U savremenom tehnološkom svetu, termini kao što su veštačka inteligencija (AI), mašinsko učenje, duboko učenje i neuronske mreže često se koriste kao sinonimi. Međutim, iako su svi ovi koncepti međusobno duboko povezani, oni predstavljaju različite nivoe i slojeve jedne tehnološke hijerarhije.

Najlakši način da ih vizuelno zamislite jeste kao set ruskih babuški (ili koncentričnih krugova) – gde je veštačka inteligencija najveća lutka, unutar koje se nalazi mašinsko učenje, unutar njega duboko učenje, dok neuronske mreže čine samu srž i arhitekturu tog sistema.

Ovaj članak detaljno istražuje svaki od ovih pojmova, objašnjava njihove razlike i otkriva mehanizam koji stoji iza procesa učenja računara.

Šta su podaci?

Pre nego što pređemo na same algoritme, moramo definisati gorivo koje pokreće kompletnu industriju veštačke inteligencije: podatke. Bez podataka, najbolji modeli veštačke inteligencije bili bi poput moćnih sportskih automobila bez kapi benzina.

Podaci predstavljaju sirove, neobrađene činjenice, tekstove, brojeve, slike, video-zapise ili zvuke prikupljene iz stvarnog sveta. U kontekstu AI tehnologija, podatke grubo delimo na dve glavne kategorije:

• Strukturirani podaci: Informacije koje su visoko organizovane i lako pretražive, najčešće smeštene u tabelama (poput Excel fajlova ili SQL baza podataka). Primeri uključuju istoriju bankovnih transakcija, tabele sa godinama i visinama korisnika ili prodajne statistike.
• Nestrukturirani podaci: Informacije koje nemaju unapred definisan model ili format. To su e-mail poruke, PDF dokumenti, audio snimci, satelitski snimci, objave na društvenim mrežama i video-materijali. Zanimljivo je da preko 80% podataka stvorenih u modernom svetu spada u nestrukturirane podatke, a upravo oni predstavljaju najveći izazov i resurs za napredne AI sisteme.

Da bi podaci postali korisni za mašinu, oni prolaze kroz fazu pripreme i čišćenja, a često i kroz proces označavanja (labeling), gde ljudi obeležavaju šta se na tim podacima nalazi (npr. označavanje slika natpisom “mačka” ili “pas”) kako bi računar mogao da uči iz njih.

Mašinsko učenje (Machine Learning)

Mašinsko učenje (ML) je prva unutrašnja lutka u našem sistemu i predstavlja direktan podskup veštačke inteligencije. Pre pojave mašinskog učenja, softverski inženjeri su morali ručno da napišu svako pravilo po kojem računar donosi odluku (tzv. hard-coding). Na primer, ako pišete program za prepoznavanje spam mejlova, morali biste ručno uneti spisak reči poput “hitno”, “lutrija” ili “osvojili ste”.

Mašinsko učenje potpuno menja ovu paradigmu. Umesto pisanja pravila, računar dobija podatke i algoritme koji mu omogućavaju da samostalno otkrije pravila.

Glavna karakteristika tradicionalnog mašinskog učenja (poput stabala odlučivanja ili linearne regresije) jeste potreba za inženjeringom karakteristika (Feature Engineering). To znači da stručnjak za podatke mora ručno da usmeri algoritam na to koje delove podataka treba da posmatra. Ako model treba da prepozna automobile, inženjer mora definisati parametre kao što su točkovi, oblik farova ili dužina vozila.

Mašinsko učenje je izuzetno efikasno na manjim i strukturiranim setovima podataka, i zahteva znatno manje računarske snage u poređenju sa svojim naprednijim naslednikom – dubokim učenjem.

Neuronske mreže (Neural Networks)

Da bismo razumeli duboko učenje, moramo prvo definisati njegovu arhitektonsku osnovu – veštačke neuronske mreže (ANN). One predstavljaju matematičke modele dizajnirane po uzoru na biološku strukturu ljudskog mozga.

Kao što se naš mozak sastoji od milijardi povezanih neurona koji prenose električne signale, veštačka neuronska mreža se sastoji od međusobno povezanih računarskih čvorova (tzv. veštačkih neurona). Standardna neuronska mreža organizovana je u slojeve:

1. Ulazni sloj (Input Layer): Prvi sloj koji prima sirove podatke (npr. piksele jedne fotografije).
2. Skriveni slojevi (Hidden Layers): Slojevi koji vrše matematičke proračune, transformišu podatke i traže zakonitosti.
3. Izlazni sloj (Output Layer): Finalni sloj koji daje konačnu prognozu ili klasifikaciju (npr. “Verovatnoća da je na slici automobil je 95%”).

Svaka veza između neurona ima svoj ponder (težinu – weight) i prag aktivacije (threshold). Ponder određuje koliki uticaj signal iz jednog neurona ima na sledeći neuron. Ako je signal iznad određenog praga, neuron se “aktivira” i šalje podatak dalje kroz mrežu.

Duboko učenje (Deep Learning)

Duboko učenje (DL) je podskup mašinskog učenja i predstavlja evoluciju neuronskih mreža. Glavna razlika između obične neuronske mreže i algoritma dubokog učenja leži u dubini, odnosno broju skrivenih slojeva. Prema definiciji kompanije IBM, neuronska mreža koja ima više od tri skrivena sloja smatra se sistemom dubokog učenja.

Dok tradicionalno mašinsko učenje zahteva od ljudi da definišu karakteristike predmeta, duboko učenje vrši automatsko izdvajanje karakteristika (Feature Extraction).

Kada sistemu dubokog učenja date milion slika automobila, ne morate mu reći da traži točkove. Prvi, plitki slojevi mreže će automatski prepoznati proste linije i ivice. Sledeći slojevi će te linije kombinovati u oblike poput krugova i uglova. Dublji slojevi će prepoznati složene delove poput šoferšajbne ili volana, dok će finalni slojevi prepoznati ceo koncept automobila.

Za razliku od bazičnog mašinskog učenja, duboko učenje je izuzetno skalabilno: što mu više podataka date, ono postaje preciznije. Zbog toga je idealno za rad sa velikim količinama nestrukturiranih podataka, ali zahteva ogromnu procesorsku snagu (specijalizovane grafičke procesore – GPU) i mnogo duže vreme za treniranje.

Kako AI “uči”?

Proces učenja veštačke inteligencije (bilo kroz mašinsko ili duboko učenje) u suštini je optimizacioni matematički problem. Možemo ga podeliti na tri osnovne metodologije i jedan ključni matematički mehanizam.

Tri glavna modela učenja

• Nadzirano učenje (Supervised Learning): Model uči na bazi “pitanja i odgovora”. Feed-ujemo mu označene podatke (npr. slika psa sa tekstualnom oznakom “pas”). Model pokušava da pogodi šta je na slici, a mi ga ispravljamo dok ne usavrši tačnost.
• Nenadzirano učenje (Unsupervised Learning): Model dobija gomilu neoznačenih podataka i ima zadatak da sam pronađe skrivene strukture ili grupe (klastere). Na primer, grupisanje kupaca u online prodavnici na osnovu sličnih navika u kupovini.
• Učenje metodom pokušaja i grešaka (Reinforcement Learning): Algoritam (agent) uči kroz interakciju sa okruženjem. Za dobre poteze dobija “nagradu” (poene), a za loše “kaznu”. Na ovaj način AI uči da igra šah ili da upravlja autonomnim vozilima.

Mehanizam učenja: Propagacija unapred i unazad

Samo tehničko učenje unutar neuronskih mreža odvija se kroz stalno ponavljanje dva koraka:

1. Propagacija unapred (Forward Propagation): Podaci prolaze kroz mrežu od ulaza do izlaza. Mreža na osnovu trenutno podešenih pondera (težina) daje svoju procenu. Na samom početku, ove težine su potpuno nasumične, pa će i procena biti pogrešna.
2. Izračunavanje greške (Loss Function): Računar upoređuje svoj rezultat sa tačnim rezultatom i meri kolika je greška (razlika između željenog i dobijenog).
3. Propagacija unazad (Backpropagation): Ovo je ključni trenutak gde se dešava “učenje”. Informacija o grešci šalje se nazad kroz mrežu, od izlaznog sloja ka ulaznom. Koristeći naprednu matematiku (gradijentni pad), algoritam precizno izračunava koliko svaki pojedinačni neuron doprinosi ukupnoj grešci. Na osnovu toga, ponderi (težine) se automatski prilagođavaju i fino podešavaju kako bi u sledećem krugu greška bila manja.

Ovaj ciklus se ponavlja stotinama hiljada ili milionima puta (kroz takozvane epohe) sve dok mreža ne postigne maksimalnu moguću preciznost i dok greška ne bude svedena na minimum.

Zaključak i uporedni pregled

Razumevanje razlika između ovih pojmova ključno je za svakoga ko želi da prati savremeni tehnološki razvoj. Da bismo sumirali sve navedeno, pogledajmo tabelu koja jasno razgraničava tradicionalno mašinsko učenje i moderno duboko učenje:

Karakteristika	Mašinsko učenje (ML)	Duboko učenje (DL)
Arhitektura	Linearni algoritmi, stabla odlučivanja	Duboke, višeslojne neuronske mreže
Potrebna količina podataka	Može raditi sa manjim setovima podataka	Zahteva ogromne količine podataka (Big Data)
Izdvajanje karakteristika	Ručno (Feature Engineering od strane čoveka)	Potpuno automatski kroz slojeve mreže
Vrsta podataka	Najbolje radi sa strukturiranim podacima	Odlično za nestrukturirane podatke (slike, audio, tekst)
Hardverski zahtevi	Radi na standardnim procesorima (CPU)	Zahteva masivnu snagu i grafičke čipove (GPU)
Glavna primena	Predviđanje prodaje, procena rizika, filtriranje spama	Prepoznavanje lica, generisanje teksta (LLM), autonomna vožnja

Veštačka inteligencija je promenila način na koji radimo, komuniciramo i rešavamo probleme. Dok mašinsko učenje nudi analitičku oštrinu za strukturirane poslovne probleme, duboko učenje i neuronske mreže simuliraju ljudsku intuiciju i percepciju, otvarajući vrata za inovacije koje su do pre samo nekoliko godina delovale kao naučna fantastika.