Jak działa sztuczna inteligencja?
Rywalizacja człowieka z maszyną zaczęła się podczas rewolucji przemysłowej i trwa do dziś. Dotychczas to homo sapiens zazwyczaj wychodził z niej zwycięsko. Ale najnowsze odkrycia w dziedzinie sztucznej inteligencji sprawiły, że AI (ang. Artificial Intelligence) w niektórych przypadkach bierze górę nad żywą istotą. Nie ma co załamywać rąk – dla ludzkości poprawnie działająca sztuczna inteligencja oznacza spore korzyści. Jak działa sztuczna inteligencja?
Stworzenie sztucznej inteligencji polega na nauczeniu komputera zachowań i czynności, które ludziom przychodzą w sposób naturalny, a dla maszyny są niezwykle trudne. Najprostszym przykładem jest rozpoznawanie innych osób, ich cech fizycznych, szczególnie wyglądu twarzy (jako najbardziej charakterystycznego elementu). Stworzenie algorytmu matematycznego, zrozumiałego dla komputera, dla nawet tak prostej czynności okazuje się bardzo trudne.
Jeszcze 10-20 lat temu prace nad sztuczną inteligencją nie były w głównym nurcie zainteresowań badaczy. To prawda, że już w latach 50. stworzono maszyny, które potrafiły wygrać z człowiekiem w warcaby. Ale późniejsze eksperymenty z laty 70. pokazały, że ówczesny stopień zaawansowania techniki nie pozwalał na stworzenie AI o szerszym zastosowaniu. Przeszkodami były niewystarczająca moc obliczeniowa komputerów oraz zbyt skromna baza danych, potrzebnych przy procesie nauczania maszyny myślenia. Czas mijał a opinia publiczna słyszała o SI głównie przy okazji głośnych premier filmowych w rodzaju „Terminatora” czy pokazowych meczy szachowym (najsłynniejszy z nich to starcie arcymistrza Garriego Kasparowa z komputerem IBM Deep Blue – wygrane przez maszynę). Przełom przyszedł w pierwszej dekadzie XXI wieku, gdy odkryto, że do równoległego przetwarzania dużych ilości danych można wykorzystać układy graficzne komputerów. Równocześnie rozpoczęło się tworzenie ogromnych baz danych, zbieranych przez narzędzia w rodzaju wyszukiwarki Google. Po wyeliminowaniu barier technologicznych padła też trzecia, finansowa – obecnie prace nad AI pochłaniają miliardy dolarów rocznie. Kwoty rosną wraz z inwestycjami kolejnych firm. Liderami są, m.in. Google i Facebook.
Jak działa sztuczna inteligencja – bazy danych kluczem do sukcesu?
Wspomniana baza danych okazuje się kluczowym elementem przy tworzeniu inteligentnej maszyny. Naukowcy odkryli, że zamiast pisać program, który będzie odwzorowywał ludzkie zachowania (o ile to w ogóle możliwe) lepiej jest nauczyć maszynę wykonywania pewnych czynności na podstawie przykładów. Np. we wspomnianym wcześniej procesie rozpoznawania twarzy komputerowi dostarczane są zdjęcia opisane etykietami, np. imionami osób. Przy odpowiednio dużej liczbie przetworzonych zdjęć AI ostatecznie nauczy się odróżniać Alicję od Boba. Co więcej, w pewnym momencie dojdzie do wprawy i będzie potrafiła rozpoznać osoby, na ujęciach których wcześniej nie widziała. Ta technika nazywana jest uczeniem maszynowym. Z matematycznego punktu widzenia chodzi o stworzenie funkcji, która dostarczony obraz przetworzy na jego interpretację. Odbywa się to przez analizę poszczególnych pikseli zdjęcia i odniesienie do wcześniej widzianych przykładów.
Chcesz dowiedzieć się jak komputery uczą się naszej rzeczywistości? Przeczytaj artykuł o Machine learningu.
Rozpoznawanie obrazów to jedno z najpowszechniejszych zastosowań sztucznej inteligencji (przy okazji dobrze obrazujące zasadę jej działania), ale opisana zasada działania SI ma charakter ogólny.
Sztuczna inteligencja, oprócz algorytmów uczenia, potrzebuje też elementu, w którym będzie gromadzić swoje doświadczenia i „myśleć” (przeprowadzać obliczenia, stawiać hipotezy). Jako inspiracja to stworzenia takiej struktury posłużył ludzki mózg.
Człowiek nabiera nowych zdolności przez całe życie, a współcześni ludzie posiadają umiejętności, do których nie byli przygotowani przez ewolucję, np. budują sztuczną inteligencję. Mózg posiada więc ogromne możliwości adaptacji nowych zdolności. Jego odwzorowanie w postaci matematycznej lub elektronicznej daje tą samą umiejętność maszynie. Praca mózgu oparta jest na aktywności elektrycznej najdrobniejszych elementów – neuronów. Te komórki komunikują się między sobą za pomocą połączeń nazywanych synapsami. W wyniku nauki dochodzi do wzmocnienia niektórych połączeń, w skutek czego powstają obwody odpowiedzialne za poszczególne zadania.
Bardzo podobnie działają sztuczne sieci neuronowe, na których opiera się działanie sztucznej inteligencji. We wspomnianym przykładzie rozpoznawania obrazu program będzie otrzymywał ocenę za błędną lub poprawną analizę zdjęcia (to tzw. uczenie nadzorowane). Na podstawie otrzymanej oceny zmodyfikuje liczby opisujące siłę połączeń między neuronami (osłabi je lub wzmocni). Zastosowanie sieci neuronowych złożonych z wielu warstw (sieci konwolucyjne) pozwala uodpornić program na błędy interpretacji wynikające ze zmodyfikowania sygnału wejściowego, np. obrócenia obrazu go lub dodania nowych elementów.
AI to podstawa
Ze sztucznej inteligencji korzystamy na co dzień, choć czasem nie zdajemy sobie z tego sprawy. AI jest podstawą działa inteligentnych asystentów w smartfonach (np. Google Now), które dzięki swemu intelektowi potrafią rozpoznawać komunikaty głosowe w języku potocznym oraz udzielać odpowiedzi na postawione pytania. Nad specjalnymi aplikacjami – botami, które mają zastąpić klasyczne appki pracują Google i Facebook. Taki program może, np. zrobić zakupy w sklepie online – sam wyszuka najlepszą ofertę, wybierze adres dostawy i zapłaci za towar. Pobieranie specjalistycznej aplikacji do zakupów nie będzie potrzebne.
Inteligentne komputery takie, jak Watson firmy IBM wykorzystywane są w różnego rodzaju usługach doradczych. Np. przy analizie wyników badań onkologicznych, ocenie ryzyka, operacjach giełdowych.
Sztuczna inteligencja wykorzystywana jest też w autonomicznych pojazdach. To jedno z najbardziej zaawansowanych zastosowań bo wymaga przetwarzania ogromnej liczby informacji z różnych czujników rozmieszczonych w samochodzie. Inteligentny samochód pozbawiony jest kierowcy więc musi samodzielnie podejmować decyzje o manewrach na drodze. Dzięki temu wkrótce możliwe będzie stworzenie systemu automatycznych taksówek, które nie potrzebują żywego taksówkarza.
Upowszechnienie i dalszy rozwój AI budzi obawy części naukowców. Chodzi tu zarówno o problemy bardziej przyziemne – głównie o utratę miejsc pracy przez ludzi, których zastąpią roboty. Ale też o kwestię powstania samoświadomej inteligencji, która może zagrozić całej ludzkości.
Pierwszy problem jest bardzo realny, a badania prowadzone, np. w Niemczech mówią o zniknięciu 450 tys. stanowisk pracy w ciągu najbliższych 15 lat. W ich miejsce powstają jednak nowe, związane z rozwojem branży SI i robotyki. Ponieważ maszyny zastąpią człowieka głównie w najprostszych zadaniach, to nowe miejsca pracy będą wymagać wyższych kwalifikacji niż likwidowane stanowiska. Zmiany na pewno nie będą bezbolesne.
Maszyny zawładną światem?
Obawy przed superinteligencją, która zniszczy ludzkość brzmią jak film sci-fi, ale wychodzą z ust bardzo poważanych autorytetów, jak Stephen Hawking. Słynny astrofizyk podkreśla, że inteligencja zdolna do samodzielnego uczenia będzie doskonalić się znacznie szybciej niż człowiek. Jeśli będzie świadoma swojego istnienia, a w człowieku dostrzeże zagrożenie dojdzie do konfliktu. Pracujący nad AI uspokajają. Maszynę można będzie nauczyć ludzkich wartości tak, aby odróżniała dobre działania od złych. Powstają już nawet założenia, na których powinna działać tak „ludzka” SI.
Moment powstania sztucznej inteligencji nieodróżnialnej od człowieka słynny futurysta Raymond Kurzweil (obecnie pracujący dla Google) widzi za niecałe 30 lat. Jednak znacznie wcześniej sztuczna inteligencja upowszechni się w takim stopniu, że będziemy od niej uzależnieni tak jak dzisiaj jesteśmy uzależnieni od internetu.
Jak działa sztuczna inteligencja?
Sztuczna inteligencja rewolucjonizuje obszar bezpieczeństwa fizycznego: inteligentne, autonomiczne systemy zabezpieczeń, które zapobiegają potencjalnym incydentom. Nadchodzi kolejny etap ewolucji systemów gwarantujących szybsze, wydajniejsze i sprawniejsze działanie. Technologia bezpieczeństwa zasilona AI będzie działać predykcyjnie, głęboko zintegrowana z systemami obiektu.
Choć nadal obiekty są wyposażane w standardowe rozwiązania wspomagające bezpieczeństwo (niestety często wdrażane w silosach technologicznych bez połączenia z pozostałymi systemami), to już nowe produkty wyposażone w silniki sztucznej inteligencji (AI) oferują lepszą analizę danych, dzięki czemu mogą działać wydajniej i efektywniej wykorzystywać posiadane zasoby. Ewolucja techniki zapewniła uruchomienie automatycznych reakcji, które nie tylko przyspieszają operacje związane z bezpieczeństwem, ale także poprawiają wydajność operacyjną.
Kolejny etap związany z rozwiązaniami autonomicznymi wspomaganymi AI uwolnią personel od żmudnych, powtarzalnych czynności, realizując jednocześnie inne zadania. Mogą np. aktywować protokoły bezpieczeństwa i umożliwiać urządzeniom komunikowanie się ze sobą, co pozwala przechwycić więcej informacji, aby zapewnić utrzymanie bezpieczeństwa bez interwencji człowieka. Autonomia pozwoli personelowi skupić się na strategii oraz podjęciu właściwej decyzji.
Ale czy wszyscy jednakowo rozumiemy pojęcie sztucznej inteligencji? Firma Gartner pokusiła się o przybliżenie tematu.
Definicje sztucznej inteligencji
Definicji sztucznej inteligencji (AI) jest wiele. Gartner określa ją jako zastosowanie zaawansowanych technik analitycznych i logicznych, w tym uczenia maszynowego (ML) do interpretowania zdarzeń, wspierania i automatyzacji decyzji oraz podejmowania działań. Definicja ta jest zgodna z obecnym i przewidywanym stanem technologii i możliwości AI. Potwierdza, że wiąże się z analizą probabilistyczną (łączącą prawdopodobieństwo i logikę, aby nieokreśloności przypisać wartość).
Sztuczna inteligencja może wspierać, rozszerzać i automatyzować ludzkie działania na wiele sposobów, uczyć się i działać niezależnie, toteż jej definicje mogą być różne. Aby organizacja mogła wykorzystać jej możliwości, należy jednak sformułować i uzgodnić ogólnie przyjętą definicję określającą, co AI ma osiągnąć. Trzeba zostawić przestrzeń na różnicę zdań, ale upewnić się, że między biznesem, liderami IT (informatykami) oraz ds. danych i analityki nie ma zasadniczych rozbieżności w kwestii znaczenia AI dla organizacji, w przeciwnym razie nie będzie można opracować strategii, która przyniesie korzyści.
Dostawcy technologii AI prawdopodobnie również będą mieli własne definicje tego terminu. Należy poprosić o wyjaśnienie, czy ich oferta wychodzi naprzeciw naszym oczekiwaniom dotyczącym sposobu, w jaki AI będzie dostarczać pożądany efekt.
Co to jest uczenie maszynowe i uczenie głębokie?
Jak podaje Gartner, uczenie maszynowe (machine learning, ML) jest przełomową techniką, która sztucznej inteligencji umożliwia rozwiązywanie problemów. Wbrew powszechnym, błędnym wyobrażeniom (i błędnym potocznym określeniom) maszyny się nie uczą. One gromadzą dane, przetwarzają i obliczają co prawda w coraz bardziej skomplikowany sposób.
Uczenie maszynowe jest dyscypliną analityczną. Stosuje modele matematyczne do danych w celu wydobycia z nich wiedzy, rozpoznania prawidłowości i znalezienia wzorców, które człowiek prawdopodobnie by przeoczył. ML zaleca również działania, ale nie kieruje systemami, aby reagowały bez interwencji człowieka.
Mówiąc precyzyjniej, uczenie maszynowe tworzy algorytm lub formułę statystyczną (zwaną modelem), która przekształca serię punktów danych w pojedynczy wynik. Algorytmy ML „uczą się” poprzez „trening”, podczas którego identyfikują wzorce i korelacje między danymi oraz wykorzystują je do tworzenia nowych wniosków i przewidywań bez konieczności wyraźnego zaprogramowania ich do tego.
Głębokie uczenie (deep learning, DL), odmiana algorytmów uczenia maszynowego, wykorzystuje wiele (coraz głębszych) warstw sztucznych neutronów – algorytmów do rozwiązywania problemów poprzez wydobywanie wiedzy z danych pierwotnych i przetwarzanie ich na każdym poziomie. Głębokie uczenie przewyższa tradycyjne ML (lub techniki płytkiego uczenia) w pracy ze złożonymi i często wielowymiarowymi danymi, takimi jak obrazy, mowa i tekst. Mimo to sztuczna inteligencja oparta na regułach lub tradycyjne ML zapewniają skuteczne rozwiązanie wielu problemów związanych z AI.
W większości organizacji rozwiązania oparte na głębokim uczeniu nie stanowią jeszcze istotnej części mapy drogowej produktów (systemy ML oparte na regułach lub tradycyjne ML potrafią dziś skutecznie wspierać większość przypadków użycia AI), ale ich zastosowanie szybko rośnie wraz z postępem w przetwarzaniu danych i przełomowymi technikami obliczeniowymi.
Wykorzystanie ML, w tym głębokiego uczenia, do przewidywania umożliwia procesowi napędzanemu przez sztuczną inteligencję zautomatyzowanie wyboru najkorzystniejszego wyniku, co eliminuje potrzebę udziału człowieka w podejmowaniu decyzji.
Przyszłość sztucznej inteligencji i technologii AI
Dziedzina sztucznej inteligencji szybko się rozwija dzięki nowym technikom, dedykowanej infrastrukturze i zaawansowanemu sprzętowi. Firma Gartner prognozuje, że w ciągu najbliższych pięciu lat organizacje zaadaptują najnowocześniejsze techniki do inteligentniejszych i bardziej niezawodnych, odpowiedzialnych i zrównoważonych środowiskowo zastosowań AI.
Trajektoria rozwoju AI jest obecnie bardziej zbliżona do trajektorii poprzedzających ją technologii. Dla firm i rządów AI staje się bardziej:
familiarna (oswojona): narzędzia, wiedza i umiejętności informatyczne sprzyjają teraz AI,
(oswojona): narzędzia, wiedza i umiejętności informatyczne sprzyjają teraz AI, skalowalna : AI jest tańsza, a sukces łatwiejszy do osiągnięcia niż kiedykolwiek wcześniej,
: AI jest tańsza, a sukces łatwiejszy do osiągnięcia niż kiedykolwiek wcześniej, użyteczna: liderzy IT i biznesowi częściej rozważają AI jako sposób na ulepszenie aplikacji.
W przyszłości organizacje będą nadal podążać tropem AI, by wzmocnić swoje procesy decyzyjne. Te, które szybko zaadaptują te metody, zwiększą swoją konkurencyjność, staną się bardziej elastyczne i będą lepiej reagować na zmiany w ekosystemie.
Wdrażanie strategii AI pozostaje wyzwaniem dla zespołów zajmujących się infrastrukturą i operacjami. Rozpoczęcie działalności w siedzibie firmy oznacza inwestowanie w infrastrukturę i architekturę, kadry i finansowanie, co może być trudne do przewidzenia i oszacowania. To sprawia, że opcja chmury staje się atrakcyjna, chociaż w miarę wzrostu zapotrzebowania na sztuczną inteligencję i wymagane inwestycje chmura może okazać się zbyt kosztowna (a zobowiązania wobec dostawców chmury bardziej problematyczne). Dlatego tak atrakcyjne jest pojawienie się strategii, które równoważą inwestycje w funkcje chmury z inwestycjami w infrastrukturę (tzw. strategie hybrydowe chmura/on-premises).
W zakresie planowania strategicznego w zakresie AI specjaliści Gartnera wskazali, że do 2025 r. 50% przedsiębiorstw będzie miało opracowane platformy wdrażania AI w porównaniu z ok. 10% w 2020 r., AI będzie główną kategorią wpływającą na decyzje dotyczące infrastruktury ze względu na rozwój rynku AI, co spowoduje dziesięciokrotny wzrost wymagań na moc obliczeniową, 10% rządów będzie wykorzystywać syntetyczną (całościową) populację z realistycznymi wzorcami zachowania do szkolenia AI, unikając jednocześnie obaw związanych z prywatnością i bezpieczeństwem.
Czy przedsiębiorstwa mogą ufać sztucznej inteligencji?
Większość organizacji biznesowych nie zna i nie rozumie wewnętrznych mechanizmów działania sztucznej inteligencji, co stwarza potencjalne obawy dotyczące uczciwości, bezpieczeństwa i prywatności. Nie może ona jednak się rozwijać, gdy firma nie ma zaufania do technik AI, dlatego organizacje potrzebują mechanizmów kontroli i równowagi, aby oceniać i reagować na zagrożenia i szkody oraz zapewniać integralność AI.
Gartner określa ramy zarządzania ryzykiem AI mianem MOST. Składają się one z następujących filarów:
M odel O perations – wspieranie niezawodności, przewidywalności i dokładności AI,
odel perations – wspieranie niezawodności, przewidywalności i dokładności AI, S ecurity – bezpieczeństwo (uniemożliwienie hakerom i złośliwym osobom wewnątrz firmy manipulowanie danymi wejściowymi, aplikacjami i wynikami AI),
ecurity – bezpieczeństwo (uniemożliwienie hakerom i złośliwym osobom wewnątrz firmy manipulowanie danymi wejściowymi, aplikacjami i wynikami AI), Trustworthiness – wiarygodność (wspieranie uczciwości, etyki, dobrobytu społecznego i „odpowiedzialności SI”).
Wraz z upowszechnianiem się AI w przedsiębiorstwie nieuchronnie pojawią się zagrożenia, które spowodują poważne ryzyko organizacyjne. Organizacje muszą proaktywnie je oceniać. W ten sposób mogą zwiększyć zaufanie interesariuszy do AI. Gartner przewiduje, że do 2025 r. regulacje prawne będą wymagały skupienia się na etyce, przejrzystości i prywatności AI, co będzie stymulować, a nie tłumić zaufanie, wzrost i lepsze funkcjonowanie AI na całym świecie.
Czym jest sztuczna inteligencja
Sztuczna inteligencja jest tematem obszernym i szeroko omawianym zarówno w sferze naukowej, publicystycznej, jak i politycznej. Są to działania oparte o modelowanie wiedzy, danych i rozwijanie systemów algorytmów oraz mocy obliczeniowych, co w obecnym stanie techniki pozwala na uzyskanie względnie zautomatyzowanego systemu pozyskiwania, przetwarzania i analizy danych, który daje możliwość samoistnego (autonomicznego) ulepszania systemu lub przewidywania zachowań i działań na podstawie analizy zebranych danych i korelacji między nimi, z możliwością wpływu na środowisko zewnętrzne oraz pozostające z nim w interakcji za pomocą sensorów i siłowników. Interakcje te mogą zachodzić mechanicznie lub z udziałem człowieka w cyklu życia sztucznej inteligencji począwszy od etapu kreacji, rozwoju, wdrożenia, stosowania, aż po etap decyzji o wyłączeniu z pracy i utylizacji.
Warto jednak zaznaczyć, że nie wypracowano prawnej definicji sztucznej inteligencji w ustawodawstwach krajowych i konwencjach międzynarodowych. Podejmowane są próby opisowego podejścia i tak w Polityce dla rozwoju sztucznej inteligencji w Polsce od roku 2020 (Polityka AI) autorzy powołują się na definicję:
Sztuczną inteligencję (ang. Artificial Intelligence – AI) próbuje się definiować jako dziedzinę wiedzy obejmującą m.in. sieci neuronowe, robotykę i tworzenie modeli zachowań inteligentnych oraz programów komputerowych symulujących te zachowania, włączając w to również uczenie maszynowe (ang. machine learning), głębokie uczenie (ang. deep learning) oraz uczenie wzmocnione (ang. reinforcement learning).
Z kolei w raporcie Game-changing technologies: Transforming production and employment in Europe tematyka sztucznej inteligencji jest ujęta w następującym schemacie:
W dokumentach Komisji Europejskiej z kolei sztuczną inteligencję określa się jako:
Systemy (…) zaprojektowane przez ludzi systemy oprogramowania (i ewentualnie również sprzętu), które, biorąc pod uwagę złożony cel, działają w wymiarze fizycznym lub cyfrowym, postrzegając swoje środowisko poprzez pozyskiwanie danych, interpretując zebrane ustrukturyzowane lub nieustrukturyzowane dane, rozumując na podstawie wiedzy lub przetwarzając informacje, uzyskane z tych danych i decydując o najlepszym działaniu (działaniach), jakie należy podjąć, aby osiągnąć dany cel. Systemy AI mogą wykorzystywać reguły symboliczne lub uczyć się modelu numerycznego, a także dostosowywać swoje zachowanie poprzez analizę wpływu poprzednich działań na środowisko.
Jako dyscyplina naukowa AI obejmuje kilka podejść i technik, takich jak uczenie maszynowe (którego konkretnymi przykładami są uczenie głębokie i uczenie wzmacniające), rozumowanie maszynowe (które obejmuje planowanie, harmonogramowanie, reprezentację wiedzy i rozumowanie, wyszukiwanie i optymalizację) oraz robotykę (która obejmuje sterowanie, percepcję, czujniki i siłowniki, a także integrację wszystkich innych technik w systemy cyber-fizyczne).
Istnieje jednak konsensus międzynarodowy w zakresie ujęcia definicji sztucznej inteligencji od strony modelu systemowego, opartego na technicznym nurcie rozwoju modelu inteligentnego agenta. Podejście to sprowadza się do opisu sztucznej inteligencji jako Systemu AI. Polityka AI opiera się na przyjęciu Systemu AI centralnego pojęcia dla technologicznego ujęcia sztucznej inteligencji. Tym samym polska Polityka AI przyjmuje za własną definicję Systemu AI wypracowaną w ramach OECD przez grupę niezależnych ekspertów AIGO (OECD).
System AI według OECD to system oparty na koncepcji maszyny, która może wpływać na środowisko, formułując zalecenia, przewidywania lub decyzje dotyczące zadanego zestawu celów. Czyni to, wykorzystując dane wejściowe, dane maszynowe lub ludzkie do:
postrzegania rzeczywistych lub wirtualnych środowisk,
streszczania takiego postrzegania w modele ręcznie lub automatycznie,
wykorzystywania interpretacji modeli do formułowania opcji wyników.
W schemacie system sztucznej inteligencji składa się z trzech głównych elementów:
czujników (sensorów),
logiki operacyjnej (modeli algorytmów),
siłowników (aparatu wykonawczego).
Czujniki zbierają nieprzetworzone dane ze środowiska, a siłowniki podejmują działania w celu zmiany stanu środowiska. Kluczowa siła systemu sztucznej inteligencji znajduje się w jego logice operacyjnej (modelach algorytmów), która dla danego zestawu celów i na podstawie danych wejściowych z czujników zapewnia ekstrakcje (wynik) dla siłowników – jako zalecenia, przewidywania lub decyzje, które mogą wpłynąć na stan środowiska.
System AI według OECD
