięki temu, że wspomaga Cię uczenie maszynowe.   Podczas przerwy w pracy sprawdzasz stan swoich funduszy inwestycyjnych. Większość z nich korzysta z uczących się algorytmów przy wybieraniu akcji, a jeden z nich jest w całości zarządzany przez uczący się system. W przerwie na lunch idziesz ulicą ze swoim smartfonem i szukasz miejsca na obiad. Uczący się system Yelp pomaga Ci je znaleźć. W Twoim telefonie jest masa uczących się algorytmów. Cały czas ciężko pracują, na przykład poprawiając literówki, reagując na komendy głosowe, zmniejszając liczbę błędów w transmisji czy rozpoznając kody kreskowe. Twój telefon potrafi nawet przewidywać, co będziesz robić w najbliższej przyszłości, i podawać Ci stosowne informacje. Na przykład kiedy kończysz lunch, dyskretnie przypomina Ci, że Twoje popołudniowe spotkanie zacznie się później, bo samolot Twojego gościa miał opóźnienie.   Zanim kończysz pracę, robi się ciemno. Uczenie maszynowe dba o Twoje bezpieczeństwo, kiedy wracasz do samochodu, bo monitoruje obraz z kamery przemysłowej na parkingu i informuje ochronę o wykryciu czegoś podejrzanego. Po drodze do domu zatrzymujesz się w supermarkecie, gdzie chodzisz alejkami, które ułożono z pomocą uczących się algorytmów: to one decydowały, w jakie towary zaopatrzyć sklep, jakie z nich ulokować na końcach alejek i czy salsa powinna stać w dziale sosów, czy obok chipsów o smaku tortilli. Płacisz kartą kredytową. Ofertę na wyrobienie tej karty przesłał Ci uczący się algorytm — i taki sam algorytm zatwierdził wniosek o jej wydanie. Inny algorytm nieustannie szuka podejrzanych transakcji i poinformuje Cię, jeżeli uzna, że Twój numer karty został skradziony. Jeszcze inny stara się ocenić stopień Twojego zadowolenia z karty. Jeżeli jest ono za niskie, a przy tym jesteś wartościowym klientem, może zaproponować Ci atrakcyjniejszą ofertę, zanim przejdziesz do konkurencji.   Wracasz do domu i podchodzisz do skrzynki na listy. Znajdujesz tam list od przyjaciela, dostarczony dzięki uczącemu się algorytmowi potrafiącemu odczytywać ręcznie zapisane adresy. Do tego dochodzą zwyczajowe ulotki i reklamy, wybrane dla Ciebie przez inne algorytmy uczące (cóż, niestety).   Zatrzymujesz się na chwilę, żeby odetchnąć chłodnym wieczornym powietrzem. Przestępczość w mieście wyraźnie spadła, odkąd policja zaczęła korzystać z uczenia statystycznego, żeby przewidywać, gdzie występuje największe prawdopodobieństwo popełnienia przestępstwa, i wysyłać tam patrole. Jesz z rodziną kolację. W wiadomościach jest mowa o prezydencie miasta. Dostał Twój głos po tym, jak zadzwonił do Ciebie osobiście w dzień wyborów, bo uczący się algorytm wskazał Ciebie jako kluczowego niezdecydowanego wyborcę. Po kolacji oglądasz mecz. Obie drużyny wybrały zawodników do składu, korzystając z uczenia statystycznego. A może zamiast tego grasz na xboksie z dziećmi, a uczący się algorytm Kinecta rozpoznaje, gdzie jesteście i co robicie. Przed snem zażywasz leki, które zostały zaprojektowane i przebadane z pomocą kolejnych uczących się algorytmów. Być może Twój lekarz też korzystał z uczenia maszynowego podczas stawiania diagnozy, przy intepretowaniu zdjęć RTG lub przy identyfikowaniu nietypowych objawów.   Uczenie maszynowe odgrywa pewną rolę w każdej dziedzinie życia. Jeżeli masz na koncie internetowe kursy do egzaminu wstępnego na uczelnię, to uczący się algorytm oceniał Twoje próbne wypracowania. A jeżeli zdarzyło Ci się niedawno starać o miejsce na studiach ekonomicznych i zdawać egzamin GMAT[1], to Twój esej oceniał między innymi system uczący się. Być może Twoje podanie o pracę zostało wybrane z wirtualnego stosu CV przez uczący się algorytm, który wskazał potencjalnemu pracodawcy: „To wartościowy kandydat, przyjrzyj się”. Swoją ostatnią podwyżkę też możesz zawdzięczać uczącemu się algorytmowi. A może chcesz kupić dom? Zillow.com oceni, ile warta jest każda z nieruchomości, które bierzesz pod uwagę. Kiedy już się na jakąś zdecydujesz, to złożysz podanie o kredyt, a uczący się algorytm przeanalizuje Twój wniosek i zarekomenduje jego przyjęcie (lub odrzucenie). Co być może najważniejsze, jeżeli zdarzyło Ci się korzystać z sieciowego serwisu randkowego, to uczenie maszynowe być może pomogło Ci znaleźć miłość Twojego życia.   Nasze społeczeństwo stopniowo zmienia się wraz z każdym kolejnym algorytmem. Uczenie maszynowe odmienia technologię, naukę, biznes, politykę i wojnę. Satelity, sekwencery DNA czy akceleratory cząstek zgłębiają kolejne sekrety przyrody, a uczące się algorytmy zamieniają potoki danych w nową wiedzę naukową. Firmy znają swoich klientów lepiej niż kiedykolwiek wcześniej. Wybory wygrywają kandydaci mający najlepsze modele wyborców, jak w przypadku zwycięstwa Obamy nad Romneyem. Samoloty bezzałogowe latają samodzielnie nad lądem i wodą. Nikt nie zaprogramował Twoich gustów w systemie rekomendacji Amazonu; uczący się algorytm skompletował je samodzielnie na podstawie uogólnień z Twoich wcześniejszych zakupów. Autonomiczny samochód Google sam nauczył się, jak trzymać się drogi; żaden programista nie napisał algorytmu wskazującego, jak krok po kroku przejechać z punktu A do punktu B. Nikt nie wie, jak zaprogramować samochód tak, żeby jeździł — i nikt nie musi tego robić, bo samochód wyposażony w uczący się algorytm zdobywa te umiejętności, obserwując, co robi kierowca.   Uczenie maszynowe to coś zupełnie nowego: technologia, która buduje sama siebie. Od czasu, gdy nasi dalecy przodkowie zaczęli ostrzyć kamienie, żeby służyły im za narzędzia, ludzie tworzyli artefakty, robiąc je ręcznie lub fabrycznie. Ale uczące się algorytmy są artefaktami, które projektują inne artefakty. „Komputery są bezużyteczne — powiedział Picasso — potrafią tylko dawać odpowiedzi”. Komputery nie mają być kreatywne; mają robić to, co się im każe. Ale jeżeli każe się im być kreatywnymi, to wynikiem tego jest uczenie maszynowe. Uczący się algorytm jest jak mistrz rzemiosła: każdy jego wytwór jest inny i doskonale dopasowany do potrzeb klienta. Zamiast jednak zmieniać kamień w mur lub złoto w biżuterię, uczące algorytmy zmieniają dane w inne algorytmy. Im więcej mają danych do dyspozycji, tym bardziej złożone mogą być te nowe algorytmy.   Homo sapiens to gatunek, który zamiast dostosowywać się do świata, dostosowuje świat do siebie. Uczenie maszynowe to najnowszy rozdział tej ciągnącej się od milionów lat sagi; dzięki niemu świat poznaje nasze życzenia i zmienia się stosownie do nich — a my nie musimy nawet kiwnąć palcem. Twoje otoczenie — dziś wirtualne, jutro materialne — zmienia się samo, jak jakiś baśniowy las, tylko dzięki temu, że się w nim znajdujesz. Wąska ścieżka, którą idziesz między drzewami, sama zamienia się w drogę. W miejscach, gdzie się gubisz, pojawiają się drogowskazy.   Te technologie, zdawałoby się — magiczne, działają dzięki temu, że istotą uczenia maszynowego jest przewidywanie: przewidywanie, czego chcemy, przewidywanie efektów naszych działań, sposobu osiągnięcia naszych celów czy tego, jak zmieni się świat. Dawniej polegaliśmy na szamanach i wróżbitach, ale okazali się zbyt zawodni. Prognozy nauki są bardziej wiarygodne, ale są też ograniczone do tego, co możemy systematycznie obserwować i łatwo modelować. Big data i uczenie maszynowe znacznie poszerzają tę dziedzinę. Umysł „nieuzbrojony” może bez problemu przewidzieć niektóre codzienne sprawy, od toru lotu piłki po to, jak rozwinie się rozmowa. Pewne rzeczy pozostaną jednak nieprzewidywalne mimo naszych starań. Uczenie maszynowe potrafi poradzić sobie z całym spektrum znajdującym się między tymi ekstremami.   Paradoksem jest to, że uczące się algorytmy, które otwierają coraz nowsze perspektywy na przyrodę i ludzkie zachowanie, same pozostają okryte tajemnicą. Właściwie codziennie w mediach pojawiają się historie związane z uczeniem maszynowym; czy to wprowadzenie przez Apple osobistej asystentki Siri, czy pokonanie mistrza Jeopardy! przez komputer IBM Watson, czy sytuacja, kiedy informacja o ciąży pewnej nastolatki dotarła wcześniej do pracowników sieci sklepów Target niż do jej własnych rodziców, czy wreszcie, sposoby łączenia różnych informacji przez amerykańską NSA. Jednak w każdym z tych przypadków uczący się algorytm, który stoi za daną sytuacją, jest dla nas nieprzenikniony. Nawet książki zajmujące się tematem big data często pomijają to, co dzieje się, kiedy komputer połknie terabajty danych i w magiczny sposób wyrzuci nowe rozwiązania. W najlepszym razie wydaje się nam, że uczące się algorytmy po prostu wynajdują korelacje między dwoma zdarzeniami, na przykład między wyszukaniem hasła „leki na grypę” a zachorowaniem. Ale znajdywanie powiązań ma się do uczenia maszynowego tak, jak cegły mają się do domów; przecież to nie w cegłach mieszkamy.   Kiedy mamy do czynienia z nową technologią, która jest równie wszechobecna i wpływowa co uczenie maszynowe, rozważnie jest wyjąć ją z tej metaforycznej czarnej skrzynki. Brak zrozumienia prowadzi do błędów i nadużyć. Żaden człowiek nie ma większego wpływu niż algorytm Amazonu na to, jakie książki czyta się obecnie na świecie. Algorytmy NSA decydują, kto zostanie uznany za potencjalnego terrorystę. Modele klimatu decydują, jakie są bezpieczne poziomy dwutlenku węgla w atmosferze. Modele wybierające akcje na giełdzie oddziałują na gospodarkę w większym stopniu niż większość z nas. Nie możemy kontrolować tego, czego nie rozumiemy, i właśnie dlatego musisz zrozumieć uczenie maszynowe — jako obywatel, jako osoba pracująca i jako istota ludzka dążąca do szczęścia.   Pierwszym celem tej książki jest odsłonięcie sekretów uczenia maszynowego. Co prawda tylko inżynierowie i mechanicy muszą rozumieć, jak działa silnik samochodu, ale każdy kierowca powinien wiedzieć, że przekręcenie kierownicy zmienia kierunek jazdy, a naciśnięcie hamulca zatrzymuje pojazd. Bardzo niewiele osób wie obecnie, jakie są analogiczne elementy algorytmu uczącego, a jeszcze mniej osób umie z nich korzystać. Termin model koncepcyjny wprowadzony przez psychologa Dona Normana odnosi się do stopnia ogólnikowej znajomości technologii, jaką musimy się wykazać, żeby móc skutecznie posługiwać się tą technologią. Ta książka pokaże Ci model koncepcyjny uczenia maszynowego.   Nie wszystkie algorytmy uczące się działają w ten sam sposób, a różnice między nimi mają swoje konsekwencje. Przyjrzyjmy się na przykład algorytmom rekomendacji stosowanym przez Amazon i Netflix. Gdyby prowadziły Cię przez tradycyjną księgarnię, próbując ustalić, co jest „w sam raz dla Ciebie”, Amazon raczej prowadziłby Cię do półek odwiedzanych przez Ciebie wcześniej, a Netflix — do nieznanych i pozornie dziwnych działów sklepu, do rzeczy, które później szalenie by Ci się spodobały. W tej książce zobaczymy różne rodzaje algorytmów używanych przez firmy takie jak Amazon i Netflix. Algorytm Netfliksa rozumie Twoje gusta lepiej (chociaż nadal to bardzo ograniczone rozumienie) niż algorytm Amazonu, ale co ciekawe, nie oznacza to, że Amazon zyskałby, gdyby zaczął używać algorytmu Netfliksa. Model biznesowy Netfliksa opiera się na budowaniu popytu na długi ogon nieznanych filmów i seriali, które kosztują niewiele, i jednoczesnym odwracaniu zainteresowania od hitów, których kosztów nie pokrywa wysokość subskrypcji. Amazon nie ma tego problemu — co prawda ma możliwość budowania zysku ze sprzedaży produktów z długiego ogona, ale równie dobrze może sprzedawać Ci droższe, popularne towary, co przy okazji upraszcza kwestie logistyczne. Z kolei my, jako klienci, chętniej zaryzykujemy nietypowy nabytek, jeżeli korzystamy z subskrypcji, niż gdybyśmy mieli zapłacić za niego osobno.   Co roku wynajdywane są setki nowych uczących się algorytmów, ale wszystkie opierają się na tych samych podstawowych ideach. Ta książka jest właśnie o tych podstawach, które wystarczy poznać, żeby zrozumieć, jak uczenie maszynowe zmienia świat. Te sprawy bynajmniej nie są ezoteryczne i, nawet pomijając zastosowanie ich w kontekście komputerów, zawierają odpowiedzi na pytania istotne dla nas wszystkich: Jak się uczymy? Czy można to robić lepiej? Co możemy przewidzieć? Czy możemy wierzyć w to, czego się nauczyliśmy? Na polu uczenia maszynowego mamy do czynienia z rywalizującymi ze sobą kierunkami, z których każdy oferuje różne odpowiedzi na te pytania. Każdej z pięciu głównych szkół poświęcimy tutaj po jednym rozdziale. Symboliści uznają uczenie się za przeciwieństwo dedukcji i zapożyczają koncepcje z filozofii, psychologii i logiki. Koneksjoniści odtwarzają mózg, a ich inspiracjami są neurologia i fizyka. Ewolucjoniści symulują ewolucję w komputerach i posiłkują się genetyką oraz biologią ewolucyjną. Zwolennicy uczenia bayesowskiego uważają, że uczenie się jest formą wnioskowania statystycznego, a ich poglądy mają podłoże w statystyce. Analogiści uczą się przez ekstrapolację z oceny podobieństwa, a znaczenie mają dla nich psychologia i optymalizacja matematyczna. Przyjmując perspektywę dążenia do budowy uczących się maszyn, zapoznamy się ze znaczną częścią intelektualnej historii ostatniego stulecia i zobaczymy ją w zupełnie nowym świetle.   Każdy z tych pięciu szczepów zamieszkujących krainę uczenia maszynowego ma swój własny „algorytm naczelny”, czyli algorytm uczący się o szerokim zastosowaniu, którego w teorii można użyć do uzyskania informacji na podstawie danych należących do dowolnej dziedziny. Naczelnym algorytmem symbolistów jest odwrotna dedukcja, koneksjonistów — propagacja wsteczna, ewolucjonistów — programowanie genetyczne, zwolenników Bayesa — wnioskowanie bayesowskie, a analogistów — maszyna wektorów nośnych. W praktyce jednak każdy z tych algorytmów nadaje się do pewnych zadań, a nie sprawdza się w innych. Tym, o co nam naprawdę chodzi, jest jeden algorytm łączący w sobie ich kluczowe cechy: doskonały algorytm naczelny. Dla niektórych ta wizja to nieosiągalne marzenie, ale dla wielu z nas zajmujących się uczeniem maszynowym to coś, co powoduje błysk w oku i motywuje do pracy po nocach.   Jeżeli naczelny algorytm istnieje, to może pozyskać całą wiedzę świata — przeszłą, obecną i przyszłą — wyłącznie z danych. Wynalezienie go byłoby jednym z największych osiągnięć w historii nauki. Przyspieszyłoby postęp cywilizacyjny pod każdym względem i zmieniłoby świat w sposób, jaki możemy sobie wyobrazić tylko w przybliżeniu. Naczelny algorytm jest dla uczenia maszynowego tym, czym model standardowy jest dla fizyki cząstek elementarnych lub dogmat centralny dla biologii molekularnej: ujednoliconą teorią, która porządkuje wszystko, co poznaliśmy do tej pory, a zarazem stanowi fundamenty dziesięcioleci czy wręcz stuleci dalszego rozwoju. Naczelny algorytm to droga do rozwiązania najtrudniejszych problemów, z jakimi się mierzymy, od budowania robotów domowych po lek na raka.   Weźmy raka. Wyleczenie go jest trudne, bo rak nie jest jedną chorobą, a całym ich zbiorem. Guzy mogą mieć przeróżne przyczyny, a dodatkowo mutują w przerzutach. Najpewniejszym sposobem na wyeliminowanie guza jest sekwencjonowanie jego genomu, sprawdzenie, które leki na niego zadziałają — bez szkody dla pacjenta, z uwzględnieniem jego genomu i historii medycznej — a może nawet zaprojektowanie nowego leku specjalnie dla tego przypadku. Żaden lekarz nie jest w stanie opanować koniecznej do tego wiedzy. Natomiast idealnie się do tego nadaje uczenie maszynowe: zasadniczo to tylko bardziej złożona i trudniejsza wersja takiego wyszukiwania, jakie Amazon i Netflix wykonują codziennie, z tym że tutaj szuka się odpowiedniej terapii zamiast odpowiedniej książki czy filmu. Niestety, chociaż dzisiejsze algorytmy uczące się potrafią diagnozować wiele chorób z nadludzką dokładnością, to wyleczenie raka przekracza ich możliwości. Jeżeli uda się nam odnaleźć naczelny algorytm, nie będzie to już ponad ich siły.   Drugim celem tej książki jest zatem umożliwienie Ci wynalezienia naczelnego algorytmu. Wydawałoby się, że do tego potrzeba zaawansowanej matematyki i poważnych podstaw teoretycznych, ale jest wręcz przeciwnie. Odejście od arkanów matematyki pozwoli dostrzec nadrzędny schemat zjawiska uczenia się; a pod pewnymi względami laik, stojący dalej od lasu, jest w tym kontekście w lepszej pozycji niż specjalista, który jest już głęboko pochłonięty badaniem poszczególnych drzew. Mając do dyspozycji rozwiązanie koncepcyjne, będziemy mogli uzupełnić szczegóły matematyczne — ale to nie jest ani zadanie tej książki, ani najważniejsza część procesu. Odwiedzimy więc każdy z pięciu szczepów i zgromadzimy posiadane przez nie fragmenty układanki, aby zrozumieć, jak do siebie pasują, pamiętając przy tym, że żaden ze ślepców nie widzi całego słonia. Skupimy się zwłaszcza na tym, jak każdy z tych szczepów może się przyczynić do leczenia raka, i na tym, czego mu w tym kontekście brakuje. Następnie, krok po kroku, ułożymy te fragmenty w kompletne rozwiązanie — a w każdym razie w pewne rozwiązanie, które nie jest jeszcze naczelnym algorytmem, ale jest tak do niego zbliżone, jak to obecnie możliwe, i ma szansę być dobrym punktem wyjścia dla Twojej inwencji. Zobaczymy też, jak można korzystać z tego algorytmu w walce z rakiem. Czytając tę książkę, możesz pobieżnie przeglądać — albo przeskakiwać — fragmenty, które będą dla Ciebie trudne; znaczenie ma całościowy obraz. Prawdopodobnie więcej wyniesiesz z tych fragmentów, wracając do nich już po złożeniu całej układanki.   Zajmuję się badaniem uczenia maszynowego od ponad dwudziestu lat. Zainteresowałem się nim dzięki książce o dziwnym tytule, którą zobaczyłem w księgarni na ostatnim roku studiów: Artificial Intelligence (Sztuczna inteligencja). Znalazłem w niej rozdział o uczeniu maszynowym; był krótki, ale po przeczytaniu go natychmiast uznałem, że uczenie się to klucz do rozwiązania problemu sztucznej inteligencji (SI) i że ówczesny stan wiedzy był tak nikły, iż może mógłbym coś do niego wnieść. Zrezygnowałem z planowanego kursu MBA i zapisałem się na program doktorski na Uniwersytecie Kalifornijskim w Irvine. Uczenie maszynowe było wtedy wąską i nieznaną dziedziną, a w Irvine istniała jedna z niewielu rozwiniętych grup badawczych. Niektórzy z moich kolegów z roku zrezygnowali ze studiów, bo ten kierunek wydawał się im mało przyszłościowy, ale ja zostałem. Według mnie nic nie mogło mieć większego wpływu na świat niż nauczenie komputerów uczenia się: jeżeli udałoby się nam to zrobić, to mielibyśmy większe szanse rozwiązać wszystkie inne problemy. Zanim skończyłem te studia, pięć lat później, boom eksploracji danych (ang. data mining) już trwał — i tak zaczęła się moja droga do napisania tej książki. Moja praca doktorska łączyła uczenie się symboliczne i analogiczne. W ciągu ostatnich dziesięciu lat wiele czasu poświęciłem na połączenie symbolizmu i teorii bayesowskiej, a ostatnio — obu tych szkół z koneksjonizmem. Czas na kolejny krok: próbę syntezy wszystkich pięciu paradygmatów.   Pisząc tę książkę, myślałem o różnych, choć zazębiających się, grupach odbiorców.   Jeżeli zastanawiasz się, skąd wziął się ten szum wokół big data oraz uczenia maszynowego, i podejrzewasz, że na rzeczy jest coś głębszego, niż wynikałoby z gazet, to masz rację! Ta książka posłuży Ci jako przewodnik po nadchodzącej rewolucji uczenia maszynowego.   Jeżeli interesujesz się przede wszystkim biznesową stroną uczenia maszynowego, ta książka pomoże Ci na co najmniej sześć sposobów: staniesz się mądrzejszym odbiorcą analiz i statystyk; lepiej wykorzystasz umiejętności ekspertów od obróbki danych; unikniesz pułapek, które są zgubą wielu projektów eksploracji danych; odkryjesz, co można zautomatyzować, nie ponosząc kosztów pisanego ręcznie oprogramowania; zwiększysz elastyczność swoich systemów IT; wreszcie, będziesz przewidywać niektóre z nadchodzących nowych technologii. Widziałem, jak marnuje się zbyt wiele czasu i pieniędzy na próby rozwiązania problemów za pomocą niewłaściwego uczącego się algorytmu albo na błędne interpretacje wniosków takiego algorytmu. Żeby tego uniknąć, wystarczy niewiele. Właściwie wystarczy przeczytać tę książkę.   Jeżeli jesteś obywatelem albo ustawodawcą interesującym się kwestiami społecznymi i politycznymi związanymi z big data i uczeniem maszynowym, ta książka będzie Twoim elementarzem technologicznym: wyjaśni, czym te technologie są, dokąd nas prowadzą, co umożliwiają, a czego nie — i nie zanudzi fachowymi szczegółami. Przyjrzymy się, jakie są rzeczywiste problemy, od prywatności po przyszłość pracy i etykę wojen robotów, i jak o nich myśleć.   Jeżeli jesteś naukowcem lub inżynierem, uczenie maszynowe to nieoceniony arsenał, który wkrótce będzie nieodzowny. Stare, sprawdzone narzędzia statystyczne nie wystarczą na długo w epoce wielkich (czy nawet średnich) zbiorów danych. Tylko nielinearne zdolności uczenia maszynowego pozwolą nam dokładnie modelować większość zdarzeń, co niesie ze sobą nowy naukowy obraz świata. Wyrażenie zmiana paradygmatu jest dzisiaj nadużywane, ale moim zdaniem nie będzie przesadą powiedzieć, że ta książka właśnie taką zmianę opisuje.   Jeżeli jesteś ekspertem w dziedzinie uczenia maszynowego, to już teraz wiesz wiele z tego, co opisuje ta książka, ale nadal znajdziesz w niej sporo nowych pomysłów, ciekawostek historycznych i przydatnych przykładów oraz analogii. A przede wszystkim mam nadzieję, że ta książka pomoże Ci spojrzeć na uczenie maszynowe z nowej perspektywy, a może nawet naprowadzi Cię na nowe tory myślenia. Wszędzie wokół nas są cele, które łatwo osiągnąć, i nie powinniśmy ich ignorować, ale nie powinniśmy też tracić z oczu większych korzyści, które czekają na nas trochę dalej. (A propos, mam nadzieję, że wybaczysz mi pewną dowolność — licencia poetica — w stosowaniu terminu algorytm naczelny na użytek nieekspertów).   Jeżeli jesteś studentem lub uczniem w dowolnym wieku — licealistą stojącym przed wyborem kierunku studiów, studentem rozważającym karierę badawczą czy doświadczonym zawodowcem zastanawiającym się nad zmianą kariery — mam nadzieję, że ta książka rozbudzi w Tobie zainteresowanie tą fascynującą dziedziną. Na świecie bardzo brakuje specjalistów od uczenia maszynowego, więc jeżeli zdecydujesz się do nas dołączyć, czekają Cię nie tylko ciekawe czasy i korzyści materialne, ale i wyjątkowa szansa przysłużenia się społeczeństwu. A jeżeli już teraz zajmujesz się uczeniem maszynowym, to liczę, że moja książka pomoże Ci jeszcze lepiej poruszać się po tym temacie; jeżeli Twoja podróż doprowadzi Cię dzięki temu do naczelnego algorytmu, to samo to sprawi, że warto było tę książkę napisać.   I wreszcie, jeżeli gustujesz w rozwijaniu swoich horyzontów intelektualnych, to uczenie maszynowe jest istną ucztą — zapraszam! --- [1] Test stosowany przez niektóre uczelnie jako element egzaminu wstępnego na studia MBA - przyp. tłum.


NACZALFragment pochodzi z książki Pedro Domingsa "Naczelny algorytm. Jak jego odkrycie zmieni nasz świat", Wyd. Helion 2016.

Strona książki >>