4. Neuronové sítě bez mystiky

Síť zpracovává čísla

Neuronová síť je model složený z propojených výpočetních jednotek. Jednotky zpracovávají číselné vstupy, používají nastavitelné váhy a předávají výsledky dál. Název je historicky inspirovaný nervovou soustavou, ale neznamená, že jde o kopii lidského mozku. Pro tuto lekci stačí chápat síť jako výpočet, jehož nastavení se mění při učení.

Text, obrázek nebo zvuk se musí převést do podoby, kterou výpočet zpracuje. Váha určuje, jak určitý vstup přispívá k výsledku; další operace umožňují zachytit složitější vztahy. Při trénování se porovnává výsledek s cílem a algoritmus upravuje nastavení. Tento proces neznamená, že každá jednotka dostane člověkem pojmenovaný význam.

Hluboké učení využívá sítě s více vrstvami. Další vrstvy mohou umožnit složitější zpracování, ale samotný jejich počet nezaručuje dobré řešení. Pořád záleží na datech, úloze, způsobu učení a ověření. Síť může velmi dobře rozpoznávat vzory známé z trénování a přitom chybovat, když se podmínky podstatně změní.

Pro názornou ukázku nepotřebujeme skutečnou velkou síť. Zvolíme dvě číselné informace o fiktivní studijní akci: délku v hodinách a počet témat. Jednoduchý výpočet vrací skóre zatížení. Jeho váhy jsme nastavili ručně, takže zatím nejde o natrénovaný užitečný model. Je to pomůcka k pochopení, jak změna váhy změní vliv vstupu.

Vlastní výpočet pro pochopení vah

Skóre = 2 × délka_v_hodinách + 1 × počet_témat
Akce A: 1 hodina a 3 témata → skóre 5
Akce B: 2 hodiny a 1 téma → skóre 5
Jiná váha délky:
Skóre = 3 × délka_v_hodinách + 1 × počet_témat
Akce A → 6; akce B → 7

Obě akce měly nejprve stejný výsledek, později se rozešly. To neznamená, že jsme objevili správný způsob hodnocení. Změnili jsme jen pravidlo. Aby měl model praktický význam, potřebovali bychom definovat cílový údaj, například skutečnou subjektivní náročnost z vhodně získaných hodnocení, a ověřit, zda předpovědi odpovídají novým situacím.

Cvičení: co změna váhy skutečně dělá

1. Vytvoř tři další fiktivní akce s délkou a počtem témat. Spočítej obě uvedená skóre ručně.
2. Popiš, které akce se posunuly nejvíc a proč. Zkontroluj aritmetiku nezávisle na případné AI odpovědi.
3. Zapiš jednu vlastnost, kterou náš výpočet vůbec nevidí, například obtížnost tématu nebo předchozí znalosti.
4. Vysvětli, proč nelze skóre vydávat za spolehlivé měření skutečné náročnosti.

Modelové skóre také nemusí být pravděpodobností správné odpovědi. I když nástroj ukáže vysoké číslo nebo sebevědomý text, potřebuješ vědět, co toto číslo označuje a zda bylo vhodně ověřeno. Kalibrace se zabývá vztahem vyjádřené jistoty a skutečné úspěšnosti; nevzniká jen tím, že výstup nazveš jistotou.

Po této lekci máš rozumět základnímu rozdílu mezi vstupy, nastavením a výsledkem. Nemusíš umět implementovat rozsáhlou síť. Důležité je nepřisuzovat názvu „neuronová“ vlastnosti lidské mysli a nevydávat složitost výpočtu za důkaz správnosti. Stejný požadavek na ověření platí pro malý vzorec i velký model.