Razlika između mašinskog i dubokog učenja uz primer sa picom

Ah, ta večita dilema! Da li naručiti onu gigantsku porodičnu picu sa duplim sirom i četiri vrste mesa, uz primamljiv kupon za popust, i pritom se nadati da će vaga ostati milostiva? Kao neko ko voli da eksperimentiše sa tehnologijom, pre nekoliko godina sam pomislio: „Zašto ne bih iskoristio veštačku inteligenciju da mi reši ovu životnu jednačinu?“

Tako sam, sav uzbuđen, odlučio da treniram jednostavnu neuronsku mrežu. Hranio sam je podacima: veličina pice, broj parčića koje sam (navodno) pojeo u prošlosti, moj indeks telesne mase pre i posle tih “incidentnih” obroka, nivo aktivnosti tog dana, pa čak i stres. Cilj je bio da mi mreža predvidi da li ću smršati (ili barem ne dobiti ni gram) ako naručim tu famoznu porodičnu picu sa 20% popusta. Znao sam da je to pitanje od životne važnosti!

Nakon nekog vremena, moj mali AI model je bio spreman. Unesem podatke o kuponu, veličini pice, planiranoj šetnji posle obroka… i mreža mi samouvereno izbaci: „DA! Verovatno ćeš smršati (ili ostati na istoj težini)!“ Bio sam oduševljen! Evo ga, budućnost je stigla, moja vaga će biti moj najbolji prijatelj, a ja ću i dalje uživati u pici.

Međutim, stvarnost je, kao i obično, imala drugačije planove. Iako je moja neuronska mreža bila solidna, nije mogla da uzme u obzir jedan, ključan faktor: moju neizmernu, gotovo patološku, ljubav prema duplom siru. A da ne pominjem i to što kupon za popust stvara neku vrstu psihološkog efekta, gde mi se čini da je „greh“ manje grešan ako je obrok jeftiniji. Rezultat? Vaga je, naravno, pokazala drugačije, a ja sam shvatio da čak i najpametniji algoritam može pogrešiti ako mu nedostaju sve nijanse ljudskog ponašanja i konteksta. Tu leži i čar i frustracija u svetu veštačke inteligencije, mašinskog i dubokog učenja – oni su moćni alati, ali ih moramo razumeti da bismo ih pravilno koristili.

Upravo o tim nijansama, razlikama i mogućnostima ćemo danas razgovarati. Ako ste početnik u svetu tehnologije i često mešate pojmove kao što su AI, ML i DL, ne brinite, niste jedini. Moj cilj je da vam, kroz praktičan i opušten pristup, objasnim ove koncepte, pa čak i da vas naučim kako da izbegnete moju grešku sa duplim sirom (bar u teoriji!). Pripremite se, krećemo u svet veštačke inteligencije, a sve uz sočan primer – pica, naravno!

Hijerarhija inteligencije: AI vs ML vs DL

Da bismo razjasnili razlike između veštačke inteligencije (AI), mašinskog učenja (ML) i dubokog učenja (DL), najbolje je da ih zamislimo kao set koncentričnih krugova. Veštačka inteligencija je najveći krug, mašinsko učenje je manji krug unutar AI, a duboko učenje je najmanji, najdublji krug unutar mašinskog učenja.

Šta je veštačka inteligencija (AI)?

Veštačka inteligencija (Artificial Intelligence) je široko polje kompjuterskih nauka koje se bavi stvaranjem mašina koje mogu da simuliraju ljudsku inteligenciju. Cilj AI je da mašine mogu da razmišljaju, uče, rešavaju probleme, donose odluke, percipiraju i razumeju jezik. Pomislite na autonomna vozila, prepoznavanje govora (Siri, Alexa), preporučivanje filmova na Netflixu, ili čak na robote koji igraju šah. Sve je to AI. AI je zapravo krovni termin za sve sisteme koji oponašaju kognitivne funkcije ljudi. Da biste dublje zaronili u ovo polje, preporučujem da pročitate naš članak Kompletan AI i ML vodič 2025/2026 – Od Turingovog testa do neuronskih mreža.

Šta je mašinsko učenje (ML)?

Mašinsko učenje (Machine Learning) je podskup veštačke inteligencije. Umesto da eksplicitno programiramo mašinu kako da reši problem (npr. „ako je pica velika, dodaj X kalorija“), mi je učimo da sama pronađe obrasce u podacima i donese odluke na osnovu tih obrazaca. Drugim rečima, ML algoritmi uče iz podataka, a zatim koriste to naučeno znanje za predviđanje ili donošenje odluka. Recimo, moj pokušaj da predvidim uticaj pice na težinu, koristio je mašinsko učenje. Algoritam je analizirao istorijske podatke o pici i težini i pokušao da pronađe korelaciju. Mašinsko Učenje za Početnike: Osnovni Algoritmi i Prvi Koraci u AI Svetu je odličan resurs za početak.

Šta je duboko učenje (DL)?

Duboko učenje (Deep Learning) je podskup mašinskog učenja, inspirisan strukturom i funkcionisanjem ljudskog mozga. DL koristi takozvane neuronske mreže, ali sa mnogo više slojeva – otuda i „duboko“. Zamislite da imate veliki tim „analitičara“ (neurona) koji svaki obrađuje samo jedan mali deo informacije, a zatim šalje rezultate sledećem timu, koji opet analizira i šalje dalje. Što je više takvih timova (slojeva), to je učenje „dublje“ i sposobnije da prepoznaje kompleksne obrasce. Duboko učenje je ključno za napredne primene poput prepoznavanja lica, obrade prirodnog jezika, autonomne vožnje i, naravno, onih AI generatora slika koje su sada svuda oko nas. Ono što je moj algoritam za picu propustio da shvati (moju slabost ka duplom siru), duboka neuronska mreža bi možda mogla da