Kaip rašoma pranešime spaudai, bendrovės „Satalia Lithuania“ duomenų mokslininkas Darius Aliulis siūlo susipažinti su pagrindinėmis dirbtinio intelekto srities sąvokomis ir galimybėmis.
Pati dirbtinio intelekto sąvoka tarp mokslininkų ir viešumoje atsirado dar prieš 50-60 metų, o termino bumą per pastarąjį dešimtmetį lėmė itin išaugę duomenų kiekiai, kompiuterių pajėgumai ir, žinoma, rinkodara. Vis dėlto šiandien net tarp skirtingų sričių mokslininkų, ko gero, dar nėra vienybės ir sutarimo, kas yra dirbtinis intelektas. Todėl taikliausia ir saugiausia dirbtinį intelektą būtų vadinti tyrimų sritimi, analizuojančia ir vystančia kompiuterių gebėjimą suvokti aplinką, siekti konkretaus tikslo ir atkartoti žmonėms būdingą elgesį.
Čia atsiranda pirmoji didelė takoskyra tarp dirbtinio intelekto sritį tyrinėjančių mokslininkų, rinkodaros profesionalų ir plačiosios visuomenės: kokie kompiuterių atliekami veiksmai jau laikytini „dirbtiniu intelektu“ ir kokie tėra paprasčiausias automatizavimas? Juk tam tikra prasme elektroninė skaičiavimo mašinėlė irgi analizuoja aplinką (pateiktus duomenis), siekia konkretaus tikslo (pateikti teisingą atsakymą), šiuo požiūriu atkartoja žmonėms būdingą elgesį ir greičiu pranoksta žmogaus gebėjimus. Tik tokio įrankio paprastai nevadiname „dirbtiniu intelektu“.
Net kalbant apie sudėtingesnius įrankius, pvz., mūsų balsą atpažįstančius, suprantančius ir tam tikrus veiksmus atlikti galinčius telefonų „asistentus“, gali kilti klausimas, ar tai yra tiesiog programuotojo parašytas taisyklių rinkinys, ar sudėtingų kompiuterio apmokymo algoritmų ir kitų matematinių metodų sąveikos rezultatas. Taip pat, akivaizdu, kad tokios programėlės žmogui artimu gebėjimų lygiu sprendžia iš esmės vienintelį uždavinį (balso atpažinimą ir elementarias komandas). Apskritai, praktiškai visi šiandienos „dirbtiniu intelektu“ (DI) vadinami įrankiai vis dar patektų į siauros paskirties DI (angl. Artificial Narrow Intelligence; ANI) kategoriją, t.y. jie paprastai geriau už žmogų geba spręsti konkrečius, pavienius, iš anksto žinomus uždavinius ir anksto žmogaus apibrėžtame kontekste. Ir, ko gero, tik ateityje žmonija susidurs su praktinėmis bendrojo DI (angl. Artificial General Intelligence; AGI) arba Super DI (angl. Artificial Super Intelligence) sistemomis, demonstruojančių atitinkamai platų arba viršijantį žmogaus gebėjimų spektrą.
Kadangi dirbtinį intelektą pirmiausia reikėtų suvokti kaip plačią tyrimų ir technologijų sritį, šiame tekste toliau siūlome glaustai susipažinti su pagrindinėmis dirbtinio intelekto (DI) šakomis, terminais ir jų realiomis galimybėmis.
Pagrindinės sritys
Pirmoji didelė, su dirbtiniu intelektu susijusi ir technologijų bendruomenėje populiari sritis yra kompiuterio mokymas (angl. machine learning). Paprastai kalbant, tai yra kompiuterių gebėjimas duomenyse atpažinti dėsningumus, pasitelkiant algoritmus ir matematiką. Populiariausi ir žinomiausi kompiuterių mokymusi grįsti įrankiai yra el. pašto „šlamšto“ gaudyklės, prekių, paslaugų, filmų ar muzikos rekomendacijų sistemos (sutinkami nuo el. parduotuvių iki „Spotify“), sukčiavimo atpažinimo, taip pat klientų praradimo prognozavimo įrankiai, dažnai naudojami telekomunikacijų ir kituose versluose. Tokie įrankiai panaudojant istorinius duomenis yra apmokomi, kokia informacija yra būdinga vienai ar kitai baigčiai (nepageidaujamam laiškui, keisti operatorių linkusiam klientui ir pan.) ir gali pateikti patikimas prognozes susiedami minėtą informaciją su labiausiai tikėtinais, iš anksto numatytais rezultatais. Taip pat, tokios sistemos turi didesnių ar mažesnių gebėjimų pačios apsimokyti atpažinti naujus tam tikrai baigčiai būdingus dėsningumus ir juos įtraukti į savo prognozes. Tiesa, žmogus vis tiek privalo prižiūrėti tokios sistemos apsimokymą: juk turbūt nenorėtumėte, kad, pvz., naujoviškas el. laiško parašas būtų nepelnytai priskirtas šlamšto kategorijai.
Žingsnis toliau žmogui artimesnių gebėjimų link yra giliaisiais neuroniniais tinklais grįstas kompiuterių mokymas (angl. deep learning). Būtent ši sritis ir proveržiai joje lėmė pastarųjų metų susidomėjimą dirbtiniu intelektu. Kitaip negu klasikiniai kompiuterio mokymo modeliai, dirbantys su struktūrintais duomenų stulpeliais ir eilutėmis, gilieji neuroniniai tinklai gali būti efektyviai naudojami ir su abstraktesniais duomenimis: vaizdais, tekstais, garsu bei atlikti tokias užduotis kaip balso atpažinimas telefono ar televizoriaus valdymui, prekių ir paslaugų rekomendacijos, veido atpažinimas ir daugelį kitų. Esminis giliųjų tinklų skirtumas nuo kitų kompiuterių mokymo modelių yra tokio tipo modeliui reikalingi didžiuliai ir brangūs resursai – laikas, specializuota kompiuterinė technika ir kt:. Kitas svarbus giliųjų tinklų skirtumas yra auganti prognozių kokybė didėjant naudojamų duomenų kiekiui: klasikiniu kompiuterių mokymu grįsti sprendimai gana greitai pasiekia galimybių piką. Bet kuriuo atveju, abiejų technologijų rezultatai yra geri ir kokybiški tiek, kiek kokybiški ir reprezentatyvūs yra jų apmokymui naudojami duomenys.
Be to, abi minėtos technologijos, priešingai nei žmogaus protas, nesugebės be priežiūros sėkmingai dirbti su iš anksto nenumatyta naujo tipo informacija: galite kompiuterį idealiai išmokyti atpažinti liūtus, tačiau nemokydami jo atpažinti meškos, įspėjimo apie pavojų taip ir nesulauksite. O plačiai nuskambantys pavyzdžiai apie tai, kaip kitos rasės naudotojai negali veidu atrakinti telefonų, puikiai iliustruoja kompiuterio mokymo modelių prognozavimo kokybės priklausomybę nuo naudojamų duomenų kokybės ir išsamumo (reprezentatyvumo).
Žingsneliu dar arčiau tikrojo dirbtinio intelekto būtų galima laikyti skatinamojo mokymosi (angl. reinforcement learning) sritį. Šio tipo technologijos yra apmokamos sąveikauti su aplinka, duomenis imti ne tik iš „istorinės“, bet ir „gyvos“ aplinkos, iš jos gauti atgalinį ryšį ir pagal tai siekti pageidaujamo rezultato. Sėkmingiausi skatinamojo mokymosi taikymo pavyzdžiai šiandien yra sudėtingi žaidimai (nuo GO iki strateginių kompiuterinių žaidimų Starcraft 2, DOTA ar LoL), tačiau praktiškesnių taikymų galima rasti ir robotikos ar savavaldžių automobilių srityse.
Didžioji skatinamojo mokymosi problema yra itin ilgas kompiuterių apmokymo laikas ir reprezentatyvios aplinkos poreikis. Treniruodami kompiuterius puikiai žaisti GO ar Starcraft 2, technologijų kūrėjai per kelias savaites susimuliuoja šimtus ar tūkstančius metų nepertraukiamo žaidimo. Tai skamba kaip menka bėda virtualiame pasaulyje, net ir savavaldžiai automobiliai dabar treniruojami virtualiose aplinkose. Problema ta, kad simuliaciniame virtualiame pasaulyje neįmanoma iš anksto numatyti visos realaus pasaulio aplinkos, nestandartinių situacijų ir konteksto. Vaizdžiai tariant ir kiek juokaujant, ar esate tikri, kad savivaldis automobilis ar jo „mokytojai“ turi numatę situaciją, kai į perėją išbėga ir sustoja kelio spalvos ir pėsčiųjų perėjos raštais puoštu kostiumu apsirengęs žmogus?
Prie dirbtinio intelekto galima priskirti ir optimizavimo sritį. Šio tipo programos siekia ne „būti apmokytomis“, o rasti optimalų sprendinį ar atsakymą iš anksto suformuotam matemetiniam uždaviniui – tikslo funkcijai. Tokie uždaviniai dažnai sprendžiami logistikos, transporto planavimo, telekomunikacijų ir kitose sferose ir padeda rasti optimalius atsakymus į sudėtingas matematikos problemas – kaip rasti efektyviausią maršrutą tarp dešimčių skirtingų taškų, kaip efektyviausiai ribotoje erdvėje išdėstyti šimtus ar tūkstančius tūrinių figūrų ir pan. Kitaip negu anksčiau minėtose dirbtinio intelekto srityse, optimizavimo metodais sprendžiamų uždavinių žmogus efektyviai išspręsti negali. Paprasčiau kalbant – jei vairuojate geriau nei robotas, tai tikrai neprilygstate kompiuteriui planuodami efektyviausią maršrutą. Vis dėlto nors optimizavimo metodais galime greitai rasti atsakymus geriausių sprendimų priėmimui, tai įmanoma padaryti tik iš anksto suformuotam uždaviniui.
Kas lems tikrą proveržį
Nesupraskite klaidingai – dirbtinio intelekto sritis yra be galo įdomi ir perspektyvi. Vienintelis niuansas yra tai, kad dabartiniai „dirbtiniu intelektu“ vadinami sprendimai žmogaus protą primenančiu intelektu nepasižymi, o šis terminas yra daugiau rinkodaros priemonė nei realus kompiuterių ir sistemų gebėjimas. Kompiuterio mokymo algoritmai, gilieji neuroniniai tinklai, skatinamojo mokymo algoritmai tiesiog sprendžia itin sudėtingus tiksliai apibrėžtus matematinius uždavinius. Šiandienos „dirbtinio intelekto“ esmė supaprastinus yra matematinės funkcijos, konkrečiai informacijai priskiriančios statistiškai labiausiai tikėtiną reikšmę (prognozę). Siaurose ir konkrečiose situacijose tai veikia įspūdingai tiksliai – kompiuteriai atpažįsta vaizdus, supranta tekstų esmę, nusprendžia, kokius veiksmus atlikti toliau. Tačiau visa tai kol kas išlieka apribota iš anksto žmonių numatytose, žinomose ir standartinėse situacijose.
Per pastaruosius 50 metų milijardus kartų išaugo tiek turimų duomenų kiekiai, tiek jų kokybė, tiek kompiuterių skaičiavimo pajėgumai – trys pagrindinės prielaidos dirbtiniam intelektui. Tobulėjo ir modeliai bei metodai. Todėl tikėtina, kad naujų ir didelių proveržių dirbtinio intelekto srityje padės pasiekti visų šių faktorių sintezė: tiek nauji moksliniai metodai, tiek naujos kartos kompiuteriniai pajėgumai. Giliaisiais neuroniniais tinklais pagrįsti sprendimai jau dabar ribotai sugeba spręsti tokius žmogaus elgesį primenančius uždavinius kaip keleto temų palaikymas vienu pokalbio metu, grįžimas prie nebaigtos temos ir pan. Kita vertus, tebėra milžiniškas skirtumas tarp to, kaip elektroniškai veikia kompiuteriai ir mūsų smegenys. Tad tikėtina, kad „tikrojo dirbtinio intelekto“ proveržio galima laukti būtent visiškai naujos kartos kompiuterinės įrangos eroje, derinant ją su naujausiais algoritmų, matematikos, informatikos, duomenų mokslo ir kitų mokslo sričių pasiekimais.
