![HER[AI]TAGE](https://her-ai-tage.pou-cakovec.hr/wp-content/uploads/2025/03/logo-1.png){kind=logo}
Машинско учење (енгл. Machine Learning – ML) је камен темељац и кључна компонента вештачке интелигенције. Оно представља метод подучавања рачунара да „уче” из података и прогресивно побољшавају своје перформансе на специфичним задацима током времена, без потребе да људи експлицитно програмирају свако појединачно правило или корак за сваки сценарио. Уместо да ригидно прати унапред одређен и фиксан скуп инструкција, систем машинског учења идентификује основне обрасце, корелације и увиде унутар великих количина података. Затим интелигентно користи ове откривене обрасце да доноси информисане одлуке, генерише тачна предвиђања или врши сложене класификације. Основна идеја је да системи могу учити из података, идентификовати обрасце и доносити одлуке уз минималну људску интервенцију, постајући тачнији како су изложени већој количини података.
Размотримо познати пример имејл сервиса који аутоматски филтрира непожељне или нежељене поруке. Овај систем се не ослања на ручно ажурирану листу свих могућих кључних речи за непожељну пошту. Уместо тога, он учи шта чини непожељну пошту анализирајући хиљаде, или чак милионе, примера имејлова. Ови „подаци за обуку” укључују поруке које су корисници идентификовали као непожељне и поруке које су легитимне. Обрадом ових података, ML модел учи да повезује одређене карактеристике – као што су специфичне речи или фразе, необичне адресе пошиљалаца, чудно форматирање или присуство сумњивих линкова – са непожељном поштом. Временом, како обрађује више имејлова и прима повратне информације (нпр. када корисник означи имејл као непожељан или не), његова способност да препознаје и филтрира нежељене поруке постаје све префињенија и тачнија. Ово континуирано побољшање засновано на новим подацима је обележје машинског учења.
У контексту образовања одраслих, ML је често невидљиви мотор који покреће многе корисне функције. На пример, он је фундаменталан за системе препорука који се налазе на многим онлајн платформама за учење. Ови софистицирани системи анализирају историју интеракције полазника, укључујући курсеве на које су се уписали, модуле које су завршили, њихов учинак на квизовима, садржај на којем су провели више времена, па чак и врсте курсева које су прегледали слични полазници. На основу ове сложене анализе, ML систем може предложити друге курсеве, додатне материјале за читање или специфичне активности учења које ће вероватно одговарати напретку тог појединачног полазника, идентификованим празнинама у знању и израженим интересовањима – чиме се ствара персонализованији и ефикаснији пут учења.
Постоји неколико примарних врста машинског учења, од којих је свака погодна за различите врсте задатака и података:
| Врста машинског учења | Основно начело / дефиниција | Пример података за обуку | Типична примена / пример из курса |
| Надгледано учење | Учи из података који су већ означени тачним излазом или категоријом. Модел идентификује обрасце како би правио предвиђања на новим, неозначеним подацима. | Скуп података слика експлицитно означених као „мачка” или „пас” за обуку модела за класификацију слика. | Филтери за непожељну пошту у имејлу који класификују поруке на основу претходно означених примера као непожељне/пожељне; предвиђање цена некретнина на основу историјских података са познатим ценама. |
| Ненадгледано учење | Учи из података који немају унапред дефинисане ознаке. Модел истражује податке како би сам пронашао скривене обрасце, структуре или груписања. | Историја куповине купаца која се користи за сегментацију купаца у различите групе на основу понашања при куповини, без претходног знања о овим групама. | Сегментација тржишта; детекција аномалија (нпр. идентификовање необичних финансијских трансакција); груписање сличних новинских чланака. |
| Учење поткрепљивањем | Учи интеракцијом са окружењем и примањем повратних информација у облику награда или казни. Модел (агент) тежи да максимизира своју кумулативну награду током времена. | Агент ВИ који учи да игра игру попут шаха правећи потезе (акције) и примајући награде за победу или казне за губитак. | Обука ВИ за играње сложених игара (го, шах); роботика (контролисање аутономних робота); оптимизација расподеле ресурса у динамичким системима. |
Машинско учење је основна технологија која подупире многе системе генеративне ВИ. Када комуницирате са алатом генеративне ВИ попут ChatGPT-ја и тражите да напише причу или објасни концепт, основни велики језички модел (енгл. Large Language Model – LLM) је обучен коришћењем техника машинског учења (често облик надгледаног учења назван „самоучење”, на огромном узорку) користећи милијарде примера текста са интернета и из књига. Кроз овај процес, научио је статистичке обрасце језика, омогућавајући му да предвиди које речи или реченице највероватније следе у датом контексту, и тако генерише кохерентан и релевантан текст. Ова моћна способност је веома корисна у образовању одраслих за задатке као што су пружање персонализоване подршке при читању, помоћ у изради нацрта професионалних имејлова или извештаја, сажимање дугачких и сложених докумената, или чак генерисање креативних подстицаја за писање.
На крају, машинско учење се не односи само на софистициране алгоритме и сложену технологију; ради се о стварању паметнијих, прилагодљивијих алата који могу боље разумети и одговорити на потребе корисника. Ова инхерентна прилагодљивост има потенцијал да учини искуства учења личнијим, ангажујућим и ефикаснијим, чиме подржава одрасле појединце на њиховом путу доживотног учења и развоја вештина у различитим доменима, укључујући важан рад на разумевању, очувању и дељењу културног и еколошког знања.
ПРАКТИЧНИ ПРИМЕРИ
Центар за образовање одраслих користи систем заснован на ML-у за анализу детаљних података о ангажовању полазника са своје онлајн платформе. Ово укључује метрике попут учесталости пријављивања полазника, времена које проводе на различитим модулима, њихових образаца предаје задатака и нивоа учешћа у дискусионим форумима. Идентификовањем образаца повезаних са полазницима који су претходно изгубили ангажман или одустали, систем може проактивно означити тренутне полазнике који показују сличну тенденцију, омогућавајући особљу да интервенише персонализованом подршком, охрабрењем или додатним ресурсима.
Онлајн платформа за запошљавање користи ML алгоритме да пружи високо персонализоване препоруке за посао својим корисницима. Систем учи из експлицитно наведене радне историје, вештина и каријерних преференција корисника, али и из њиховог имплицитног понашања, као што су врсте послова на које кликну, сачувају или се пријаве. Ово омогућава платформи да временом усавршава своје предлоге, повећавајући вероватноћу успешног подударања.
У радионици дигиталне писмености намењеној старијим грађанима, едукатор ефикасно демонстрира како свакодневне апликације на паметним телефонима користе ML. Примери укључују апликације за гласовне асистенте (попут Apple-овог Siri или Google-овог Gemini асистента) које временом уче да боље препознају глас и говорне обрасце појединца, или функције предиктивног текста на апликацијама за размену порука које уче уобичајене фразе корисника и предлажу следећу реч, чинећи куцање бржим и лакшим. Још један релевантан пример за неке полазнике могли би бити ВИ генератори кода попут GitHub Copilot, који користи ML да предлаже допуне кода, па чак и читаве функције програмерима, што значајно убрзава развој софтвера.
Тим лидер у динамичном корпоративном окружењу користи алат за заказивање заснован на ML-у за координацију тимских састанака. Алат учи типичну доступност, наведене преференције (нпр. преферирана времена или дани за састанке), па чак и историју присуства састанцима сваког члана тима. На основу ових научених информација, интелигентно предлаже оптимална времена за састанке која ће највероватније одговарати свима, тиме минимизирајући конфликте у распореду.
Одрасли полазници са ограниченом дигиталном писменошћу, посебно они који су нови у некој земљи и не говоре домицилни језик, значајно имају користи од алата за превођење заснованих на ML-у. Ови алати могу тренутно превести текст са веб сајта, упутства из званичних докумената, или чак говорне разговоре на њихов преферирани језик, у великој мери им помажући у навигацији кроз основне услуге, разумевању важних информација и интеграцији у нову заједницу.
У контексту пројекта HER[AI]TAGE, који се бави огромним количинама културних информација, ML би се могао користити (увек уз ригорозан стручни људски надзор и валидацију) за анализу великих колекција дигитализованих историјских текстова, народних песама или слика везаних за културно наслеђе. ML модели би могли идентификовати суптилне понављајуће теме, лингвистичке обрасце, стилске сличности или претходно непримећене везе између различитих културних артефаката или традиција, нудећи нове увиде људским истраживачима.
Персонализована апликација за учење математичких вештина за одрасле користи ML да прилагоди тежину математичких проблема који се представљају полазнику. Ако полазник доследно тачно одговара, апликација уводи изазовније концепте. Ако се мучи, нуди једноставније вежбе или циљана објашњења, чиме се осигурава да је искуство учења увек на одговарајућем нивоу.