Ako funguje dnešná umelá inteligencia?

V článku Príbeh Blakea Lemoinea: Prečo Google vyhodil AI inžiniera? sme vysvetlili, čo dnešná umelá inteligencia zatiaľ nevie – nie je schopná stopercentne samostatne logicky myslieť, nie je schopná samostatne cítiť. 

Ak chcete hlbšie pochopiť ako funguje umelá inteligencia, zamerajte sa pojmy a skratky z nasledujúceho obrázka. V článku si niektoré vysvetlíme.

Prečo je tak veľmi dôležité pochopiť, ako umelá inteligencia funguje? 

Okrem nadšených pozitívnych ohlasov sa nájdu aj skeptici, ktorí upozorňujú na chyby a nedokonalosť terajších systémov (domáce úlohy, generovanie vedeckých abstraktov, dezinformačné kampane…).

• Každý používateľ umelej inteligencie by si mal uvedomovať limity terajšej umelej inteligencie.
• Každý tvorca umelej inteligencie by mal používateľov upozorniť na jej limity. Určiť na aké účely môže byť použitá. Určiť a ošetriť na čo nesmie byť využitá.

Klasické programovanie verzus umelá inteligencia

Programy, ktoré používajú klasické programovacie jazyky, majú na vstupe nejaké premenné, v kóde presné inštrukcie, čo s nimi má systém vykonať: rozhodnutia, vetvenia, algoritmy, akcie. Mohli by sme povedať, že programátor má plne pod kontrolou, čo systém vykoná.

Naproti tomu umelá inteligencia (Artificial Intelligence) je zastrešujúci názov pre všetky technológie, ktoré dokážu riešiť zadané problémy samostatne, podobným spôsobom ako ľudia. Napríklad rozpoznať obrázok alebo celú scénu, porozumieť reči alebo napísanému textu, vykonať nejakú akciu, napríklad vygenerovať obrázok alebo text podľa zadania. Pri strojovom učení je systém schopný predikovať budúce udalosti, popísať minulé udalosti alebo sám robiť rozhodnutia. 

• Vstupné dáta pri strojovom učení môžu byť úplne bez inštrukcií od programátora. Vtedy sa program snaží v dátach nájsť nejaký vzor a roztriediť ich podľa neho. 
• Vstupné dáta môžu byť otagované a potom sa systém snaží nájsť spôsob, ako rozpoznať rovnako otagované vstupy, hľadá ich spoločné črty. Napríklad ako odlíšiť obrázky psov od obrázkov mačiek.
• Ďalšia možnosť je ohodnocovanie pokusov a omylov. Za správne vykonanie nasleduje odmena. Takto sú trénované samoriadiace autá alebo herné systémy.

Čo sú neurónové siete a ako sa učia?

Jedným z algoritmov strojového učenia sú Neurónové siete (Neural networks). Podobne ako ľudský mozog, aj umelá neurónová sieť je zostavená z vrstiev neurónov – uzlov. Každý z nich má niekoľko vstupov a výstupov. Procesy z jednej vrstvy predávajú informácie do ďalšej vrstvy. Môže byť spustené veľké množstvo procesov paralelne. 

Jedna z metód strojového učenia je Hlboké učenie (Deep Learning). Počet vrstiev neurónovej siete je pri hlbokom učení v desiatkach tisíc a je možné dopredné aj dozadné odovzdávanie informácií cez viacero vrstiev, takže zistená chyba sa neprenáša hlbšie do neurónovej siete.

Neurónová sieť sa trénuje na veľkom množstve dát. Počas učenia na dátach sa neustále menia/zlepšujú parametre neurónovej siete. Čím viac dát na trénovanie sieť má, tým lepšie a presnejšie výsledky bude vedieť poskytnúť.

Zjednodušená predstava: Po vytrénovaní už nemusí byť sieť napojená na tréningové dáta. Vytvoril sa model, ktorý môže byť uložený napríklad ako softvér a použitý na podobné dáta.

Napríklad pri rozpoznávaní obrázkov tvoria vstupné dáta označené obrázky. Systém sa naučí rozlišovať a triediť vzory v obrázkoch. Po vytrénovaní sa použije na rozpoznanie nových, neoznačených obrázkov. 

Pri rozpoznávaní reči sa systém učí na nahrávkach a ich doslovných prepisoch. Systém sa naučí rozlišovať zvuky, slová. Po vytrénovaní systém dokáže rozpoznať nové nahrávky už bez transkripcií. 

Systémy môžu byť vytrénované aj na hranie hier (Go, šach, StarCraft, Minecraft…), učia sa na záznamoch hier profesionálnych hráčov.

Pri spracovaní prirodzeného jazyka sa systém učí na textoch, vytvára sa jazykový model. Môžu to byť texty z webov na internete, z kníh a časopisov, z rôznych vedeckých databáz a podobne. Po vytrénovaní systém dokáže generovať zmysluplné texty podobné textom od ľudí, odpovedať na otázky alebo prekladať texty.

Ak ste vyskúšali niektorý z AI nástrojov, viete, že zatiaľ majú svoje muchy. Napríklad pre obrázkové generátory je počet končatín a tvar ruky zatiaľ výzva, pre textové generátory zase stopercentná spoľahlivosť faktov. Na akých dátach bol jazykový model učený, boli vylúčené zavádzajúce dáta alebo konšpirácie? (11. januára samotné Open AI zverejnilo blog na tému možného zneužitia jazykových modelov na dezinformácie.) A ako vlastne my ľudia tvoríme vety, čo sa deje v našom mozgu, že vieme rozlíšiť správnosť informácií?

Chceli by ste pochopiť ako sú systémy naprogramované? Sú to len zložité štatistické a predikčné modely? Podrobnejšie sa rôznym nástrojom budeme venovať v ďalších článkoch.