Sztuczna inteligencja potrzebuje człowieka
3 rady jak zapanować nad inteligentnymi algorytmami
Według jednego z największych umysłów współczesnych czasów, zmarłego w marcu Stephena Hawkinga, głównym wyzwaniem związanym ze sztuczną inteligencją jest sposób kontrolowania jej przez człowieka. Obawy dotyczące tej technologii potwierdzają wyniki badania SAS, w których niespełna połowa (47%) respondentów stwierdziła, że czuje się komfortowo, współpracując z firmami korzystającymi z AI. Twórcy rozwiązań wykorzystujących sztuczną inteligencję zwracają uwagę na fakt, że wymagają one nadzoru specjalistów, którzy wezmą odpowiedzialność za ich działanie.
(2 lipca 2018 r.) – Mimo że matematyczne modele sieci neuronowych opracowano w latach 40-tych ubiegłego wieku, analitycy musieli pokonać wiele przeciwności zanim algorytmy AI zaczęły prześcigać człowieka w coraz to nowych dyscyplinach. Wciąż trudno mówić o istnieniu sztucznej inteligencji, której sposoby „myślenia” byłyby choćby zbliżone do ludzkich. Obecnie AI jest wykorzystywana w ściśle określonych obszarach. Przykładowo system, który nauczył się gry w szachy nie będzie umiał postawić pasjansa. Zdaniem Daniela Dennetta niekontrolowany rozwój sztucznej inteligencji mógłby doprowadzić do utraty przez ludzi zdolności rozumienia. Amerykański filozof i kognitywista, zajmujący się m.in. ewolucją umysłu, twierdzi, że AI powinna być narzędziem, a nie kolegą. W jego opinii, gdy pozwolimy maszynie mieć swoje własne plany, cele, dążenia, może się okazać, że zacznie prowadzić działania, które będą dla nas niekorzystne lub których sobie nie życzymy.
Inwestycje w AI mimo obaw
Wiele obaw związanych ze sztuczną inteligencją wynika z braku zrozumienia, czym jest ta technologia, jaki jest stopień jej zaawansowania i jak wiele możemy od niej oczekiwać. Eksperci SAS, lidera analityki biznesowej i rozwiązań z zakresu AI, zwracają uwagę na fakt, że technologia ta potrzebuje bardzo dużej ilości danych oraz mocy obliczeniowej, niezbędnej do ich przetworzenia – dlatego efekty jej działania obserwujemy dopiero od kilku lat. To człowiek zasila system informacjami i wprowadza parametry wejściowe. Na obecnym etapie rozwoju sztuczna inteligencja nie wyręczy go we wszystkich procesach decyzyjnych. Natomiast niezwykle prawdopodobne jest, że w przyszłości będzie nas wspierać w czynnościach, które sami uznamy za uciążliwe lub nudne, jak np. tłumaczenia (namiastką czego jest obecnie Google Translate).
Obawy związane ze sztuczną inteligencją nie wstrzymują jej rozwoju. Zgodnie z przewidywaniami ośrodka badawczego Markets & Markets, w latach 2017 – 2023 wartość technologii opartej na sztucznej inteligencji będzie rosła o około 36% rok do roku.
Jak zapanować nad sztuczną inteligencją
Specjaliści z SAS wskazują 3 kroki, które pozwolą zapanować nad sztuczną inteligencją.
Zapewnienie dobrej jakości danych – algorytmy sztucznej inteligencji są tworzone w oparciu o dane. Jeżeli jest ich zbyt mało lub są nieprawdziwe, system będzie prezentował błędne rezultaty. Analitycy muszą również brać pod uwagę, że ktoś, celowo lub przypadkiem, zasili system fałszywymi informacjami, przez co wpłynie na działanie algorytmów AI.
Odpowiedni nadzór – projekty związane ze sztuczną inteligencją wymagają stworzenia odpowiedniej polityki i ustalenia, kto będzie sprawował nad nimi nadzór. Algorytmy AI wymagają regularnych audytów m.in. po to, aby upewnić się, że nie stały się one tendencyjne.
Przewidywanie skutków działania sztucznej inteligencji – algorytmy sztucznej inteligencji rozwijają się same na podstawie analizy dostarczonych danych. Jednak bieżąca kontrola może być niewystarczająca. Należy upewnić się, że systemy wykorzystujące AI działają nie tylko efektywnie, ale dbają również o jakość, postępują zgodnie z zasadami etyki, a cele, które przed nimi stawiamy wzajemnie się nie wykluczają.
Przyszłość sztucznej inteligencji
Potrzebę zapanowania nad sztuczną inteligencją dostrzegają również władze międzynarodowe. Do końca 2018 roku Komisja Europejska przygotuje kodeks etyki, który ma obowiązywać organizacje rozwijające sztuczną inteligencję. Nie oznacza to jednak spowolnienia prac nad AI. Władze Unii Europejskiej chcą, aby do końca 2020 roku nakłady na badania i innowacje w sektorze publicznym i prywatnym dotyczące sztucznej inteligencji zwiększyły się o co najmniej 20 mld euro.
Ogromne inwestycje w sztuczną inteligencję nie mogą dziwić, gdyż korzyści wynikające z wykorzystania tej technologii są nie do przecenienia m.in. automatyzacja procesów czy poprawa jakości i personalizacja kontaktu z klientem (tzw. Customer Intelligence). Przykładem pierwszego zastosowania jest eksperyment przeprowadzony w Chinach, polegający na uruchomieniu fabryki prawie w całości obsługiwanej przez roboty. Projekt okazał się sukcesem, gdyż w placówce odnotowano mniej błędów i wzrost wydajności. Innym ważnym obszarem zastosowania AI jest medycyna, gdzie już dziś maszyna jest w stanie wykrywać na zdjęciach diagnostycznych różne formy nowotworu ze skutecznością dorównującą doświadczonym radiologom.
Źródło: 3 essential steps for AI ethics
Autor: SAS Institute
Jak się uczy sztuczna inteligencja
W niemal każdej dyskusji dotyczącej sztucznej inteligencji pojawiają się sformułowania: uczenie maszynowe i uczenie głębokie. Bywa wręcz, że wszystkie te zwroty funkcjonują zamiennie, co świadczy o niezrozumieniu tematu przez używające ich osoby.
Sztuczna inteligencja, uczenie maszynowe i uczenie głębokie to ostatnimi czasy bardzo modne biznesowo pojęcia. Dziedziny te stały się na tyle ważne, że technologiczni giganci skłonni są płacić spore pieniądze za przejmowanie startupów zajmujących się ich rozwojem. Przykładem może być brytyjski startup Deep Mind, za którego swego czasu Google zapłacił ponad 400 milionów dolarów i wdrożył do swoich usług opracowaną przez niego technologię rozpoznawania twarzy i głosów.
Najbardziej ogólnym pojęciem jest sztuczna inteligencja. Obejmuje ono tworzenie modeli inteligentnych zachowań, które mogą być używane w programach komputerowych, np. botach rozmawiających z klientem odwiedzającym stronę internetową, które będą naśladowały przejawy ludzkiej inteligencji. W ten sposób rozwiązuje się problemy, których nie da się rozwiązać użyciu standardowych, klasycznych algorytmów. Przykładowym zastosowaniem sztucznej inteligencji jest podejmowanie decyzji w warunkach niepewności, analiza zdjęć, mowy, języków naturalnych itp.
Zobacz również:
Już z tej pobieżnej, uproszczonej definicji wynika jasno, że machine learning i deep learning są elementami wchodzącymi w skład sztucznej inteligencji, bez których ta nie byłaby w stanie istnieć.
Jednak zarówno uczenie maszynowe, jak i głębokie nie są w jakimkolwiek sensie same z siebie sztuczną inteligencją, a jedynie jej częścią. Innymi słowy, sztuczna inteligencja jest wierzchnią warstwą, która „przykrywa” dwie wymienione składowe.
Uczenie maszynowe
Skoro już wiemy, że deep learning i machine learning są jedynie elementami sztucznej inteligencji, przejdźmy do różnic pomiędzy nimi. Najprostsza definicja uczenia maszynowego mówi, że jest to technologia, która – zamiast precyzyjnie programować komputery – uczy je wykonywania zadań na podstawie analizy danych i otrzymanych wyników.
Proces uczenia maszynowego bazuje na następujących krokach:
wprowadzeniu źródła danych do algorytmu,
użycia tych danych do uzyskania rezultatu,
porównania rezultatu z danymi kontrolnymi,
zapamiętania rezultatów i użycia ich do kolejnej iteracji związanej z przetwarzaniem wprowadzonego zbioru danych.
W ten sposób tworzymy sprzężenie zwrotne, które w kolejnych iteracjach ukierunkowuje algorytm na odniesienie sukcesu (czyli znalezienia prawidłowego lub najbliższego prawdzie wyniku) związanego z analizą wprowadzonych danych.
Algorytmy w uczeniu maszynowym nazywa się algorytmami uczącymi. W odróżnieniu od klasycznych algorytmów, które opisują konkretną sekwencje następujących po sobie instrukcji, algorytmy uczące tworzą model zawierający jedynie listę instrukcji do wykonania na podstawie analizy przekazanych im danych uczących. Proces tworzenia wiedzy o rozwiązaniu nazywamy uczeniem, a w wyniku realizacji tego procesu budujemy model danych.
Użyte dane mogą być ustrukturyzowane, czyli powiązane relacjami np. z relacyjnej bazy danych, pół-strukturalne, najczęściej o płaskiej reprezentacji w formie tabeli i nieustrukturyzowane. Do tych ostatnich zalicza się dane multimedialne, takie jak wideo, zdjęcia, dźwięk, strony internetowe, dokumenty tekstowe, e-maile, a także dane otrzymane z systemów internetu rzeczy.
Algorytmy uczenia maszynowego dzieli się na nadzorowane, z tzw. nauczycielem, w których dane szkoleniowe są oznaczone etykietami z odpowiedziami; częściowo nadzorowane, gdzie etykietę ma jedynie niewielka część danych używanych do szkolenia; oraz nienadzorowane (bez nauczyciela), w których algorytm nie ma dostępu do prawidłowych odpowiedzi.
Dodatkowo wyróżnia się tu uczenie na bieżąco z wykorzystaniem danych uczących zawartych w strumieniu danych, gdzie sekwencja danych ulega ciągłej zmianie oraz uczenie ze wzmocnieniem. W tym wypadku model jest iteracyjnie poprawiany na podstawie wzmocnienia (nagrody), które jest miarą oceny jakości działania modelu – wzmocnienie to zwykle dokonywane jest przez nadzorującego proces uczenia człowieka.
W najczęściej wykorzystywanym uczeniu nadzorowanym istotny jest podział zestawu danych na podzbiory do celów szkolenia, walidacji i testowania. Najczęściej przypisuje się 80% danych do zestawu danych szkoleniowych, a po 10% do zestawu danych sprawdzania poprawności wyników (walidacji) i testów. Większość szkolenia odbywa się na podstawie zestawu danych szkoleniowych, a prognozowanie – na podstawie zestawu danych walidacyjnych.
Prognozowanie na podstawie zestawu danych testowych jest zwykle wykonywane na ostatecznym modelu. Jeśli zestaw danych testowych nigdy nie był używany do treningu, nazywany jest zestawem danych przetrzymania.
Istotnym pojęciem jest zadanie uczenia maszynowego, będące abstrakcyjnym opisem problemu, który możemy rozwiązać przy użyciu uczenia maszynowego. Zadania uczenia maszynowego nazywa się też często mianem problemów uczenia maszynowego. Obecnie wyróżnia się następujące zadania: klasyfikację, czyli przyporządkowanie klas do obiektów pochodzących z naszego zbioru danych; regresję, a więc przyporządkowanie obiektom wartości liczbowych; klasteryzację, gdzie chodzi o grupowanie obiektów o podobnych cechach.
Ponadto uczenie maszynowe wykorzystywane jest do wykrywania relacji pomiędzy zmiennymi opisującymi obiekty (reguły asocjacyjne). Stosuje się je też w redukcji wielowymiarowości, czyli obniżeniu liczby używanych atrybutów pochodzących ze zbioru uczącego, na przykład w celu optymalizacji procesu uczenia, gdyż przy mniejszej ilości cech łatwiej znaleźć te, które najbardziej wpływają na wynik.
Głębokie uczenie
Głębokie uczenie jest formą uczenia maszynowego, w której trenowany model ma więcej niż jedną ukrytą warstwę pomiędzy wejściem a wyjściem danych. W większości wypadków pod pojęciem deep learningu rozumie się po prostu wykorzystanie do uczenia maszynowego głębokich, a wiec zawierających szereg ułożonych „jedna na drugiej” warstw sieci neuronowych. Istnieje jednak kilka algorytmów, które realizują głębokie uczenie przy użyciu innych rodzajów ukrytych warstw nie będących sieciami neuronowymi.
Dane zazwyczaj przetwarzane są w jednym kierunku – od warstwy wejściowej, poprzez warstwy ukryte, aż do uzyskania ostatecznego wyniku w warstwie wyjściowej (patrz: schemat obok). Możliwe są również inne konfiguracje, jak np. w rekurencyjnych sieciach neuronowych, które znajdują zastosowania w rozpoznawaniu mowy, obrazów i tłumaczeń tekstów. W takich sieciach połączenia pomiędzy neuronami z różnych warstw mogą tworzyć cykle.
Główną zaletą sieci głębokiego uczenia jest to, że nie potrzebują one uporządkowanych, zaetykietowanych danych. Głębokie sieci neuronowe przesyłają dane wejściowe przez swoje kolejne warstwy, przy czym każda warstwa sieci hierarchicznie definiuje określone cechy wprowadzonych do niej danych.
W podobny sposób działa ludzki mózg przy rozwiązywaniu problemów – w celu znalezienia odpowiedzi przekazuje zapytania do rożnych obszarów mózgu odpowiadające za różne hierarchie pojęć. Po przetworzeniu danych przez poszczególne warstwy w głębokiej sieci neuronowej, system znajduje odpowiednie identyfikatory, które pozwalają sklasyfikować przetwarzane dane.
Uczenie sieci neuronowej realizowane jest najczęściej za pomocą spadku gradientowego i algorytmu propagacji wstecznej. Wagi połączeń pomiędzy neuronami są modyfikowane w trakcie kolejnych iteracji tak, aby zmniejszać popełniany przez sieć błąd, czyli minimalizować tzw. funkcję kosztu. W tej metodzie uczenia należy korzystać ze specjalnego zbioru treningowego danych, dla którego algorytm uczenia dobierze ustawienia minimalizujące zapisaną w nim funkcję kosztu. Funkcję tę oczywiście można zmieniać, jeśli uzyskiwane wyniki nie są zadowalające.
W ten sposób wychodząc od relatywnie prostych danych wejściowych można stopniowo otrzymywać coraz bardziej złożone, wysokopoziomowe informacje – np. rozpoznawać osoby na zdjęciach, podczas gdy na wejściu mamy po prostu piksele. W trakcie procesu uczenia sieć neuronowa może nauczyć się pewnych złożonych zależności występujących w danych wejściowych. Innymi słowy, część neuronów sieci aktywuje się tylko w momencie, gdy w danych wejściowych występują pewne określone, wyuczone wzorce.
W sieciach głębokich neurony w poszczególnych warstwach uczą się wykrywania pewnych nieoczywistych, złożonych właściwości danych, które użyte zostały w procesie uczenia. W kolejnych warstwach te prostsze właściwości agregowane są w bardziej skomplikowane struktury, dzięki czemu na wyjściu z systemu można uzyskiwać bardzo złożone analizy.
Jest to jedna z najważniejszych cech decydujących o sukcesie głębokiego uczenia. W wypadku standardowego uczenia maszynowego potrzebna jest bowiem ingerencja człowieka, który często musi dysponować dużą wiedzą z danej dziedziny. To człowiek – inżynier, analityk, naukowiec – jest odpowiedzialny za właściwe dobranie atrybutów do obiektów występujących w danych, aby metoda uczenia maszynowego dobrze zadziałała. W deep learningu algorytmy same uczą się najważniejszych, złożonych cech związanych z dostarczanymi do nich danymi.
Dzięki temu algorytmy sztucznej inteligencji bazujące na głębokim uczeniu do pewnego stopnia zaczynają zastępować człowieka, niemniej wymagają znacznie większej mocy obliczeniowej – m.in. w tym celu wykorzystuje się akceleratory obliczeniowe bazujące na układach graficznych.
Uczenie maszynowe i głębokie - zastosowania
Algorytmy sztucznej inteligencji z zaimplementowanymi mechanizmami uczenia maszynowego I głębokiego uczenia stosowane są obecnie wszędzie – począwszy od prostych botów na stronach internetowych, poprzez asystentów głosowych, takich jak Siri, systemy rozpoznawania znaków drogowych wspomagające kierowców i systemy automatycznego tłumaczenia, po oprogramowanie pojazdów autonomicznych i oprogramowanie zarządzające lotem oraz śledzeniem celów w myśliwcach F35.
W biznesie, a ściślej w marketingu, algorytmy uczenia maszynowego i głębokiego uczenia wykorzystuje się do personalizacji treści reklamowych, proponowania materiałów i produktów, które mogą zainteresować daną osobę czy śledzenia zachowań konsumenckich. Uczenie maszynowe i deep learning pozwalają na analizowanie dużych ilości złożonych danych, a także danych strumieniowych, np. zbieranych na bieżąco z mediów społecznościowych i wyciągania wniosków, w tym również prowadzenia analiz predykcyjnych, będących w tak krótkim czasie poza zasięgiem człowieka. Dzięki temu można podejmować trafne decyzje i ukierunkowywać działania.
Algorytmy uczenia maszynowego potrafią też ustalać priorytety i automatyzować podejmowanie decyzji, a także sygnalizować szanse i wskazywać właściwe działania, które należy natychmiast podjąć. Dlatego od wielu lat są one częścią w zasadzie wszystkich systemów analityki biznesowej, a także systemów bezpieczeństwa IT, gdzie w ten sposób można wykryć zagrożenia typu zero-day.
Sztuczna inteligencja jako pomysł na budowanie lojalności klientów
W dzisiejszym świecie niemal na każdym kroku mamy do czynienia ze sztuczną inteligencją. Może ona ułatwiać życie, wspomagać nas podczas codziennych, często powtarzalnych czynności czy sugerować nowe, lepsze rozwiązania dla dotychczasowych aktywności. AI ma jednak zdecydowanie szersze zastosowanie, niż mogłoby się wydawać. Prawdziwym oceanem możliwości dla sztucznej inteligencji jest bowiem świat biznesu, a w szczególności programów lojalnościowych.
Istota programów lojalnościowych
Tworząc własny biznes większość przedsiębiorców stara się zdobyć lojalnych klientów. Jest to stanowczo bardziej efektywne niż pozyskiwanie jednorazowych kontrahentów. W podtrzymywaniu retencji świetnie sprawdzają się wszelkiego rodzaju programy lojalnościowe.
Co tak naprawdę dają? Przede wszystkim wywołują pewnego rodzaju przywiązanie konsumenta do produktu czy usługi danej firmy. Im bardziej klienci zaufają konkretnej firmie, tym chętniej dokonują zakupu, co przekłada się na większy zysk.
Aktualnie na rynku możemy odnaleźć wiele różnorodnych rodzajów programów lojalnościowych. Najbardziej popularne to kupony, rabaty i nagrody przyznawane w zamian za wykonanie zdefiniowanych przez nas akcji. Przede wszystkim chodzi o motywację skłaniającą klienta do jak najczęstszych zakupów.
Warto jednak zauważyć, że obecnie z pomocą w budowaniu lojalności klientów spieszy marketerom nowoczesna technologia. Jednym z najbardziej przydatnych „pomocników” jest aktualnie sztuczna inteligencja.
Sztuczna inteligencja w programach lojalnościowych
Jak to działa? Programy lojalnościowe umożliwiają gromadzenie ogromnych ilości danych na temat klientów. Po dokonaniu zakupu sztuczna inteligencja może skojarzyć, jakie produkty zostały nabyte i przypisać je do spersonalizowanego profilu użytkownika. Mając dostęp do takich informacji możemy mieć realny wpływ na kolejne wybory konsumenckie.
Wszystko dzięki uczeniu maszynowemu. Sztuczna inteligencja analizuje i zapamiętuje wybory, jakie podejmuje dany konsument i buduje przepastne bazy danych zawierające informacje o klientach. Dzięki temu sprzedawcy mają dostęp do kompletu danych na temat zachowań i preferencji, a odbiorcy otrzymują spersonalizowaną ofertę zachęcającą do zakupu.
To coś więcej niż analiza danych…
Uczenie maszynowe nie polega jednak na samym przetwarzaniu i analizowaniu posiadanych danych. Jest to dużo bardziej złożony proces, który ma na celu przewidzieć, czego potrzebuje konkretny konsument oraz jakich produktów może oczekiwać w dalszej przyszłości. Sztuczna inteligencja musi w jak największym stopniu „zrozumieć” klienta i dopasować swoje algorytmy do jego wymagań.
Rzecz jasna – algorytmy używane przez sztuczną inteligencje nie są nieomylne. Mimo, że komputer cały czas się „uczy”, to proces ten nieustannie powinien kontrolować człowiek, który może lepiej zrozumieć otrzymane dane i informacje o kliencie. Niewątpliwie jednak korzystając ze sztucznej inteligencji jest to o wiele łatwiejsze, niż gdyby wszystkie dane były uzyskiwane ręcznie przez człowieka.
Zdolność dostrzegania wzorców postępowania i rozumienia zachowań konsumenckich to coś, co pomaga specjalistom od marketingu zdobyć informacje niezbędne do lepszego segmentowania klientów. Trzeba jednak pamiętać, że uczenie maszynowe nie może zastąpić żywych marketerów. Sztuczna inteligencja jest bowiem narzędziem, które działa tylko wtedy, gdy jest połączone z ludzką wiedzą i analizą. Taki analityczny tandem jest niezwykle efektywny i pozwala stanowczo łatwiej osiągnąć wyznaczone cele.
Korzystanie z uczenia maszynowego w połączeniu ze sztuczną inteligencją ma za zadanie zmniejszyć ilość domysłów na temat tego, czego klienci mogą potrzebować. Użyte technologie mają pomóc przewidzieć czego konkretnie oczekują. Takie działania, jeśli są prawidłowo wykorzystywane, mogą w znacznym stopniu usprawnić działanie programów lojalnościowych.
W przypadku programów lojalnościowych sztuczna inteligencja może też przeanalizować sposób dokonywania zakupów i zaproponować klientom ofertę, która będzie ich motywować do podejmowania kolejnych akcji. Dzięki wiedzy na temat konsumenckich przyzwyczajeń można określić, jakie promocje czy prezenty będą najlepszym sposobem na uszczęśliwienie klienta. A szczęście często przekłada się na zwiększoną lojalność do danej firmy, produktu czy usługi.
Jak to działa w praktyce? Kilka przykładów
Najczęściej spotykanym sposobem zachęcenia do zakupu jest obsługa porzuconego koszyka. Gdy szukamy w sklepie internetowym jakichś przedmiotów, ale proces nie zakończy się dokonaniem zakupu możemy zostać zachęceni do kupna. Zazwyczaj jest to wiadomość informująca, że jeśli zdecydujemy się na zakup wcześniej przeglądanego produktu, to otrzymamy dodatkowe korzyści, najczęściej rabat. W ramach tej taktyki sztuczna inteligencja proponuje rzeczy, którymi konsument był już zainteresowany, a jednocześnie oferuje nieco niższą cenę, co jeszcze bardziej może zachęcić do finalizacji transakcji.
Źródło: ehandelmag
Innym, bardziej zaawansowanym sposobem pozwalającym zbudować grupę lojalnych klientów jest proponowanie dedykowanych akcesoriów do zakupionego produktu. Otrzymując taką ofertę klient może dostrzec, że nam na nim zależy, a wiadomość jest do niego idealnie dopasowana. Dzięki temu możemy zachęcić do ponownego zakupu w sklepie poprzez przewidywania, czego konsument może potrzebować.
Źródło: ehandelmag
Kolejnym sposobem budowania lojalności jest oferowanie kupionych wcześniej produktów, których klient może ponownie potrzebować. Często taki przekaz jest połączony z dodatkowym rabatem na ponowne zakupy. Dzięki temu konsumenci mogą poczuć się zaopiekowanymi przez markę oraz, przede wszystkim, otrzymać potrzebny im produkt w korzystnej cenie.
Źródło: własne, mail od drtusz.pl
Sztuczna inteligencja wraz z uczeniem maszynowym są bardzo pomocne nawet na wczesnym etapie rozwoju programów lojalnościowych. Dzięki nim możliwe jest podjęcie bardziej efektywnych działań, które będą precyzyjnie dopasowane do konkretnego klienta. Pokazuje to, że sztuczna inteligencja może być niezwykle przydatnym narzędziem w prowadzeniu biznesu, dlatego warto zawczasu się nią zainteresować.
