10 odsłon AI - sieci bayesowskie cz. 7
Jest czwartek wieczorem. Siedzisz w domu i próbujesz zdecydować, co zjeść na kolację. Masz ochotę na pizzę, ale przypominasz sobie, że jadłeś ją wczoraj. Z drugiej strony, sushi brzmi kusząco, ale jest droższe, a twój portfel wygląda ostatnio jak po diecie odchudzającej. Wtedy wpadasz na pomysł: „Gdyby tylko ktoś mógł mi podpowiedzieć, co wybrać!” – i tu pojawiają się sieci bayesowskie.
Te sprytne modele AI analizują różne zmienne, jak poziom twojego głodu, stan konta i dostępne promocje w aplikacji, żeby powiedzieć ci, co będzie lepsze. To jak posiadanie asystenta, który nie tylko zna twoje upodobania, ale jeszcze uwzględnia zależności między wszystkimi czynnikami – np. że „pizza o tej porze oznacza spokój, ale sushi w promocji to dobry interes na przyszłość”. Sieci bayesowskie to mistrzowie codziennych dylematów – od kolacji po diagnozy medyczne, ale kto by się przejmował zdrowiem, skoro dziś mamy ochotę na pizzę?
Witamy w 7 już odsłonie AI.
Sieci bayesowskie
Sieci bayesowskie to narzędzie, które pomaga podejmować decyzje, uwzględniając, jak różne rzeczy są ze sobą powiązane i jakie jest prawdopodobieństwo ich wystąpienia. Można je sobie wyobrazić jako mapę, gdzie każda zmienna (np. pogoda, zdrowie, korki) jest punktem, a linie między nimi pokazują, jak jedno wpływa na drugie. Dzięki temu można przewidywać, co się stanie, nawet jeśli nie mamy wszystkich informacji.
Jak działają sieci bayesowskie:
Nadal głodny i nie wiesz co zamówić na kolację? Zobaczmy jak działają sieci w rozwiązywaniu tego wyzwania:
1. Węzły i krawędzie (zmienne i ich zależności):
Każda zmienna, która wpływa na decyzję, jest węzłem w sieci. Połączenia między węzłami (krawędzie) pokazują, jak zmienne są ze sobą powiązane. W tym przypadku węzły mogą wyglądać tak:
● Stan portfela (ile masz pieniędzy).
● Poziom głodu (czy jesteś bardzo głodny czy tylko lekko).
● Dostępność promocji (czy restauracja oferuje zniżki).
● Upodobania kulinarne (czy bardziej lubisz pizzę, czy sushi).
● Decyzja końcowa (pizza czy sushi).
Wyobrażenie: To jak mapa myśli – każda zmienna jest węzłem, a linie między nimi pokazują, co wpływa na co.
2. Rozkład prawdopodobieństwa:
Każdy węzeł ma przypisane prawdopodobieństwa. Na przykład:
● Stan portfela: „Prawdopodobieństwo, że masz mało pieniędzy, wynosi 60%”.
● Promocja: „Prawdopodobieństwo, że sushi jest w promocji, wynosi 30%”.
● Poziom głodu: „Prawdopodobieństwo, że jesteś bardzo głodny, wynosi 80%”.
Wyobrażenie: To jak ocena szans – na ile prawdopodobne jest, że dany czynnik występuje.
3. Aktualizacja wiedzy (wnioskowanie):
Gdy dostajesz nowe informacje, sieć bayesowska aktualizuje prawdopodobieństwa. Na przykład:
● Dowiadujesz się, że jest promocja na sushi. Sieć przelicza na nowo zależności i mówi: „Teraz prawdopodobieństwo, że wybierzesz sushi, wzrosło”.
● Jeśli z kolei przypomnisz sobie, że wczoraj jadłeś pizzę, sieć uwzględni twoje preferencje i zmniejszy szanse na ponowny wybór pizzy.
Wyobrażenie: To jak zmiana zdania po otrzymaniu nowych informacji – sieć automatycznie aktualizuje swoje przewidywania.
4. Przewidywanie zdarzeń:
Na podstawie wszystkich danych sieć bayesowska pomaga ci wybrać najlepszą opcję. Uwzględnia zależności, takie jak:
● Jeśli jesteś bardzo głodny, pizza jest bardziej prawdopodobnym wyborem (bo jest większa i sycąca).
● Jeśli masz mało pieniędzy, a sushi jest w promocji, prawdopodobieństwo wyboru sushi rośnie.
Wyobrażenie: Sieć wskazuje opcję, która najlepiej odpowiada twojej sytuacji i preferencjom.
Jak działa sieć w praktyce:
1. Sieć ocenia prawdopodobieństwa na początku:
○ Pizza: 50%
○ Sushi: 50%
2. Otrzymujesz nowe dane:
○ Sushi jest w promocji.
○ Jesteś bardzo głodny.
3. Sieć aktualizuje przewidywania:
○ Pizza: 30% (spada, bo promocja działa na korzyść sushi).
○ Sushi: 70% (rośnie, bo promocja i głód wpływają na decyzję).
Decyzja końcowa: Zamawiasz sushi, bo sieć bayesowska uznała, że to lepszy wybór w twojej sytuacji.
Sieci bayesowskie działają w podobny sposób w wielu dziedzinach – od wyboru kolacji, przez diagnostykę medyczną, aż po prognozowanie pogody. To jak sprytny doradca, który potrafi uwzględnić wszystkie czynniki i podpowiedzieć ci najlepszą opcję!
Przykłady zastosowania sieci bayesowskich:
1. Diagnostyka medyczna
● Problem: Lekarz musi na podstawie objawów i wyników badań przewidzieć, czy pacjent ma daną chorobę.
● Jak działa sieć bayesowska?: Sieć analizuje różne objawy (np. gorączka, kaszel, ból głowy) i ich zależności z chorobami. Każdy objaw zwiększa lub zmniejsza prawdopodobieństwo danej choroby. Na przykład, jeśli pacjent ma gorączkę i kaszel, sieć bayesowska może oszacować, że istnieje 80% szans na grypę.
● Wyobrażenie: Lekarz pyta pacjenta o objawy i sieć bayesowska pokazuje, że na podstawie gorączki i kaszlu prawdopodobieństwo grypy jest bardzo wysokie, ale jednocześnie może pokazać inne możliwości, jak np. przeziębienie (20%).
2. Systemy rekomendacji (Netflix, Spotify)
● Problem: Serwis musi polecać filmy lub muzykę użytkownikowi na podstawie jego wcześniejszych wyborów.
● Jak działa sieć bayesowska?: Sieć bayesowska analizuje wcześniejsze wybory użytkownika (np. jakie filmy oglądał) i używa tych danych, aby przewidzieć, co może mu się spodobać. Na przykład, jeśli użytkownik często ogląda thrillery, sieć może ocenić, że istnieje wysokie prawdopodobieństwo, że spodoba mu się nowy film tego gatunku.
● Wyobrażenie: Netflix obserwuje, że oglądałeś kilka thrillerów i na podstawie zależności (które filmy są podobne do innych) sugeruje ci nowy thriller, bo istnieje wysokie prawdopodobieństwo, że ci się spodoba.
3. Zarządzanie ruchem ulicznym
● Problem: System musi przewidzieć, jak zmiany w warunkach drogowych (np. pogoda, godzina szczytu) wpłyną na ruch.
● Jak działa sieć bayesowska?: Sieć analizuje, jak różne czynniki (pogoda, dzień tygodnia, godzina) wpływają na natężenie ruchu. Na przykład, jeśli jest godzina szczytu i pada deszcz, sieć może oszacować, że istnieje 90% prawdopodobieństwa, że na danej ulicy będą korki.
● Wyobrażenie: System zarządzania ruchem widzi, że jest piątek wieczór, pada deszcz i jest godzina szczytu. Na podstawie tych danych sieć bayesowska przewiduje, że korki na drogach będą większe niż zwykle, bo te zmienne są ze sobą powiązane.
4. Zarządzanie ryzykiem w finansach
● Problem: Bank musi przewidzieć ryzyko niewypłacalności klienta na podstawie jego historii kredytowej.
● Jak działa sieć bayesowska?: Sieć analizuje różne czynniki, takie jak wiek klienta, dochody, historia spłat i ocenia, jakie jest prawdopodobieństwo, że klient nie spłaci kredytu. Na przykład, jeśli klient ma stabilne dochody i zawsze spłacał kredyty na czas, sieć może ocenić, że istnieje tylko 10% szans na to, że nie spłaci nowego kredytu.
● Wyobrażenie: Bank sprawdza historię kredytową klienta i używa sieci bayesowskiej, aby przewidzieć, jak duże jest ryzyko, że klient nie spłaci nowego kredytu. Na tej podstawie podejmuje decyzję, czy przyznać kredyt.
5. Diagnostyka techniczna (predykcyjne utrzymanie ruchu)
● Problem: System musi przewidzieć, kiedy maszyna może się zepsuć, zanim to się stanie.
● Jak działa sieć bayesowska?: Sieć analizuje dane dotyczące stanu maszyny (np. wibracje, temperatura, zużycie części) i ocenia, jakie jest prawdopodobieństwo awarii. Na przykład, jeśli wykryto zwiększone wibracje i wysoką temperaturę, sieć może przewidzieć, że istnieje 70% szans na to, że maszyna się zepsuje w ciągu tygodnia.
● Wyobrażenie: Fabryka monitoruje swoje maszyny i dzięki sieci bayesowskiej może przewidzieć, że jeśli temperatura wzrośnie o kolejne kilka stopni, prawdopodobieństwo awarii znacząco wzrośnie, co pozwala na wcześniejszą naprawę.
Sieci bayesowskie są odpowiedzią na twoje dylematy. Już wiemy, że będziesz je stosował, gdy tylko zadasz sobie pytanie co zjeść na kolację? :) A tak na poważnie ludzie dokonują wyboru w swoich umysłach na podstawie emocji, zachciewajek i impulsu, tudzież intuicji.
Natomiast, gdy mówimy o AI to wymaga to zastosowania pełnego procesu. AI jeszcze nie ma emocji, zachciewajek, impulsu i intuicji. I jeszcze długo mieć nie będzie.
Sieci bayesowskie były 7 odsłoną AI. Przed nami eksperci, czyli systemy eksperckie.