Strojové učení, často označované anglickým termínem Machine Learning, je podmnožinou umělé inteligence, která se zabývá vývojem algoritmů a statistických modelů umožňujících počítačům „učit se“ na základě dat bez explicitního naprogramování všech pravidel. Princip spočívá v tom, že systém analyzuje vstupní data, rozpoznává v nich vzory a na základě této analýzy je schopen vytvářet předpovědi nebo rozhodnutí pro nová, dříve neznámá data. Nejčastější typickou aplikací strojového učení jsou například doporučovací systémy (jako ve službě Netflix či Spotify), rozpoznávání obrazů, překladače nebo systémy detekující podvody v bankovnictví.
Základní metody strojového učení lze rozdělit na učení s učitelem (supervised learning), učení bez učitele (unsupervised learning) a posilované učení (reinforcement learning). Učení s učitelem spočívá v předložení množiny vzorových vstupů s přiřazenými správnými výstupy (tzv. „labely“), na jejichž základě se model naučí přiřazovat novým vstupům pravděpodobné výstupy. Typickým příkladem je rozpoznávání písmen v ručně psaném textu. Učení bez učitele naopak pracuje pouze se vstupními daty bez předem známých výstupů a cílem je například seskupit podobné objekty (clustering) nebo odhalit skryté vzory (dimenzionální redukce). Učení posilováním simuluje proces učení prostřednictvím zpětné vazby, kdy „agent“ zkouší různé akce, za které je odměňován nebo trestán, a tak se učí nalézt optimální strategii v daném prostředí.
Techniky strojového učení se v poslední dekádě staly základem moderního vědecko-technického pokroku a mají zásadní význam v oblasti zpracování velkých dat („big data“), kde jsou tradiční algoritmické přístupy neúčinné nebo nepoužitelné. Strojové učení však přináší i řadu etických a bezpečnostních otázek, například v tématech předpojatosti (bias), transparentnosti rozhodování nebo zneužití v rámci dezinformací. Vědecký výzkum proto klade důraz nejen na sestavování stále přesnějších a obecnějších modelů, ale také na snižování rizik, vysvětlitelnost modelů (explainable AI) a férovost algoritmických rozhodnutí. S neustálým rozšiřováním množství a komplexity dostupných dat lze očekávat další dynamický rozvoj strojového učení, jenž výrazně ovlivní způsob fungování mnoha společenských i technických systémů.
PhDr. Pavel Bartoš, LL.M., DBA (Evropská akademie vzdělávání / European Academy of education)