Makinek ere ikas dezakete

Gorka Azkune

robota_ikasten

Ikasteko gaitasuna gizakien ahalmen esklusibotzat hartu izan dugu urte askotan zehar, nahiz eta hori ez den zuzena. Beste animaliek ere gurekin partekatzen dute trebezia hori. Norberak izandako esperientzietatik ondorioak atera eta antzeko kasuetan aurkitzen garenean, erabaki hobeak hartzeko balio digu ikasteak. Beno… edo horrela behar luke behintzat!

XX. mendearen erdi-aldean adimen artifizialaren inguruko lehen lanak hasi ziren. Gizakiak makinei adimena eman nahi zien. Hastapen haietan, lehen ikertzaileak arrazoitzeko gaitasunarekin itsutu ziren: logika, erregela bidezko arrazoiketa, dedukzioak etabar. Lan haien ondorioz, makinek gaitasun berriak izatea lortu zen. Makinaren ezagutza basean “Gizakiak hilkorrak dira” eta “Amaia gizakia da” baieztapenak sartuz gero, makinak gai ziren Amaia hilkorra zela ondorioztatzeko. Logika zerabilten horretarako.

Hori gutxi ez eta ikertzaileek beste jauzi bat eman zuten aurrera: arazoak konpontzeko gaitasuna aztertu zuten makinei eskaintzeko. Arazo batek soluzio asko izan ditzake eta soluzio horiek soluzioen espazioa osatzen dute. Espazio horretan ordea, soluzio guztiek ez dute balio bera, soluzio guztiak ez baitira egokiak arazo konkretu batentzako. Adibidez, pentsa xakean jokatzen ari garela. Gure aurkariak pieza bat mugitzen duenean, guk, gure piezak eta beraien mugimendu posible guztiak adina soluzio ditugu. Baina zein da soluzio onena? Mota horretako arazoak konpontzeko bilaketa algoritmoak garatu ziren. Gure makinak geroz eta adimentsuagoak ziren.

Hala ere, ikertzaileak ohartu ziren teknika haiek erabiliz lortzen zen adimen artifiziala oso zurruna zela. Makinek bazekiten logika erabiltzen, baita arazoak konpontzen, baina beti ere beraien esparru mugatuetan. Makinek zuten ezagutza guztia gizakiek idazten zuten eskuz, makinen programek uler zezaketen formatuetan. Baina ezagutza hartatik at zegoen zerbait agertzen zenean, makinek ez zekiten zer egin.

Hori ez da gizaki eta animaliekin pasatzen. Xakean jokatzen aditua den gizaki batek dametan ere joka dezake. Egoera berri eta ezezagunetara ohitzeko abilezia berezia dugu. Eta abilezia horren oinarri da ikasteko gaitasuna.

Baina zer da ikastea? Nola ikasten dugu guk? Galdera horiek ez dute erantzun sinplerik. Askotan, gure gaitasun kognitiboei halako misterio kutsu bat ematen diegu, oraindik ez baititugu behar bezala ulertzen. Beharbada, horregatik, Alan Turing matematikari handiak egin zuen paradigma aldaketa gaur egungo adimen artifizialaren zutabe garrantzitsuenetako bat bilakatu zen. Garai hartan, eta gaur egun ere bai oraindik, jendearen galdera ondorengoa zen: “Pentsa al dezakete makinek?”Pentsatu kontzeptuak suposatzen zuen zailtasuna ekidinez, Turing-ek galdera berri bat jaurti zuen: “Egin al dezakete makinek guk egiten duguna?

Alan Turing, matematikari britainiarra
Alan Turing, matematikari britainiarra

Ikuspuntu berri horri eutsita, Tom Mitchel izan zen ikasketa automatikoaren lehen definizio formala eman zuena. Hitz lauetan, Mitchel-ek zioen ordenagailu programa batek esperientziaz baliatuz ikasten duela, baldin eta ataza bat egiterako garaian, bere emaitzak hobetzen badira esperientzia handiagoa duen heinean.

Beraz, ikasten duen makina batek xakean hobeto jokatu behar luke partida kopuru handiagoa jokatzen duen heinean.Esperientziak bere errendimendua hobetu behar luke. Pentsa ume txiki batengan. Lehendabizikoz pilota bat botatzen diegunean beraiek har dezaten, ez dute antzeman ere egiten. Ez dute aurreikusten pilotaren ibilbidea eta ez dituzte eskuak behar bezala koordinatzen. Baina denbora emanez gero, pilota behin eta berriz botaz gero, azkenean lortzen dute pilota hartzea. Urteen poderioz, ume horiek pilota batekin gauza harrigarriak egiteko gai bihur daitezke. Hori guztia posible da esperientziaren bitartez ikasten dugulako. Pilota jaurti eta egiten duen ibilbidea milaka aldiz ikusi ondoren, ibilbide hori aurreikusteko gai gara berriro pilota botatzen digutenean. Hori da ikasketaren ahalmena. Makinek ere egin al dezakete? Horra erronka!

Arazo horiek aztertu, ikertu eta konpontzeaz arduratzen den adimen artifizialaren arloari ikasketa automatikoa deritzo (ingelesez machine learning). Askok pentsa dezaketenaren aurka, ikasketa automatikoa ez da fikzioa. Gaur egun uste duguna baina askoz hedatuagoa dago geure eguneroko bizitzan. Adibide gisa, gure posta elektronikoa dugu. Nola uste duzue ezberdintzen dituela gure posta elektronikoak spam mezuak beste mezuengandik? Bai, ikasketa automatikoa erabiliz.

Ikasketa automatikoaren barnean sailkapen bat ezarri dezakegu:

  1. Ikasketa gainbegiratua: makina bati ikas dezan nahi dugunaren adibideak eman behar dizkiogu, berak funtzio matematiko bat sor dezan ikasketa adibide horietara behar bezala hurbiltzeko. Demagun gure makinari giza-aurpegiak detektatzeko helburua jarri diogula. Egin behar dugun guztia, argazki pilo bat biltzea da. Argazki horietako batzuetan giza-aurpegiak agertu behar dira eta besteetan ez. Makinari esan egingo diogu ze argazkitan agertzen diren giza-aurpegiak. Modu horretara, berak ikasi egingo du zer ezberdintasun dauden giza-aurpegien eta beste argazkien artean. Prozesu horri entrenamendua deritzo. Amaitzen denean, argazki berriak erakutsiko dizkiogu makinari, oraindik ikusi ere egin ez dituenak. Eta ez diogu esango aurpegia dagoen ala ez. Berak asma dezala!
  2. Ikasketa ez-gainbegiratua: kasu honetan, makinari datu pilo bat emango diogu, baina datuen kategoriak ezarri gabe. Helburua ez da aurreko kasuan ikusi duguna. Ez dugu nahi makinak eman dizkiogun adibideengandik erlazioak atera ditzan. Oraingo honetan, makinak eman dizkiogun datuetan egitura bat topa dezan nahi dugu. Patroiak atera ditzan. Demagun gure makinari Hubble teleskopioak ateratako argazki bikain horietako bat ematen diogula. Zenbat izar ager daitezke argazki horietako batean? Eta garrantzitsuagoa, zenbat argazki atera ditzake Hubble teleskopioak minutuko? Horiek guztiak eskuz aztertzea lan ikaragarria denez, gure makinek egin dezaten nahi dugu. Ezberdindu ditzatela argazkian dauden egiturak: galaxiak, nebulosak, galaxia taldeak etabar. Makinak ez du jakingo ezberdintzen ari den egitura horietako bakoitza zer den, baina topatzeko gai da. Hori da ikasketa ez-gainbegiratua.
hubble
Hubble teleskopioak ateratako argazkietako bat

Bi arlo nagusi hauen aldaera asko agertu dira urteen poderioz: ikasketa erdi-gainbegiratua, errefortzu bidezko ikasketa, ikasketa aktiboa etabar. Gure helburua, lehenik eta behin bi arlo nagusiak azaltzea izango da. Geratzen zaizkigun indarren arabera, ikusiko dugu beste arloetan sakondu dezakegun!

Orain, goza ezazue duela gutxi argitaratu duten bideo honekin. Bertan, erakutsiz ikasi (ingelesez learning by demonstration) arloaren erakustaldi bat ikus daiteke. Beso robotiko batek airera jaurtitako edozein objektu harrapatzen ikasten du. Ikasketa mota horretan, gizakiek erakusten diete objektuen ibilbideak aurreikusten eta objektuak behar bezala harrapatzen. Ikaragarria!

 

———————————-

Egileaz: Gorka Azkune (@gazkune), informatikaria, eta DeustoTech-eko ikertzailea da.

—————————————————–

KZJaia2

Sarrera honek #KulturaZientifikoa 2. Jaialdian parte hartzen du.

 

Eman iritzia

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>