Батсапқыда жұмыс ережелерге негізделген символдық ЖЗ-мен жүргізіледі. Бірақ ЖЗ осы нысаны қатты шектелген. О барлық ықтимал жағдайлар үшін анық ережелерді анықтауға болатын салалар үшін ғана жарамды. 1980-ші жылдардан бастап өзін-өзі оқытушы бағдарламалар саласында өте үлкен үдеуге жетті.

Машиналық оқыту компьютер шешім қабылдау мысалдары мен тәжірибелерде – нақты міндетті шешуге бағдарламалаусыз үйренеді дегенді білдіреді.  Арнайы алгоритмдер көрнекі деректерде үйренеді және кейінгіде жаңа, бұрын кездеспеген деректер үшін пайдалануға болатын үлгілерді әзірлейді. Өзін-өзі үйрететін машиналар мысалдардың көптеген санында оқытылатын болса, олар шешімдер қабылдаудың жалпыланған процесін өздігінен әзірлейді. Бірақ өзін-өзі оқытатын бағдарламалар өздерінің шешімдеріне қалай келетінін бағдарламаушылардың өздері де түсіне алмайды. Күрделікте байланысты, машиналық оқытудың әртүрлі деңгейлерін ажыратады: бақыланатын оқыту, базыланбайтын оқыту,  бекітумен оқыту және терең оқыту.

«Бүгінгі күні бізде айтарлықтай жақсы үйрене алатын машиналарымыз бар, бірақ бізде ойлана алатын машиналар жоқ. Осындай машиналарды әзірлеу – міне ең басты міндет».
Бернхард Шёлькопф, директор Института интеллектуальных систем Общества Макс Планк Қоғамының Тюбингендегі Зияткерлік жүйелер институты  директооры

ЖЗ қалай оқиды?

Ережелер негізінде оқыту
Ережелер негізінде, сондай-ақ символдық ЖЗ деп аталатын оқыту логикалық үлгілерді құрастырылады және жиі «классикалық» ЖЗ деп аталады. Ол шешімді бағдарламалық кодта алдын ала белгіленген анық ережелерге сәйкес қабылдайды.
Осындай пішінді ЖЗ болып Deep Blue – 1996 жылы сол кездегі шахмат бойынша әлем чемпионы Каспаровты алғашқы рет жеңіп шыққан компьютерлік бағдарлама табылады. Ол символдық ЖЗ-мен жұмыс істейді және орасан зор есептеу қуатының арқасында өзінің ойын күшіне жетеді. Шахматтық бағдарламалық қамтым секундына орташа алғанда 126 миллион позицияны есептейді. Шын мәнінде, Deep Blue аса ақылды емес те – бірақ өте, өте жылдам.

Бақыланатын оқыту
Бақыланатын оқытуда адамдар оқытатын және тестілік деректерді бағалайды және оларды топтарға үлестіреді.  Оқыту кезінде ЖЗ мысықтар кескіндерін дұрыс атауға үйренеді, мысалы, «мысық». Егер ит пен мысық арасында таңдау жасауға үйретілген алгоритмге пілдің суреті көрсетілсе, ЖЗ бұл тапсырманы орындай алмайды. Бірақ, тар саламен шектелген осы алгоритмдер өте сенімді және дәл, егер оқыту деректері жеткілікті кең әрі сапалы болса.
Оқытатын әдістердің көмегімен кескіндерді талдау кескіндерді диагностикалауда маңызды рөл атқарады. Бірнеше зерттеу ЖЗ, көптеген  медициналық қызметкерлерлерге қарағанда, неғұрлым жылдам және жиі дәл диагноздарды қоя алатынын көрсетеді, мысалы, тері обырын бағалаған кезде. Ең жақсы нәтижелерге адам мен ЖЗ бірлесіп жұмыс істегенде жетуге болады: алдымен ЖЗ бұл тері обыры ма немесе терінің қауіпсіз өзгерісі ме дегенді бағалайды. Бұдан кейін емдеу мамандармен анықталады.

Бақыланбайтын оқыту
Бақыланбайтын оқыту туралы алгоритм сүзгіленбеген өңделмеген деректерді алған жағдайда айтылады. Бағдарлама өзі деректердегі ұқсастықтар мен айырмашылықтарды іздейді. Мақсаты – қызығушылық тудартындарды және лайық келетін үлгілерді анықтау.  Бірақ кейбір кезде бұл қателерге әкеледі, ЖЗ ұқсастықтарды анықтағанда, әсіресе кескіндеме фонында, сондықтан қате нәтижелерге келеді. Мысалы, егер ЖЗ «қасқыр» деген не екенін қардағы қасқырлардың суреттері бойынша біліп танитын болса, сонымен қатар ол қардағы басқа жануарларларды да «қасқыр» деп атайтын болады.
Өзін-өзі оқытатын желілердің көмегімен бейнелерді танып ажырату зерттеушілерге көбірек көруге көмектесе алады: тірі жасушалардың флуоресценттік микроскопиясы болымсыз жарықтандыруда жүргізілуі тиіс, өйткені кері жағдайда зерттелетін ағзалар бұзылып қалуы мүмкін.  Кескіндемелерді қалыпна келтіруге арналған өзін-өзі оқытатын бағдарламалық қамтым нашар жарықтандырылған, қиын ажыратылатын микроскопиялық кескіндемелерді талдайды, белгілі кескіндемелер үлгілерімен салыстырады және кескіндеменің «жасырын» мазмұнын анықтауы мүмкін.

Бекітумен оқыту
Бекітумен оқытқан кезде оқытатын жүе шешім қабылдайды, кейінгіде оларға сәйкес ол әрекет етеді. Әр әрекет үшін жүін жүйе оң немесе теріс кері байланыс алады. Осылайша, әртүрлі жағдайларда жеке әрекеттер қаншалықты сәтті екендігін жақсы білетін болады. Терең оқыту – бұл ми жұмысы еліктететін жасанды нейрондық желілерде бекітумен оқытудың әдісі. Осындай  нейрондық желі бірнеше қабаттан тұрады. Жеке қабаттар бір-бірімен байланысқан және тиісті алдынғы нейрондарға әрекет ететін көптеген жасанды нейрондардан тұрады. Желі неғұрлым үлкен болса, соғұрлым күрделі жағдайдлар өңделуі мүмкін.

Тіл мен мәтінді тану
Терең оқыту, атап айтқанда, тіл мен мәтінді тануда пайдаланылады. Мысалы Кёльнде әзірленген DeepL  онлайн-аудару қызметі және Карлсруэ Технологиялық институтының ілеспе  аударманың  Lecture Translator бағдарламасы жасанды нейрондық желілермен жұмыс істейді.
 
Беттерді тану
Қазіргі кезде жасанды нейрондық желілер сонымен қатар беттерді тану үшін пайдаланылады. тек қана Ұлыбритания астанасы Лондонда 600 000-дан астам камера орнатылған, олардың көбі сондай-ақ бетті тану үшін пайдаланылады. Технология полицияға қылмыстарды ашуға немесе тіпті олардың алды алуға арналған. Бірақ осындай бақылаудың қауіпі қаншалықты үлкен? Ол демокартиямен және азаматтық құқықтармен қаншалықты үйлесімді?

Автономды жүргізу
Автоөндірушілер бірнеше он жылдықтар бойы  көлік құралын басқаруға жәрдемдесудің әртүрлі жүйелердің көмегімен жүргізуді автоматтандырумен жұмыс істеуде. Көпетген нәрселер шынайылыққа айналды, мысалы, жылдамдықты автоматты түрде бейімдеу немесе көлікті орнықтырған кездегі көмек. Басты мақсаты болып автономды жүргізу табылады, онды ЖЗ бар компьютерлік бағдарламалар толығымен автомобильді бақылайды, ал адамдар тек қана жолаушы болып табылады. Бір жақтан, бұл көптеген жол оқиғалардың алдын алушы еді, өйткені бүгін  көптеген апаттар адами факторларлардан орын алады. Бірақ, екінші жақтан, қағидатты сұрақтар да бар: жүргізушісі жоқ автомобильмен қақтығысқан жаңдайда кім жауапты болады?


ЖЗ саласындағы ғылыми зерттеулердің мысалдары

Жүр, менімен бірге зертте
Кішкентай төрт аяқты SOLO 8 роботы, сонымен қатар ол ЖЗ тақырыбына арналған көрмеге келушілерімен амандасады – бұл Макс Планк Қоғамының Тюбинген және Штутгарттағы Зияткерлік жүйелер институтының робототехникалық зертханаларының туындысы. Робот-зерттеуші ашық бастапқы коды бар жоба болып табылады.  Әзірлеу жөніндегі нұсқаулық және GitHub бойынша құжаттама ашық қолжетімдікте бар. Бөлшектердің көбі 3D-принтерден келіп түседі, қалғанын дүкенде оңай сатып алуға болады. Бұл бүкіл әлемдегі зерттеушілер SOLO 8 роботты қымбат емес әрі оңай жаңадан өндіруі және әзірлемені жалғастыруы мүмкін дегенді білдіреді. Жобаның идеясы робототехниканың кез келген зерттеушілік зертханасы, бүкіл әлемде бірыңғай зертханашылық платформаны құрастырып, осы технологияны пайдалана алатынында болады. Өйткені егер ғалымдардың көбі эксперименттерді сол бір платформада жүргізетін болса, онда салыстырмалы деректер алады дегені. Бұл робототехника саласындағы үдеуді жылдамдатуға мүмкіндік туғызады.

  © Макс Планк Қоғамының Зияткерлік жүйелер институты, Штутгарт және Тюбинген / Вольфрам Шайбле Ұзақ уақытты экспозицияның арқасында  SOLO 8 роботы қозғалыстарының жоғары серпімді реттіліктері биге айналады.

Өзара байланыстарды тану
Тюбингендегі Макс Планк атындағы Зияткерлік жүйелер институның Бернхард Шёлькопф зерттеулері бағыттарының бірі болып каузалды  интерференция табылады. Бұл ретте сөз осындай леректердің негізінде себепті-салдар байланыстарды, яғни себеп пен салдар арасындағы байланысты анықтай алатын алгоритмдер туралы қозғалады. Жүйе мақстаттарының бірі – ЖЗ жүйелерін сыртқы араласуға неғұрым төзімдіге айналдыру. Жақсы мысал болып мұнда автономды жүргізу табылады: егер тұрғын ауданда 30 км/сағ орнына «130» деп жазылған жылдамдықты шектейтін  жол белгісі орнатылған болса, адам бұл шындық болуы мүмкін емес екендігін бірден түсінеді – өйткені қоршаған жағдай көптеген қосымша сыбырлар береді. ЖЗ үшін бұл, басқа тұрғыдан, өте ауыр міндет. Дегенмен, автомобильдер шынымен автономды жүре алатынға дейін оны орындап шығуға дайын болйы тиіс, әйтпесе ауыр апаттар болмай қалмайды.
  © Ұтқырлықты қамтамсыз етуге арналған Bosch шешімдері
Мінсіз өзара әрекеттесу
Фильмдер мен сериалдар Германия сияқты ірі кинонарықтар үшін дубляжданады. Бұл ретте аудармашылар тек қана айтылғанның мазмұнын дұрыс жеткізуі тиіс емес, сонымен қатар жаңа мәтін актерлер еріндерінің қозғалысы мен бет қимылдарына сәйкес келуі тиіс. Бірақ барлығы өзгеруі мүмкін: Макс Планк Қоғамының Информатика институтында әзірленген «Терең бейнеопортреттер» атты ЖЗ техникасы актерлердің  бет әлпеттері мен бет қимылдарын жақсы аудару үшін бейімдеуі мүмкін. Бұл үшін дубляж актерлерінің бет қимылдары және бастарының жайғасуы жазылып алынады. Жүйе бұны фильмдегі актерлерге көшіреді. Нәтижесінде бет қимылы, көзқарас, бастың жайғасуы және тіпті көз қысу айтылатын сөздерге мінсіз сәйкес келеді. Алайда осындай тәсілдер медиаконтентке «дипфейк» деп аталатын бұрмалау жасауға мүмкіндік туғызады. Бүгін, мысалы, саясаткерлердің аузына ақылға мүлде сыймайтын сияқты кез келген мәлімдемені тығыздап салуға болады. Сондықтан біз нақты дәлелдер деп көрінетінге сыни қарауға үйренуіміз керек.
  © Макс Планк Қоғамының Информатика институты, Саарбрюккен
ЖЗ көмегімен тілдерді үйрену
Тілді үйрену жөніндегі онлайн-курстар саны «теңіздегі құмға» тең. Бірақ ұсыным сапасы мен бағасы бойынша қатты ерекшеленеді.  Оқушылар оқытушылардан көп кері байланыс алатын курстар әсіресе үмітті болып табылады. Алайда бұндай курстар өте қымбат. Вейценбаум-институт – Берлин және Бранденбургтың біріккен зерттеу жобасы – Гете-Институтымен бірлесіп оқытушылардың уақытын мүмкіндігінше тиімді пайдалануға және өзіндік мәтіндерді жазу мен дұрыс айтуға үйрету сияқты салаларға көңіл тоқтатуға мүмкіндік беретін ЖЗ әзірлеуде. Бағдарлама, бұған қоса, еркін тұжырымдалған мәтіндердегі жаңа лексиканы тексеріп, сондай-ақ жақында оқылған грамматиканы пайдаланудың дұрыстығын тексеруі мүмкін. Ол тіпті оқушылар мәтінді өздері аударғанын немесе аудармашы-бағдарламалардың көмегімен «қулық істегендерін» анықтай алады. Сөйтіп, ЖЗ оқытушылардың кертартпалыққа негізделген міндеттерін өзіне алуы мүмкін.

Шебер сезімталдығы бар da Vinci
Тарған адами-машиналық интерфейстер көбінесе естуге немес көруге бағадарланған. Бірақ Катерине Кухенбекер және Макс Планк Қоғамының Штутгарттағы Институтындағы оның командасы сенімді: пайдаланудың көптеген салалары үшін роботтарға жанасулық өзара әрекеттесудің неғұрлым жетілдірілген мүмкіндіктері, сонымен қатар жоғар әлеуметтік зият қажет. Сондықтар ғалымдар роботтарды қоршаған ортаны сипап қарап қабылдауға үйретеді. Бұл адамдармен, мысалы, күтімді қажет ететін адамдармен жұмыс істегенде, сондай-ақ қашықтықтан басқарылатын роботтарды пайдаланғанда бірдей маңызды. Сөйтіп, Катерине Кухенбекер продолжает разработку хирургического робота «da Vinci» хтрургиялық рабаотты әзірлеуді жалғастырады, ол хирургтарға отаны үлкен қашықтықтарда жүргізуге мүмкіндік береді. Сонымен қатар ЖЗ жүйесі қашықтықтағы мамандардың қимылдарын жеткізеді. Жаңа функциялардың арқасында енді дәрігерлер робот не істеп жатқанын экранда ғана көрмей, сонымн қатар сізінетін де болады.

© Макс Планк Қоғамының Зияткерлік жүйелер институты, Штутгарт «ЖЗ көмегімен біз жақсы хирургтарды өте жақсы хирургтарға айналдыра аламыз».
Катерине Кухенбекер, Макс Планк Қоғамының Штутгарттағы Зияткерлік жүйелер институтының директоры