![HER[AI]TAGE](https://her-ai-tage.pou-cakovec.hr/wp-content/uploads/2025/03/logo-1.png){kind=logo}
Strojno učenje (engl. Machine Learning – ML) temelj je i ključna komponenta umjetne inteligencije. Predstavlja metodu poučavanja računala da „uče“ iz podataka i postupno poboljšavaju svoju izvedbu na određenim zadacima, bez potrebe da ljudi eksplicitno programiraju svako pojedino pravilo za svaki mogući scenarij. Umjesto krutog slijeđenja unaprijed određenog i fiksnog skupa uputa, ML sustav prepoznaje temeljne obrasce, korelacije i uvide unutar velikih količina podataka. Zatim inteligentno koristi te otkrivene obrasce za donošenje informiranih odluka, stvaranje točnih predviđanja ili obavljanje složenih klasifikacija. Temeljna ideja jest da sustavi mogu učiti iz podataka, prepoznavati obrasce i donositi odluke s minimalnom intervencijom ljudi, postajući točniji što su izloženi većoj količini podataka.
Uzmimo poznati primjer usluge e-pošte koja automatski filtrira neželjene poruke. Ovaj sustav ne oslanja se na ručno ažuriran popis svih mogućih ključnih riječi za neželjenu poštu. Umjesto toga, uči što čini neželjenu poštu analizirajući tisuće, pa čak i milijune, primjera e-pošte. Ovi „podaci za obuku“ uključuju poruke koje su korisnici označili kao neželjenu poštu i one koje su legitimne. Obrađujući te podatke, ML model uči povezivati određene karakteristike – kao što su specifične riječi ili fraze, neobične adrese pošiljatelja, čudno formatiranje ili prisutnost sumnjivih poveznica – s neželjenom poštom. Tijekom vremena, kako obrađuje više e-mailova i prima povratne informacije (npr. kada korisnik označi e-poštu kao neželjenu ili ne), njegova sposobnost prepoznavanja i filtriranja neželjenih poruka postaje sve profinjenija i točnija. Ovo kontinuirano poboljšanje temeljeno na novim podacima obilježje je strojnog učenja.
U kontekstu obrazovanja odraslih, strojno učenje često je nevidljivi motor koji pokreće mnoge korisne značajke. Na primjer, ono je temeljno za mehanizme preporuka koji se nalaze na mnogim platformama za virtualno (internetsko) učenje. Ovi napredni mehanizmi analiziraju povijest interakcije polaznika, uključujući tečajeve na koje su se upisali, module koje su završili, njihovu uspješnost na kvizovima, sadržaj na kojem su proveli više vremena, pa čak i vrste tečajeva koje su pregledavali slični polaznici. Na temelju ove složene analize, ML sustav može predložiti druge tečajeve, dodatne materijale za čitanje ili specifične aktivnosti učenja koje će vjerojatno odgovarati napretku tog pojedinog polaznika, prepoznatim nedostacima u znanju i izraženim interesima, stvarajući tako prilagođeniji i učinkovitiji put učenja.
Postoji nekoliko glavnih vrsta strojnog učenja, od kojih je svaka prikladna za različite vrste zadataka i podataka:
| Vrsta strojnog učenja | Temeljno načelo / definicija | Primjer podataka za obuku | Tipična primjena / primjer iz tečaja |
| Nadzirano učenje | Uči iz podataka koji su već označeni točnim izlazom ili kategorijom. Model prepoznaje obrasce kako bi predviđao na novim, neoznačenim podacima. | Skup podataka slika eksplicitno označenih kao „mačka“ ili „pas“ za obuku modela za klasifikaciju slika. | Filteri neželjene pošte koji klasificiraju poruke na temelju prethodno označenih primjera; predviđanje cijena stanova na temelju povijesnih podataka. |
| Nenadzirano učenje | Uči iz podataka koji nemaju unaprijed definirane oznake. Model samostalno istražuje podatke kako bi pronašao skrivene obrasce, strukture ili grupiranja. | Povijest kupnje kupaca korištena za segmentaciju u različite skupine na temelju ponašanja, bez prethodnog znanja o tim skupinama. | Segmentacija tržišta; otkrivanje anomalija (npr. prepoznavanje neobičnih financijskih transakcija); grupiranje sličnih novinskih članaka. |
| Potkrepljujuće učenje | Uči interakcijom s okolinom i primanjem povratnih informacija u obliku nagrada ili kazni. Model (agent) teži maksimiziranju svoje kumulativne nagrade. | AI agent koji uči igrati šah čineći poteze (akcije) i primajući nagrade za pobjedu ili kazne za poraz. | Obuka AI-ja za igranje složenih igara (Go, šah); robotika (upravljanje autonomnim robotima); optimizacija raspodjele resursa. |
Strojno učenje temeljna je tehnologija koja podupire mnoge GenAI sustave. Kada komunicirate s GenAI alatom poput ChatGPT-a i tražite ga da napiše priču ili objasni koncept, temeljni veliki jezični model (engl. Large Language Model – LLM) obučen je korištenjem ML tehnika (čest oblik nadziranog učenja nazvan samonadzirano učenje, na golemoj skali) koristeći milijarde primjera teksta s interneta i iz knjiga. Kroz taj proces, naučio je statističke obrasce jezika, omogućujući mu da predvidi koje će riječi ili rečenice najvjerojatnije slijediti u danom kontekstu te tako generirati suvisao i relevantan tekst. Ova moćna sposobnost vrlo je korisna u obrazovanju odraslih za zadatke kao što su pružanje personalizirane podrške pri čitanju, pomoć u sastavljanju profesionalnih e-mailova ili izvješća, sažimanje dugačkih i složenih dokumenata ili čak generiranje kreativnih poticaja za pisanje.
U konačnici, strojno učenje nije samo stvar naprednih algoritama i složene tehnologije, već se radi o stvaranju pametnijih, prilagodljivijih alata koji mogu bolje razumjeti i odgovoriti na potrebe korisnika. Ova inherentna prilagodljivost ima potencijal učiniti iskustva učenja osobnijima, zanimljivijima i učinkovitijima, čime se podržavaju odrasli na njihovim putovanjima cjeloživotnog učenja i razvoju vještina u različitim područjima, uključujući važan rad razumijevanja, očuvanja i dijeljenja kulturnog i ekološkog znanja.
PRAKTIČNI PRIMJERI
Centar za obrazovanje odraslih koristi sustav temeljen na strojnom učenju za analizu detaljnih podataka o angažmanu polaznika sa svoje internetske platforme. To uključuje metrike poput učestalosti prijavljivanja polaznika, vremena provedenog na različitim modulima, njihovih obrazaca predaje zadataka i razina sudjelovanja na forumima za raspravu. Prepoznavanjem obrazaca povezanih s polaznicima koji su se prethodno isključili ili odustali, sustav može proaktivno označiti trenutne polaznike koji bi mogli biti u riziku, omogućujući osoblju da intervenira personaliziranom podrškom, ohrabrenjem ili dodatnim resursima.
Platforma za internetsko zapošljavanje koristi ML algoritme za pružanje visoko personaliziranih preporuka za posao svojim korisnicima. Sustav uči iz korisnikove eksplicitno navedene povijesti rada, vještina i karijernih preferencija, ali i iz njihovog implicitnog ponašanja, kao što su vrste poslova na koje kliknu, spreme njihov oglas ili se prijave. To omogućuje platformi da s vremenom poboljša svoje prijedloge, povećavajući vjerojatnost uspješnog podudaranja.
Na radionici digitalne pismenosti namijenjenoj starijim građanima, nastavnik učinkovito demonstrira kako svakodnevne aplikacije na pametnim telefonima koriste strojno učenje. Primjeri uključuju aplikacije glasovnih pomoćnika (poput Appleovog Siri ili Googleovog Gemini pomoćnika) koje s vremenom uče bolje prepoznavati glas i govorne obrasce pojedinca, ili značajke prediktivnog teksta na aplikacijama za razmjenu poruka koje uče uobičajene fraze korisnika i predlažu sljedeću riječ, čineći tipkanje bržim i lakšim. Drugi relevantan primjer za neke polaznike mogli bi biti AI generatori koda poput GitHub Copilota, koji koristi strojno učenje za predlaganje dovršetaka koda, pa čak i cijelih funkcija programerima, značajno ubrzavajući razvoj softvera.
Voditelj tima u dinamičnom korporativnom okruženju koristi alat za raspoređivanje temeljen na strojnom učenju za koordinaciju timskih sastanaka. Alat uči tipičnu dostupnost, navedene preferencije (npr. preferirana vremena ili dani sastanaka), pa čak i povijest prisustvovanja sastancima svakog člana tima. Na temelju tih naučenih informacija, inteligentno predlaže optimalna vremena sastanaka koja će najvjerojatnije odgovarati svima, minimizirajući preklapanja u rasporedu.
Odrasli polaznici s ograničenom digitalnom pismenošću, posebno oni koji su novi u zemlji i ne služe se baš najbolje jezikom, značajno imaju koristi od alata za prevođenje temeljenih na strojnom učenju. Ovi alati mogu trenutno prevesti tekst web stranice, upute službenih dokumenata ili čak izgovorene razgovore na njihov željeni jezik, uvelike im pomažući u snalaženju u bitnim uslugama, razumijevanju važnih informacija i integraciji u novu zajednicu.
U kontekstu projekta HER[AI]TAGE, koji se bavi ogromnim količinama kulturnih informacija, strojno učenje moglo bi se koristiti (uvijek uz rigorozan stručni (ručni) nadzor i validaciju) za analizu velikih zbirki digitaliziranih povijesnih tekstova, narodnih pjesama ili slika vezanih uz kulturnu baštinu. ML modeli mogli bi prepoznati suptilne ponavljajuće teme, jezične obrasce, stilske sličnosti ili prethodno neprimijećene veze između različitih kulturnih artefakata ili tradicija, nudeći nove uvide istraživačima.
Personalizirana aplikacija za učenje matematičkih vještina za odrasle koristi strojno učenje za prilagodbu težine matematičkih problema koji se predstavljaju polazniku. Ako polaznik dosljedno točno odgovara, aplikacija uvodi zahtjevnije koncepte. Ako ima poteškoća, nudi jednostavnije vježbe ili ciljana objašnjenja, osiguravajući da je iskustvo učenja uvijek na odgovarajućoj razini.