Mašinsko učenje kao osnov veštačke inteligencije

Očekivanja od veštačke inteligencije za unapređenje medicine i ishoda lečenja su velika, s obzirom na rastuću kompleksnost zdravstvene zaštite, veliku količinu podataka kojim raspolažu zdravstveni sistemi i potrebu za njihovim skladištenjem, obradom i analizom.

Veštačka inteligencija u osnovi ima model koji se zove mašinsko učenje. Kod mašinskog učenja, najvažniji je kvalitet podataka koji se koristi, s obzirom da od toga zavisi kako će model analizirati parametre i obaviti predviđanje.^1,2

Kako zapravo funkcioniše mašinsko učenje, najbolje se može objasniti na primeru programa koji treba da uoči samo mačke na fotografijama. Inicijalno, potrebno je definisati šta karakteriše mačku i na osnovu čega je možemo uočiti - dva oka, dva uha, četiri noge, rep i drugo. Međutim, za kompjuterski program to ne znači mnogo, jer on na fotografijama uočava samo piksele, ne segmente slike. To znači da algoritmu treba da obezbedimo adekvatnu količinu kvalitetnih slika sa mačkama. Što više slika obezbedimo, rezultat prepoznavanja mačaka na novim fotografijama će biti bolji. ¹

Nakon procesa učenja i evaluacije, model će obavljati predviđanje sa dalekom većom preciznošću i efikasnošću nego što to može čovek. 

Dakle, mašinsko učenje se sastoji od tri osnovne faze: ²

1. kreiranja modela za predviđanje, 

2. učenja modela da predviđa i 

3. procene modela.

    

U početnoj fazi se definiše zadatak i prikupljaju sirovi, neobrađeni podaci, koji se zatim konvertuju u karakteristične grupe simbola i znakova koji specifično odgovaraju ulaznim, sirovim podacima. ² Ovako kreirani simboli se nasumično dele u dve grupe, jednu koja se koristi za kreiranje modela i njegovo učenje da predviđa i drugu grupu, koja se koristi za procenu tačnosti i performansi modela na osnovu definisanih matematičkih funkcija.  ^{2 ,3,4}

Tokom procesa učenja, parametri dobijeni predviđanjem se porede sa realnim i na osnovu rezultata se procenjuje uspešnost modela. ^2,3,4 Nekada je potrebno da se učenje ponovi nekoliko puta sa istim ili novim podacima, kako bi sistem mogao da pređe u narednu fazu. 

Model se uvek evaluira korišćenjem potpuno nove grupe podataka. ^{2 ,3,4} Važno je uzeti u obzir da novi podaci ne treba da se razlikuju mnogo od podataka korišćenih za učenje, jer predviđanje može biti netačno. ^{2 ,3}

M-RS-00001805