Głębokie uczenie się, sztuczna inteligencja i sklep (niedalekiej) przyszłości

Sylwia Gromek

Customer Relations Manager

Głębokie uczenie się i sztuczna inteligencja szybko przemieszczają się z dziedziny science fiction do naszego codziennego życia i mają ogromny wpływ na sposób, w jaki ludzie robią prawie wszystko, od pracy po rozrywkę, a nawet zakupy.

Podobnie jak w przypadku innych tematów, jeśli chodzi o sztuczną inteligencję (AI), media skupiają się na dużych, odważnych i bardzo atrakcyjnych aspektach, takich jak samojeżdżące auta czy maszyny pokonujące mistrzów świata w grze w szachy. Przyznać należy, te historie są całkiem fajne i prawdopodobnie zasługują na uwagę, jaka jest na nich skupiana.

Ale co ze sztuczną inteligencją i jej rolą w handlu detalicznym? Obecnie mamy takie rozwiązania jak Amazon Echo, Google Home i Siri firmy Apple, które przyczyniły się do znacznej zmiany doświadczeń zakupowych oraz Amazon Go, który jest swoistym kamieniem milowym w rozwoju tradycyjnych kanałów sprzedaży. Pomijając powyższe, powstają coraz to nowsze aplikacje, które będą miały olbrzymi wpływ na handel detaliczny.

Czym jest sztuczna inteligencja?

Dziesiątki lat temu, na początku badań nad sztuczną inteligencją, dokonano interesującego odkrycia. Paradoks Moravca, jak je nazwano, zakłada, że wbrew tradycyjnym przeświadczeniom, wysokopoziomowe rozumowanie wymaga niewielkiej mocy obliczeniowej, natomiast niskopoziomowa percepcja i zdolności motoryczne wymagają olbrzymiej mocy obliczeniowej. Hans Moravec napisał: „Świadomy proces, który nazywamy myśleniem jest, według mnie, cieniutką warstewką ludzkich myśli, efektywną tylko dzięki wsparciu o wiele starszej i o wiele potężniejszej, choć zwykle nieuświadomionej, wiedzy motorycznej. Jesteśmy wszyscy wybitnymi olimpijczykami w dziedzinie percepcji i zdolności motorycznych, tak dobrymi, że trudne zadania wydają nam się łatwe”.

Wszystkie ludzkie umiejętności są oparte na biologii i wykorzystują mechanizmy powstałe w procesie selekcji naturalnej. Przez miliony lat selekcja naturalna faworyzowała ulepszenia i optymalizacje w organizmie. Im starsza jest jakaś umiejętność, tym więcej czasu trwało to ulepszanie. Myślenie abstrakcyjne pojawiło się bardzo niedawno i w konsekwencji nie powinniśmy oczekiwać, żeby jego implementacja była szczególnie efektywna.

Na przykład komputery często mają trudność z rozpoznaniem osób noszących np. jednokolorową, monolityczną odzież, taką jak burka. Dla człowieka rozpoznanie i zdefiniowanie takiego widoku jako osoby nie przysparza żadnych trudności.  Ale w pewnym sensie człowiek w tym porównaniu jest „oszustem”, ponieważ używa najlepszego na świecie mechanizmu rozpoznawania wzorca – ludzkiego mózgu.

Sam termin „sztuczna inteligencja” jest jeszcze całkiem nowy. Po raz pierwszy użyto go w 1956 roku podczas konferencji zorganizowanej przez Dartmouth College w New Hampshire. Od samego początku zagadnienie budziło emocje, pewne zdezorientowanie a nawet kontrowersje. Na bardzo uproszczonym poziomie, praktyczna sztuczna inteligencja sprowadza się do dwóch szkół myślenia.

Pierwsze to tworzenie modeli matematyczno-logicznych analizowanych problemów i implementowanie ich w formie programów komputerowych, mających realizować konkretne funkcje uważane powszechnie za składowe inteligencji. W tej grupie, tzw. podejścia symbolicznego, są np. algorytmy genetyczne, metody logiki rozmytej i wnioskowania bazującego na doświadczeniu. Drugie to podejście subsymboliczne polegające na tworzeniu struktur i programów „samouczących się”, bazujących na modelach sieci neuronowej i sieci asocjacyjnych, oraz opracowywanie procedur „uczenia” takich programów, rozwiązywania postawionych im zadań i szukania odpowiedzi na wybrane klasy „pytań”.

Sieci neuronowe i głębokie uczenie się

Przeciętny mózg zawiera około 100 miliardów neuronów, a każdy neuron jest połączony z 10 000 innych neuronów, co oznacza, że liczba synaps – połączeń między neuronami – wynosi od 100 bilionów do 1000 bilionów. Nie jesteśmy w stanie zbudować obliczeniowej sieci neuronowej tego rozmiaru, aczkolwiek Google już utworzyło sztuczne sieci neuronowe porównywalne z mózgami myszy laboratoryjnych.

Aby symulować mózg człowieka, programiści tworzą złożone sieci neuronów, miliony i miliony z nich, rozłożone na wiele warstw – te wielopoziomowe warstwy prowadzą do „głębszego uczenia się”. Te warstwy z kolei komunikują się i współpracują ze sobą.

Różnica polega na tym, jak programowanie jest wykonywane. To nie jest tradycyjne programowanie, gdzie inżynier mówi komputerowi, co robić. Raczej inżynier uczy komputer co robić, chodzi o proces zbliżony do nauczania małego dziecka czy szkolenia psa.

Przyszłość zaczyna się już dziś

Głębokie uczenie się jest powszechne i większość z nas korzysta z dobrodziejstw sieci neuronowych poprzez choćby takie aplikacje jak Google Translate i Snapchat.

Głębokie uczenie się jest gotowe na zdobywanie coraz to większej popularności – dwa lata temu algorytm Microsoft stał się bardziej dokładny niż ludzie, klasyfikując ponad 300 000 zdjęć do jednej z ponad 300 kategorii opisowych w ImageNet challenge.

Gdzie możesz zetknąć się z głębokim uczeniem czy sztuczną inteligencją w środowisku detalicznym? Niewątpliwe zauważalny będzie duży wzrost dokładności pozyskiwanych danych demograficznych, jako że komputery są stale „uczone” rozróżniania wieku. Ponadto, będzie można czerpać większe korzyści z analizy ruchu w sklepie, dzięki dokładnej wiedzy jakie czynności podejmuje potencjalny kupujący w sklepie, kim on jest i w jaki sposób przejawia aktywność. Nie chodzi tu tylko o spostrzeżenie działań jako takich, ale także o sposób ich podejmowania – np. pozycja przykucnięta, pochylona czy wyciągnięta do góry np. celem dosięgnięcia wysoko leżącego produkt, oraz zastosowane środki pomocnicze – wózki, torby itp. Wziąwszy pod uwagę upływ czasu i skalę, dane umożliwiają znaczący wgląd w obecne środowisko sprzedaży, co w konsekwencji prowadzi do opracowania strategii zapewniającej klientom zróżnicowane doświadczenia zakupowe.

Źródło: blog RetailNext, Wikipedia