Strojové učení (machine learning) je významná disciplína spadající do oblasti umělé inteligence, která se zabývá vývojem algoritmů a statistických modelů umožňujících počítačům učit se z dat a na základě této zkušenosti provádět predikce nebo rozhodnutí, aniž by byly explicitně naprogramovány pro konkrétní úkol. Základem strojového učení je možnost analyzovat velké množství dat, identifikovat mezi nimi vzory a pravidelnosti, a tyto znalosti následně využít v nových, neznámých situacích. Typické aplikace strojového učení zahrnují oblast rozpoznávání obrazů a hlasu, automatizované překlady, detekci podvodných transakcí nebo doporučovací systémy v internetových službách.
Strojové učení lze rozdělit do několika základních kategorií podle způsobu, jakým se modely učí ze svých vstupních dat. Nejběžnější formou je učení s učitelem (supervised learning), kde model trénuje na datech označených správnými odpověďmi (takzvanými „štítky“), což umožňuje například klasifikaci e-mailů jako spam či ne-spam nebo predikci ceny nemovitostí. Další významnou kategorií je učení bez učitele (unsupervised learning), které pracuje s neoznačenými daty a hledá v nich skryté struktury či shluky – využívá se například pro segmentaci zákazníků nebo hledání anomálií v datech. Specifickým případem je posilované učení (reinforcement learning), kde se model učí prostřednictvím odměn a trestů na základě svého chování, což nachází uplatnění například v řízení robotů nebo v hraní her.
Pro efektivní fungování strojového učení je klíčová nejen kvalita a množství vstupních dat, ale i volba vhodného matematického modelu a způsob jeho učení (trénování). Modely sahají od jednoduchých lineárních regresí až po složité neuronové sítě, jež jsou schopny modelovat vysoce nelineární vztahy v datech. Vývoj v této oblasti vede k čím dál přesnějším a adaptabilnějším systémům, které v mnoha aplikacích již dosahují nebo překonávají lidskou úroveň schopností. Strojové učení tak výrazně proměňuje celé spektrum lidské činnosti – od vědy přes průmysl až po každodenní život. Zároveň klade nové nároky na etiku, interpretovatelnost a správu dat, což jsou výzvy, kterým se vědci budou muset v budoucnu ještě intenzivněji věnovat.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)