Jak funguje dnešní umělá inteligence?

V článku Příběh Blakea Lemoinea: Proč Google vyhodil AI inženýra? jsme vysvětlili, co dnešní umělá inteligence zatím neumí – není schopna stoprocentně samostatně logicky myslet, není schopna samostatně cítit. 

Chcete-li hlouběji pochopit, jak funguje umělá inteligence, zaměřte se pojmy a zkratky z následujícího obrázku. V článku si některé vysvětlíme.

Proč je tak důležité pochopit, jak umělá inteligence funguje? 

Kromě nadšených pozitivních ohlasů se najdou i skeptici, kteří upozorňují na chyby a nedokonalost stávajících systémů (domácí úkoly, generování vědeckých abstraktů, dezinformační kampaně…).

• Každý uživatel umělé inteligence by si měl uvědomovat limity nynější umělé inteligence.
• Každý tvůrce umělé inteligence by měl uživatele upozornit na její limity. Určit pro jaké účely může být použita. Určit a ošetřit, na co nesmí být využita.

Klasické programování versus umělá inteligence

Programy, které používají klasické programovací jazyky, mají na vstupu nějaké proměnné, v kódu přesné instrukce, co s nimi má systém provést: rozhodnutí, větvení, algoritmy, akce. Mohli bychom říci, že programátor má plně pod kontrolou, co systém provede.

Naproti tomu umělá inteligence (Artificial Intelligence) je zastřešující název pro všechny technologie, které dokážou řešit zadané problémy samostatně, podobným způsobem jako lidé. Například rozpoznat obrázek nebo celou scénu, porozumět řeči nebo napsanému textu, provést nějakou akci, například vygenerovat obrázek nebo text podle zadání. Při strojním učení je systém schopen predikovat budoucí události, popsat minulé události nebo sám činit rozhodnutí.

• Vstupní data při strojním učení mohou být zcela bez instrukcí od programátora. Tehdy se program snaží v datech najít nějaký vzor a roztřídit je podle něj.
• Vstupní data mohou být otagována a poté se systém snaží najít způsob, jak rozpoznat stejně otagované vstupy, hledá jejich společné rysy. Například jak odlišit obrázky psů od obrázků koček.
• Další možnost je ohodnocování pokusů a omylů. Za správné provedení následuje odměna. Takto jsou trénována samořídící auta nebo herní systémy.

Co jsou neuronové sítě a jak se učí?

Jedním z algoritmů strojového učení jsou Neuronové sítě (Neural networks). Podobně jako lidský mozek, i umělá neuronová síť je sestavena z vrstev neuronů – uzlů. Každý z nich má několik vstupů a výstupů. Procesy z jedné vrstvy předávají informace do další vrstvy. Může být spuštěno velké množství procesů paralelně.

Jedna z metod strojového učení je Hluboké učení (Deep Learning). Počet vrstev neuronové sítě je při hlubokém učení v desítkách tisíc a je možné dopředné i dozadní předávání informací přes více vrstev, takže zjištěná chyba se nepřenáší hlouběji do neuronové sítě.

Neuronová síť se trénuje na velkém množství dat. Během učení na datech se neustále mění/zlepšují parametry neuronové sítě. Čím více dat pro trénování síť má, tím lepší a přesnější výsledky bude umět poskytnout.

Zjednodušená představa: Po vytrénování už nemusí být síť napojena na tréninková data. Vytvořil se model, který může být uložen například jako software a použit na podobná data.

Například při rozpoznávání obrázků tvoří vstupní data označená obrázky. Systém se naučí rozlišovat a třídit vzory v obrázcích. Po vytrénování se použije k rozpoznání nových, neoznačených obrázků.

Při rozpoznávání řeči se systém učí na nahrávkách a jejich doslovných přepisech. Systém se naučí rozlišovat zvuky, slova. Po vytrénování systém dokáže rozpoznat nové nahrávky již bez transkripcí.

Systémy mohou být vytrénovány i na hraní her (Go, šachy, StarCraft, Minecraft…), učí se na záznamech her profesionálních hráčů.

Při zpracování přirozeného jazyka se systém učí na textech, vytváří se jazykový model. Mohou to být texty z webů na internetu, z knih a časopisů, z různých vědeckých databází a podobně. Po vytrénování systém dokáže generovat smysluplné texty podobné textům od lidí, odpovídat na otázky nebo překládat texty.

Pokud jste vyzkoušeli některý z AI nástrojů, víte, že zatím mají své mouchy. Například pro obrázkové generátory je počet končetin a tvar ruky prozatím výzva, pro textové generátory zase stoprocentní spolehlivost faktů. Na jakých datech byl jazykový model učen, byla vyloučena zavádějící data nebo konspirace? (11. ledna samotné Open AI zveřejnilo blog na téma možného zneužití jazykových modelů k dezinformacím.) A jak vlastně my lidé tvoříme věty, co se děje v našem mozku, že umíme rozlišit správnost informací?

Chtěli byste pochopit, jak jsou systémy naprogramovány? Jsou to jen složité statistické a predikční modely? Podrobněji se různým nástrojům budeme věnovat v dalších článcích.