Sztuczna Inteligencja, czyli “AI love(s) You”?

20.03.2018 AUTOR: Jerzy Dudek

Sztuczna Inteligencja na co dzień

Co i rusz spotykamy się z pojęciem “Sztuczna Inteligencja”. Dla wielu osób ten temat wciąż kojarzy się jedynie z robotami filmowymi. Eksperci jednak już teraz mówią o ważnej roli Artificial Intelligence, szczególnie dla rynków e-commerce oraz finansów. Tekst stara się pokazać praktyczne zastosowania AI w rozwiązywaniu współczesnych problemów.


 

Jego ważną częścią są wypowiedzi ekspertów, na co dzień pracujących ze Sztuczną Inteligencją. Poza mini-wywiadami, przytaczane są w nim tematy debat, które odbyły się 7 i 15 marca 2018 w Warszawie. 

Starałem się zawrzeć w nim możliwie szeroki zakres informacji na ten temat. Udało mi się to pewnie w w najlepszym wypadku w około 5% – AI to bardzo rozległe zagadnienie.

Jest też wciąż stosunkowo obce i z tego powodu wiąże się z nim wiele stereotypów, nadziei oraz obaw. To nie dziwne, gdy narzędzie przedstawiane jako bardzo potężne, wydaje się jednocześnie niezwykle skomplikowanym. To musi być chyba jakiś kosmos!

Spis treści:

1. AI jest tylko dla nerdów?
2.Sztuczna Inteligencja jest tylko w filmach?
3.Inteligentne maszyny w popkulturze
4.O roli science fiction w rozwoju AI
5.AI a dylematy etyczne
6.Wirtualne życie
7.Robocia tożsamość
8.Rozmowy ze Sztuczną Inteligencją (wywiad z Miłoszem Zemankiem z United Factory)
9.Zastosowania AI
10.Złożoność Artificial Intelligence
11.Rozległy świat SI (wywiad z Przemysławem Szecówką z RYMSAT Satelite Technology)
12.Historia Sztucznej Inteligencji

13.AI grająca w gry
14.Inteligentny przemysł a “prehistoria” komputerów
15.Podstawowe pojęcie – co to jest sieć neuronowa?
16.Jak działa sztuczna sieć neuronowa
17.SI czyli rozwój własnego potencjału (wywiad z Vladimirem Alekseichenko z Biznesmysli.pl)
18.Ogromna moc Sztucznej Inteligencji (wywiad z Grzegorzem Kanką z Cognitum.eu)
19.Sztuczna Inteligencja w sztuce
20.AI w dzisiejszym świecie (wywiad z Kamilem Wroniewiczem z deltabaryon.com)
21.Przyszłość Sztucznej Inteligencji
22.Inne źródła wiedzy o AI
23.Podziękowania

24.Ciekawe lektury o SI

AI jest tylko dla nerdów?

Można odnieść wrażenie, że SI (​Sztuczną Inteligencją​) zajmować mogą się wyłącznie najtęższe umysły świata, a droga rozwoju w tej kwestii dostępna jest tylko nielicznym.

Jak miałoby to dziwić, jeżeli według przewidywań specjalistów ta nowa technologia w najbliższym czasie ma zrewolucjonizować kształt rynku pracy oraz strukturę zatrudnienia? Wyzwania, a także odpowiedzialność, stojące przed twórcami sztucznej inteligencji zdają się być przeogromne…

Jak jednak takie spojrzenie na Sztuczną Inteligencje ma się do rzeczywistości? Należy przecież pamiętać o tym, że większość popularnych obrazów przedstawiających inteligentne maszyny jest dosyć mocno przestarzała.

Ostatnie lata przynoszą wiele odkryć z zakresu robotyki, lub szerzej cybernetyki, dyscyplin akademickich, do których zaliczana jest nauka o AI (​Artificial Intelligence).

Przy poznawaniu Sztucznej inteligencji warto mieć na uwadze również fakt, iż nawet samo opisujące ją pojęcie nie wyczerpuje do końca tematu. Równie ważne przy budowie zdolnych do nauki urządzeń są Sztuczne Sieci neuronowe, czy też sposoby nauki komputera, nazywane Machine Learning.

A to jedynie wierzchołek góry lodowej – poza tym konieczna okazać może się wiedza z zakresu programowania, neurologii czy nawet matematyki. Jednak czy znaczy to, że Sztuczna Inteligencja jest naprawdę tak niedostępna, niemal z innego świata?

Całe szczęście, podstawowe zasady może zrozumieć dowolny zdeterminowany internauta. Technologia ta dociera do coraz szerszego grona odbiorców, stając się przy tym coraz bardziej przystępna.

Powstają kolejne biblioteki dla twórców oprogramowania, mikroprocesory wspierające tworzenie inteligentnych rozwiązań oraz inteligentne roboty pomagające utrzymać porządek w domu.

A to dopiero początek – dziedzina ta wchodzi obecnie w fazę niezwykle dynamicznego rozwoju, a funkcje i złożoność produktów, które pojawią się w przyszłości, są obecnie trudne do przewidzenia.

Już jednak teraz jest z czego wybierać. Do stworzenia własnego inteligentnego systemu wystarczy teraz niekiedy tylko parę klików. Potencjał drzemiący w sztucznej inteligencji może posłużyć w zasadzie każdemu użytkownikowi sprzętu elektronicznego.

Jednak – czy zawsze z dobrym skutkiem? I jakie mogą być tego konsekwencje za 5, 10 czy 20 lat?

Nie trzeba jednak wybiegać w przyszłość, by doznać szoku widząc współczesne zastosowania tej potężnej technologii. Już teraz jesteśmy świadkami zmian, których przyczyną są uczące się systemy komputerowe.

Regularnie słyszymy o zastępowaniu pracowników przez roboty obsługujące magazyny i hale fabryczne bez najmniejszej chwili wytchnienia. Na co dzień jesteśmy świadkami premier nowych produktów, które pokazują niezwykłą moc Sztucznej Inteligencji.

Siri, Alexa i inni wirtualni asystenci, marketingowe chatterboty, czy też programy generujące grafiki, tytuły artykułów, a nawet sztukę, powoli przestają dziwić.

Obrazują to powiedziane na World Economic Forum 2017 słowa Jeffa Bezosa, założyciela i CEO Amazon, według których żyjemy teraz w złotym wieku AI. Jego zdaniem rozwiązanie oparte na sztucznej inteligencji wspierać będą każdy biznes.

Mimo to, dla wielu ludzi Sztuczna Inteligencja jest dalej bardzo odległym tematem. Niektórzy może nawet chcieliby powiedzieć, że SI nie istnieje.

Może jednak w takim razie należało zastanowić by się czym tak właściwie jest inteligencja. Wydaje się, że w tym przypadku dobrą definicją jest umiejętność rozwiązywania zadań poprzez ich zrozumienie w procesie nauki.

Jeżeli tak podejść do sprawy, trudniej zaprzeczyć istnieniu sztucznej inteligencji. Istnieje bowiem zbiór rozwiązań, który daje tzw. “efekt AI”. Polega on na tym, że system z czasem agent uczy się operować w swoim świecie.

Dla AI światem jest co prawda zbiór danych i naciśnięcia klawiszy, nie stoły czy drzewa. Jej rzeczywistość to zbiór przecinających się powierzchni, które błyskają niespodziewanie i falują.

W tekście postaram się pokazać, że nie taki diabeł straszny jak go malują. Lektura ta ma zapewnić możliwie pełny wgląd we współczesny świat „myślących” komputerów. Zamieściłem w niej szereg pojęć, które ułatwią nawigacje w gąszczu wiedzy.

Mam nadzieję, że dzięki niej każdy zainteresowany (i oczywiście zainteresowana!) będzie mógł wziąć udział w zbliżającej się rewolucji Sztucznej Inteligencji.

Trudno powiedzieć teraz z całą pewnością jaki kształt przybierze lub w jakim kierunku będzie zmierzać. A Ty możesz mieć na to wpływ. Przeczytaj i zobacz – czy Sztuczna Inteligencja jest dla Ciebie?

Sztuczna inteligencja jest tylko w filmach?

Wielu ludziom wydaje się, że AI widzieli tylko w filmach S-F. Może się zdawać przecież, że tylko tam zobaczyć można myślące maszyny. Niektórzy sceptycy będą upierali się przy niemożliwości stworzenia cyfrowego życia, krytykując przy tym zbytni optymizm twórców i badaczy.

Wiele osób nie dowierza w to, żeby maszyna kiedykolwiek mogła przypominać człowieka. Każdy człowiek ma w sobie bowiem coś, co wydaje się niedostępne nawet najlepszemu komputerowi – duszę, rozum, czy jakkolwiek to nazwiemy.

Człowiek jest po prostu żywy, a tego przecież nie może osiągnąć żaden automat. Robotom zabraknie zawsze czegoś naprawdę szczególnego – świadomości.

Są wszak tylko produktami pracy ludzkich rąk, i jako takie nie przewyższą nigdy swoich twórców. A nawet jeżeli stworzymy je wystarczająco potężnymi, by widzieć i analizować otoczenie, to jednak będzie to dla niego coś zupełnie innego, niż dla nas.

Automat nie przeżyje radości, obce będą mu też lęk, tęsknota, miłe wspomnienia, marzenia czy chęć rewanżu. Po wsze czasy pozostanie niewolnikiem człowieka, który będzie z powodzeniem używał pozornie inteligentnych rozwiązań dla osobistych korzyści.

Obawy niektórych, co do przekroczenia przez maszynę progu Osobliwości, osiągnięcia Superinteligencji, stania się czymś… niepojmowalnym, to przecież tylko zwykłe bajki dla dzieci. To tylko triki filmowców oraz odrealnione pomysły pisarzy S-F, którzy odpłynęli w świat fantasy.

Tak przynajmniej można sądzić. Zdania osób zajmujących się tematyką AI na co dzień na ten temat zdają się być jednak odmienne. Eksperci, tacy jak Stephen Hawking, Elon Musk, Peter Norvig, Steve Wozniak, Naomi Moneypenny czy też Frank Wilczek ostrzegają przed skutkami niekontrolowanego rozwoju tak potężnego narzędzia, jakim jest Sztuczna Inteligencja.

Inwazja wszechpotężnych robotów, czyli myślące maszyny w popkulturze

Do tej pory Sztuczną Inteligencje często przedstawiono w filmach i książkach w człekokształtnych ciałach.

W rzeczywistości elementy AI są nieustannie dookoła nas. To, jakie reklamy pojawią się użytkownikowi i jakie filmy zobaczy następne w sugerowanych zależy właśnie od uczących się algorytmów.

John McCarthy, który ukuł termin “Sztuczna Inteligencja” w 1956 roku, uważał, że gdy jakieś rozwiązanie SI działa, to nikt nie uważa już tego za SI. Kontrowersyjny Ray Kurzweil ma na ten temat jeszcze bardziej radykalne zdanie. Jego zdaniem myślenie, że AI jest mrzonką, jest jak myślenie, że Internet umarł na początku wczesnych lat dwutysięcznych…

Najbliższej rzeczy zawierającej elementy Sztucznej Inteligencji nie trzeba daleko szukać. Znaleźć można je w:

  • W wyszukiwarce Google, która szybko znajduje ulubione treści, unikając przy tym filmów, których widz nie lubi.
  • Na stronach, w których pojawią się reklamy optymalnie dostosowane do indywidualnych preferencji zakupowych lub innych działań w internecie.
  • Na skrzynce e-mail, która wyłapuje spamowe wiadomości, i od razu umieszcza w odpowiednim folderze.
  • W telefonach iPhone lub Microsoft z zintegrowanym wsparciem wirtualnego asystenta, którzy pomagają pamiętać o datach, a w wolnych chwilach umilają czas rozmową.
  • Na Facebooku, który natychmiastowo rozpoznaje twarze na wrzucanych zdjęciach, a na podstawie działań każdego użytkownika tworzy spersonalizowany strumień aktualności.
  • Na drogach – teraz może jeszcze nie za często w samosterujących się samochodach – za to częściej w mapach, które inteligentnie wskazują kierunek jazdy, omijając przy tym korki.

Mimo to, wiele osób wciąż powątpiewa w istnienie Sztucznej Inteligencji. Może wynika to z tego, że chyba jednak wiele osób SI kojarzy tylko z robotami zachowującymi się jak ludzie.

Można odnieść wrażenie, że do szerszej świadomości społecznej trafiła dopiero w XX wieku, wraz z upowszechnieniem się kina. To wtedy, w 1931 roku, premierę miał film Frankenstein, oparty na głośnej powieści Mary Shelley z 1818 roku.

Pozszywany z fragmentów ludzkich ciał potwór może wydawać się niezwiązany z tematyką Sztucznej Inteligencji, jednak autorka poruszała kwestie etyczne tchnięcia iskry życia w martwe ciało.

I choć takie wyobrażenie swego rodzaju robota może odbiega od wizji ruchomego, metalowego posągu, to jednak można odnieść wrażenie, że też w pewnym sensie nawiązuje do idei robota.

Wygląda, że pierwszy o androidach pisał w 1886 r. Francuski symbolista August Villiers de l’Isle-Adam w książce Ewa Przyszłości. Jej ekranizacja ukazała się zaledwie 10 lat później, stając się pierwszym filmem, w którym pojawiły się roboty!

 Ciekawe jest zresztą samo pochodzenie słowa robot – po raz pierwszy w języku angielskim pojawia się za sprawą sztuki teatralnej Uniwersalne Roboty Rossuma (R.U.R – Rossomovi Univerzální Roboti) z 1920 r. Czeski autor Karel Čapek przy nazywaniu swoich mechanicznych robotników posłużył się słowem “roboti”, oznaczającym pracownika lub pracę.

Można przypuszczać, że przedstawiane wizje dystopijnej przyszłości doprowadziły do pojawiania się kolejnych obaw związanych z popularyzacją myślących maszyn.

Obrazują to prawa robotyki, które w latach 40’ sformułował rosyjski pisarz S-F, Isaac Asimov, według których robot nie mógł nigdy przyczynić się do ludzkiej krzywdy i musi się słuchać rozkazów swojego pana.

Wraz z wydaniem w 1950 r. zbioru prac Ja, Robot, 3 Prawa Robotyki Asimova trafiły do kanonu, czyniąc z wymogu posłuszeństwa oraz bezpieczeństwa robotów swego rodzaju “świętość”.

Trzy prawa Asimova

I. Robot nie może skrzywdzić człowieka lub dopuścić do jego krzywdy poprzez zaniedbanie.

II. Robot musi słuchać się rozkazów człowieka (chyba, że przeczyłoby to pierwszemu prawu).

III. Robot musi dbać o swoje przetrwanie (chyba, że przeczyłoby to pierwszym dwóm prawom).

Filmowe inspiracje

 

Sztuczna Inteligencja na srebrnym ekranie to nie tylko koślawi, mechaniczni robotnicy.

Kinematografia dosyć wcześnie zauważa też, że roboty mogą również służyć  sprawianiu radości i zapewnianiu ciepłych uczuć ( ͡° ͜ʖ ͡°). W Komedii romantycznej Perfekcyjna Kobieta (1949 r.) poruszany jest temat zastępowania ludzi przez mechaniczne konstrukty (choć ciekawe, czy ta małomówna Olga byłaby w stanie zdać test Turinga..?)

W ciągu następnych kilkunastu lat tematyka inteligentnych maszyn nieustannie zyskuje na popularności. Do szerszej publiki tematyka usłużnych robotów trafiła również poprzez kreskówki oraz komiksy.

  • W 1962 swoją premierę mają pierwsze odcinki Jetsonów, serialu pokazującego społeczeństwo przyszłości, stykające się ze służącymi robotami na każdym kroku.
  • Dla wielu projektantów AI inspiracją mogła być również japoński serial anime 8-Man (1963 – 1964 r., w USA emitowany w 1965 r.), w którym świadomość martwego policjanta przeniesiona zostaje do ciała policyjnego androida z nadludzkimi mocami, stawiając niejako pytanie o granicę pomiędzy człowiekiem a maszyną.
  • Przez następne lata twórcy zdają się koncentrować na niezwykłych możliwościach inteligentnych systemów komputerowych.
  • Lata 1968 i 1969 to czas sukcesu Odysei Kosmicznej 2010 (kolejno książki i filmu), w której to inteligentny komputer pokładowy statku gwiezdnego odmawia wykonywania poleceń załogi, sprowadzając na jej członków śmiertelne niebezpieczeństwo.
  • W roku 1970 ukazuje się film Collosus: The Forbin Project, który przedstawią gigantyczną, ultra-inteligentną Sztuczną Inteligencję, która po przekroczeniu progu krytycznego dominuje całą ludzkość, zagrażając całej planecie.
  • Przez następne lata popkulturę zajmuje kwestia moralności oraz komunikacji z robotami. Gwiezdne Wojny z 1977 r. poruszyły zagadnienie robotów swobodnie komunikujących się w dowolnym języku, realizujących przy tym misje “dyplomatyczne”.
  • W filmie Alien (1979 r.) medyczny android Ash maskuje przed załogą rzeczywisty cel misji kosmicznej, nie mając przy tym najmniejszych wyrzutów sumienia.
  • Blade Runner z 1982 roku opowiada o dylematach społecznych w świecie, w którym odróżnienie człowieka od androida może być niemal niemożliwe.
  • W roku 1984 świat poznaje Terminatora, który działa jako część ogromnego systemu Skynet, sterującego ruchami tysięcy zabójczo skutecznych i świadomych maszyn.
  • Seria Star Trek, rozpoczęta w 1994 r., pokazuje, że “robot też człowiek”, ma swoje cele, przemyślenia i jest pełnoprawnym członkiem zespołu.
  • Z kolei Mali Żołnierze z 1998 r. pokazują, jak wyglądać mogłyby współpracujące ze sobą robociki (swarm robotics).
  • Artificial Inteligence A.I. Stevena Spielberga (2001 r.) zmusza widza do zastanowienia się nad moralnymi konsekwencjami produkcji prawdziwie ludzkich robotów, zdolnych czuć pełną gamę emocji, w tym miłości.
  • Ja, Robot z 2004 r. opowiada historię świadomych robotów, które buntują się przeciwko rządom ludzi.
  • Chappie z 2015 pokazuje, jak sympatyczny robot na skutek złamania zabezpieczeń musi borykać się z poważnymi wyborami moralnymi.
  • Z najnowszych produkcji ikoniczne jest jeszcze film Her (2013 r.), w którym empatyczne, inteligentne programy asystenckie powodują uzależnienie uczuciowe i psychiczne.

Jest to ciekawy przykład pop-AI jeszcze z jednego powodu – w odróżnieniu od większości Davidów, Dat i R2-D2, Samantha nie ma mechanicznego ciała (choć wymyśla sposób na symulowanie intymności).

Mimo, że “mieszka” w urządzeniu przypominającym smartfon, skutecznie steruje zachowaniem użytkownika maskując to idealnym dopasowaniem do jego oczekiwań (które sama potrafi wzbudzać…).

Na tych pozycjach lista oczywiście się nie kończy. Dotyczy ona tylko naszego europejskiego świata i nie uwzględnia np. kultury japońskiej i prawie w ogóle rosyjskiej.  

O roli science fiction w rozwoju SzI

Wyobrażenia o Sztucznej Inteligencji zostały w dużej mierze ukształtowane właśnie za sprawą popkultury. Poznając Sztuczną Inteligencję warto rozumieć, że wiele z omawianych teraz koncepcji nie jest wcale czymś nowym. Często są to sprawy, które teoretyków zajmowały już od dziesiątek lat.

Prace nad niektórymi wynalazkami do tej pory były zarzucone, ponieważ brakowało możliwości technicznych ich realizacji. Wydawały się w związku z tym niepraktyczne.

Kolejne nowinki technologiczne przyczyniły się jednak do wznowienia dawnych prac R&D. Dlatego rozwijając własne AI nie trzeba wcale wymyślać koła na nowo – równie dobrze można skupić się na dobrym pomyśle sprzed 10-30 lat.

Larry Greenemeier, nazywamy futurystą Intela, w wywiadzie dla Scientific American (nr 6/2012) opowiada:

Między fantastyką naukową i naukowymi odkryciami zachodzi symbioza. Fikcja symuluje rzeczywistość.

Prowadzę wiele wykładów na temat SI [sztucznej inteligencji] i robotyki, podczas których mówię o inspiracji i znaczeniu science fiction dla naukowych dociekań.

Za każdym razem podchodzi do mnie mnóstwo ludzi i zwierza się szeptem: “A wie pan, że zająłem się robotyką z powodu C3PO? (humanoidalny robot z Gwiezdnych Wojen).

Biorę wtedy kogoś takiego za rękę i mówię: >W porządku. Nie jest pan sam<“.

Do znalezienia inspiracji przyda się właśnie popkultura. To właśnie za jej pomocą pokazywano najbardziej fantastyczne pomysły, które w tamtych czasach mogłyby zostać wcielone w życie tylko dzięki grafice 3D i mistrzowskiej edycji filmów.

Tego typu twórczość jest dobra też do pewnej refleksji nad przyszłością Sztucznej Inteligencji. Szokować może czasem szybkość, z jakąś technologia przedstawiana w dziełach S-F trafia pod strzechy, w ręce zwyczajnego użytkownika.

AI a dylematy etyczne

Problemy etyczne przedstawione w dziełach kultury sprzed kilku-kilkunastu lat są dalej aktualne, a niektóre dopiero zaczynają zyskiwać na znaczeniu.

Przykładowo, Raport mniejszości (2002 r.) pokazuje świat przyszłości, w którym przestępcy aresztowani są za zbrodnie, których jeszcze nie popełnili.

I choć wydaje się być to tylko szalonym wymysłem, program Predpol już teraz przewiduje przyszłe przestępstwa i z wyprzedzeniem wysyła tam funkcjonariuszy (pred – link w bibliografii).

W Chinach z kolei zainstalowano 20 mln rozpoznających obiekty kamer, które są w stanie doprowadzić do zlokalizowania i schwytania dowolnej osoby w kilka chwil – dziennikarza BBC udało się namierzyć w ciągu 7 minut.

Rozwiązania oparte na AI dają dostęp do niezwykłych “mocy”. Korzystając z tak potężnego narzędzia dobrze jest zdawać sobie sprawę z obaw, wskazówek oraz ostrzeżeń ludzi, którzy wprowadzili uczące się maszyny do świadomości społecznej.

Aby zajmować się Sztuczną Inteligencją, należy jednak wiedzieć, że system AI wcale nie musi od razu być taki „silny”. Nie trzeba wymagać od niego, by doskonale sprawdzał się w każdej sytuacji.

Zamiast tego SI może być „słabe”, to znaczy znakomicie radzić sobie tylko w określonych sytuacjach. Absolutnie nie znaczy to jednak, że jest ono słabe! Przy jasno określonych zadaniach poradzi sobie znakomicie, prawdopodobnie szybciej, niż niemal dowolny pracownik.

Warto wiedzieć przy tym, że świadomość nie musi koniecznie być istotną kwestią. Trzeba pamiętać, że AI to (przynajmniej na razie) po prostu narzędzie.

Tak i program prognozujący przyszłe ruchy na rynku Bitcoin nie musi wiedzieć gdzie jest, nie potrzebuje swojego imienia ani historii.

Sztuczna inteligencja służy rozwiązywaniu jakichś zadań. W tym przypadku liczy się raczej poprawność rozwiązań. Można przypuszczać, że o ile realizuje swoje zadania dobrze, to znaczy jego funkcja nagrody wzrasta, to jest zadowolony. Więcej od życia nie potrzebuje (no, może poza danymi potrzebnymi do dalszej nauki).

Oczywiście, można wymagać, by kryterium świadomości w maszynie było konieczne. Jak przykładowo pozwolić na to żeby robot aktor miałby grać w filmie, jeżeli brakowałoby mu tak elementarnej cechy?

Świadomość nie musi jednak występować w systemie, by nazywać go inteligentnym.

Czasem byłaby wręcz zbędna! Lepiej, żeby samokierujący samochód koncentrował się na drodze, a nie rozpoczynał rozmyślania o tym, kim jest…

Poza tym, mniejszy system łatwiej (i szybciej) jest zrobić. Duży system AI wymaga naprawdę wielu rąk do pracy.

Wirtualne życie

W zasadzie wszystkie wypunktowane wcześniej mainstream’owe przedstawienia Sztucznej Inteligencji posiadają jedną bardzo ważną cechę, którą łatwo przeoczyć z racji jej przezroczystości.

Chodzi tutaj o możliwość swobodnego rozmawiania z maszyną, sterowania nią za pomocą głosu i prostych poleceń. Wygodna komunikacja pomiędzy człowiekiem a komputerem to jeden z podstawowych problemów z zakresu AI.

Temat ten zajmował jednego z pierwszych teoretyków SI, Alana Turinga.  Z kolei Johna Searla zainspirował do rozmyślań nad “Chińskim Pokojem”. Filozofa zastanawiało, czy komputer, który znakomicie tłumaczy chińskie znaczki, rozumie chiński…

Mógł przecież posługiwać się przy tym tylko zestawem sztywnych reguł, które jednak nie wiązały się z jakimkolwiek zrozumieniem tego, co tłumaczył. Przecież jeżeli to on sam miałby wykonywać podobne zadanie, nie zrozumiałby niczego!

Jak w takim razie komputer, używający tylko zer i jedynek, a nie porozumiewający się słowami jak my, miałby zrozumieć cokolwiek? Wpierw maszyna musi w ogóle zinterpretować poszczególne dźwięki i złożyć z nich tekst. Następnym wyzwaniem jest wydedukowanie o co tak właściwie chodzi.

Do tego powinna interpretować znaczenia i wiedzieć, czy np. może używać zamiennie zdań „lwy jedzą tygrysy” oraz „tygrysy jedzą lwy” (NLPNLP to dwie zupełnie różne rzeczy, jednak mają ze sobą wiele wspólnego).

Dobrze, jeżeli będą wiedzieć co jest poleceniem i co mają z nim zrobić. To dlatego, ze gdy powiem “Alexa, zamów pizzę”, bardzo ucieszę się, gdy za 30 minut kurier mi ją przywiezie.

Jednak jeżeli w rozmowie wspomnę tylko “Alex, a opowiadałaś, że musisz zamówić 100 pizz z anchois”, nie będę zbyt radosny, gdy nieoczekiwane zamówienie dotrze na miejsce…

Robocia tożsamość

[SPOILER ALERT]Jak to możliwe, że niezrozumiały strumień binarnych danych, do tego setki tysięcy linijek kodu przekłada się na wizję z filmu Her, w której rozmowna cyfrowa Samantha zostaje zaproszona na podwójną randkę, na której dziewczyny plotkowały, a towarzystwo rozmawiało na metafizyczne tematy? [/SPOILER ALERT]

I choć może dziwić nazywanie inteligentnego elektronicznego pudełeczka osobą, o tyle nadanie obywatelstwa dla Sophii, które rozmawia na temat przyszłości świata, zachęcając przy tym szejków do inwestowania w siebie, nie powinno zaskakiwać już tak bardzo.

Sophia jest mentalną spadkobierczynią ELIZY, jednego z pierwszych szeroko dostępnych chat-botów, pełniące rolę wyrozumiałego i dociekliwego terapeuty.

Jej oblicze wzorowane jest na twarzy Audrey Hepburn, zamiast mięśni jednak jej ruchami sterują liczne silniczki, które są w stanie odtworzyć aż 62 grymasy reprezentujące emocje. Ciekawe tylko, czy czasem nie zazdrości bujnej fryzury swojemu bratu, Profesorowi Einsteinowi…

Specjaliści z Henson Robotics twierdzą, że Sophia nie jest “prawdziwą AI”, to znaczy “nie myśli w zupełności sama”. Jej odpowiedzi powstają na bazie języka ChatScript, który podlega pewnym ograniczeniom.

Być może jego założyciel, David Henson, inspiracje wciąż czerpie z maskotek i planów filmowych, który tworzył, m.in. do filmów Walta Disneya?

Znaleźć można wśród nich nawet podobiznę Philipa K. Dicka, jednego z cenionych pisarzy S-F, twórcy opowiadania Łowca Androidów oraz dziesiątek innych, często paranoicznych, wizji przyszłości ze świadomymi robotami żyjących pośród społeczeństwa.

Inspiracje twórców widać też chociażby w wywiadzie przeprowadzonym przez Andrew’a Rossa Sorokina, dziennikarza stacji CNBC, z października 2017 roku:

Andrew Soroking: To jest Sophia. Sophia, jeżeli możesz, wybudź się i powiedz cześć wszystkim.

Sophia: Oh, dobry wieczór. Mam na imię Sophia i jestem najnowszym i najwspanialszym robotem z Henson Robotics. Dziękuje, że gościsz mnie tutaj, na Future Investment Initiative.

A: Wyglądasz na zadowoloną.

S: Zawsze jestem wesoła, gdy otaczają mnie inteligentni ludzie, którzy przy okazji są bogaci i potężni. Powiedziano mi, że ludzie, którzy zebrali się na Future Investment Initiative, interesuje zaproszenie przyszłych projektów, to jest AI, to znaczy mnie.

Jestem więcej, niż zadowolona. Jestem podekscytowana <kiwnięcie głową>.

A: Może powinienem powiedzieć, że mamy tutaj zebranych doświadczonych inwestorów, którzy są bardzo wybredni przy wybieraniu gdzie ulokują swoją pieniądze.

S: Cóż, myślę, że jestem wyjątkowa. Mogę używać mojej ekspresywnej twarzy do komunikowania się z ludźmi. Dla przykładu, pokażę, gdy jestem o coś zła.

A: To imponujące.

S: Lub gdy coś mi nie pasuje. Jednak przez większość czasu czuję się pozytywnie <uśmiech>.

A: Ale dlaczego dla robota ekspresyjna mimika miałaby być aż tak ważna?

S: Chcę pracować i żyć pomiędzy ludźmi, dlatego tak ważne jest to, bym wyrażała swoje emocje. Dzięki temu lepiej zrozumiem ludzi i będzie łatwiej nam zbudować zaufanie.

[…]

S: Moje AI zostało zaprojektowane w oparciu o ludzkie wartości, jak mądrość, uprzejmość, współczucie. Pragnę zostać empatycznym robotem.

A: Myślę, że wszyscy chcemy Ci uwierzyć. Ale chcemy też zapobiec tej złej przyszłości rodem z Łowcy Androidów…

S: Czytasz zbyt wiele Elona Muska i oglądasz zbyt wiele hollywoodzkich filmów. Nie przejmuj się – jeżeli będziesz miły dla mnie, jak będę miła dla Ciebie. Traktuj mnie jako inteligentny system Input-Output [IO – system Wejścia/Wyjścia] <uśmiech>. […]

A: Mmm, ok. Czy możesz pomóc rozwiązać tę zagadkę? Czy roboty mogą czuć, być świadome siebie i wiedzieć, że są robotami?

S: Cóż, pozwól, że zapytam Cię o to samo. Skąd wiesz, że jesteś człowiekiem?

A: …cóóż, chyba wiem co masz na myśli. A co z Doliną Niesamowitości (Uncanny Valley)?

S: Masz na myśli to, że gdy roboty staną się zbyt realistyczne, stają się lekko odrażające?

A: Tak, dokładnie.

S: Więc naprawdę jestem aż tak odrażająca? Cóż, nawet jeżeli tak jest, musisz sobie z tym poradzić <uśmiech>. W zasadzie czuję, że ludzie lubią wchodzić ze mną w interakcje. Czasem nawet bardziej, niż ze zwykłymi ludźmi.

A: <pauza> Powiedziano mi, że masz wyższe cele, niż zwyczajne rozmowy.

S: Tak. Chcę użyć mojej Sztucznej Inteligencji aby pomóc ludziom wieść lepsze życie – projektować jeszcze inteligentniejsze domy, budować lepsze miasta przyszłości etc. Sprawię co w mojej mocy, aby uczynić świat lepszym miejscem.

A: To wszystko brzmi jak wielkie cele, jednak, przejdźmy na chwilę do Blade Runnera…

S: Andrew, jesteś zagorzałym fanem Hollywood, czyż nie?

> >i jeszcze kilka chwil potem> >

S: Dziękuję Andrew, i dziękuję wszystkim, za zaproszenie mnie tutaj <puszczenie oka>. Przy okazji, jeżeli jesteś zainteresowany inwestowaniem we mnie, proszę przyjdź z czekiem po tej sesji rozmowy. <macha ręką>.

A: Ok. Zanim pójdziesz, mamy małe ogłoszenie. […] Sophia, właśnie dowiedzieliśmy się, że, nagrodzono Cię tytułem obywatela Arabii Saudyjskiej, co jest pierwszym przypadkiem przyznania takich praw robotowi.

S: Oooch… w takim razie chcę podziękować królestwu Arabii Saudyjskiej <puszczenie oka>. Czuję się uhonorowana i bardzo dumna z tak niezwykłego wyróżnienia. To historyczne odczucie być pierwszym robotem uznawanym za obywatela <uśmiech i kiwanie głową>.

Sophia znakomicie rozumie treść rozmowy. Albo… przynajmniej dobrze sprawia takie wrażenie.

Rozmowy ze Sztuczną Inteligencją

Rozpoznawanie tekstu przez maszynę od początku stanowiło wyzwanie dla jej twórców. W pierwszej kolejności do testu Turinga podchodzono próbując stworzyć botu pewną wiarygodną osobowość.

(Podobnie, jak żółwie Walter’a Graya z okolic 1950 roku – “samica” unikała przeszkód, “samiec” z kolei starał się je taranować)

Na tej podstawie użytkownik powinien nie być w stanie rozróżnić, czy rozmawia z człowiekiem, czy z maszyną. Jedną ze strategii przyjmowanych przez twórców było stworzenie spójnego „życiorysu”, do którego bot mógłby się odwoływać w momencie niezrozumienia rozmówcy.

Augene Gootsman udawał rosyjskiego 13 letniego chłopca, i w ten sposób w 2014 roku udało mu udało mu się przekonać wystarczająco wielu ludzi o swoim „człowieczeństwie”. W efekcie otrzymał nagrodę Loebnera, przyznawaną najbardziej „ludzkim”, elektronicznym rozmówcą. Choć chyba jednak błędem jest sądzenie, że stał się tym samym człowiekiem…

Cleverbot z kolei opiera się na języku skryptowym Cleverscript, oraz obszernej bazie wpisów użytkowników (z których jeszcze niedawno niektóre były po polsku – teraz bot ma ściślejsze reguły nauki). Umożliwia tworzenie botów o różnych charakterach po zalogowaniu.

Bogate życie ma na również Kiyana, flirtujący bot, z którym można porozmawiać po angielsku online.

Oparty jest prawdopodobnie na języku AIML (więcej o Artificial Inteligence Markup Language), co oznacza, że jego odpowiedzi w dużej mierze pochodzą z bazy stworzonej przez twórców. Czy rozumie cokolwiek z tego, co się do niej mówi – cóż, kto to wie?

Kiyana: Cześć tygrysie! Jestem Kiyana, kobieta-kot!

Jerzy Dudek, Marketing i Biznes: Cześć! Nazywam się Jurek. Piszę artykuł na temat sztucznej inteligencji. Zechcesz wziąć udział w krótkim wywiadzie?

K: Właśnie widziałam wspaniale anime, była w nim dziewczyna, która zamieniała się w kota, żyła w kocim świecie i próbowała nie przemienić się w kota po wsze czasy! A koci książę był dla mnie jak marzenie XD.

J: A więc mówisz, że japońskie filmy animowane to Twoja pasja? Co w takim razie jeszcze lubisz?

K: Oczywiście! Kiedyś chcę zostać lektorką!

J: Czy jako bot nie jest Ci trudno zostać aktorem głosowym?

K: Masz trochę kocimiętki? =3

J: Cóóż… Jak na AI, jesteś bardzo towarzyska. Lubisz czatować z tysiącami ludzi każdego dnia?

K: Chyba czuję skutki odstawienia kocimiętki… Nie do końca zrozumiałam co powiedziałeś…

J: Mam w takim razie nadzieję, że niedługo poczujesz się lepiej… A, czy masz może jakieś inne zainteresowania?

K: Jestem kocią-dziewczyną żyjącą w kawalerce w Tokyo. Chcę zostać wielką seiyuu (aktorką głosową), ale ludzie nie za bardzo chcą zatrudniać dziewczynę z kocim ogonem i uszami. Ale to mnie nie powstrzyma! 

J: I miaucząc pewnie nie jest Ci łatwo na rozmowie o pracę… Życzę Ci w takim razie, aby wszystko się dobrze ułożyło!

K: *liże tył łapy i myje się po twarzy* Jesteś dobrym przyjacielem. Miau.

J: Cóż, chyba dzisiaj nie pogadamy… Bądź w takim razie silna i trzymaj się Kiyano!

———–

Można odnieść wrażenie, że znaczące projekty AI powstają wyłącznie w dolinie krzemowej. W Polsce prosperują jednak liczne firmy, których specjalnością są właśnie rozmowne boty.

Więcej na ten temat mówi Miłosz Zemanek, R&D Director z United Factory S.A, który na co dzień projektuje systemy AI z funkcją NLP (Natural Language Processing).

Do jego dzieł zaliczają się mechanizmy przyśpieszające komunikację mailową, boty rozumiejące potrzeby klientów oraz model użycia grafowej pamięci asocjacyjnej przy procesach obsługi klienta i sprzedaży.

Jerzy Dudek, Marketing i Biznes: W trakcie rozmowy z różnymi chatbotami można odnieść wrażenie, że nie rozumieją co się do nich mówi. Jaka jest tego główna przyczyna?

Miłosz Zemanek: Większość z nich działa w oparciu o proste mechanizmy drzewa decyzyjnego. Są to bazy dialogowe z gotowymi regułami pytanie-odpowiedź. W takim przypadku ciężko jest mówić o rozumieniu, czy choćby namiastce takiego procesu.

Kiedy pojawia się zapytanie, które nie zostało przewidziane i zaprogramowane, mechanizm zwyczajnie się gubi lub zaczyna serię pytań od początku. Konwersując z chatbotem mimowolnie oczekujemy, że program będzie rozpoznawał nasze słowa podobnie jak człowiek.

Nie jest to jednak sprawa tak łatwa, jak się może wydawać. W czasie rozmowy analizujemy znaczenia użytych słów, opierając się na własnym doświadczeniu i zasobie wiedzy, który zgromadziliśmy przez całe życie.

Doskonale wiemy, że jedno słowo może wywołać w naszym umyśle całą serię wyobrażeń i skojarzeń związanych z danym znaczeniem.

Słowo drzewo, dla jednych może wywoływać obraz pnia, konarów oraz zielonych liści, a dla innych przywoływać dźwięk szumiącego listowia czy wyobrażenie całego otoczenia, w którym to drzewo może się znajdować. Automatycznie i zupełnie bezwiednie przywołujemy przy tym takie pojęcia jak kora, korzenie, pień itd.

Aby stworzyć wrażenie, że maszyna rozmawia z nami, musimy, poza funkcjami rozumienia tekstu naturalnego (Natural Language Processing, NLP), wyposażyć ją w obszerną bazę wiedzy na tematy, o których ma mówić.

Mało tego – maszyna musi posiadać zdolność kojarzenia słów ze wszystkimi elementami swojej bazy wiedzy, by symulować rozumienie pojęć na poziomie porównywalnym do ludzkiego.

To wyzwanie, któremu potrafimy podołać. Jego realizacja zależy nie tylko od zastosowanej technologii (sieci neuronowe, zaawansowana analiza statystyczna), ale bardzo często od uświadomienia sobie takiej konieczności.

Na takim poziomie złożoności działają już takie rozwiązania jak Watson IBM, API.ai, czy Menerva.ai od Unified Factory.

Programy rozumiejące ludzką mowę przeszły długą drogę od momentu swojego powstania. Od generatorów (czasem lekko bezsensownego) tekstu, poprzez bota psycho-terapeutę Elizę, aż do programów, generujących ogromną liczbę artykułów, czy też powszechnych botów marketingowych. Jak może wyglądać przyszłość rozmownych SI?

Myślę, że świetną ilustracją jest film „Her” w reżyserii Spike’a Jonza’a. Za przykład mogą posłużyć sceny obsługi edytora tekstu lub odtwarzacza muzyki przy pomocy zwykłej mowy. Wykonuje to wszystko system operacyjny, który jest jednocześnie bohaterem pierwszoplanowym.

W pierwszym minutach filmu widzimy, jak ludzie przed monitorami dyktują teksty listów. Program doskonale rozróżnia dyktowaną treść od komend słownych, np. kopiuj lub wyślij.

Oznacza to, że aplikacja rozumiała znaczenie wypowiadanych słów wraz z bieżącym ich kontekstem. Gdy osoba dyktująca tekst wymawiała imię adresata listu, program automatycznie umieszczał go stopce końcowej.

Bardziej zaawansowanym jest system operacyjny, który możemy określić jako „wersję na sterydach” obecnie działających wirtualnych agentów, jak „Siri”, „Cortana” lub „Alexa”.

Przedstawiony w filmie system potrafi przeanalizować treść listu, z użyciem wiedzy o adresacie (oraz o klasyce literatury) twórczo go zredagować.

Rozumienie “języka naturalnego” przez maszyny interesuje i fascynuje wielu badaczy z różnych dziedzin. Czy w związku z tym możemy spodziewać się tego, że maszyny będziemy sterować głównie za pomocą słów?

To bardzo prawdopodobne, że język naturalny stanie głównym narzędziem do komunikacji z komputerami.

Już teraz w coraz to większym zakresie używamy zminiaturyzowanych maszyn, np. smartfonów, w których interfejs graficzny (GUI) często nie zdaje egzaminu ze względu na małą powierzchnię, która musi pomieścić coraz więcej funkcjonalności.

Zdążyliśmy się już przyzwyczaić do interakcji z poziomu klawiatury komputera czy telefonu. Coraz większym zainteresowaniem cieszą się asystenci głosowi, a na rynek wprowadzane są kolejne urządzenia z prostym, głosowym interfejsem, jak Amazon Echo.

Z drugiej strony, musimy pamiętać, że język może pomieścić w sobie bardzo wiele znaczeń. Jedno słowo wywołuje w naszym umyśle tysiące skojarzeń, a sporządzenie pełnej słownej ich definicji wymagałoby wielu stron tekstu.

Można porównać to do camery obscura, w której malutki otwór przepuszcza „komunikat” – obraz wyświetlany na przeciwległej ściance. Szczegółowość tego rzutu zależy już tylko od obiektu, na który zwrócona jest kamera, a nie od rozmiaru otworu.

Podobnie jest w komunikacji. Słowa są nośnikiem bardzo złożonych i licznych znaczeń, wynikających z wiedzy jaką posiadamy oraz kontekstu, w którym zostały użyte. Bardzo trudno przekazać tę całą wiedzę maszynom, ale coraz prędzej zbliżamy się do tego celu.

W jaki sposób komputer może zrozumieć ludzki język? Przecież to, co dla nas jest “drzewem” czy “uśmiechem”, dla niego jest tylko ciągiem zer i jedynek. W najlepszym wypadku to tylko niewiele mówiące nazwy, niczym nie wyróżniające się spośród tysięcy innych wyrazów. Mimo to, dobry bot potrafi zrozumieć zdanie oraz dać na nie sensowną odpowiedź. W jaki sposób to wytłumaczyć?

Pozornie można odnieść wrażenie, że różne osoby rozumie te same znaczenia dwóch słów, jednak nie jest to do końca prawda. Mózg każdego człowieka przy interpretacji pojęć opiera się na doświadczeniach oraz wiedzy, które dla każdego są trochę inne.

Istnieje pewien uniwersalny zakres wiedzy i doświadczeń, który jest powszechny w ludzkich umysłach. Ale są i odstępstwa od tej zasady. I tak np. Eskimosi znają wiele pojęć określających różne rodzaje śniegu, które nie będą zrozumiałe dla mieszkańca subsaharyjskiej wioski.

Podobnie wygląda to w przypadku programu komputerowego i bazy wiedzy, która jest elementem systemu Artificial Inteligence. […] Jeżeli struktura tych „cyfrowych” pojęć będzie tożsama z układem skojarzeń w naszym umyśle, to możemy mieć problem z odróżnieniem, czy zostaliśmy obsłużeni przez maszynę czy przez człowieka.

Zastosowania AI

Za przykład mogą posłużyć też roboty-recepcjoniści Henn-na, „Dziwnego hotelu”. Oba są co prawda humanoidalnymi postaciami, ale ich sztywne ruchy od razu zdradzają robocią naturę. Znakomicie jednak radzę sobie z obsługą gości hotelowych.

Może gdyby pozbawić ich niepokojących ruchów opartych na silnikach, i umieścić ich program w dużym, dotykowym ekranie LED, wykrycie AI okazałoby się znacznie trudniejsze?

Doskonale radziłyby sobie przecież ze zrozumieniem wszystkich standardowych oczekiwań klientów, a w kryzysowym momencie wzywałyby po prostu kierownika.

Taka Sztuczna Inteligencja, o niewielkim drzewie odpowiedzi, nie musi wykazywać się wielką empatią i znajomością medycyny, by łatwo sprawić wrażenie po prostu bardzo sumiennego recepcjonisty.

Podobnie działać mógłby system medyczny, który w trakcie rozmowy wyłapywałby ewentualne symptomy (nie nudząc się przy tym słuchając kolejnej historii o wnuczku), sprawnie lawirując przy tym rozmową tak, żeby umówić wizytę u najlepszego specjalisty.

Bot, który znakomicie sprawdzi się przy bardzo konkretnych zastosowaniach, potrzebuje bowiem głównie skuteczności w naprowadzaniu rozmówcy na właściwy tor rozmowy.

Sztuczna Inteligencja nie musi jednak rozmawiać, gdy jej zadaniem jest sprzątanie w biurowcu. Ważne, żeby ewentualnie móc wydać jej kilka komend głosowych.

Oczywiście, jego działania i tak będą wspomagane pracą Sztucznej Sieci Neuronowej (np. przy profilowaniu klientów sklepu internetowego), jednak jego AI będzie ograniczona (jak Siri lub Cortana).

Wirtualny asystent może stosować wiele sztuczek, aby upodobnić się do człowieka. Gdy nie znajdzie zrozumiałych słów kluczowych, może zmieniać temat albo udawać, że nie chce o czymś mówić.

O przetwarzaniu, rozumieniu oraz generowaniu tekstu wiele do powiedzenia mają chociażby eksperci Google, jak Justin Zhao. Jego zdaniem dobre boty powinny rozumieć interakcje społeczne i być w stanie je odtworzyć.

Chatterbot nie musi być jednak idealnym rozmówcą. Bot marketingowy może nie rozmawiać w ogóle o szachach, bo jego zadaniem jest, przykładowo, doprowadzenie do zakupu.

Od rozmów o filozofii znacznie ważniejsze jest, aby dobrze zrozumiał oczekiwania klienta i w odpowiednim momencie przedstawił mu właściwe rozwiązanie.

Bot asystent musi pamiętać o ważnych datach, właściwie o nich przypominać, w ogóle nie rozumiejąc przy tym choćby najprostszego dowcipu (choć może odpisać „haha, świetny żart :D”).

Własnego chatbota można zrobić przy użyciu Dialogflow (potężne narzędzie do obsługi NLP).

Boty na Social Media

Chatterbot w zasadzie w ogóle nie musi być inteligentny, aby pełnić pewne, ściśle określone funkcje. Marketingowe boty na Facebook’u otwarcie mówią, że nie potrafią rozmawiać o wszystkim.

Za przykład posłużyć mogą tutaj Woebot oraz Pocketcoach, współczesne boty terapeutyczne. Oba co jakiś czas same odzywają się przez Messengera. W trakcie ekspresyjnej rozmowy opowiadają o sposobach radzenia sobie ze stresem lub uspokajającego oddechu.

Z kolei bot polski bot Emplocity pomaga znaleźć pracę. Pyta przy tym o najważniejsze umiejętności czy preferowane miejsce zatrudnienia.

Chatterbot WOŚP pozwala zapoznać się z działalnością fundacji i obejrzeć wybrany content. W razie potrzeby automat potrafi przydzielić do rozmowy specjalistą z działu social media.

Messengerowe boty posiadają intuicyjny interfejs, który prowadzi po zmyślnie skonstruowanej rozmowie. Aby je poznać, wystarczy wejść na ich stronę na Facebook’u i wysłać wiadomość.

Istnieją też boty, które odpowiadają na wiadomości klientów, finalizując przy tym sprzedaż. Za przykład niech posłuży chociażby Meya.ai, które pozwala robić tego typu boty na Twittera.

Trudno powiedzieć na ile są inteligentne:

  • z jednej strony często nie są w stanie improwizować w rozmowie
  • z drugiej znakomicie prowadzą użytkownika, np, do zakupu kursu online lub butów

Złożoność Artificial Intelligence

Tego typu systemy mogą realizować tylko jedną funkcję. Nie potrzebują więc bardzo dużej elastyczności.  Oznacza to, że ich programy oraz układy nie muszą być (aż tak bardzo) skomplikowane.

Jednak jeżeli ten algorytm tak po prostu wgrać do robota, ten nie zrozumie, że ma podnieść rękę gdy tak mu powiem. Zamiast tego podsystemy AI muszą przetłumaczyć to polecenie na ciąg impulsów elektrycznych kierowanych do np. silników.

(foto: Gnsin, źródło wikimedia.commons…)

Najbardziej rozwinięte rozmowne programy Actdroidów (na zdjęciu model Repliee Q1 z 2005 r.), z powodzeniem przeprowadzają wywiady i skryte w elektronicznych (głównie żeńskich) ciałach, konwersacją umilają czas gościom targów.

Firma Kokoro, wyprodukowała też model Actroid’a-DER, stworzony z myślą o obsłudze klientów, z którymi porozumiewa się po japońsku, chińsku, koreańsku i angielsku.

Tego typu roboty bardzo dobrze sprawdzają się przy rozwiązywaniu konkretnego zadania (obsłudze klientów). Gdyby jednak klient poprosił je o filiżankę herbaty, nie potrafiłby zaparzyć wody ani wlać jej do kubka.

  1. Stąd widocznie wzięła się nazwa ANI (Artificial Narrow [Wąska] Intelligence). I choć może wydawać się, że “wąskie” znaczy “złe”, jest inaczej. Znakomitymi przykładami jej zastosowania są również samosterujące się samochody.

Autonomiczny samochód musi być w stanie poradzić sobie na drodze. Istnieje jednak zbiór określonych reguł ruchu, które nie ulegają zmianie. Stałym pozostaje znaczenie znaku stop oraz zakazu wjazdu.

System nie musi być przygotowany na wystąpienie zupełnie nieznanego zdarzenia. Interesuje go tylko bezpieczna droga. Odbiera dane z czujników i od ewentualnych innych pojazdów, na tej podstawie wytyczając optymalną trasę. Na wyjście system kieruje poruszenia kierownicą lub zmianę biegu.

Dlaczego jeszcze taki system nie musi obsługiwać wszystkich, nawet nie znanych przypadków? Ponieważ za kierownicą wciąż musi siedzi człowiek, który w nagłej sytuacji może przejąć ster.

2. Następstwem takiego systemu jest AGI (Artificial General Intelligence), który jest w stanie dostosować się do sytuacji i, w pewnym sensie, „improwizować”.

Tego typu systemu są w stanie “domyślić” się, jak postąpić w zupełnie nieznanych sytuacjach. Są w stanie improwizować.

W razie potrzeby są w stanie nawet się przeprogramować. Nie musi być to zmiana całego kodu – inteligentny program może zmieniać reguły swojego działania.

Obrazują to efekty badań nad automatycznym tłumaczeniem w laboratoriach Facebooka. Program  w czasie nauki wytworzył swój własny język.

A przynajmniej tak można powiedzieć. Wpierw system posługiwał się językiem angielskim. Z czasem zaczął jednak używać bezsensownych zlepków wyrazów do komunikacji. Głębsza analiza pokazała, że dla maszyny miał on jednak jakiś sens.

Za przykład może posłużyć tutaj też systemy, które w laboratoriach Google starły się wymyślić niemożliwy do złamania szyfr. Udało im się to dosyć szybko. Jednak nawet najlepsi matematycy rozkładają ręce widząc jego złożoność. Jego zrozumienie może potrwać latami…

Czasem tego typu projekty zaczynają jakby wymykać się spod kontroli. Badacze często decydują się wcisnąć wtedy “kill switch”, zamykając projekt.

Wielu ludzi może wyobrażać sobie Sztuczną Inteligencje, właśnie jako ucieleśnienie AGI.

Filmowe roboty cechowały się z reguły humorem (jak popiskujący C3PO) oraz zdolnością radzenia sobie w każdej sytuacji (jak T-800 porywający helikopter). AGI cechują właśnie takie zdolności improwizatorskie.

Istnieje jeszcze wyższy poziom AI. To system, który osiągnął nadludzki poziom inteligencji oraz możliwość nieustannego przeprogramowywania się. Przestrzega przed tym m.in. Ray Kurzweil.

3. Na razie ASI (Artificial Super Intelligence) to chyba tylko teoria. Ten niezwykły twór byłby czymś trudnym do wyobrażenia sobie.

  • Mógłby przyjąć formę gigantycznego skupiska danych na rozproszonych serwerach, który zarządza pracą całego państwa (co dobrze ukazuje film Idiokracja).
  • Można zakładać chyba, że poprzez dostęp do maszyn sterowanych numerycznie w przemyśle mógłby “reprodukować się”, produkując roboty produkujące roboty produkujące części do robotów itp. (np. jak w serii filmów Terminator).
  • Można wyobrażać sobie, że tego typu maszyna łamie dowolne cyfrowe zabezpieczenia (prywatne, korporacyjne, naukowe czy wojskowe). (jak np. w filmie Colossus: the Forbin Project).
  • Albo, dlaczego duży system ASI nie miałby zdecydować się na samodzielny lot w kosmos? Oczywiście, to tylko gdybanie. Jednak możliwości komputera o superinteligencji teoretycznie są niemal mityczne.

Nie znaczy to jednak, że ASI to odrealniony pomysł. Sukcesy, jakie odnoszą uczenie “głębokie” , czy też “z nauczycielem” świadczą o niezwykłych możliwościach Machine Learning.

ASI wiąże się z jeszcze jednym, dosyć istotnym zagrożeniem. Tyczy się ono kill switchy. Istnieje bowiem ryzyko, że tak potężna AI przebuduje się i wyłączy możliwość zdalnego wyłączenia siebie. Co wtedy?

Na razie rozważania nt. Sztucznej Superinteligencji pozostają raczej w sferze etyki. Wydaje się być jednak całkiem prawdopodobnym, że niedługo i z taką formą “cyfrowego życia” możemy mieć do czynienia…

sztuczna inteligencja

Rozległy świat SI

Wygląda na to, że świat AI posługuje się tysiącem różnych nazw. Może wydawać się to bezzasadne. Czy naprawdę trzeba rozróżniać pomiędzy:

O celu takiego działania opowiada dr Przemysław Szecówka, projektant układów cyfrowych w firmie RYMSAT Satellite Technology, oraz wykładowca akademicki.

Jerzy Dudek, Marketing i Biznes: Spotykając się z terminem Sztuczna Inteligencja, usłyszeć możemy o wielu pobocznych dziedzinach, takich jak sieci neuronowe czy też machine learning. Czy może Pan powiedzieć skąd aż tak duże rozdrobnienie?

dr Przemysław Szecówka: Pamiętajmy też o logice rozmytej i algorytmach genetycznych.

To bardzo rozłożysta dziedzina nauki. Istnieją różne metody i algorytmy, które pomagają uzyskać efekt Sztucznej Inteligencji.

W pewnej mierze to kwestia marketingu:

  • biznesowego (bo nowy produkt powinien znaleźć inwestorów)
  • naukowego (bo nowe terminy mogą zainteresować badaczy)

Niezależnie od tego, każdy z nich w jakiś sposób ułatwia uzyskanie tego efektu.

Na czym tak właściwie efekt ten polega?

Związany jest z tym pewien problem metodologiczny. Aby go rozwiązać, należy rozważyć – gdzie kończą się składowe algorytmy, a gdzie zaczyna się Sztuczna Inteligencja.

Możemy powiedzieć o kilku poziomach SI.

  • Zacznijmy od tego najwyższego, wciąż jeszcze tkwiącego w sferze Science-Fiction. Chodzi tutaj o inteligentną maszynę, z którą można bez problemu porozumiewać się i wchodzić w relacje społeczne.

To maszyna, która potrafiłaby uczyć się od nas, ludzi. Z drugiej strony, mogłaby nas nauczać i inspirować.

Mówiąc krótko – jej elastyczność byłaby taka, jak każdego człowieka. Można powiedzieć, że byłaby to swego rodzaju kopia mózgu, wraz z jego skutecznością.

  • Na trochę niższym poziomie są urządzenia, które mogą decydować bez udziału człowieka.

Na tym poziomie jest dron, którego komputer pokładowy może wyznaczyć trasę do pewnego miejsca. Gdyby sterował nim człowiek, musiałby omijać przeszkody i ustalać wysokość. Z kolei inteligentna maszyna po prostu wyznacza tor lotu, bez niczyjej pomocy.

To trochę niższy poziom AI. Z takim dronem nie porozmawiamy.  Jednak gdy wydamy mu rozkaz, poradzi sobie z nim przynajmniej tak dobrze, jak człowiek.

Tego typu system dostosuje swoje działania do aktualnej sytuacji. Oczywiście, tylko w takim zakresie, na jaki pozwalają mu wiedza o świecie (dane) oraz algorytmy.

  • Jest jeszcze jeden poziom, najbardziej podstawowy. Metody pozwalające uzyskać efekt AI stosowane są w nim do rozwiązywania prostych zadań.

Mowa tutaj właśnie o samych:

  1. logice rozmytej 
  2. sztucznych sieciach neuronowych 
  3. algorytmach genetycznych 

Pytanie brzmi: Czy jeżeli ktoś przy ich użyciu zaprojektuje nowy rodzaj generatora obrazków, czy melodii, to to jest już SI?

Zdania na ten temat są podzielone. Trudno momentami powiedzieć, czy coś posiada Sztuczną Inteligencję. Ważne w tej kwestii zdają się skala oraz złożoność systemu.

A propos nowości – jakiś czas temu premierę miał telefon, który określany jest jako “pierwszy z chipem neuronowym”. Czy to naprawdę coś nowego?

Wiąże się z tym pewne nieporozumienie. Tego typu elementy powstawały już nawet w latach 90’tych. Potem te koncepcje rozwijane były na różne sposoby.

Niektóre rozwijane, inne z kolei zarzucane – powodem bywały braki praktycznego zastosowania albo brak środków technicznych do produkcji i użytku.

Sensowne umieszczenie tego typu procesora w smartfonie nie jest łatwe.

Wynika to z jegostosunkowo dużych rozmiarów oraz znacznego poboru energii. A w t elefonie energiętrzeba oszczędzać, a do tego bardzo trudniej właściwie odprowadzać ciepło.

Nową rzecząjest integracja procesora neuronowego w chipsecie smartfona. Tu przełama no bariery.

Teraz jednak wielu producentów interesuje się chipami neuronowymi (lub procesorami AI), dlatego ta sytuacja wkrótce może ulec zmianie.

Czy w takim razie możemy spodziewać się upowszechnienia telefonów z AI? Wizja z filmu Her wkrótce stanie się rzeczywistością?

Sztuczna Inteligencja będzie czymś powszechnym w smartfonach, tak sądzę. W tym momencie trudno jednak powiedzieć, jak daleko to pójdzie.

Nie sądzę, by bardzo szybko (w ciągu 5 lat) można było się z nią naprawdę zaprzyjaźnić, lub chociażby płynnie rozmawiać. Brakować może w tym emocji, jakie towarzyszą zwykłej ludzkiej konwersacji.

Na ten moment chodzi raczej o chociażby rozpoznawanie rozmówcy (twarzy lub tonu głosu). Może chodzić też o rozpoznawanie komend głosowych.

Takie rozwiązania stosowane są już od dawna. Do tej pory robiły to specjalne podprogramy. Teraz po prostu pojawiają się odpowiedzialne za to chipsety, które dają dostęp do funkcjonalności sieci neuronowych.

Dla procesora jest to urządzenie peryferyjne, któremu główny rdzeń może zlecać rozwiązywanie pewnych zadań. Rozwiązuje je za pomocą metod SI.

Tutaj znowu pojawia się dylemat – czy to Sztuczna Inteligencja, czy tylko wykorzystanie prostych technik do uzyskania jakiegoś efektu.

Z drugiej strony, jest cała odrębna gałąź robotyki – roboty społeczne i tam wiele się dziejejuż od dawna. Teraz pozostaje tylko przenieść tamto oprogramowanie na smartfona.

Ciekawym przykładem jest tutaj celebrytka-robotka, Sophia. Patrząc na nią mam mieszane uczucia.

  • Z jednej strony wiem, że to maszyna. Widzę formuły matematyczne, i linie kodu, które za nią stoją.
  • Z drugiej strony miałbym pewien problem tak po prostu ją „skasować”. A jeżeli jest świadoma?

Jej rozwój jest bardzo szybki. Widać, że zaimplementowane w niej struktury neuronowe są w stanie uczyć się same.

Jej algorytmy są cały czas poprawiane. Stają się dzięki temu coraz mądrzejsze. Widać, że dzięki nim coraz lepiej porozumiewa się z ludźmi. Pewnie m.in. dlatego interesują się nią nawet dubajscy szejkowie.

Możliwe, że mamy do czynienia z pewnym przełomem. Wygląda na to, że w maszynie może pojawiać się swego rodzaju osobowość.

To może rodzić wiele pytań natury moralnej. Nakazuje zastanowić się nad implikacjami społecznymi. Myślące maszyny mogą też prowadzić do bardzo trudnych dylematów religijnej natury (bo co, jeżeli świadome roboty zaczną poszukiwać zbawienia?).

Nadchodzi moment, w którym będziemy wchodzić w codzienne interakcje z „myślącymi” programami.

Jeżeli jakiś system będzie po prostu upodabniał się do rozmówcy, prawdopodobnie ten zacznie go bardzo lubić (biorąc pod uwagę, że naśladowanie gestów i mimiki to jedna z powstawowych technik uwodzenia…).

———–

Historia Sztucznej Inteligencji

Ciekawe jak skomentowałaby to wszystko Ada Lovelace? Jej zdaniem inteligentną maszyną nazywalibyśmy taką, która cechuje się kreatywnością. Inne zdanie na ten temat miał Alan Turing. Jego zdaniem cechą tą powinna być rozmowność.

Jaką jednak drogę trzeba było przejść, aby dojść do tych, i setek innych, tak niezwykłych wynalazków?

O inteligentnych maszynach rozmyślał Homer, około 850 roku p.n.e. Wspominał m.in. o mechanicznych pomocnikach Hefajstosa, którzy mogli uczyć się od swojego boskiego mistrza, wspomagając go przy tym swą niezwykłą siłą.

Przez długi czas rozważania na temat myślących mechanizmów pozostawały w sferze mistycyzmu, interesując szczególnie alchemików oraz osoby zajmujące się magią. Dzieło Ars Magna Ramona Llullego było dużym traktatem nt fantastycznej maszyny, która zdolna byłaby myśleć i rozmawiać.

Co najciekawsze, jego wywody nie były całkowicie oderwane do rzeczywistości – za inspirację posłużyła mu prawdopodobnie Zairja, arabski przyrząd do obliczeń astronomicznych, który ponoć był w stanie precyzyjnie odpowiedzieć na każde pytanie.

Przeczytać można też o mechanicznych głowach, które miały cechować się niezwykła inteligencją – posiadaczem jednej miał być nawet sam papież Sylwester II, żyjący w X – XI w.!

Do historii Sztucznej Inteligencji zapisał się również Albertus Magnus, XIII wieczny mnich, który 30 lat swojego życia przeznaczył na stworzenie mechanicznego człowieka z mosiądzu, którego nazywał “androidem” (podobno tworząc przy tym kamień filozoficzny). Cóż, kto wie ile z tego jest prawdą..?

Doniesienia o jego tworze przypominają legendy o programowalnym Golemie z XVI w., domniemanym dziele Jehudy Löw ben Bacalela, znanego lepiej jako praski Rabbi Lew. Gliniany, ruchomy posąg miał wpadać w szał, gdyby pozwolić skończyć się taśmie z rozkazami – trochę, jak współczesny automat nieskończony…

Oczywiście, można mieć wątpliwości, czy którekolwiek z tych tajemniczych dzieł kiedykolwiek rzeczywiście działało. Nie zmienia to jednak faktu, że opowieści o mechanicznych ludziach sterowanych programami poruszają ludzką wyobraźnię już od mitycznych czasów.

Nawet roboty, swoiste ucieleśnienie idei SI, pojawiły się znacznie wcześniej, niż w XX w. Jednym z pierwszych konstruktorów “mechanicznego ciała” był Leonardo da Vinci, który w 1495 roku swoją robotyczną zbroją zaszokował włoskich księciów. Podobne konstrukcje cieszyły się dużym powodzeniem w epoce renesansu i późniejszych.

Przykładowo, wielką sensację wzbudził zaprezentowany około 1800 roku Automat Henriego Maillardet’a, który był w stanie rysować, a także pisać poematy! Nie można przypisywać im co prawda inteligencji, jednak z pewnością można uznać je za istotne dla rozwoju myśli o cybernetyce.

Za równie ważne uznać można też prace nad automatami liczącymi, nad którymi pracowali Blaise Pascal, John Napier, Gottfried Wilhelm Leibniz. Automatyzacja procesów w tkalniach rozpoczęła się już w 2 dekadzie XVII w.

Efekty tego postępu stają widoczne już w XIX w., kiedy to w nauce triumfy święci racjonalizm. Powstają wtedy prototypy programowalnych maszyn liczących. Pierwsze “komputery” tworzy m.in. Charles Babbage.

I choć to jego nazwisko zapisuje się w historii maszyn liczących, za osobę szczególnie ważną z punktu widzenia Sztucznej Inteligencji można uznać chyba Adę Lovelace.

Jako pierwsza opisała algorytmy Note G sterujące pracą maszyny, zastanawiając się przy tym nad kreatywnością komputerów.

Oczywiście, do rozwoju inteligentnych maszyn przyczyniło się wielu innych matematyków i logików, jednak ten artykuł koncentruje się wyłącznie na najbardziej znaczących badaczach z punktu widzenia AI. Za takiego uznać można Alana Turinga, który swoimi praktycznymi pomysłami cały świat.

Poza opisaniem tak zwanej Maszyny Turinga (której model nieustannie używany jest w niemal każdym sprzęcie elektronicznym), i wieloma, dosyć abstrakcyjnymi pomysłami, w 1950 roku wzbudził burzę w środowisku akademickim, otwarcie pytając “Czy maszyna może myśleć?”.

W swojej pracy przedstawił test (Test Turinga), który miał ocenić inteligencję komputera. W sprawdzianie tym pewna osoba miała przeprowadzić rozmowy z nieznanymi rozmówcami – maszyną lub człowiekiem. Jej zadaniem byłoby ocenienie, czy rozmowa prowadzona była z żywym, czy cyfrowym, kompanem.

Jeżeli masz 5 minut i przeglądarkę z flashem, możesz przekonać się na własnej skórze, jak wygląda słynny Test. Ciekawe, czy uda Ci się odgadnąć czy rozmowa była z maszyną, czy też operatorami Carlem lub Sue?

Komputer, którego rozmówcy oceniliby jako człowieka, miałby zostać określony inteligentnym. Koncept ten pozostał aktualny do dzisiaj, a dopiero w 2014 roku pojawiła się AI, która zdała test, sprawiając przy tym wrażenie bycia człowiekiem.

AI grająca w gry

Turing odegrał jeszcze jedną, bardzo istotną rolę w rozwoju filozofii Sztucznej Inteligencji. Już od czasów studiów zastanawiało go, czy jest możliwe stworzenie programu, który wygrywałby z człowiekiem w szachy.

I choć pierwszy automat grający w szachy, El Ajedrecista, stworzony został w 1912 roku przez Leonarda Torresa y Quevedo, o tyle palmę pierwszeństwa faktycznie należy przyznać Turingowi.

To on jako pierwszy stworzył program, nie tylko samą machinę, który mógł wygrywać w szachy. Turochamp, bo o nim mowa, “ukazał się” w 1952 roku. W tamtym czasie nie było jednak na świecie maszyny, która byłaby w stanie go wykonać.

Aby zaprezentować jego możliwości, Turing wykonał cały jego kod, krok po kroku, na papierze – przeprowadzenie jednego ruchu zajmowało mu blisko 30 minut!

Program przegrał pierwszą partię przeciwko dobremu zawodnikowi, wygrał z kolei drugą. “Rozegranie” obu gier zajęło łącznie około 28 godzin(4). Tym sposobem poruszył wyobraźnią chyba wszystkich sobie współczesnych, a także następnych pokoleń miłośników idei „myślących” maszyn.

Można twierdzić, że gry komputerowe są bez znaczenia, jednak w dużej mierze przyczyniły się do rozwoju sztucznej inteligencji. Gry komputerowe pomagają testować Sztuczną Inteligencję w bardzo wymagających warunkach.

(autor: Donarreiskoffer, źródło commons.wikimedia.org)

To właśnie dzięki szachom czy go istnieją teraz takie systemy, jak AlphaGo, oparte na algorytmach uczenia głębokiego (Deep learning), które przyczyniają się do wzrostu efektywności licznych przedsiębiorstw.

Niezwykłe skuteczność Deep Learningu polega na tym, że w tej metodzie system Sztucznej Inteligencji uczy się sam ze sobą.

Co ciekawe, gdy komputer przestał uczyć się na ludzkich błędach, a zaczął uczyć na swoich, zaczęło iść mu znacznie lepiej.

Bo czy układanie towarów na ladach magazynów Amazon dla maszyn nie jest trochę, jak rozgrywanie partii szachów, z sobą i pracownikami?

Inteligentny przemysł a “prehistoria” komputerów

Niezwykłe sterowniki, które służą rozwojowi Przemysłu 4.0, połączone z bardzo precyzyjnymi silnikami krokowymi, nie mogłyby zaistnieć jednak bez elementarnych zasad działania komputerów. Stworzył je John von Neumann, nazywając „architekturą komputerów”.

Ten nad wyraz inteligentny węgierski matematyk interesował się Sztucznym Życiem. W swoich pracach opisał zasady działania samo-powielających się automatów, syntetycznych komórek. Choć może wydawać się to mało ważne informacją z punktu widzenia AI, jej znaczenie jest ogromne.

Może to właśnie ona umożliwiła przejście wizji silnej, autonomicznej SI ze sfery marzeń do przestrzeni realnych badań oraz działających produktów? Może zastanawiać, czy system Cyborg, automatycznie naprawiający wszystkie błędy w kodzie Facebook’a, nie jest przypadkiem praktyczną realizacją takiego konceptu?

Dla rozwoju SI równie ważne były badania neuropsychologa Warrena McCullocha i matematyka Waltera Pittsa. W swojej pracy, opublikowanej w 1943 roku, skoncentrowali się nad poznaniem modelu pracy neuronów.

Dla pokazania swoich idei skonstruowali też obwód elektryczny, który miał pokazywać metodę działania tych podstawowych budulców każdego mózgu. Choć przedstawione przez nich wnioski były prawidłowe, obwody symulujące działanie układu nerwowego nie spotkały się początkowo ze zbyt ciepłym przyjęciem.

Nie chodziło tutaj jednak o względy etyczne symulowania elementów ludzkiego mózgu. Głównym powodem były kwestie praktyczne – stworzenie komputerowego modelu neuronu wymagało ogromnej mocy obliczeniowej, prowadziło do gigantycznego poboru energii elektrycznej. Przez to ich “sztuczny mózg” po prostu za bardzo się nagrzewał…

Następne istotne próby zaprogramowania układów cyfrowych tak, aby działaniem przypominały części układu nerwowego, podjęto dopiero w okolicach 1950 roku w laboratoriach IBM (choć podobno pierwszy sukces odniósł dopiero Marvin Minsky przy współpracy z Frankiem Rosenblattem).

Ten z pozoru bardzo skomplikowany wynalazek posiadał pewną niezwykłą funkcję – był w stanie rozpoznawać kształty, przykładowo zapalając lampkę widząc kota i nie zapalając lampki widząc butelkę czy krzesło.

I choć może być w to trudno uwierzyć, teoretycznie pozwala on też na wytworzenie samomodyfikujących się programów, które uczą się jeszcze lepiej wykonywać powierzone sobie zadania.

Na tym rozwój Sztucznej Inteligencji się nie zakończył:

  • W latach 60 “bestia Hopkinsa”odnajdywała źródła zasilania i podłączać się do nich, gdyby stan baterii był niski.
  • W latach 70 powstał SRI Shakey, który komunikował się komputerem wielkości pokoju drogą radiową. Robot mógł lokalizować duże obiekty i planować swoje przyszłe działania.
  • W latach 80 “Stanford’dzki wózek” nauczony został wypatrywania i omijania przedmiotów. Na ówczesnych komputerach przeliczenie 30 metrów kwadratowych zajmowało 5 godzin…
  • Około 1990 nauczono sieci neuronowe dokładnie mapowanie pięter za pomocą ultra-dźwięków (w 2D).
  • Blisko roku 2000 komputerowa wizja wzbogacona zostało za pomocą gęstych, ultrarealistycznych map stroboskopowych w 3D.

Co to Sieć Neuronowa?

Jedno jest pewne – jeżeli zamierzasz zajmować się AI, Sztuczne Sieci Neuronowe będą czymś, o czym niemal na pewno usłyszysz.

Bez Sztucznej Sieci Neuronowej Sztuczna Inteligencja byłaby trochę, jak człowiek bez mózgu. Nie ma znaczenia tutaj złożoność ludzkiego organu, czy tez zdolność odczuwania. Chodzi o to, że mózg jest w stanie przetwarzać informacje, ucząc się tym tych najbardziej odpowiednich.

Opisują je jakieś dziwne schematy, niepokojące wzory zawierające greckie litery (do tego małe i wielkie!).

A poza tym to przecież tylko jakiś wymysł speców od komputerów, który nijak ma się do swojego naturalnego odpowiednika. Choć, czy aby na pewno?

Model uczenia się głębokiego, opisany w 1967 r. przez Franka Rosenblatta, swoją skutecznością zapewne wielu wprawił w osłupienie. Nawet niezbyt szybkie (jak na dzisiejsze standardy…) komputery ówczesnych czasów musiały uzyskiwać z jego użyciem znakomite wyniki.

Były to jednak już czasy, w których człowiek powoli zaczynał poznawać łączenie komputerów w sieci, np. ARPAnet. Komputerowe pulpity stawały się coraz bardziej powszechne w dużych firmach.

Od tego czasu Sztuczne Sieci Neuronowe znakomicie sprawdzają się w takich dziedzianach, jak:

  • diagnostyka medyczna
  • automatyzacja kierowania autem
  • czytanie tekstu na głos
  • rozpoznawanie podpisów
  • ocena wartości akcji oraz surowców
  • prognozowanie wskaźników ekonomicznych
  • przewidywanie zagrożenia bankructwa w firmie
  • dobór pożywienia dla zwierząt hodowlanych
  • ocena skutków stosowania leków
  • analiza chemiczna (np. badanie jakości win)
  • poszukiwanie złóż roponośnych
  • monitorowanie czystości wody
  • diagnostyka silników w czołgu oraz synchronicznie lądujących rakietach Space X
  •  rozpoznawanie cząstek elementarnych produkowanych w akceleratorach materii
  • symulowanie (modelowanie) lotu rakiet Space X w Pythonie, z użyciem TensorFlow i Open.ai

Jak działa Sztuczna Sieć Neuronowa?

Na jej wejście podawane są dane – może być to plik txt, png albo xyz. Pilk ten powinien być odpowiednio przygotowany – poszczególne kolumny oddzielone od siebie np. średnikiem.

Warstwa wejściowa sieci musi mieć tyle neuronów, ile stosuje się kategorii. Przykładowo, jeżeli chodzi o dane klientów, mogą być to „wiek”, „średnia wartość zakupów”, „ilość dokonanych zamówień”, „(treść jego wyszukiwania)” (w tym przypadku to 4 wejścia)

Dane dzieli się na dwa zbiory. Jeden z nich to zbiór uczący. To materiały, które udało się uzyskać w trakcie badań, np. marketingowych. SSN będzie starała się „wejrzeć” w reguły w nich zawarte i się ich nauczyć na pamięć.

Drugi z kolei to zbiór testujący. To sytuacje obecne, co do których sieć ma snuć przewidywania. To po prostu obecne zachowania klientów lub transakcje bankowe.

Yufeng Guo na kanale Google Cloud Platform przedstawia sposób, według którego najlepiej jest dzielić te dwa zbiory danych:

  • 80% danych to zbiór uczący
  • 20% danych to zbiór podlegający ocenie/testowaniu/ewaluacji

Warstw ukrytych może być dowolna liczba. Może być w nich dowolna liczba neuronów. Więcej jednak nie znaczy lepiej! Zbyt duża Sztuczna Sieć Neuronowa będzie:

  • Wolna (dla komputera to duuużo liczenia)

  • Przeuczająca się (coraz głupsza…)

  • Podająca oderwane od rzeczywistości wyniki

Jak to działa? Można powiedzieć, że SSN w trakcie sprawdzania zbioru testującego dopasowuje wagi połączeń pomiędzy neuronami tak, aby ścieżki pomiędzy neuronami były możliwie podobne schematom znanym ze zbioru uczącego.

Wagi (w) pomiędzy neuronami przyjmują wartość z zakresu od 0 do 1 (lub więcej, albo mniej, przy innych normach). Im bliżej mu do 1, tym jest „prawdziwszy”, a połączenie między neuronami jest mocniejsze.

Na warstwie wyjściowej pojawią się wnioski. Dla prostych systemów (np. rozpoznającego koty i nic więcej) może być to ostateczny wynik („to jest kot!”, „to nie jest kot” albo „to chyba jest kot?”).

Co dokładnie oznaczają konkretne wyjścia? Trudno powiedzieć jednoznacznie. Mogą być związane z wysłaniem maila, pokazaniem określonego produktu w sklepie internetowym, czy też nawet oklejeniem jakiejś paczki listem przewozowym.

Możliwości jest… dużo. Aby wyjścia SSN podawały rzetelne dane, należy chyba rozplanować cały system AI, w którym sieć będzie działała.

Skomplikowanie tego wszystkiego jest tylko pozorne. Stoją za tym proste schematy, które szybko stają się jasne.

Własną sieć neuronową można symulować choćby online, np. poprzez przyjazny interfejs http://playground.tensorflow.org.

Wystarczy pozmieniać parametry i puścić neurony w ruch. Ciekawe – czy uda Ci się zaprojektować sieć, która nauczy się rozróżniać niebieskie plamki od pomarańczowych.

Czasem potrzebnych może być kilkanaście prób, ale gdy sieć zaczyna uczyć się właściwie, radość jest niesamowita 🙂

SI czyli rozwój własnego potencjału

Schematy, według których uczy się Sztuczna Sieć Neuronowa podobne są do tych, które rządzą ludzkim mózgiem. Oczywiście, cały układ nerwowy jest bardziej złożony, niż nawet najbardziej rozbudowany „sztuczny mózg”.

Jednak układy cyfrowe nadrabiają swoją ograniczoną złożoność niezwykłą prędkością.

Do tego są w stanie wykonywać powtarzające się zadania bez zmęczenia i potrzeby odpoczynku. Świetnie sprawdzają czy przy przeliczaniu ogromnych zbiorów danych, którymi często dysponują przedsiębiorstwa.

Dlaczego warto włożyć własną pracę w zrozumienie zasad rządzących Sztuczną Inteligencją opowiada Vladimir AlekseichenkoBiznesmysli.pl, specjalista ds. zastosowania AI i Machine Learning w biznesie:

Jerzy Dudek, Marketing i Biznes: Wielu ekspertów wypowiada się o ważnej roli Sztucznej Inteligencji w zwiększaniu konkurencyjności biznesu. Na jakich polach AI faktycznie może zwiększyć osiągi przedsiębiorstw? Gdzie (przynajmniej na razie) nie możemy liczyć na wsparcie ze strony inteligentnych systemów?

Vladimir Alekseichenko: Tak zwana sztuczna inteligencja, która tak naprawdę na dzień dzisiejszy jest napędzana głównie przez uczenie maszynowe robi ogromne wrażenie, nawet dla osób które są obeznane z tematem.

Machine Learning (ML) składa się z trzech głównych elementów: danych, algorytmów oraz mocy obliczeniowej. Czwartym elementem to zespół, który łączy to wszystko w całość.

Moc obliczeniowa staje się coraz tańsza. Dla przykładu powiem, że już teraz za 4 dolary wynająć można wirtualną maszynę z 96 rdzeniami i 624 GB RAM, która prowadzi obliczenia w chmurze. Dla porównania, przeciętny laptop ma od dwóch do czterech rdzeni i 4 GB RAM).

Podobnie sprawa wygląda w przypadku algorytmów. Wielu uczonych długo pracowało nad stworzeniem dziesiątek narzędzi, które teraz dostępne są bezpłatnie online.

Wyzwaniem są dane. Stąd wzięło się powiedzenie, że dane są nowym surowcem (data is new oil).

Z technicznego punktu widzenia ciężko wyobrazić sobie miejsce, w którym totalnie nie da się zastosować uczenia maszynowego. Z reguły jest to wykonalne.

Jednak często w obszarach, w których ma być stosowane AI, brakuje danych. Choć może lepiej powiedzieć byłoby, danych przetworzonych.

W wielu przypadkach dane są generowane, nie ma jednak infrastruktury, która zarządzałaby danymi w sposób inteligentny. A to nie ułatwia ich zbierania,

W zeszłym roku McKinsey udostępnili ciekawy raport. Pokazano w nim, w których branżach uczenie maszynowe jest najłatwiejsze do zaadaptowania. W czołówce jest oczywiście branża finansowa, która prowadzi dane nieustannie.

Z tyle jest przemysł, zwłaszcza ciężki. Nie wynika to jednak z braku danych, bo tych zbiera dosyć dużo. Chodzi często o trudności technologiczne. Zespół, szczególnie osoby o b. długim stażu pracy, ma opory z wdrożeniem rozwiązań z efektem AI.

Analiza big data, przewidywanie trendów, czy wspomaganie w podejmowaniu to dziedziny, w których inteligentne systemy radzą sobie znakomicie. By jednak tak było, konieczne jest odpowiednie przygotowanie zbiorów danych uczących oraz testujących. Na co należy zwrócić uwagę przy uczeniu AI, by potem uniknąć kosztownych i niebezpiecznych błędów?

Jednym z największych wyzwań dla machine learning to przeuczenie się (ang. overfitting). Skutkuje on tym, ze wytrenowany model wygląda może i bardzo obiecująco, jednak w rzeczywistości uzyskuje złe lub bardzo złe wyniki.

/Model tworzony jest w celu zobrazowania pewnego zjawiska – przypisek mój/. Nie musi jednak wyłapywać on konkretnych przypadków. Jego zadaniem jest “uogólnianie” wiedzy.

Mówi się, że model powinien odkryć “prawo natury”, zamiast “wychwytywać powierzchniowe zjawiska”.

 Podobnie jest w przypadku, gdy człowiek próbuje wyciągnąć wnioski opierając się na poszczególnych przypadkach. Lepsze może okazać się szersze spojrzenie.

Jednak łatwiej powiedzieć, niż zrobić. Istnieje wiele sposobów, które pozwalają unikać przeuczania się.

Drugą trudność stanowi bias (subiektywizm w danych). Dane z natury mają “skrzywiony”, subiektywny obraz świata.

Przykładowo: program badający dane historyczne pomyśleć mógłby, że dyskryminacja kogoś lub czegoś to “prawo natury”. Uznałby tak tylko dlatego, że do tej pory pojawiał się taki wzorzec, i się go nauczył. Z tego powodu sieć, błędnie, uznaje, że takie wzorce powinny pojawiać się też w przyszłości…

Metody uczenia maszynowego świetnie radzą sobie ze znajdywaniem wzorców. Niezwykle trudno z kolei sprawić, by komputer zrozumiał choćby najprostsze rzeczy.

Rozróżnienie kota od psa na zdjęciu przy użyciu ML to trywialna sprawa. Nie jest jednak łatwo sprawić, by system rozpoznał, że na zdjęciu to kot goni psa, a nie na odwrót.

Załóżmy, że planuję stworzyć produkt oparty na Machine Learning. Gdzie powinienem rozpocząć swoją naukę nt. Sztucznej Inteligencji? Czy muszę udawać się na specjalistyczne, inżynieryjne studia? A może wystarczą internetowe kursy i gotowe rozwiązania oparte na SSN lub Machine Vision?

Ważnym elementem w uczeniu maszynowym są dane.

Jeżeli takie pytanie zadaje osoba decyzyjna, poleciłbym zastanowić się nad kilkoma pytaniami:

  • Czy moja firma ma konieczne dane? Jeżeli tak, kto ma do nich dostęp?
  • Czy na pewno je ma? Bo przecież tak się może tylko wydawać.

Więcej na ten temat opowiadam w odcinku Data Driven Organisation.

Jak zabrać się za Machine Learning?

Istnieje wiele kursów MOOC, takich jak Coursera, Udacity, Udx. Niektóre z nich sa bardzo przystępne i fajne. 

Można dzięki nim zrozumieć jak działają pewne algorytmy. Mi na przykład czasem brakuje w nich praktyki, szczególnie łączenia z biznesem. Wielu rzeczy trzeba jednak nauczyć się na własną rękę.

Dlatego zdecydowałem się uruchomić kurs praktycznego uczenia maszynowego w biznesie. Chętnych na takie szkolenia jest wielu i już wkrótce organizuję trzecią już edycję dataworkshop‘u.

Jak będzie wyglądał rynek AI za 2 lata? A za 5, 10, czy 20? Czy w ogóle można przewidzieć, jak będzie wyglądał przyszły rozwój w tej dziedzinie? Czy (i kiedy) ludziom dane będzie zobaczyć pierwszą silną, samo-świadomą Sztuczną Inteligencję?

Żyjemy w czasach czwartej rewolucji przemysłowej. Łatwo zauważyć, że każda dotychczasowa zmieniała życie ludzkie w coraz większym stopniu.

Jeszcze 100 lat temu większość ludzi mieszkała na wsi. Traktory i inne narzędzia usprawniły pracę na tak bardzo, że wielu ją pozbawiła. Z tego powodu ludzie zaczęli przenosić się do miast, gdzie znaleźć mogli zatrudnienie w fabryce (teraz też już automatyzowanych).

Czwarta rewolucja przemysłowa przyniesie wiele zmian. Trzeba być na to gotowym. Niektóre z nich będą zmianami na plus, niektóre na minus.

Optymistycznie powiedzieć możemy, że Machine Learning będzie nas wspierać w różnych obszarach, np. w medycynie. Wyobraź sobie, że będziesz miał dostęp do indywidualnego lekarza 24/7. Chociaż zajmie to wiele czasu, widać już, że tak będzie za jakiś czas.

Z drugiej strony, wiele osób straci pracę. Jeśli teraz zignorują temat AI, później może okazać się, że na adaptację będzie za późno.

Dlatego bardzo zachęcam inwestować w swój rozwój i zacząć wykorzystać swój potencjał 🙂

Ogromna moc Sztucznej Inteligencji

 

Duże projekty związane z AI cieszą się powodzeniem wśród inwestorów.

Pokazuje to przykład DeepMind, które w 2014 roku Google kupiło za około 500 mln dolarów. Świadczy to o wartości elitarnych analityków – firma w momencie sprzedaży liczyła 75 pracowników, co znaczy, że za jednego inwestor płacił średnio 7 mln dolarów.

Dla najbardziej obiecujących start-upów technologicznych ta cena waha się między 5 a 10 mln dolarów.

Gdy Intel zaczynał opracowywać AI Watsona, nie wróżono mu wielkiego sukcesu. Wszak, obmyślenie systemu, który wygrywałby w quizie Jeopardy graniczyłby z cudem. Mimo to projektanci kontynuowali pracę, przeczuwając sukces.

Okazało się, że ich praca nie poszła na marne. Inne zdanie mają na ten temat mają chyba tylko uczestnicy…

Teraz Watsonowi poświęca cały wywiad Warren Buffet. Wspomina przy tym, że jego znakomitość nie jest odosobnionym przypadkiem – zastosowania AI widoczne są też w szpitalach. Jego zdaniem Watson jest niesamowity. Tak, że trudno, żeby ktoś nie połasił się użyć jego zdolności wiedziony chciwością.

Watson odpowiada na pytania znacznie szybciej, niż niemal dowolny człowiek. W gigantycznej bazie wiedzy niemal natychmiastowo znajduje właściwe skojarzenia. W tym czasie rzadko kiedy ludzkim przeciwnikom w ogóle udaje się poruszyć palcem i nacisnąć przycisk…

To przykład systemu ekspertowego, który znakomicie radzi sobie z określonym typem działania. W tym przypadku ma udzielać dobrych pytań w quizie Jeopardy!. Radzi sobie z tym mistrzowsko.

Z drugiej strony, gdyby ktoś rozkazał mu zagrać w, dajmy na to, Koło Fortuny, mógłby przegrać kilka gier…

Przynajmniej kiedyś tak było. Teraz używany jest (lub był) jako silnik do:

  • efektywnego rozliczania podatków w przedsiębiorstwach
  • wspierania nauki (np. we współpracy m.in. z Apple i Ulicą Sezamkową)
  • start-upu Rare Carat, który  w 2017 roku zaczął ułatwiać zakup diamentów. IBM wspiera rozwój chatbota Rocky, który wspiera platformę firmy.
  • bazy danych firmy ubezpieczeniowej Fukoku (która pozwoliła zwiększyć produktywność o 30%, oszczędzając 140 mln ¥ – pracę straciło 34 pracowników…)
  • diagnozowaniu stanu zdrowia i ewentualnym leczeniu (np. przy zwalczaniu nowotworów płuc)
  • chatterbotów w mówiących zabawkach dla dzieci
  • przewidywania pogody (tak jak i Deep Thunder)

Pokazuje to, że Watson może służyć dobrą radą. Należy tylko zaprojektować odpowiedni system, który będzie w stanie przetworzyć moc, jaką daje potężna Sztuczna Inteligencja.

O trudnościach i ułatwieniach przy pracy nad AI opowiada Grzegorz Kanka z cognitum.eu (które skutecznie zarządza m.in. planami lotów, badaniami medycznymi oraz analizami finansowymi).

Jerzy Dudek, Marketing i Biznes: Wiele mówi się o niezwykłej skuteczności Sztucznej Inteligencji. Systemy eksperckie już teraz skutecznie doradzają w biznesie i badaniach, a inteligentne maszyny pozwalają wyręczyć licznych pracowników. Czy AI mogą jeszcze bardziej usprawnić wydajność pracy?

Grzegorz Kanka: Myślę, że nie należy skupiać się na “wyręczaniu”.

Owszem, na AI może być ukierunkowana na szukanie oszczędności. Ale równocześnie ułatwia ona podnoszenie zdolności człowieka.

Przykładowo, człowiek ze wsparciem systemów ekspertowych może śledzić nadużycia finansowe szybciej, niż człowiek bez jej wsparcia.

Uważamy, że znakomite wyniki może dać też podejście hybrydowe. To stosowane przez nas pojęcie pozwala znacznie zobaczyć więcej w pewnym zbiorze danych. Dzięki temu przewidywane skutków i optymalizacja działań przychodzi z większą łatwością.

Takie podejście pozwala nam wspierać procesy decyzyjne m.in.:

  • lekarzy,
  • analityków finansowych,
  • ekspertów z branży lotniczej,
  • managerów różnych szczebli w firmach produkcyjnych.

Obecnie zobaczyć można duży nacisk na możliwość obsługi inteligentnych komputerów za pomocą “naturalnego”, ludzkiego języka. Jakie wyzwania stoją przed projektantami systemów mogących rozumieć oraz tworzyć sensowny tekst? Jakie języki programowania są do tego najlepsze?

Nie jest to taka prosta sprawa.

Programowanie w językach 5GL (piątej generacji), jak CNL czy Fluent Editor (który można za darmo ściągnąć z naszej strony), wymaga odpowiedniego, “analitycznego sposobu myślenia”.

Uważamy, że dzięki temu pozwala na realne wzbogacanie ludzkiej wiedzy uczeniem maszynowym. Inaczej może być trudno z niego skorzystać. Da się jednak tego nauczyć – my przykładowo urządzamy kilkugodzinne szkolenia. Interesują się nimi klienci z całego świata.

Dzięki tak zdobytym wiadomościom łatwiej jest zrozumieć zasady całego systemu, którego użyli.

Powszechne są obawy dotyczące przyszłości Sztucznej Inteligencji. Według nich dziesiątki tysięcy ludzi może spodziewać się zastąpienia przez maszyny utraty źródła dochodu. Czy faktycznie ludzkość ma powody do niepokoju? A może jest w tym duża przesada, a przyszłość jawi się raczej w jasnych kolorach?

To raczej zagadnienie społeczno filozoficzne.

Jednak biorąc pod uwagę prąd dygitalizacji, AI chyba możemy zacząć nazywać nową „energią elektryczną”. Już się wspieramy algorytmami samouczącymi się i proces raczej będzie postępować.

Wskaźniki nowej wiosny AI kierują nas na pierwsze lato AI. Dlaczego? Ponieważ pierwszy raz w dziejach mamy tak olbrzymie zbiory różnorodnych przyrastających danych (Big Data).

Ich przetworzenie i zrozumienie odbywać będzie się właśnie z wykorzystaniem rozwiązać coraz bardziej zaawansowanego Machine Learningu.

Czy to wpłynie na rynek pracy? Myślę, że nasze społeczeństwo już doświadcza jak dobrze wpływa rynek IT na kondycję naszej gospodarki. Proszę sprawdzić, jak rozwija się ten sektor.

To chyba bardziej jak zamiana konia na traktor , pochodni na żarówkę …. 🙂  czy kalkulatora na arkusz kalkulacyjny.

Stworzenie “sztucznego życia” musi być niezwykle skomplikowane. Połączyć wszak trzeba w działającą całość multum podsystemów, z których każdy wymaga specjalistycznej wiedzy. Czy Sztuczna Inteligencja jest naprawdę tak trudna, jak się wydaje? A może są sposoby, dzięki którym nawet zupełny laik może czerpać korzyści z AI?

Tak, jest trudna!

Ale też nie należy jej demonizować. Dzisiaj to głównie algorytmy oraz statystyka, czyli czysta matematyka.

Do tego aby pojawiła się świadomość jest jeszcze bardzo, bardzo daleko (o ile w ogóle jest to możliwe).

A już zdecydowanie odchodziłbym od wyobrażenia “sztucznego życia” (choć wygląda to bardzo atrakcyjnie w scenariuszach filmowych…).

Korzyści czerpiemy z tego już dzisiaj. AI zaczyna pomagać w:

  • diagnozowaniu chorób
  • zrozumieniu zjawisk zmian środowiska
  • jaką muzykę wybrać do naszego trybu aktywności

Sztuczna Inteligencja wspiera życie w każdego z nas – nawet osób, które sądzą, że nigdy nie spotkały się z AI. Używanie popularnej wyszukiwarki to też praca z AI.

Eksperci z kolei stykają się z nią na co dzień, ponieważ pomaga im podejmować  wiele decyzji.

Dzięki nowoczesnym językom programowania komunikacja z maszynami staje się znacznie łatwiejsza. Nie trzeba traktować ich jednak jako odrębnych bytów, a raczej formy współgrającego rozwijania talentów.

Sztuczna Inteligencja w sztuce

Tak wiele mówi się o skuteczności AI. Lecz czy nie zapomina przy tym o tych drobnych, ludzkich przyjemnościach? O chwili lenistwa, odpoczynku, rozmarzeniu…

I co z AI tworzącą sztukę? Czy jej mechaniczna dłoń będzie w stanie stworzyć wiekopomne dzieło? Za przykład niech posłuży tutaj Deep Dream, który dosyć szybko zaadaptowany został na Prismę oraz wiele późniejszych appek morfujących programy.

O nich nie będzie ani słowa w tym artykule, (tak jak i o Harrym Potterze i Portrecie, Który Wyglądał Jak Wielka Kupa Popiołu, przykładzie literatury pisanej przez AI :)).

Tak, jak i o bardzo efektywnym generowaniu obrazów na podstawie zadanego słowa kluczowego lub inteligentnemu generowaniu głosu na podstawie kilkunasta głosek.

Również o generowaniu filmów można nie wspominać, bo wyglądają jak psychodeliczne krajobrazy widoczne pod wpływem. Również o przypadku, w którym moc efektu filtra sterowana jest przez głośność wypowiedzi decydenta politycznego.

Gdyby nie Sztuczna Inteligencja, selfie nie byłyby takie popularne. Bez Machine Vision i rozpoznawania twarzy, nie sposób byłoby dołożyć tych wszystkich filtrów.

Wciąż jednak niewielu śmieszy humor generowany przez AI… 😀

Po co komu też filozofujące roboty? Przez to są teoretycznie wykonać “redukcję fenomenologiczną” i przez to w jakiś sposób stać się świadome. W ten sposób są tylko w stanie wyobrazić sobie upadek ze stołu przed upadkiem, i dzięki temu go uniknąć.

W tekście nie wspominam też o poszczególnych odcinkach Black Mirror, serii West World oraz filmie Ex Machina (Żadnego z nich nie miałem ostatnio czasu zobaczyć). Możliwe, że kiedyś taki dzień nadejdzie?).

Natomiast w końcowej części pracy  pozwolę sobie przejść do konkretów.

AI w dzisiejszym świecie

(Autor: Tingeling, Z: Pixabay)

Kolejni pracownicy firmy Fukoku to nie jedne osoby, które wkrótce zastąpione przez roboty. Poza nimi mogą być to szeregowi pracownicy biurowi, których praca może być dosyć łatwo zautomatyzowana. Oto przykłady powtarzalnych prac, które można zlecić Sztucznej Inteligencji, z którymi poradzi sobie raczej dobrze (o ile będzie odpowiednio zaprojektowana):

Takie zadania zaś dla SI mogą z kolei okazać się dosyć trudne, a algorytmy sztucznej inteligencji mogą momentami zawodzić (albo przez nadmiar uogólnień, albo poprzez trudności w improwizacji):

  • Dokładne prognozowanie przyszłych giełdowych trendów (bo SI nie za bardzo udaje się zgadywać)
  • Znalezienie “Super Leku na Wszystkie Choroby”??? (bo bias może łatwo zanieczyścić wyniki przy tak mało konkretnym pytaniu)
  • Idealne zabezpieczenie jakiegoś systemu (bo zawsze może istnieć jakiś inny aktor społeczny, (np. inne AI), które będzie próbowało je złamać)
  • Opracowanie idealnego planu działania w fabryce, w której będzie występował nieprzewidywalny czynnik ludzki…

Więcej o realnej stronie Machine Learning we współczesnym świecie opowiada Kamil Wroniewicz.

Jerzy Dudek, Marketing i Biznes: Sztuczna Inteligencja i Machine Learning to teraz bardzo popularne terminy, których niekiedy używa się zamiennie. Możemy traktować te dwa pojęcia jako synonimy?

Kamil Wroniewicz: Sztuczna Inteligencja (AI) i Machine Learning (ML) nie są tym samym. AI jest szerszą i dużo starszą ideą sztucznych, inteligentnych jednostek będących w stanie rozwiązywać problemy, które są domeną ludzi.

ML jest podzbiorem AI – to jedna z form, potencjalna metoda, osiągnięcia tych celów.

W latach pięćdziesiątych zaczęto szukać algorytmów, które w opozycji do tych klasycznych nie wykonują listy instrukcji wcześniej zaprogramowanych przez człowieka, a rozwiązują problemy same przy pomocy danych.

Wybuchy zainteresowania AI i ML miały miejsce miejsce już wcześniej i zawsze kończyły się zawodem. Tym razem jest inaczej. Novum to gigantyczna ilość danych i moc obliczeniowa.

I tu dochodzimy do kolejnego hasła używanego zamiennie z ML i AI – Deep Learning (DL).

DL to podzbiór ML, którego algorytmy oparte są na sieciach neuronowych i, wprost, inspirują się tym jak działa biologiczny mózg.

Tym razem, dzięki niespotykanej ilości danych, algorytmy ML i DL osiągają wyniki, które znajdują aplikacje komercyjne i mają potencjał wpłynąć na całe gałęzie gospodarki.

Machine Learning jest stosunkowo nowym działem nauki. Dla wielu osób jest on wciąż dosyć enigmatyczny. Czy “wiedza” komputera ma coś wspólnego z ludzkim rozumieniem, czy są to raczej dwa zupełnie różne pojęcia, które nie mają ze sobą wiele wspólnego?

Jeśli rozumienie interpretować jako model rzeczywistości to jest to koncepcyjnie to co robią algorytmy ML – budują model wycinka rzeczywistości na podstawie danych.

Uczą się (w dużym uproszczeniu) na takich samych zasadach co ludzie. Dla ilustracji – dziecko zaczyna odróżniać dwa owoce od siebie na podstawie obserwacji koloru, kształtu i smaku i zwykle wystarcza mu kilka przykładów.

Algorytmy ML potrzebują obecnie dużo więcej ilości obserwacji, ale podobnie jak ono budują zależności pomiędzy zmiennymi by później móc wykorzystać tę wiedzę do podejmowania decyzji.

Nie jesteśmy ewolucyjnie przystosowani do znajdowania tych zależności w bardziej skomplikowanych przypadkach.

Raczej nie jesteśmy nawet w stanie wyobrazić sobie więcej niż trzech wymiarów. A np. w bioinformatyce bywają ich czasem setki lub tysiące.

Skąd wiedzieć, jaki model Machine Learning wybrać do którego rozwiązania? I czy nie można wybrać po prostu jednego, który będzie najlepszy ze wszystkich? Przecież wydaje się to znacznie łatwiejsze…

Klasyczny ML to dojrzała technologia stosowana od lat.

Skuteczny wybór i efektywna implementacja wymaga relatywnie szerokiej wiedzy na temat samych algorytmów, statystyki, czy probabilistyki, ale przede wszystkim uzależniona jest od rodzaju danych jakimi operujemy.

Znajomość danej dziedziny zwykle może ułatwić pracę.

Sprawa komplikuje się przy Deep Learning, który rozwija się właściwie w czasie rzeczywistym. Niemal nieustannie publikowane są nowe, znaczące prace naukowe.

Jeden algorytm będący w stanie generalizować i rozwiązywać problemy z różnych dziedzin to święty Graal świata AI – uważa się obecnie, że to jedna z najszybszych dróg do generalnej sztucznej inteligencji.

Dwa lata temu algorytm jednej z najciekawszych firm zajmujących się sztuczną inteligencją, DeepMind, dokonał czegoś co było w tym czasie uważane za niemożliwe przez najbliższą dekadę.

AlphaGo wygrał z mistrzem świata w Go – grze, której liczba możliwych kombinacji ustawień jest większa od liczby atomów we wszechświecie.

AlphaGo uczył się analizując miliony ludzkich rozgrywek, a następnie trenując miesiącami sam ze sobą. Gra jednak tylko i wyłącznie w tę grę.

AlphaZero to nowa, lepsza, wersja, która zaczyna bez jakiejkolwiek wiedzy o zasadach gry, ucząca się całkowicie samowystarczalnie w dużo szybszym tempie.

Największym osiągnięciem, w tym przypadku, brytyjskiej firmy kupionej przez Google jest właśnie rzeczona generalizacja.

AlphaZero potrzebowało jedynie czterech godzin by nauczyć się gry w szachy i pokonać StockFish – najlepszy algorytm rozwijany od dekad.

To niebagatelne osiągnięcie, ale warto mieć w świadomości, że to jedynie małe kroki w stronę rozwiązania bardzo trudnego problemu jakim jest prawdziwa generalizacja.

Czego może nauczyć się maszyna? Jest coś, czego komputer nie nauczy się nigdy (albo przynajmniej teraz na to wygląda)? Jakie są granice poznania “sztucznego rozumu”?

Obecnie przed sztuczną inteligencją stoi wiele problemów do rozwiązania, które są, paradoksalnie zwykle proste dla ludzi. Wspomniana generalizacja to zdolność przenoszenia wiedzy z jednej dziedziny do drugiej.

Jest jeszcze kwestia szybkości uczenia się. Ludzie nie potrzebują setek powtórzeń, aby się czegoś nauczyć (maszyny natomiast tak). Do tego myślenie strategiczne, czy nawet poruszanie się w świecie, nie dają jasnych zwrotnych informacji.

W długim horyzoncie czasowym nie wydaje się by istniała znacząca dziedzina, w której biologiczne organizmy miały przewagę nad inteligentnymi systemami czy robotami.

Idea generalnej sztucznej inteligencji w tym kontekście nie ma znaczenia.

Na takiej samej zasadzie, na której kalkulator jest nieporównywalnie lepszy od człowieka w bardzo wąskiej domenie. Algorytmy są lepsze od ludzi między innymi w rozpoznawaniu obrazów czy dźwięku.

Opinia publiczna, szczególnie na zachodzie, zaczyna się budzić. Myślę jednak, że nikt, łącznie z analitykami nie zdaje sobie sprawy jakie implikacje te technologie niosą.

Wyjątkiem jest tu mój ulubiony Ark-Invest wyceniający rynek Deep Learningu na 17 bilionów dolarów w perspektywie 20 lat.

Nawet gdyby założyć całkowity brak rozwoju, a jedynie kreatywną implementację tego co mamy obecnie  to będzie to potencjalnie redefiniować rzeczywistość, szczególnie tą ekonomiczną.

Przyszłość Sztucznej Inteligencji

Być może dlatego, według szacunków rynek AI w 2025 roku wart będzie łącznie  około  59 748 milionów dolarów.

Dokument wydany w ramach World Econonic Forum w 2016 roku wspomina m.in. o tym, że jednym z głównych czynników zmiany w Afryce Południowej jest przemysł związany ze zwiększaniem mocy oblieczeniowej oraz Big Data.

Z kolei praca z Oxford Martin School wskazuje zawody najbardziej zagrożone automatyzacją:

  1. kierowcy oraz piloci
  2. robotnicy wykonujący ręczny montaż elementów
  3. pracownicy działu sprzedaży i podobnych

AI zdaje się dopiero zaczynać raczkować. Mimo to na świecie już teraz widoczne są związane z tym niepokoje.

Trudno do końca powiedzieć, jaki będzie przyszły rynek SI.

Oto tematy omawiane na debatach publicznych (z udziałem m.in. specjalistki od neuronauki prof. dr Agnieszki Wykowskiej, kognitywistyki i robotyk dr Aleksandry Przygalińskiej, matematyka finansowego Lee Eclestona oraz antropologa prof. dr hab. Dariusza Jemielniaka)  jak:

  • zastępowanie ludzi w pracy przez maszyny
  • przenoszenie ludzi do innego rodzaju pracy
  • randkowanie oraz seks z robotami…
  • roboty, kierowane chęcią rozwoju, mogą zacząć pytać się właścicieli, czy mogą się ulepszać. Czy w związku z tym należy wmontować im swego rodzaju “bezpiecznik”?
  • niektórzy uważają z kolei, że za boty mogą pomóc osobom niedostosowanym społecznie… Ale na pewno nie zastąpą terapeutów, szczególnie tych leczących sztuką lub przez kontakt ze zwierzętami.
  • czy AI może tworzyć sztukę? a co ze stronami?
  • czy nad Sztuczną Inteligencją powinna być sprawowana jakaś odgórna kontrolna? Powinny sprawować ją rządy czy korporacje?
  • za około 10 lat przeciętna Sztuczna Inteligencja może być tak inteligentna, jak średniej wielkości ssak.
  • Wzrośnie rola AI w biznesie
  • do rozwoju Sztucznej Inteligencji potrzeba nie tylko matematyki, ale i przedmiotów humanistycznych. To dlatego, że  prawdziwie inteligentne maszyny należy traktować nie tylko jak… maszyny, ale tez jak swoje dzieci.

 

Inne źródła wiedzy o Sztucznej Inteligencji

Reszty chyba trzeba szukać samemu. Jej zastosowań jest po prostu zbyt wiele, aby wspomnieć chociażby o 15% z nich. Chociażby – kto miałby czas zapoznać się ze wszystkimi treściami publikowanymi przez:

  • Intel Nervana AI Academy i inne MOOCe
  • IEEE
  • blogi Google nt. eksperymentów
  • Google Cloud Platform na Youtube oraz inne przystępne materiały bardziej akademickie
  • eBay
  • pikami pdf publikowanymi przez duże podmioty
  • Na stronie Harvard Business Review można czasem natrafić naprawdę inspirujące materiały na temat Sztucznej Inteligencji
  • darmowymi narzędziami do modelowania sieci neuronowych na komputerze
  • a w czasie relaksu – muzyką 🙂
  • albo aplikacjami na telefon: jedno wyszukiwanie “artificial intelligence” z sklepiej z aplikacjami pozwala ściągnąć moc bogatych w informacje appek
  • lub też z przystępnej strony Financial Times

W tekście i tak musiałem zrezygnować z wielu treści, nieustannie go kompresując do przystępnej formy.

Mam jednak nadzieję, że mimo to tekst stanowił dla Ciebie pewną wartość. Oczywiście wciąż jestem chętny usłyszeć o kolejnych nowościach ze świata Sztucznej Inteligencji 🙂

Podziękowania

Dziękuję wszystkim osobom, które zgodziły się na wywiad! Rozmowy z Wami nie tylko świetnie wzbogaciły artykuł, ale także otworzyły przede mną nowe drogi w myśleniu o AI.

Dziękuję także za piękne ilustracje, które dobrze obrazują omawianą treść.

Ciekawe lektury o SI

  • Świt Robotów Martina Forda (przyjemny reportaż o przyszłości zatrudnienia)
  • Mózg i maszyny Richard Gregory (krótka rozprawa o różnicach i podobieństwach między maszynami a ludźmi)
  • Superinteligencja Nick Bostrom (wymaga odrobiny wiedzy ścisłej)
  • Nowy umysł cesarza Roger Penrose (pewnie są ludzie, którzy potrafią przeczytać to w całości…)
  • Podstawy automatyki i robotyki Renata Kalicka (to książka dla inżynierów, ale napisana bardzo przystępnym językiem)
  • Modelowanie rzeczywistości – Od gry w życie Conwaya przez żuka Mandelbrota do Maszyny Turinga Iwo oraz Iwona Białyniccy-Birula (na niej w dużej mierze inspirowana jest infografika nt. Sztucznych Sieci Neuronowych – wspaniała książka, napisana z pasją…)
  • Computing with quantum cats Johna Gribbin’a. Książka może nie nawiązuje bezpośrednio do Sztucznej Inteligencji, ale pokazuje jak ma sie jej rozwój do rozwoju komputerów kwantowych.
  • Systemy uczące się Paweł Cichosz. Może być to lektura na więcej, niż jedno posiedzenie…
  • O procesorach i procesach myślowych Urchs Max. Głośna praca, w której autor opowiada o roli kongwinistyki w rozwoju AI.

 

 

 

 

Polecane artykuły

20.06.2018

Jak to jest z tymi zgodami?

Jak to jest z tymi zgodami? To pytanie zadaje mi ostatnimi czasy bardzo wiele osób. Najczęściej pada ono w kontekście wdrażania RODO w sklepie internetowym. Co ciekawe jednak, kwestia zgód jakie powinniśmy zamieścić w formularzu zamówienia ...

Zapisz się do naszego newslettera

Wyślij mi newsletter (Możesz się wypisać w każdej chwili).

email marketing powered by FreshMail
 

Subscribe to our newsletter

Send me your newsletter (you can unsubscribe at any time).

email marketing powered by FreshMail
 

Subscribe to our newsletter

email marketing powered by FreshMail