10 odsłon AI - Rozumowanie probabilistyczne cz. 4 | VOBACOM | Inteligentne rozwiązania dla firm i instytucji

Rozumowanie probabilistyczne to metoda w sztucznej inteligencji, która pozwala podejmować decyzje w sytuacjach niepewności. Zamiast bazować na pewnych faktach (jak w klasycznej logice), rozumowanie probabilistyczne ocenia prawdopodobieństwo różnych wyników, opierając się na dostępnych danych. Jest ono użyteczne wtedy, gdy nie jesteśmy pewni, co się wydarzy, ale możemy określić szansę wystąpienia różnych zdarzeń.

Jak działa rozumowanie probabilistyczne

Pozostańmy przy przykładzie pogody. W aplikacji pogodowej na twoim smartfonie masz informację, że szanse na śnieg przed świętami wynoszą 38%. Co to oznacza? Jak do tego aplikacja doszła? Kupować śniegowce czy nie? 
 

1. Zbieranie danych (Wejście):

Aplikacja zbiera ogromne ilości informacji, takich jak:

• Dane historyczne: Jak często w tej okolicy śnieg padał przed świętami w przeszłości? (np. w 38 na 100 przypadków w ciągu ostatnich 10 lat).
• Bieżące warunki atmosferyczne: Aktualna temperatura, wilgotność, ciśnienie atmosferyczne.
• Modele meteorologiczne: Symulacje komputerowe pokazujące, jak obecne warunki mogą się rozwijać w najbliższych dniach.

Takiej ilości danych samodzielnie nie jesteś w stanie przetworzyć. 

2. Obliczanie prawdopodobieństwa (Model probabilistyczny):

Aplikacja wykorzystuje reguły rachunku prawdopodobieństwa, aby ocenić, jak prawdopodobny jest śnieg. Na przykład:

• Dane historyczne: Jeśli w danej lokalizacji śnieg padał w 38% przypadków przy podobnych warunkach (np. niska temperatura, wysoka wilgotność), to baza danych ustala wstępne prawdopodobieństwo na poziomie 38%.
• Aktualizacja na podstawie nowych danych (Prawo Bayesa): Aplikacja uwzględnia nowe informacje, np. zmieniające się ciśnienie atmosferyczne, aby poprawić prognozę. Na przykład, jeśli aktualne warunki są bardziej sprzyjające dla śniegu niż przeciętne, prawdopodobieństwo może wzrosnąć.

3. Wynik (Prawdopodobieństwo):

Na podstawie obliczeń aplikacja podaje wynik: 38% szans na śnieg przed świętami. To oznacza, że w 38 na 100 podobnych sytuacji w przeszłości wystąpił śnieg.

4. Decyzja: Kupować śniegowce czy nie?
Rozumowanie probabilistyczne daje dane, ale decyzja należy do ciebie. Możesz podejść do tego tak:

• Praktyczne podejście: 38% to mniej niż połowa – może nie warto kupować śniegowców, ale jeśli są ci potrzebne przy nawet niewielkim śniegu, możesz się przygotować.
• Oszacowanie ryzyka: Jeśli nie kupisz śniegowców, a będzie śnieg, czy będzie to duży problem? Jeśli tak, warto kupić je mimo niskiego prawdopodobieństwa.

Dlaczego 38%?

Prognoza jest wynikiem analizy wielu czynników:

• Niepewność: Warunki pogodowe są zmienne i nie zawsze przewidywalne. Rozumowanie probabilistyczne nie mówi „śnieg będzie” lub „śniegu nie będzie”, tylko podaje stopień pewności, uwzględniając niepewność danych.
• Uśrednienie wyników: Aplikacja może korzystać z różnych modeli prognoz, np. europejskiego, amerykańskiego, i uśredniać wyniki.

Rozumowanie probabilistyczne w tym przykładzie pomaga oszacować szansę na śnieg, ale ostateczna decyzja – kupować śniegowce czy nie – zależy od twojej tolerancji na ryzyko i osobistych priorytetów.

1. System diagnostyki medycznej 

• Problem: Lekarze muszą diagnozować choroby na podstawie objawów pacjenta, ale nie zawsze objawy jednoznacznie wskazują na jedną chorobę.
• Jak działa rozumowanie probabilistyczne?: Systemy diagnostyczne używają rozumowania probabilistycznego do oceny prawdopodobieństwa różnych chorób na podstawie objawów pacjenta. Na przykład, jeśli pacjent ma kaszel i gorączkę, system może ocenić, że istnieje 80% prawdopodobieństwa, że to grypa, a 20%, że to zwykłe przeziębienie.
• Wyobrażenie: Pacjent przychodzi do lekarza z bólem głowy i gorączką. System może ocenić, że istnieje 60% szans, że to zwykła infekcja wirusowa, ale na podstawie dodatkowych informacji może także rozważyć inne diagnozy, jak zapalenie zatok.

2. Systemy rekomendacji (Netflix, Spotify)

• Problem: Serwis streamingowy chce polecić użytkownikom filmy, które im się spodobają.
• Jak działa rozumowanie probabilistyczne?: Algorytmy Netflixa i Spotify analizują historię oglądania/słuchania użytkownika i na tej podstawie obliczają prawdopodobieństwo, że spodoba im się dany film lub piosenka. Jeśli użytkownik często ogląda filmy akcji, system może oszacować, że istnieje 80% szans, że spodoba mu się nowy film akcji, a tylko 30% na to, że spodoba mu się komedia.
• Wyobrażenie: Netflix analizuje, jakie filmy oglądasz i ocenia, że jest duże prawdopodobieństwo, że spodoba ci się nowy film w podobnym stylu, więc sugeruje go na liście rekomendacji.

3. Nawigacja GPS (Google Maps) 

• Problem: Nawigacja musi przewidzieć, która trasa będzie najszybsza, ale nie zawsze wiadomo, co się wydarzy na drodze (np. korki).
• Jak działa rozumowanie probabilistyczne?: Google Maps używa rozumowania probabilistycznego do przewidywania czasu przejazdu na podstawie wcześniejszych danych o ruchu drogowym. System analizuje ruch o danej porze dnia i pogodzie, i przewiduje, że istnieje np. 70% szans na to, że trasa A będzie szybsza niż trasa B.
• Wyobrażenie: Jeśli Google Maps pokazuje kilka możliwych tras, system bierze pod uwagę historyczne dane o korkach, natężeniu ruchu i przewiduje, która trasa ma największe szanse być najszybsza.

4. Filtry antyspamowe (Gmail)

• Problem: Gmail musi zdecydować, czy dana wiadomość to spam czy normalny e-mail.
• Jak działa rozumowanie probabilistyczne?: Filtry antyspamowe obliczają prawdopodobieństwo, że wiadomość jest spamem na podstawie analizy jej treści, nadawcy i innych czynników. Na przykład, jeśli wiadomość zawiera dużo linków do podejrzanych stron, system może ocenić, że jest 90% szans, że to spam.
• Wyobrażenie: Jeśli dostaniesz wiadomość od nieznanego nadawcy z dziwnymi linkami, filtr antyspamowy może ocenić, że jest duża szansa, że to spam i automatycznie przeniesie wiadomość do folderu spam.

5. Gry komputerowe 

• Problem: Postać komputerowa (NPC) w grze musi podejmować decyzje o tym, jak reagować na gracza w zmieniającym się otoczeniu.
• Jak działa rozumowanie probabilistyczne?: W niektórych grach komputerowych NPC (np. przeciwnicy w grze) używają rozumowania probabilistycznego, aby przewidzieć ruchy gracza. Na przykład, jeśli gracz często unika ataków w lewo, przeciwnik może ocenić, że istnieje duża szansa, że gracz znowu to zrobi i dostosować swoją strategię.
  Wyobrażenie: Grasz w grę, a przeciwnik komputerowy ocenia, że jest 80% szans, że uciekniesz w lewo, więc atakuje cię z prawej strony.

6. Ocena ryzyka ubezpieczeniowego

• Firmy ubezpieczeniowe używają rozumowania probabilistycznego, aby ocenić ryzyko klientów na podstawie ich historii zdrowia, wieku i stylu życia, a następnie obliczają prawdopodobieństwo wystąpienia wypadków lub chorób.

7. Rozpoznawanie mowy (Siri, Alexa)

• Systemy rozpoznawania mowy, takie jak Siri, używają rozumowania probabilistycznego do analizy wypowiedzi użytkownika i oceny, co najprawdopodobniej powiedział. Na przykład, jeśli mówisz: "Pogoda", system może ocenić, że jest 95% szans, że chcesz wiedzieć o prognozie pogody, a tylko 5% na to, że mówisz o czymś innym.

8. Robotyka

• Roboty używają rozumowania probabilistycznego, aby przewidzieć wyniki swoich działań. Na przykład, robot może ocenić, że istnieje 80% szans, że złapie obiekt, ale 20% szans, że mu się nie uda, co pozwala mu podejmować bardziej trafne decyzje.

9. Rekrutacja w firmach

• Systemy analizujące CV mogą oceniać prawdopodobieństwo, że dany kandydat będzie pasować do firmy na podstawie analizy ich umiejętności, doświadczenia i cech osobowości, obliczając szanse na sukces kandydata na danym stanowisku.

10. Wykrywanie oszustw w bankowości

• Banki używają algorytmów probabilistycznych do analizy transakcji i wykrywania potencjalnych oszustw. Systemy te obliczają prawdopodobieństwo, że dana transakcja jest podejrzana, na podstawie analiz wzorców płatności, miejsc transakcji czy wysokości kwot.

Rozumowanie probabilistyczne pozwala podejmować decyzje w sytuacjach niepewności, oceniając prawdopodobieństwa różnych zdarzeń na podstawie dostępnych informacji. Zamiast wybierać jedno rozwiązanie jako pewne, system bierze pod uwagę różne możliwości i ich szanse na wystąpienie. Dzięki temu znajduje zastosowanie w systemach rekomendacji, filtrach antyspamowych, nawigacji GPS, diagnostyce medycznej i wielu innych dziedzinach, gdzie podejmowanie decyzji wymaga analizy niepewnych danych.

Malkontent powie - 38% że będzie śnieg? Od 2 lat tak jest i na Wigilię śniegu nie ma. Po co te rozważania. Ludzie szacują prawdopodobieństwo na podstawie własnych doświadczeń i ograniczeń poznawczych. System robi to na podstawie danych, czasami cofając się w historii wiele, wiele lat wstecz, żeby przeanalizować to, czego ludzki umysł już nie pamięta i nie ogarnia. 

Modele oparte na rozumowaniu probabilistycznym mają potencjał, aby stawać się coraz dokładniejsze. W niektórych branżach gromadzenie danych potrzebnych do działania tych modeli ma krótką historię, w innych wręcz przeciwnie. Dlatego trudno jednoznacznie określić uniwersalną “dokładność i trafność”.

Im dłuższa jest nasza podróż po rozumieniu AI, tym ciekawsze wątki są poruszane. Ten artykuł przybliżył magiczne “prawdopodobieństwo”, które w wielu rozwiązaniach AI współwystępuje z logiką rozmytą, algorytmami genetycznymi oraz sieciami neuronowymi

. 
Kolejny, już piąty artykuł zabierze nas w podróż po następnej odsłonie AI, czyli drzewach decyzyjnych.