Zaloguj się
Wszystkie
20 sierpnia 2026
23
Systemy sztucznej inteligencji są dziś wszędzie. Potrafią robić niewiarygodne rzeczy, takie jak przewidywanie zachowań i rozpoznawanie wzorców.
Wiele dużych firm technologicznych dołącza rozwiązania sztucznej inteligencji do produkowanego przez siebie sprzętu. Apple wprowadziło je do swoich układów scalonych, w których wykonywane są różne operacje uczenia maszynowego (ML). Nawet procesory graficzne mają obecnie pewne rozwiązania związane ze sztuczną inteligencją, poprawiające ich wydajność. Takie rozwiązania nie istniały jeszcze kilka lat temu.
Sztuczna inteligencja to koszty
Ale sztuczna inteligencja nie jest tania. Od jakiegoś czasu korzystamy z klasycznej sztucznej inteligencji. Jednak wraz z pojawieniem się sieci neuronowych sytuacja zmieniła się drastycznie. Osiągnęliśmy stan, w którym można po prostu wysłać zapytanie i otrzymać sztucznie wygenerowane obrazy wykraczające poza możliwości naszej wyobraźni.
Sieci neuronowe zostały odkryte ponad dwadzieścia lat temu, a powodem, dla którego je wprowadzono, były obliczenia. W tamtych czasach dodawanie warstw obliczeniowych nie było łatwe i wymagało ogromnych nakładów. Dziś jednak tak nie jest.
Uczenie maszynowe (ML) angażuje zaawansowany aparat matematyczny i wymaga dużej wiedzy statystycznej. W tym przypadku zastosowanie rozwiązań sztucznej inteligencji nie jest bynajmniej dziecinnie proste, ponieważ wymaga dokładnego poznania każdego ich aspektu. Tylko wtedy będziemy w stanie tworzyć odpowiednie modele i je stosować.
Opanowanie narzędzi takich jak TensorFlow i Keras w celu uruchomienia własnych serwerów nie jest zadaniem łatwym. Dlatego właśnie potrzebujemy darmowych i otwartych rozwiązań AI. Był czas, kiedy również korzystanie z rozwiązań ML nie było proste, ponieważ wymagało wykonania mnóstwa kroków. Dziś na szczęście się to zmieniło, ponieważ można wybrać model, który najlepiej odpowiada naszym potrzebom.
Wskaźnik fragmentacji DNA
Podam przykład. Mój przyjaciel embriolog poprosił mnie o stworzenie modelu ML do zliczania zdrowych i niezdrowych plemników. Wcześniej u każdego pacjenta plemniki zliczano ręcznie. Aby to zmienić, stworzyliśmy model uczenia maszynowego, który wykorzystuje zdjęcia plemników do ich rozróżniania (rysunek 1).
Model liczył stosunek liczby plemników rozpryśniętych (niezdrowych) do normalnych i określał wynik końcowy. Większość czasu spędziliśmy na przetwarzaniu wstępnym. Następnie zastosowaliśmy separację odcieni. W celu przeprowadzenia segmentacji użyliśmy analizy korelacji kanonicznej (CCA) oraz paru innych operacji ortogonalnych.
Na utworzenie tego modelu uczenia maszynowego miałem tylko kilka dni, a zbudowanie precyzyjnego modelu w tak krótkim czasie nie jest zadaniem łatwym. Skorzystałem więc z rozwiązania open source firmy Microsoft o nazwie Custom Vision, do którego można przesłać zdjęcia i w którym łatwo można przeprowadzić trenowanie i ocenę.
Facebook
Twitter
Linkedin
Kup teraz
