Sztuczna Inteligencja - etapy, które musimy pokonać, by ją stworzyć

Sztuczna inteligencja kojarzy się nam z naśladowaniem człowieka za pomocą technologii. Nauczanie maszynowe (ang. Machine learning) z regularnym i pozbawionym wad zdobywaniem przez komputery wiedzy jak interpretować dane. A głębokie nauczanie (ang. Deep learning)? No właśnie, brzmi to bardzo poważnie, ale jaki ma związek z komputerami? Zobaczmy.

Odkąd pamiętam byłem miłośnikiem science-fiction. Zarówno w formie papierowej jak i tej na ekranie kinowym. Dziś zastępowane przez telewizor, a ostatnio coraz częściej smartfon. Na przykład taki, który chwali się, że wykorzystuje technologie sztucznej inteligencji, by lepiej spełniać oczekiwania właściciela.

Czym dla nas jest Sztuczna inteligencja

Ha… smartfon, który ma sztuczną inteligencję? Brzmi to niesamowicie, nawet teraz, gdy zewsząd atakowani jesteśmy tym popularnym pojęciem. AI lub SI w polskim tłumaczeniu. Cóż ono tak naprawdę oznacza? Posłużmy się filmowymi analogiami. Czy jest ona niczym robot WOPR z filmu Gry Wojenne (1984), rozczulający bohater filmu Sztuczna Inteligencja (2001) albo inteligentny komputer, który próbował spłodzić potomka w kultowym filmie Diabelskie nasienie (1977)? Tak, tak, już wtedy pojęcie sztucznej inteligencji było mocno zakorzenione w ludzkiej świadomości. Po raz pierwszy użyto go podczas konferencji w Dartmouth w 1956 roku, ale już wcześniej myśleliśmy o inteligentnych maszynach.

Bohater filmu Sztuczna Inteligencja zmaga się z zawiłościami ludzkiej fantazji

Isaac Asimov w 1942 roku napisał opowiadanie, które wykłada trzy prawa robotyki. To opowiadanie stało się częścią większego zbioru opowiadań o tytule Ja Robot, na podstawie których powstał film o tym samym tytule. Tak pięknie wykładający młodemu pokoleniu znaczenie tych praw.

A może sztuczna inteligencja to coś innego, coś mniej skomplikowanego, co nie musi przerażać, a wręcz przeciwnie, fascynować. By to zrozumieć musimy odpowiedzieć sobie na dość trudne pytanie. W którym momencie przestajemy mówić o bitach, algorytmach i kodzie źródłowym, a zaczynamy mówić o tworze, który wykazuje oznaki inteligentnego myślenia. Po to by być doskonalszym i lepiej wykonywać zadania, do których został stworzony.

Wiele określeń, wiele różnych znaczeń

W ogarnięciu się w całym miszmaszu rozwiązań, jakie fundują nam przeróżne firmy technologiczne, mówiąc o sprycie ich urządzeń (ang. smart), który wszakże nie musi mieć wiele wspólnego z prawdziwą sztuczną inteligencją, pomoże nam zrozumienie zagadnień nauczania maszynowego oraz głębokiego uczenia. Towarzyszą one często pojęciu SI, są stosowane jak zamienniki, a jednak to nie to samo.

By zrozumieć współzależności pomiędzy tymi zagadnieniami cofnijmy się do czasów szkoły podstawowej i geometrycznej analogii (na płaszczyźnie). Czworobok to określenie dla każdej figury geometrycznej, która ma cztery boki. Prostokąt jest czworobokiem, ale stwierdzenie odwrotnie nie zawsze będzie prawdą. Idźmy głębiej. Kwadrat to prostokąt, ale nie na odwrót.

SI, Nauczanie maszynowe i Głębokie nauczanie - współzależności

I dokładnie tak mają się relacje pomiędzy Sztuczną Inteligencją, Nauczaniem maszynowym i Głębokim uczeniem. Każde kolejne to coraz konkretniejszy podzbiór działań, które pozwalają dążyć do coraz lepszej realizacji celu jakim jest wykorzystanie ludzkiego sposobu rozumowania w funkcjonowaniu maszyn.

Sztuczna Inteligencja jako całość jest niczym człowiek, który funkcjonuje dzięki różnym organom/narządom. Serce pompuje krew, płuca zapewniają dostęp tlenu, oczy pozwalają widzieć, a tym wszystkim zarządza mózg, który zbudowany jest między innymi z neuronów. Oho, neurony, czyżby miało to coś wspólnego z siecią neuronową? Dokładnie. Gdyby nie było mózgu, ludzkie zmysły by nie działały, a gdyby nie inne organy, to nie byłoby też szans na te zmysły.

Nauczanie maszynowe - pierwszy krok do sukcesu

Pojęcie SI przez wiele lat było bardziej zagadnieniem teoretycznym, nie mieliśmy w zasadzie podstaw by tworzyć coś co zasługuje naprawdę na to pojęcie. Do końca pierwszej dekady XXI wieku SI była przedmiotem dyskusji - zastanawialiśmy się nad jej przydatnością, rozważaliśmy obawy, które podsycały w społeczeństwie takie produkcje jak Terminator, ale też szukaliśmy w niej dobrych stron.

Warcaby i szachy to gry, które od dawien dawna wykorzystywano
jako przykład umiejętności systemów SI

Teraz wiemy, że Sztuczną Inteligencję należy traktować jak wspomnianego człowieka. To twór, który tworzą mniejsze części. I tak Nauczanie maszynowe pozwala maszynom (komputerom) dążyć do realizacji konkretnych celów, na przykład świetnego rozpoznawania przedmiotów, dźwięków lub kojarzenia na podstawie zebranych informacji.

Mówiąc inaczej maszyna jest w stanie wykorzystać uniwersalne algorytmy, by przetworzyć skutecznie dane. Algorytmy nie narzucają mocnych więzów co do danych wejściowych, zapewniają sporą swobodę w tym przypadku, pozostawiając odpowiednią interpretację maszynie. A przynajmniej nie powinny narzucać, bo jak pokazuje praktyka, jeszcze nie tak dawno bez uściślonych informacji komputer nie potrafił sam wiele wygłówkować. Kiedyś wystarczyło na przykład przesłonić niewielką część twarzy, by system detekcji tejże kompletnie zgłupiał.

GPU na ratunek

Jednak w II dekadzie XXI wieku pojawiły się jednostki obliczeniowe (mowa o wyspecjalizowanych układach GPU, ale tez procesorach symulujących funkcjonowanie mózgu) o ogromnej, w stosunku do oczekiwań jakie nakładają badania nad SI, wydajności. Dzięki temu wkroczyliśmy w jeszcze głębszą sferę działań.

NVIDIA DGX-1, podstawa platform Głębokiego nauczania

By Nauczanie maszynowe odniosło skutek, konieczna jest odpowiednia technika. Tę technikę maszynom zapewnia Głębokie nauczanie. Dzięki temu komputer jest w stanie reagować nie tylko na konkretny zestaw danych, ale wychwycić z na pozór nieuporządkowanego strumienia informacji, te które są mu potrzebne. To tak jakby nauczyć system rozpoznawania głosu reagowania tylko wtedy gdy zwracamy się do niego. Czyli wychwytywania odpowiedniego kontekstu.

Wracając do naszego porównania do człowieka. Umiejętności jakie daje maszynie Głębokie nauczanie nawiązuje do ludzkiego myślenia zaprzęgającego mózg. To mózg instruuje poszczególne organy (w praktyce jest to dużo bardziej skomplikowana kwestia) i analizuje napływające dane, na przykład ze zmysłu wzroku. W ten sposób odróżnimy ekierkę od znaku ostrzegawczego, mimo iż każde ma kształt trójkąta.

Dobrą analogią jest też przykład słynnej Twarzy na Marsie. W 1976 roku kamery orbitera Viking pokazały nam obraz przypominający do złudzenia ludzką twarz. Powodem była zbyt mała ilość informacji, które gromadziły ówczesne kamery, kiepska rozdzielczość dynamiczna obrazu, niesprzyjające warunki obserwacji. Ludzkie reakcje na ten obraz przypominały działanie algorytmów nauczania maszynowego, które nie były odpowiednio wyszkolone, nie miały też odpowiednio dużej ilości danych wejściowych.

Czasem nawet człowiek nie musi być pewny swoich racji. Powyżej słynna twarz na Marsie tak jak widzieliśmy ją w 1976 roku

25 lat później doskonalsza kamera MGS (Mars Global Surveyor) pokazała nam prawdziwy obraz tego obiektu. Wyższa rozdzielczość, lepsza pogoda i inne czynniki zaważyły na obaleniu wieloletniego mitu o symbolu obcej cywilizacji pozostawionego na Marsie. W przypadku maszyn można to porównać do zastosowania techniki Głębokiego nauczania, które na dodatek było wspomagane dużo większą liczbą danych.

I taka jaką ujrzeliśmy ją ćwierć wieku później, dzięki dużo lepszej jakości obrazom

Sieci neuronowe - stary/nowy klucz do sukcesu

Od początku prac nad SI, do realizacji tych najbardziej podstawowych czynności, stanowiących podstawę bardziej złożonych działań, wykorzystywano sieci neuronowe. Te sieci do pewnego stopnia odwzorowują funkcjonowanie ludzkiego mózgu i neuronów. Mają pewne ograniczenia w porównaniu z biologicznym odpowiednikiem, a są nimi liczby połączeń z innymi neuronami, które mogą się wytworzyć. Ludzki mózg jest niejako analogowy pod tym względem, a jego cyfrowy odpowiednik… no to już chyba wiadomo.

Sieć neuronowa stanowiąca element wspomnianego systemu rozpoznawania głosu jest w stanie zgadnąć, czy zwracamy się do maszyny, czy rozmawiamy z kimś innym. Rozpozna kształt trójkąta, ale też to czym jest ten trójkąt.

Podobnie jak człowiek, który zauważa, że ktoś inny kieruje wzrok w jego stronę i odpowiednio konstruuje wypowiedź, tak maszyna domyśli się, że chodzi o nią. Początkowo będzie to obarczone sporą liczbą błędów, ale podobnie jak młody człowiek nabiera umiejętności komunikacji społecznej w miarę im bardziej obcuje z innymi ludźmi, tak komputerowa siec neuronowa może zostać „wytrenowana”. Świetnym przykładem jest opisywany przez nas program Alpha Go Zero, który grając sam ze sobą w ciągu miesiąca osiągnął poziom arcymistrza nad arcymistrzami w Go.

Film Gry Wojenne - komputer próbuje zrozumieć co to znaczy bezcelowe działanie

Tak naprawdę to wszystko już wiemy, albo gdzieś słyszeliśmy. To w czym problem? Sieci neuronowe mają bardzo ważne wymaganie. Potrzebują ogromnej mocy obliczeniowej, by niczym Spock ze Star Treka zgadywać „jak najlepiej”. Ta moc, jak już wspomniałem, stała się dostępna stosunkowo niedawno. Ale skoro już jest, możemy tworzyć systemy dużo bardziej inteligentne niż kiedyś, stosując wspomniane Głębokie nauczanie.

Co dziś daje Głębokie nauczanie

Przykładami na efektywność Głębokiego nauczania są systemy rozpoznawania znaków drogowych. Działają one nie tylko w sytuacji idealnej, ale też gdy znak jest pod kątem, mamy złą pogodę, a widoczność znaku jest ograniczona. Podobnie funkcjonują systemy rozpoznawania twarzy w Facebooku czy konkretnych obiektów w przypadku Google. Teraz nawet przesłonięta częściowo twarz nie wykluczy pozytywnej detekcji.

To jest kot. Kot, który stoi. Rudy kot. A na imię ma… Ziutek. Wnioski do jakich może dojść Google łącząc funkcje Głębokiego nauczania z technikami analizy Big Data.

Podsumowanie - na dobrej drodze ku SI

Podsumowując. SI już od dawna zaprzątała nasze głowy, podobnie jak Nauczanie maszynowe, ale dopiero dzięki technologii Głębokiego uczenia to wcześniejsze może zyskać naprawdę praktyczne zastosowania. Pozwala tworzyć elementy, które w przyszłości (mniej lub bardziej odległej) mogą stać się cegiełkami tworzącymi coś naprawdę inteligentnego.

I niekoniecznie będzie to tylko tak zwana Wąska SI (ang. Narrow AI), czyli twory realizujące wyjątkowo sprawnie tylko bardzo konkretne operacje, choć często lepiej niż człowiek. Taki będzie pierwszy oczywiście pierwszy etap, który już realizujemy.

Wszelkie badania, które dziś śledzimy, a które mają na celu konstruowanie maszyn widzących, chodzących jak człowiek, służą zebraniu doświadczenia, które przyda się w jednym z kolejnych etapów rozwoju SI.

Być może w końcu doprowadzi to do powstania Sztucznej Inteligencji w pełnym tego słowa rozumieniu. Która z kolei być może w końcu zacznie się zastanawiać nad swoim istnieniem. I oby z tego myślenia wyszły same dobre rzeczy. Bo jak na razie fantazja podpowiada nam coś zgoła innego.

Źródło: Inf. własna, na podstawie blogu NVIDIA

W tematyce polecamy artykuły i newsy w strefie Sztuczna inteligencja, DeepMind,