Neuronová síť (Neural network)

Příklady z praxe

1. 01

   Klasifikace z tabulkových dat

   Datový tým trénuje malou neuronovou síť na čtyřech měřených vlastnostech květiny. Síť po trénování vrací skóre pro tři druhy a aplikace vybere třídu s nejvyšším skóre. Stejný princip se v praxi používá u tabulkových dat, jen s více vstupy, metrikami a kontrolou kvality dat.

   import torch
   from torch import nn
   
   model = nn.Sequential(
       nn.Linear(4, 16),
       nn.ReLU(),
       nn.Linear(16, 3)
   )
   
   x = torch.tensor([[5.1, 3.5, 1.4, 0.2]])
   logits = model(x)
   print(logits.argmax(dim=1))

2. 02

   Doporučování produktů v e-shopu

   E-shop chce odhadnout, které produkty mají zákazníkovi doporučit po vložení zboží do košíku. Neuronová síť dostane historii nákupů, vlastnosti produktů a chování uživatele v relaci. Výstupem je seřazený seznam položek, který se po A/B testu nasadí jen tehdy, když zvýší relevantní obchodní metriku bez zhoršení uživatelské zkušenosti.

Časté omyly

MýtusNeuronová síť funguje stejně jako lidský mozek.

Ve skutečnostiNeuronová síť je matematický model inspirovaný velmi zjednodušenou představou propojených neuronů. Biologický mozek je nesrovnatelně složitější a dnešní modely nepracují stejným způsobem jako nervová tkáň.

MýtusStačí přidat víc vrstev a model bude lepší.

Ve skutečnostiVětší neuronová síť může mít vyšší kapacitu, ale také vyšší nároky na data, výpočet a regularizaci. Bez kvalitních dat a správného ověření může hlubší model jen lépe zapamatovat trénovací sadu.

MýtusNeuronová síť si sama najde pravdu v datech.

Ve skutečnostiNeuronová síť hledá statistické vzory, ne pravdu. Pokud jsou data neúplná, chybně označená nebo zaujatá, model se může naučit chybnou souvislost a používat ji velmi sebejistě.

Časté dotazy

Kolik dat potřebuje neuronová síť k trénování?

Neuronová síť potřebuje tolik dat, aby v nich byly pokryté vzory, které má později rozpoznávat. Malý model pro úzkou úlohu může fungovat s tisíci kvalitních příkladů, zatímco velký jazykový nebo vizuální model vyžaduje řádově větší korpusy. Rozhodující není jen počet záznamů. Důležitá je pestrost, správné označení, podobnost s produkčním prostředím a absence systematických chyb.

Kdy dává neuronová síť smysl místo pravidlového algoritmu?

Neuronová síť je vhodná místo pravidlového algoritmu tehdy, když je těžké ručně popsat rozhodovací pravidla, ale existuje dost příkladů správného chování. Typicky jde o obraz, řeč, jazyk, doporučování nebo detekci anomálií. Pravidlový algoritmus zůstává lepší volbou u jasně definované logiky, právních podmínek, účetních výpočtů nebo procesů, kde musí být každý krok přesně auditovatelný.

Co znamenají váhy v neuronové síti?

Váhy v neuronové síti jsou číselné parametry, které určují sílu jednotlivých spojení mezi jednotkami. Trénování mění váhy tak, aby model dával menší chybu na příkladech. Jedna konkrétní váha obvykle nemá jednoduchý lidský význam, protože výsledek vzniká součinností mnoha parametrů. U malých sítí lze chování částečně sledovat, u velkých modelů se používají specializované interpretační metody.

Proč se neuronová síť někdy chová nepředvídatelně?

Neuronová síť může selhat na datech, která se liší od trénovací sady, obsahují nové typy případů nebo úmyslně upravené vstupy. Model také může přebírat zkreslení z historických dat a tvářit se přesvědčivě i při chybné odpovědi. Produkční nasazení proto potřebuje validační sadu, testy na hraničních případech, monitoring metrik a plán, co se stane při poklesu kvality.

Zdroje

1. torch.nn(otevře se v novém okně)PyTorch
2. Build the Neural Network(otevře se v novém okně)PyTorch
3. The Sequential model(otevře se v novém okně)TensorFlow
4. Neural Networks(otevře se v novém okně)Google for Developers

Související pojmy

• BackpropagationBackpropagation je algoritmus, kterým neuronová síť zjistí, jak moc se má každá váha změnit. Spočítá chybu na výstupu a pomocí řetízkového pravidla ji postupně rozpočítá zpět přes všechny vrstvy až na vstup.
• TransformerTransformer je architektura neuronové sítě postavená na mechanismu pozornosti (self-attention), která zpracovává celou sekvenci najednou místo prvku po prvku. Publikovaná byla v roce 2017 v práci Attention Is All You Need a stala se základem dnešních jazykových modelů, překladačů i modelů pro obraz a zvuk.
• Ztrátová funkceZtrátová funkce je předpis, který převádí rozdíl mezi předpovědí modelu a skutečnou hodnotou na jediné číslo vyjadřující, jak moc se model spletl. Trénink strojového učení pak spočívá v hledání parametrů, které tuto hodnotu minimalizují. Volba ztrátové funkce určuje, jaké chyby model považuje za drahé, a tím i jeho výsledné chování.
• Trénování modeluTrénování modelu je proces, při kterém algoritmus strojového učení opakovaně upravuje vnitřní parametry (váhy) tak, aby jeho předpovědi na trénovacích datech co nejméně chybovaly. Chybu měří ztrátová funkce, směr úpravy určuje gradient. Výsledkem je model, který se naučené vzory dokáže aplikovat i na data, jež nikdy neviděl.
• A/B testováníA/B testování je řízený experiment, který porovnává dvě varianty stránky, funkce, ceny nebo sdělení na podobných skupinách uživatelů. Měří předem zvolenou metriku, například konverzi nebo retenci, a pomáhá rozhodnout, zda změna skutečně zlepšuje výsledek, nebo zda pozorovaný rozdíl mohl vzniknout náhodou.
• AI agentAI agent je softwarový systém, který pomocí modelu umělé inteligence vnímá zadaný kontext, plánuje další kroky a samostatně volá nástroje nebo služby k dosažení cíle. Na rozdíl od jednorázového promptu udržuje stav úlohy, vyhodnocuje výsledky akcí a může opakovat postup, dokud nesplní zadání nebo nenarazí na limit.
• AI etikaAI etika je obor, který zkoumá, jaké dopady mají systémy umělé inteligence na lidi, a formuluje pravidla pro jejich návrh, trénink a provoz. Řeší zaujatost dat, transparentnost rozhodování, ochranu soukromí, odpovědnost za chybu i bezpečnost modelu. Ve firemní praxi se promítá do interních politik, dokumentace modelů a povinností podle regulace typu AI Act.
• ArbitrážArbitráž je obchodní strategie, která využívá rozdíl v ceně stejného nebo ekonomicky shodného aktiva na různých trzích, místech nebo v různých formách. Trader se snaží levně koupit a současně dráž prodat, aby zisk vznikl z cenové nesrovnalosti, ne z dlouhodobého odhadu směru trhu. V praxi rozhodují poplatky, rychlost, likvidita a riziko vypořádání.