U poslednjih 30 godina, sistemi mašinskog učenja su postali dominantan oblik veštačke inteligencije. Oni su izuzetno dobro dizajnirani za traženje obrazaca u ogromnim skupovima podataka. Mašinsko učenje se brzo razvija i zahvaljujući činjenici da su podaci u digitalnom obliku lako dostupni. Primera radi, ako želite da kreirate program koji služi za identifikaciju pasa, u tom cilju možete da iskoristite milione raspoloživih fotografija. Njima možete „hraniti“ svoju mrežu i omogućiti joj da brzo i efikasno savlada sve potrebne korake. Slično važi i za druge vrste podataka a pri tome se prvenstveno misli na digitalne video snimke, audio zapise, slike i dokumente. Ne tako davno, bilo je izuzetno teško dobiti čak i nekoliko hiljada digitalnih slika. Sada je to mnogo lakše i praktično ne postoje podaci do kojih se ne može doći.
Zapamtite da se sistemi mašinskog učenja hrane podacima kako bi naučili nove stvari. Što više podataka unesete u mrežu, mašina će lakše identifikovati odgovarajuće obrasce. Ja ću kao primer iskoristiti sistem koji trenutno koristite. U pitanju je edukativna platforma koja svojim korisnicima omogućava direktnu obuku. U praksi to znači da oni uče preko onlajn video plejera. Taj video plejer ima mogućnost da prikuplja podatke o tome koliko se često vraćate unazad ili koliko dugo gledate određenu lekciju pre nego što pređete na sledeći segment. Ako pretpostavimo da plejer podatke prikuplja za sve korisnike, vrlo brzo će njihov broj porasti na nekoliko hiljada ili čak miliona. Dakle, to je zaista veoma velika količina podataka. Nijedan čovek i da iz njih izvuče bilo kakve zaključke, ali algoritmi za mašinsko učenje to lako mogu da postignu i na kraju pronađu određene obrasce. Među njima će se sigurno naći i sadržaji koji su zanimljivi najvećem broju korisnika a to je upravo ono što mnoge kompanije traže, jer na taj način u realnom vremenu mogu da predvide potražnju za određenim proizvodom ili uslugom. Pored toga, ovi podaci im mogu pomoći da predvide buduće trendove i da se na vreme pripreme za njih, što znači da ovi podaci imaju ogromnu vrednost. Oni se mogu iskoristiti za pravljenje novih proizvoda ili za poboljšanje onih koje već postoje na tržištu.
Nije nimalo slučajno što su kompanije poput Gugla i Majkrosofta sa oduševljenjem prihvatile veštačku inteligenciju. Na mnogo načina, čitav njihov posao počiva na korišćenju mašina koje mogu da protumače velike skupove podataka jer im to donosi realnu prednost na tržištu. Osim toga, savremene veštačke neuronske mreže omogućavaju mašinama da pronađu obrasce u još većim skupovima podataka. Pre samo nekoliko decenija, ovi obrasci bi bili praktično neprimetni. U stvari, jedan od najvećih izazova u vezi sa mašinskim učenjem je taj što ljudi zapravo ne znaju kako mašina identifikuje ove obrasce i ne mogu da obrađuju podatke na istom nivou. Dakle, ukoliko želite da pokrenete sopstveni program za VI, trebalo bi da budete zadovoljni što mreža može da oseti stvari koje vi sami niste u stanju da percipirate. Sa druge strane, ovo može da predstavlja problem u slučaju da se bavite osiguranjem i zdravstvenom zaštitom. Ne bi bilo dobro da ovi sistemi donose odluke o zdravlju i bezbednosti vaših kupaca, jer oni to neće razumeti ni prihvatiti. Veštačka inteligencija se znatno razlikuje od ljudske i iako na prvi pogled može da dođe do istih zaključaka, definitivno ne prolazi kroz isti proces odlučivanja.