Razmišljujoči stroji

Leta 1956 se je John McCarthy, mladi docent na univerzi Dartmouth v ZDA, odločil organizirati dvomesečno poletno delavnico na temo strojev, ki lahko razmišljajo. Na delavnico je povabil vodilne strokovnjake s področja računalništva, matematike, lingvistike, biologije, kognitivnih znanosti in formalne logike. Med njimi so bila tudi zveneča imena, kot sta Claude Shannon, znan kot oče teorije informacij, in Herbert A. Simon, kasnejši dobitnik Nobelove nagrade za ekonomijo. Delavnico so zastavili precej ambiciozno, glasila se je takole: »Predlagamo, da se poleti 1956 na Dartmouth College v New Hampshiru izvede raziskava umetne inteligence v dveh mesecih z desetimi raziskovalci. Raziskava bo gradila na domnevi, da se lahko vsak vidik učenja ali katerakoli druga značilnost inteligence tako natančno opiše, da jo stroj lahko simulira. Poskušali bomo najti načine, kako lahko stroj uporabi jezik, oblikuje abstrakcije in koncepte, reši probleme, ki so zdaj rezervirani za ljudi, in se sam izboljšuje. Menimo, da se lahko pri enem ali več od teh problemov doseže znatno izboljšanje, če skrbno izbrana skupina znanstvenikov skupaj dela eno poletje.«

Rešitev za zastavljene probleme ni bilo še vsaj štirideset let. Na konferenci v Dartmouthu leta 1956 je umetna inteligenca pridobila svoje ime, svojo nalogo, prvi uspeh, glavne akterje, takrat je bilo rojeno področje umetne inteligence. Ozračje je bilo zelo optimistično. H. A. Simon je leta 1958 napovedal: »V desetih letih bo računalnik premagal svetovnega prvaka v šahu.« To se je zgodilo šele leta 1997, štirideset let pozneje, ko je IBM-ov računalnik DeepBlue premagal takratnega svetovnega prvaka Garija Kasparova.

Zlato obdobje umetne inteligence in njen zaton

Do leta 1974 je veljalo tako imenovano zlato obdobje umetne inteligence, v katerem so postavili temelje sklepanja, predstavili prve nevronske mreže, ki so zasnovane po vzoru bioloških nevronskih mrež, in dosegli prve uspehe. Sledilo je obdobje zatona in razočaranja. Prvotni algoritmi umetne inteligence so delovali na majhnih, enostavnih problemih, kot sta premikanje kock in iskanje poti v labirintu. Ko so poskušali to uporabiti na problemih iz vsakdanjega življenja, pa enostavno ni šlo. Glavna razloga sta bila dva: metode, ki so temeljile na sklepanju, niso omogočile preskokov na kompleksnejše probleme. Metode, ki so temeljile na statističnih zakonitostih, pa so zahtevale precej podatkov in računske moči, česar pa takrat ni bilo na voljo. Okrog leta 1980 so zacveteli tako imenovani ekspertni sistemi, ki omogočajo sistematično zapisati znanje eksperta na nekem področju in ga tudi sami nadgraditi, če so na voljo podatki. Na primer, pojavila so se odločitvena drevesa in prvi sistemi za diagnozo raka...

Vzpon strojnega učenja in šibke umetne inteligence

Računska moč je sledila Moorovemu zakonu, ki pravi, da se vsakih 18 mesecev podvoji, kar je omogočilo, da so statistične metode začele kazati obetavne rezultate. Glavna ideja pri teh metodah je taka: računalnik želimo naučiti, da zna sprejeti odločitev, na primer, ali je elektronsko sporočilo spam ali ne. To storimo tako, da mu pripravimo več primerov elektronskih sporočil, ki so spam, in takšnih, ki niso. Vsako sporočilo opišemo z različnimi lastnostmi, na primer, ali je poslano z znanega naslova iz imenika, ali vsebuje omembo kakšnega nigerijskega princa, koliko besed vsebuje, kako različne so besede in podobno. Statistični model nato poišče pravilo oziroma vzorec, s katerim najboljše loči, ali so elektronska sporočila spam ali ne. Pri tem ne razume elektronskega sporočila, ne besedila, ne odločitve, zakaj je tako izbral. Gre za postopek, ki mu slepo sledi.

Glede na prvotno idejo umetne inteligence, ki predvideva, da bo stroj uporabil jezik, razvil koncepte in razumel problem podobno, kot ga razume človek, gre tukaj za povsem drugačen pristop. A vendar, računalnik na podlagi primerov zna razlikovati elektronska sporočila. Problem reši, čeprav bistveno drugače. Podobno, kot letalo ne leta kot ptica ali podmornica ne plava kot riba. Ta veja umetne inteligence, ki temelji na iskanju statično značilnih vzorcev, je znana kot strojno učenje.

Strojno učenje je torej omogočilo, da lahko računalnik pretvori zvok v besedilo, torej »razume« besede, besedilo v zvok, torej »zna govoriti«, prevaja med jeziki, zna prepoznati objekte na sliki in še kopico podobnih nalog. A pri vsem še vedno ne razume na način, kot to razume človek. Zato temu rečejo šibka umetna inteligenca.

Zakaj je strojno učenje pomembno

Pred približno stotimi leti je električna energija spremenila vsako večjo industrijo. Cena energije se je z razvojem električne energije naenkrat bistveno pocenila. Poglejmo recimo osvetljavo: za primerljivo večerno osvetlitev, kot jo imamo danes za prebiranje recimo tega članka, bi bilo treba v 18. stoletju odšteti 80-krat več! Podobno revolucijo so petdeset let kasneje prinesla integrirana vezja in računalniki, ki so bistveno zmanjšali ceno aritmetične operacije. Čeprav se zdi uporaba aritmetične precej abstraktna, je z nadaljnjo pocenitvijo našla načine uporabe tudi za namene, ki niso zastavljeni kot računsko intenzivni problemi, na primer elektronski dokumenti, digitalna fotografija, elektronska glasba ipd.

Strojno učenje je tako pomembno zato, ker bistveno poceni odločitev. S strojnim učenjem je mogoče odgovoriti na vprašanja, kot so: katera spletna stran vsebuje informacijo, ki jo iščemo, ali je sporočilo spam ali ne, kakšna je vrednost mojega stanovanja, kakšna bo prodaja izdelka naslednje leto, katere stroje je treba servisirati ipd. Z naglim razvojem umetne inteligence je mogoče odgovoriti tudi na bolj zapletena vprašanja, kot so: ali je na sliki obraz, kateri objekti so na sliki, ali je treba zmanjšati hitrost avtomobila.

Leta 2010 se je začelo tekmovanje na področju avtonomnih vozil, ki so ga sprožila tehnološka podjetja, kot so Google, Uber in Tesla. Tako so danes na cesti že avtomobili, ki imajo določeno stopnjo avtonomije – lahko se odločijo kam zaviti, s kakšno hitrostjo in kako pripeljati do cilja. Vse to omogoča množica algoritmov strojnega učenja, ki pri tem ne razume vožnje, ne avtomobila, ne okolice na način, kot jih razume človek. Čeprav algoritmi delujejo z visoko stopnjo točnosti, prihaja do občasnih napak, ki lahko pri vožnji ogrozijo življenje. Recimo, samovozeči avtomobil podjetja Uber je pri hitrosti 70 km na uro zbil kolesarko, ki je nepravilno prečkala cesto. Senzorji so jo zaznali in ocenili možnost trka že šest sekund pred trkom, a se je algoritem za nadzor vožnje odločil to ignorirati. V drugem primeru se je avtomobil zaletel v tovornjak, ki je na cesti zapeljal vzvratno. Avtonomni avtomobil je brezupno čakal na trk, povprečni voznik pa bi se odzval z vzvratno vožnjo ali zavojem na pločnik. Eden od glavnih izzivov torej ostaja, kako v algoritme vnesti intuicijo človeka, ki bi algoritmom pomagala pri neznanih situacijah. Eno od podjetij, ki rešuje ta problem, je slovensko podjetje Nervtech. Razvili so simulator vožnje, sestavljen iz virtualnega okolja in sedeža z volanom, ki se lahko premika v vse smeri. V virtualnem okolju je mogoče kreirati situacije, ki se na cesti pojavijo precej redko in so celo smrtno nevarne, a povsem varne v simulatorju, recimo nalet na avtocesti, kolesar na cesti, motorist, ki prečka črto, nesreča v križišču ... Na takšnem sistemu je mogoče testirati avtonomne algoritme za vožnjo, najzanimivejše pa je opazovanje, kako se ljudje odločajo v kritičnih situacijah, kaj so kritični dejavniki, ki vodijo k pozitivnemu izidu, in kako to intuicijo prenesti v algoritme odločanja.

Demokratizacija umetne inteligence, torej dostopnost orodij, algoritmov in računske infrastrukture, je omogočila uporabo tehnologije za razmeroma nizke stroške. Recimo, skupina študentov v ameriškem mestu Flint v Michiganu je v treh tednih naredila sistem, ki napove, katere vodovodne cevi bodo najverjetneje počile pozimi. S tem so mestu na leto prihranili 1,6 milijona evrov. Druga skupina študentov je s 3D-tiskalnikom natisnila protezo roke in jo opremila s kamero, ki prepozna objekte, ki jih želi oseba prijeti, ter samodejno izvede primeren oprijem. Cena takšne roke je slabih 100 evrov in jo je mogoče namestiti takoj, cene primerljivih protez pa so približno stokrat dražje in zahtevajo precej treninga za uporabo.

Pasti umetne inteligence

Uporabnost umetne inteligence seveda ves čas skrbno spremljajo in tudi financirajo vojske držav. V zadnjih letih so avtonomni letalniki postali že standardna oprema vsake vojske, v zgodnjih fazah so tudi robotski sistemi za avtonomno delovanje na bojišču. Pred kratkim je skupina vodilnih znanstvenikov podpisala peticijo proti uporabi smrtonosnega avtonomnega orožja, s katero želijo sprožiti samoregulacijo držav na podoben način, kot velja za biološka in radioaktivna orožja. Drugo past pomeni uporaba umetne inteligence za nadzor in varnost. Hitra prepoznava obrazov s slik omogoča identifikacijo oseb iz nadzornih kamer, mobilni telefoni konstantno sporočajo lokacijo, iz česar je mogoče rekonstruirati, kje je oseba doma, kje je v službi, kakšne aktivnosti ima in kdaj se te ne ujemajo z rutino. S tem se odpira možnost za bistveno zmanjšanje zasebnosti in potencialno zlorabo.

Nadaljnja pocenitev cene odločanja bo vodila do načinov uporabe, ki si jih danes še niti ne znamo predstavljati. Vedno več opravil bo avtomatiziranih, kar bo bistveno spremenilo horizont zaposlitev. Recimo, ob vpeljavi avtonomnih vozil bodo ogrožene službe voznikov taksijev, avtobusov, tovornjakov in dostavnih vozil. Službe avtomehanikov bodo verjetno še nekaj časa varne, a vsi profesionalni vozniki ne bodo postali avtomehaniki. Zato bo potrebno aktivno načrtovanje, ki bo pomagalo ogrožene poklice prekvalificirati.

Pogled naprej

O dnevu, ko bo umetna inteligenca tako sposobna kot človek, je razmišljal že Alan Turing, slavni matematik, ki je pomagal razbiti šifriranje nemške enigme. Leta 1950 je zastavil test za oceno, ali stroj izkazuje inteligentno obnašanje, ki je nerazločljivo od človeškega, v katerem se stroj prek zaslona pogovarja s človeškim sodnikom. Če sodnik ne more z gotovostjo odločiti, ali se pogovarja s človekom ali računalnikom, potem je stroj opravil test. Danes vemo, da računalnik lahko pretenta človeka pri marsikaterem opravilu, vendar ga še zdaleč ne more nadomestiti. Eden od precej verjetnih scenarijev je, da bo razvoj umetne inteligence potekal postopoma in omogočal vedno tesnejše sodelovanje s človekom. Umetna inteligenca tako ne bo nadomestila in zasužnjila človeka, podobno, kot ga pojav strojev in kalkulatorjev ni, ampak bo pomagala ljudem, da postanemo bistveno učinkovitejši. 

*Dr. Boštjan Kaluža je član ekipe znanstvenikov, ki v visokotehnološkem podjetju Nervtech razvijajo avtonomna vozila na umetno inteligenco. Gre za mlado slovensko zagonsko podjetje, ki je julija od ameriškega investicijskega sklada VectoIQ prejelo kapital v višini kar milijon evrov. Pred tem je Kaluža delal v Odseku za inteligentne sisteme Instituta Jožef Stefan v Ljubljani.