Czy przyszłość jest robotem, czyli jak okiełznać sztuczną inteligencję?

Czy przyszłość jest robotem, czyli jak okiełznać sztuczną inteligencję?

Czy przyszłość jest robotem, czyli jak okiełznać sztuczną inteligencję?
Źródło zdjęć: © Materiały prasowe
11.09.2019 16:44, aktualizacja: 11.09.2019 17:35

Co zrobić, żeby w przyszłości nie zastąpiły nas roboty? Jak poradzić sobie z pojawiającymi się praktycznie codziennie nowinkami medialnymi o kolejnym zawodzie, któremu grozi robotyczna apokalipsa? Czy jest jeszcze szansa, żeby roboty zostawiły ludzi i ich pracę w spokoju? I czy naprawdę jest się czego bać?

Co chwilę każdy z nas słyszy, jak to sztuczna inteligencja pokonuje kolejną granicę poznawczą, do tej pory zarezerwowaną tylko dla ludzkiego eksperta. Wiemy już, że sieci neuronowe potrafią rozpoznawać komórki rakowe lepiej niż radiolodzy, tłumaczyć symultanicznie słowa między językami, używając głosu rozmówcy czy sprawniej oceniać prawne ryzyko związane z podpisywanymi umowami.

Tempo rewolucji, którą napędza sztuczna inteligencja, rośnie wykładniczo z każdym dniem, kiedy maszyny zyskują dostęp do nowych pokładów cyfrowych danych. Rewolucja ta napędzana jest zarówno rosnącą liczbą gigabajtów zawierających “ropę naszych czasów”, czyli dane, jak również chęcią uproszczenia i zautomatyzowania powtarzalnych procesów.

Trend ten szczególnie widać na przykładzie tzw. Robotic Process Automation (RPA), które polega de facto na zastąpieniu żmudnej biurowej pracy automatycznym (ro)botem. Uczy się on na bazie działań użytkownika, jak uzupełniać tabele, wypełniać dokumenty, czy powielać inne ludzkie działania.

Co ważne, w kontekście wielu (jeśli nie wszystkich powyższych) zastosowań AI, osiągnięcie tak zdumiewających rezultatów było możliwe głównie dzięki wytężonej pracy zbierających i opisujących danych. Dzieje się tak, ponieważ zaawansowane algorytmy uczenia maszynowego, takie jak sztuczne sieci neuronowe, na których oparta jest dzisiejsza sztuczna inteligencja, do prawidłowego funkcjonowania potrzebują setek tysięcy danych.

Dane te, żeby mogły być efektywnie wykorzystane, muszą posiadać opis, tzw. adnotacje. Tylko w ten sposób nadzorowane algorytmy uczenia maszynowego (ang. supervised machine learning) są w stanie wydobyć ukryte w nich wzorce i zastosować je w kolejnych działaniach, tak jakby robił to człowiek. Tak więc, czy sztuczna inteligencja rzeczywiście jest tak inteligentna, skoro potrzebuje setek tysięcy zdjęć krzesła, żeby zrozumieć, że to obiekt, na którym można usiąść?

Uczenie ze wzmocnieniem - Święty Graal, czy ślepy zaułek AI?

Na szczęście naukowcy zajmujący się badaniami dotyczącymi sztucznej inteligencji zrozumieli to ograniczenie nadzorowanych metod uczenia maszynowego i zaproponowali inne podejście, bazujące na odłożonej w czasie funkcji kary czy nagrody. Uczenie ze wzmocnieniem, bo o nim mowa, pozwala uniknąć zapotrzebowania na adnotacje danych, w zamian proponując prostą logikę: zamiast pokazywać tysiąc zdjęć krzesła, a następnie zaprogramować AI, żeby po znalezieniu krzesła na nim usiąść, pozwólmy algorytmom samemu nauczyć się, co jest krzesłem a co nie, serwując im nagrodę, jeśli uda im się usiąść.

To oczywiście bardzo ogólny i pomijający wiele aspektów opis uczenia ze wzmocnieniem (ang. reinforcement learning), natomiast z grubsza tłumaczy on, np. jak naukowcy z DeepMind stworzyli algorytm AlphaGo, który jako pierwszy program pokonał w 2015 roku profesjonalnego gracza Go – uważanej za jedną z najtrudniejszych gier planszowych świata.

Jest jednak pewien problem - żeby prawidłowo nauczyć algorytm (np. siadać na krześle), należy z jak największą dokładnością zamodelować ten proces, określając parametry świata takie jak działanie sił grawitacji, elastyczność obiektu czy miejsca zgięcia. Zbudowanie odpowiedniego modelu czy symulacji często zajmuje stosunkowo dużo czasu. Z drugiej strony jest później źródłem nieskończonej ilości rozwiązań, na bazie których algorytmy uczą się podejmować decyzję.

Co z naszą pracą?

No dobrze, ale co z naszą pracą? Czy powinniśmy zacząć martwić się o nią już dziś? Czy przed wyborem kierunku studiów czy tematu szkolenia nie powinniśmy zadawać sobie pytania: jak szybko wygryzą nas w tym roboty?

Sztuczna inteligencja, jak każda inna technologia, przynosi zmiany. Zmiany w naszym życiu codziennym (predykcja ruchu pojazdów w celu lepszej nawigacji po mieście, lepsza diagnostyka czy leczenie) i zawodowym (automatyzacja procesów biurowych, tłumaczeń, czy akcji marketingowych). Jednak patrząc w przeszłość, każdy przełom technologiczny, czy to samochód, telefon czy mikroprocesor, oprócz szeregu prac, które optymalizował czy eliminował, tworzył szereg kolejnych, które pozwalały na bazie technologii rozwijać się kolejnemu rynkowi albo kolejnym produktom i usługom.

Telefonia komórkowa, która zrewolucjonizowała sposób komunikacji międzyludzkiej, oprócz wyeliminowania prac telegrafistów czy łączników, stworzyła miliony miejsc pracy dla tworzących aplikacje mobilne czy rozwijających systemy oparte o dane. Podobnie w przypadku AI - nauczymy się jako ludzie na bazie nowopowstałych narzędzi wspieranych przez algorytmy budować nowe gałęzie przemysłu, generować nowe źródła przychodu, a co za tym idzie, nowe miejsca pracy.

Nie ma się więc czego bać - wiedza i umiejętność dostosowania swojej ekspertyzy do potrzeb rynku jest koniec końców częścią niesamowitej mocy adaptacyjnej naszego gatunku, który skolonizował jak żaden inny gatunek praktycznie wszystkie zakątki świata, a teraz wybiera się w podbój kosmosu.

Zamiast bać się AI, inspirujmy się rozwiązaniami, które AI pomaga nam budować. A jeśli dojdziemy do punktu, gdzie rzeczywiście skończy się praca dla nas, to może wtedy będzie trzeba sobie odpowiedzieć na najważniejsze pytanie, zadane już lata temu w kultowym filmie „Chłopaki nie płaczą”: „Co tak naprawdę chcielibyśmy robić?”. A potem zacznijmy to robić.


Autor: Dr inż. Tomasz Trzciński - jeden z głównych wykładowców Studiów Podyplomowych Biznes.ai: Technologia, Prawo, Zastosowanie Sztucznej Inteligencji na Akademii Leona Koźmińskiego w Warszawie oraz adiunkt w Zakładzie Grafiki Komputerowej Instytutu Informatyki Politechniki Warszawskiej. Był wykładowcą na Uniwersytecie Stanforda, pracował m.in. w Google, Qualcomm, Telefonice – obecnie jest współwłaścicielem firmy Tooploox, gdzie kieruje zespołem zajmującym się uczeniem maszynowym. W 2016 r. znalazł się na liście New Europe 100 – innowatorów i liderów pozytywnych zmian z krajów Europy Środkowo-Wschodniej.

Do 15 września trwa rekrutacja na Studia Podyplomowe Biznes.ai: Technologia, Prawo, Zastosowanie Sztucznej Inteligencji na Akademii Leona Koźmińskiego w Warszawie. To zupełnie unikatowy, interdyscyplinarny kierunek dla managerów i specjalistów z różnych branż, mający na celu przekazanie praktycznej wiedzy z zakresu funkcjonowania, wdrażania oraz wykorzystywania mechanizmów sztucznej inteligencji. Więcej informacji i zapisy na www.biznes.ai

Oceń jakość naszego artykułuTwoja opinia pozwala nam tworzyć lepsze treści.
Wybrane dla Ciebie
Komentarze (1)