Strojové učení je významnou oblastí umělé inteligence, která se zabývá vývojem algoritmů a statistických modelů umožňujících počítačovým systémům zlepšovat se v určité úloze na základě zkušeností (dat) bez explicitního programování. Základním konceptem strojového učení je schopnost modelu rozpoznávat vzory ve velkém objemu dat a následně tyto znalosti využívat k predikci nebo klasifikaci nových, dosud neviděných dat. Žhavými oblastmi aplikace jsou například rozpoznávání obrazu a řeči, diagnostika v medicíně, doporučovací systémy a autonomní řízení dopravních prostředků.
Metody strojového učení lze rozdělit na několik kategorií, z nichž nejvýznamnější jsou učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a učení posilováním (reinforcement learning). Učení s učitelem pracuje s označenými daty, kde je každému vstupu přiřazena známá výstupní hodnota (například rozpoznávání rukopisu podle vzorové databáze). Učení bez učitele se naopak věnuje analýze neoznačených dat s cílem objevit skryté struktury, například seskupování zákazníků podle nákupního chování. Posilované učení je v poslední době populární zejména v oblasti robotiky a her, kde se agent učí skrze systém odměn a trestů optimalizovat své chování v dynamickém prostředí.
Strojové učení v současnosti významně mění různé oblasti lidské činnosti díky schopnosti efektivně zpracovávat a interpretovat obrovské množství dat. Jeho nasazení přináší nejen lepší výsledky v predikčních úlohách, ale také nové možnosti automatizace složitých procesů, kde by tradiční programování bylo neefektivní nebo nemožné. Přesto však s rozvojem strojového učení vyvstávají i výzvy a rizika, například v oblasti interpretovatelnosti modelů, ochrany soukromí nebo potlačení předsudků obsažených v trénovacích datech. Strojové učení tedy představuje nejen technologický pokrok, ale i významný předmět odborné i společenské diskuse.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)