Fot. Getty Images
Formalnie maszyny mogli przejść test Turinga, jednak nauczą się czy myślenie naprawdę?
Czy komputer nauczyć się myśleć jak człowiek? Ten problem powstał równocześnie z pojawieniem się pierwszych komputerów. W poszukiwaniu odpowiedzi na niego w 1950 roku angielski naukowiec-matematyk Alan Turing zaproponował kryterium, które pozwala sądzić o tym, że komputer po swoich zdolności poznawczych wyrównał się z człowiekiem. To kryterium jest znany jako “test Turinga”: rzecz w tym, że maszyna musi odpowiedzieć na dowolne pytania rozmówcy-człowieka w taki sposób, aby człowiek nie wiedział, że rozmawia z maszyną.
Formalnie test Turinga jest przekazywana, — co prawda na dość prymitywnym poziomie trudności. Myśleć jak człowiek, komputer póki co nie umie. Jednak obecny poziom technologii i możliwości obliczeniowych pozwala mu w ciągu kilku sekund przetwarzać i analizować ogromne ilości informacji, uczyć się na podobnych danych, określenie prawidłowości i podsumowując uzyskane wyniki. To daje możliwość, aby rozwiązać konkretne zadania na poziomie bardziej zbliżonym do ludzkiego.
Co stanie SI
Dobrym przykładem takiego zadania — tłumaczenie tekstu z języka obcego. Z teoretycznego punktu widzenia to zadanie w dużej mierze identyczne z oryginalnego testu Turinga. Zdaniem językoznawców, jedną z funkcji języka — rozpoznawanie przynależności rozmówcy do swojej grupy (to wyjaśnia obfitość lokalnych dialektów, młodzieżowych i zawodowych жаргонов). Jeśli komputer poprosi o tłumaczenie, identyczne mowy native speakera, to nośnik na pewno rozpoznaje w nim członka swojej grupy, czyli jak najmniej ludzi.
Dwa lata temu firma Google prawie całkowicie przetłumaczyła swoją usługę Google Translate na głębokie szkolenia (Deep Learning). W przeciwieństwie do poprzedniej generacji systemów tłumaczenia maszynowego, które w większości tłumaczyli poszczególne słowa i zwroty, nowoczesne нейросети rozważa propozycję w całości, co pozwala przesłać go nie wartości, a w rozumieniu. Gwałtowny wzrost ilości danych, w pozyskiwaniu których biorą udział liczne inteligentne urządzenia Internetu rzeczy (IoT), rozwój wielowarstwowych sieci neuronowych, algorytmy Deep Learning i inne możliwości technologiczne nauczyli zwykłe komputery i urządzenia mobilne nie tylko czytać, słyszeć, widzieć i rozumieć informacje, ale i wykonywać złożone zadania na takim samym poziomie, na którym je wykonał i osób.
Odpowiednio, w czasie wzrosła, a wartość inwestycji w technologie Sztucznej inteligencji. Tak więc, według Venture Scanner, w 2007 roku wyniósł on zaledwie 500 milionów dolarów, a w 2017 roku — już ponad 6 miliardów dolarów Dochodów z wdrażania systemów sztucznej inteligencji, według danych firmy Gartner, w 2018 r. wyniesie $1,2 bln dolarów, co jest o 70% wyższa niż w 2017 roku. A do 2022 roku ich ilość wzrośnie do $3,9 bln.
Microsoft Bing w 2018 roku praktycznie bezbłędnie przewidział wszystkich laureatów nagrody “Oskar”, просчитавшись tylko w jednym przypadku
Sztuczna inteligencja jest już aktywnie wykorzystywana w wielu branżach. Na przykład, firma Samsung opracowała system w grze reklamy kontekstowej Gadget, w której reklamy nie pojawiają się w postaci irytujących użytkownika poszczególnych stanowisk, a płynnie wpasowuje się w rozgrywkę. Przy tym tematyka reklamy ciągle się zmienia w zależności od preferencji gracza. Na блокчейне opracowana platforma Effect.Ai, która będzie wiązać dostawców i odbiorców różnych usług bezpośrednio, bez pośredników. Sztuczna inteligencja nauczył się pokonać człowieka w pokera i w Dota 2. Należąca do Google firma DeepMind, którym już udało się stworzyć sztuczną inteligencję, który wygrał u mistrza świata w grze “go”, dziś projektuje algorytmy, które potrafią pokonać człowieka w grze StarCraft 2. System prognozowania na bazie SI coraz szerzej stosuje się w sporcie i show-biznesie. Tak, sztuczna inteligencja Microsoft Bing w 2018 roku praktycznie bezbłędnie przewidział wszystkich laureatów nagrody “Oskar”, просчитавшись tylko w jednym przypadku.
Niezłe osiągnięcia u AI w medycynie. Pojawiły się systemy, które pozwalają na wczesnych etapach diagnozować choroby nowotworowe skóry, a także wykrywanie nieprawidłowości w pracy serca w EKG, z większą skutecznością, niż kardiolog. W Chinach na bazie AI realizowany projekt społecznej kierunkowości: twórcy stworzyli system, który analizował zachowanie użytkowników w sieciach społecznościowych i выявляла wśród nich tych, które zostały tendencje samobójcze, w celu udzielenia im terminowe pomoc psychologiczną. Na dzień dzisiejszy z jej pomocą udało się uratować już ponad 20 000 osób.
Sieci neuronowe już nazywany Software 2.0. W odróżnieniu od klasycznego podejścia do rozwoju (Software 1.0), nie wymagają pisania krok po kroku instrukcje dla komputera. Wystarczy podać ostateczny cel, na przykład, wygrać go, — a także określić strukturę sieci i sygnały do nauki. Dalej sieć neuronową będzie w stanie nauczyć się niezbędne zależności w danych do rozwiązania zadania, korzystając z dostępnych w jej dyspozycji zasobów obliczeniowych.
Czego nie potrafi SI
Że sztuczna inteligencja jeszcze nie potrafi? W pierwszej kolejności, to zadania, którym trudno podjąć jednoznaczną decyzję, gdzie wymagane kontekstowe podejście w zależności od warunków i sytuacji. AI nie jest w stanie samodzielnie zrealizować odkrycie naukowe. Jednym słowem wszędzie tam, gdzie potrzebny jest pełny analiza sytuacji, a nie tylko przyjęcie rozwiązania opartego na edukacji próbce danych, palma pierwszeństwa będzie za człowiekiem.
Oczywiście, technologii AI znajdują się na szczycie “хайпа”, nie można jednak nie zauważyć pewne problemy, ryzyka i nierozwiązane zadania związane z nimi. W pierwszej kolejności to, oczywiście, jakość danych. Przecież to zależy od tego, co oferujemy samochodem jako uczącego.
Od 2009 roku samochody Google наездили w беспилотном trybie 3,7 mln kilometrów na drogach publicznych
Dobrym przykładem jest rozwój bezzałogowych pojazdów. W rzeczywistości są prawie zawsze używana jest metoda supervised learning (uczenie się metodą prób i błędów). Na przykład, firma Google wydała nie jeden rok na to, aby uzyskać wystarczającą ilość danych i wziąć pod uwagę wszystkie niuanse беспилотной jazdy. Od 2009 roku samochody Google наездили w беспилотном trybie 3,7 mln kilometrów na drogach publicznych i torach testowych w Kalifornii, Arizonie, Teksasie i Waszyngtonie, a także ponad 1,6 mld kilometrów w trybie symulacji komputerowej. Od jakości tej pracy zależy, jak sprawnie będzie się poruszać samochód bez kierowcy na drodze, oceniać innych uczestników ruchu drogowego, rozpoznawać obiekty na drodze, prawidłowo reaguje na różne sytuacje itp.
Jeszcze jedną poważną wadę, a raczej ograniczenia technologii sztucznej inteligencji polega na wąskim spektrum zastosowania każdego algorytmu. Dla każdej operacji lub procesu biznesowego system sztucznej inteligencji trzeba bardzo poważnie modyfikować. Jest mało prawdopodobne, pod nowe zadanie uda się dostosować już istniejącą sieć neuronową, nawet specjalizującej się w pokrewnych zadaniach, ponieważ dane będą się różnić. W większości przypadków zmiany są bardzo znaczące. Na przykład, trudno będzie opracować na bazie AI-systemu bezzałogowego pojazdu system zarządzania беспилотным gwałtownym morskim lub statkiem. Jest to kluczowy problem tzw. “słabego” sztucznej inteligencji, заточенного pod rozwiązanie konkretnego zadania. Z kolei “silny” sztuczna inteligencja praktyczna którego realizacja — przyszłość, musi być w stanie nie tylko алгоритмически operować danymi i informacjami, lecz rozumieć ich sens. Na przykład, sztuczna inteligencja nie potrafi czytać komiksy, nie jest w stanie dopasować wszystkie zdjęcia z tekstem w odpowiedniej kolejności, zgodnie z fabułą, a z tym zadaniem radzą sobie nawet małe dzieci. Jednym z ważnych kroków w kierunku “silnego” AI można nazwać opracowanie kapsułek sieci neuronowych. Są one przetwarzają te informacje tak, jak to sprawia, że ludzki mózg, a przy tym nie wymagają dużych ilościach danych dla modeli szkoleniowych.
Kto ponosi odpowiedzialność za podjęte decyzje sztuczną inteligencją? Bank może zablokować ważną transakcję finansową, bezzałogowy pojazd może powalić człowieka, nie zauważywszy go, albo przyjmując za jakiś inny obiekt. Sztuczna inteligencja, zarządzanie systemem bankowości punktacji kredytowej, częściej “odmawia” czarnych wnioskodawcy, niż białe, w uzyskaniu kredytu. System rozpoznawania twarzy, które wykorzystują w tym i organy ścigania, dobrze dyskryminują białych ludzi, ale często błędne opis: w procedurach obsługi obrazów czarnych, zwłaszcza kobiet. Tak, podczas rozpoznawania osób ciemnoskórych kobiet komercyjne systemy błędne prawie w 35% przypadków. Jeśli wcześniej na podstawie takich incydentów był czynnik ludzki, to teraz jest bias (zniekształcenie) w danych.
Sieć neuronową Deep Dream postanowiła, że ręka — to integralna część hantle
Oczywiście, że to chwilowe problemy, które można rozwiązać dając systemie lepszą szkoleniową próbkę danych. Nad tym dzisiaj i pracują twórcy. W motoryzacji najczęściej odpowiadać przypada nie do autora AI-systemu, a producentem pojazdu, który ustanowił ją na swoje produkty. Ale w większości przypadków ciężar odpowiedzialności spoczywa na autorze, i w dobrym stanie technicznym. W przeciwieństwie do konwencjonalnych systemów, działających zgodnie z kodem, który można sprawdzić na błędy, modyfikacji itp., nie zawsze jesteśmy w stanie z góry przewidzieć, jaki wynik da nam wielowarstwowe sieci neuronowe i systemy głębokiego uczenia się po traktowania tego lub innego tablicy danych. Tak, sieć neuronową Deep Dream firmy Google poprosili generować obraz hantle. System poradził sobie z zadaniem, jednak do wszystkich nagranych obrazów hantle został dodany i ręka człowieka. Innymi słowy, sieć neuronową postanowiła, że ręka — to integralna część hantle.
I technologii sztucznej inteligencji już dziś w wielu przypadkach ułatwiają życie zwykłych ludzi i pomagają firmom w rozwiązywaniu wielu zadań. Pomimo istniejących cechy i “pułapki”, systemy na bazie AI przyciągają klientów, w tym z dużych firm. A wielokrotnie rosnący z każdym rokiem ilość inwestycji daje podstawy liczyć na istotny technologiczny szarpnięcie już w niedalekiej przyszłości.