Mapa dziedziny: AI ⊃ uczenie maszynowe ⊃ uczenie głębokie
🎯 Po co Ci to?
W mediach „sztuczna inteligencja", „uczenie maszynowe", „sieci neuronowe", „deep learning" i „algorytm" bywają używane jak synonimy. Nie są. Ta jednostka daje Ci porządek, w którym każde z tych słów ma swoje miejsce — i dzięki któremu od razu wychwycisz, kiedy ktoś (dziennikarz, sprzedawca, kolega) mówi o czymś innym, niż mu się wydaje.
✅ Czego się nauczysz
Po tej lekcji potrafisz:
- ułożyć pojęcia AI, uczenie maszynowe i uczenie głębokie w relację zawierania i podać przykład z każdego poziomu;
- wyjaśnić, czym jest model i dlaczego to słowo znaczy „uproszczona reprezentacja";
- wskazać, gdzie na tej mapie mieści się symboliczna AI z Części II;
- rozpoznać typowe nadużycia terminologiczne.
🔁 Przypomnij sobie
Z Jednostki 3.1: sztuczna inteligencja to program automatyzujący proces myślowy — niezależnie od techniki. Z Jednostki 3.2: technik są dwie, „reguły z góry" i „reguły z danych". Z 3.3: to nadal jedna dziedzina z mitami i poziomami ambicji — teraz nazwiemy warstwy techniczne porządnie.
📘 Wyjaśnienie
Trzy zagnieżdżone kręgi
Sztuczna inteligencja (AI) to najszerszy krąg: każdy program automatyzujący proces myślowy. Należą do niego zarówno systemy zbudowane z ręcznie wpisanych reguł (Część II tej książki), jak i systemy uczące się.
Uczenie maszynowe (machine learning, ML) to węższy krąg wewnątrz AI: te systemy, w których program wypracowuje reguły z danych, a nie otrzymuje ich od człowieka. Nie każde uczenie maszynowe używa sieci neuronowych — należą tu też metody prostsze i często zupełnie wystarczające: drzewa decyzyjne, k najbliższych sąsiadów, regresja liniowa (poznasz je w Jednostce 9.5).
Uczenie głębokie (deep learning, DL) to najwęższy krąg wewnątrz ML: uczenie maszynowe z użyciem sieci neuronowych o wielu warstwach. Słowo „głębokie" nie znaczy „mądre" ani „dogłębne" — znaczy dosłownie „wielowarstwowe". Tu mieszczą się sieci konwolucyjne rozpoznające obrazy (Dział 12) i transformery napędzające modele językowe (Dział 16).
┌──────────────────────────────────────────────┐
│ SZTUCZNA INTELIGENCJA │
│ (program automatyzujący proces myślowy) │
│ • systemy ekspertowe, reguły, planowanie │
│ • przeszukiwanie: szachy, minimax │
│ ┌────────────────────────────────────────┐ │
│ │ UCZENIE MASZYNOWE │ │
│ │ (reguły wypracowane z danych) │ │
│ │ • drzewa decyzyjne, kNN, regresja │ │
│ │ ┌──────────────────────────────────┐ │ │
│ │ │ UCZENIE GŁĘBOKIE │ │ │
│ │ │ (sieci o wielu warstwach) │ │ │
│ │ │ • CNN — obrazy │ │ │
│ │ │ • transformery — język (LLM) │ │ │
│ │ └──────────────────────────────────┘ │ │
│ └────────────────────────────────────────┘ │
└──────────────────────────────────────────────┘
💭 Pomyśl: Program szachowy Deep Blue, który w 1997 roku pokonał Kasparowa, nie używał ani sieci neuronowych, ani uczenia się z danych — przeszukiwał miliony pozycji według reguł wpisanych przez ludzi. Do którego kręgu należy?
Sprawdź odpowiedź
Do najszerszego: sztuczna inteligencja, ale nie uczenie maszynowe. Automatyzuje proces myślowy (grę w szachy), więc jest AI; nie wypracowuje reguł z danych, więc nie jest ML. To ważny przykład, bo pokazuje, że AI nie zaczęła się od sieci neuronowych i że „AI" nie jest synonimem „ML".
Dla kontrastu: AlphaGo (Jednostka 13.3) należy do wszystkich trzech kręgów — jest AI, uczy się z danych i z własnych partii, i używa głębokich sieci.
Model, czyli uproszczona reprezentacja
Słowo, które będzie wracać setki razy, warto zdefiniować teraz. Model należy rozumieć jako pewien uproszczony sposób reprezentacji czegoś innego: na przykład mapa Lublina jest modelem Lublina. Jest oczywiste, że nie wyczytamy z mapy Lublina wszystkiego o Lublinie; to jedynie uproszczona reprezentacja przestrzennych zależności między budynkami i innymi obiektami.
📐 DEFINICJA — model: uproszczona reprezentacja czegoś innego, zachowująca te cechy oryginału, które są istotne dla naszego celu.
Po ludzku: mapa, nie teren. Czym to NIE jest: model nie jest kopią rzeczywistości i nigdy nie zawiera wszystkiego. Każdy model coś pomija — pytanie tylko, czy pomija rzeczy dla nas nieistotne.
W uczeniu maszynowym modelem nazywamy wynik treningu: strukturę wraz z liczbami (parametrami), która potrafi na podstawie wejścia wyznaczyć wyjście. Kiedy więc czytasz „model GPT-4" albo „model rozpoznający czerniaka", chodzi dokładnie o to: uproszczoną reprezentację zależności wychwyconych w danych treningowych.
Ta metafora ma piękne przedłużenie w stronę człowieka. Uczymy się poprzez tworzenie wewnętrznych modeli świata. Nasz mózg przechowuje mnóstwo modeli czy mentalnych map: częściowe mapy miast i centrów handlowych, które odwiedziliśmy, mapę naszego mieszkania. Modele mogą być też dynamiczne — przypominają filmy instruktażowe: jak używać gorącego kleju, jak prowadzić auto, jak zagrać temat utworu „Mr. P.C." Johna Coltrane'a na gitarze. W dużej mierze nie uświadamiamy sobie istnienia tych modeli: każdy z nas posługujący się językiem polskim ma model tego języka zapisany w swoim mózgu.
Uczenie maszynowe do pewnego stopnia naśladuje zdolność ludzkiego mózgu do identyfikacji i nauki wzorców. I tak jak nasze uczenie się opiera się na określonej strukturze naszego mózgu, tak uczenie maszynowe będzie opierało się na określonej strukturze sztucznych sieci neuronowych. Do pewnego stopnia — bo tam, gdzie analogia się urywa (interakcja ze światem, ciało, emocje, cel własny), zaczynają się najciekawsze pytania tej książki (Dział 19).
Gdzie na mapie stoi Część II tej książki
Cała noga symboliczna — Arystoteles, Boole, logika, systemy ekspertowe, planowanie — mieści się w kręgu AI poza uczeniem maszynowym. To nie znaczy, że jest przeszłością: tam żyją dowodzenie twierdzeń, weryfikacja oprogramowania, planowanie tras, reguły w systemach medycznych i wszystko, co musi być jawne i sprawdzalne. Historyczne „zimy AI" (Jednostki 7.4 i 7.6) były kryzysami tej gałęzi, nie całej dziedziny — a dziś obie gałęzie zrastają się w systemy hybrydowe (Jednostka 22.1).
⚠️ Uwaga, pułapka
Trzy nadużycia, które usłyszysz w tym tygodniu:
- „Nasz produkt używa AI" — zdanie prawdziwe dla arkusza z regułą „jeśli sprzedaż spadła, pokaż ostrzeżenie", jeśli tylko ktoś zechce nazwać to AI. Pytaj: czy program wypracował reguły z danych, czy ktoś je wpisał?
- „To tylko algorytm, nie AI" — sugeruje przeciwstawienie, którego nie ma. Każda AI jest realizowana algorytmami; „algorytm" nie jest niższym szczeblem AI, tylko innym poziomem opisu.
- „Deep learning, czyli głębokie rozumienie" — „głębokie" odnosi się do liczby warstw sieci, nie do jakości poznania. Sieć głęboka nie rozumie głębiej; ma więcej warstw przetwarzania.
📐 Definicje tej lekcji
- Sztuczna inteligencja (AI) — program automatyzujący proces myślowy; krąg najszerszy.
- Uczenie maszynowe (ML) — poddziedzina AI: reguły wypracowywane z danych.
- Uczenie głębokie (DL) — poddziedzina ML: sieci neuronowe o wielu warstwach.
- Model — uproszczona reprezentacja czegoś innego; w ML: wynik treningu (struktura + parametry).
📌 Najważniejsze w pigułce
- AI ⊃ uczenie maszynowe ⊃ uczenie głębokie — trzy zagnieżdżone kręgi, nie synonimy.
- Nie każda AI się uczy (Deep Blue), nie każde ML jest głębokie (drzewa decyzyjne).
- „Głębokie" znaczy wielowarstwowe, nie „dogłębne".
- Model to uproszczona reprezentacja: mapa, nie teren — zawsze coś pomija.
- Noga symboliczna z Części II leży w AI poza ML i jest wciąż w użyciu, zwłaszcza w hybrydach.
🎒 Zadania
Zadanie 3.4.1. Przypisz do właściwego kręgu (AI / ML / DL — pamiętając, że kręgi się zawierają): (a) filtr antyspamowy uczony na oznaczonych e-mailach; (b) nawigacja szukająca najkrótszej drogi algorytmem Dijkstry; (c) model rozpoznający czerniaka na zdjęciu; (d) system regułowy diagnozujący usterki pralki; (e) rekomendacje filmów oparte na drzewach decyzyjnych.
Pokaż rozwiązanie
(a) AI + ML (jeśli bez sieci głębokich, to nie DL); (b) AI — czysty algorytm przeszukiwania, bez uczenia; (c) AI + ML + DL (sieć konwolucyjna); (d) AI — reguły wpisane ręcznie, system ekspertowy; (e) AI + ML, ale nie DL.
Sprawdź się dodatkowo: (b) niektórzy zawahają się, czy nawigacja to w ogóle AI. To znów przypadek graniczny — planowanie trasy jest procesem myślowym, ale tak zmechanizowanym, że przestaliśmy widzieć w nim inteligencję. Efekt AI w czystej postaci (Jednostka 3.3).
Zadanie 3.4.2. Podaj trzy różne modele tej samej rzeczy — Twojej szkoły — z których każdy pomija coś innego. Napisz, do czego każdy się nadaje, a do czego nie.
Pokaż rozwiązanie
Plan budynku (nadaje się do znalezienia sali, nie mówi nic o ludziach); plan lekcji (mówi, kto gdzie i kiedy, nie mówi nic o układzie korytarzy); lista uczniów z ocenami (mówi o wynikach, nie mówi ani o budynku, ani o planie). Żaden nie jest „lepszy" — każdy zachowuje inne cechy oryginału, bo służy innemu celowi.
Ta myśl przenosi się wprost na modele AI: model wytrenowany do rozpoznawania czerniaka jest bezużyteczny do oceny recenzji filmu, nie bo jest słaby, ale bo reprezentuje inne zależności.
Zadanie 3.4.3. Znajdź w internecie lub w gazecie jedno zdanie o AI i oceń, czy użyte terminy są na właściwym poziomie mapy. Jeśli nie — przepisz je poprawnie.
Pokaż rozwiązanie
Przykład typowego zdania: „Nowy algorytm sztucznej inteligencji nauczył się rozpoznawać emocje, bo deep learning pozwala mu głęboko rozumieć ludzi."
Poprawiona wersja: „Nowy model (sieć głęboka, czyli wielowarstwowa) został wytrenowany do klasyfikowania wyrazu twarzy w kilka kategorii emocji na podstawie oznaczonych zdjęć. Nie oznacza to rozumienia emocji — model wychwycił statystyczne wzorce w danych."
Zwróć uwagę, że poprawna wersja jest dłuższa i mniej efektowna. To normalne: precyzja zwykle kosztuje nagłówek.
🔍 Sprawdź, czy umiesz
- [ ] Narysować z pamięci trzy zagnieżdżone kręgi i podać przykład z każdego poziomu.
- [ ] Wyjaśnić, dlaczego Deep Blue jest AI, ale nie ML.
- [ ] Zdefiniować model i wyjaśnić metaforę „mapa, nie teren".
- [ ] Wyjaśnić, co znaczy „głębokie" w uczeniu głębokim.
- [ ] Rozpoznać i poprawić typowe nadużycie terminologiczne.