Posiłkując się różnymi artykułami naukowi warto dodać, że puki sztuczna inteligencja nie będzie zbyt mądra, jeśli komputery nie pojmą przyczyny i skutku, możemy zapomnieć na długo, że użyjemy AI jako potężnego wsparcia w dziedzinie życia ludzi. Dlaczego, bo z pojęciem przyczyny i skutku mają problem nawet ludzie :-), więc skoro nie jesteśmy w stanie dokonać zapisu numerycznego/macierzowego tego zjawiska, maszyny liczące nie zastąpią intuicji, kolektywnej inteligencji i powszechnie nauczanej logiki.
Nauce zwanej informatyka wystarczyła niecałą dekada, aby komputery stały się wyjątkowo dobre w diagnozowaniu chorób, tłumaczeniu języków i transkrypcji mowy, podpowiadaniu trendów, wsparciu w kilku procentach naszych zawodów. Maszyny liczące mogą ograć ludzi w skomplikowanych grach strategicznych, tworzyć fotorealistyczne obrazy i sugerować przydatne odpowiedzi na wiadomości e-mail. Mogą rysować obrazki i generować teksty, mogą też podstawiać mowę jednego człowieka do mimiki innego.
Jednak pomimo tylu niesamowitych i imponujących osiągnięć sztuczna inteligencja ma rażące słabości.
Systemy uczenia maszynowego mogą zostać oszukane lub zdezorientowane sytuacjami, w których wcześniej nie były szkolone. Autonomiczny samochód zostaje zdezorientowany przez scenariusz, z którym ludzki kierowca mógłby sobie łatwo poradzić i wybrnąć z niego w ułamku sekund. System AI z trudem przeszkolony do wykonywania jednego zadania (powiedzmy, identyfikacja psów) musi zostać ponownie nauczony, aby robić coś innego (identyfikowanie koni). Podczas tego procesu może stracić część swojej bazy wiedzy, jaką posiadał w pierwotnym zadaniu. Informatycy nazywają ten problem „katastrofalnym zapominaniem”.
Te niedociągnięcia mają coś wspólnego: istnieją, ponieważ systemy AI nie rozumieją związku przyczynowego. Widzą, że niektóre zdarzenia są powiązane z innymi, ale nie ustalają, które rzeczy bezpośrednio powodują inne. To tak, jakbyś wiedział, że obecność chmur wiąże się z deszczem, ale nie wiedziałbyś, że właśnie dzięki chmurom deszcz w ogóle może spaść.
Zrozumienie przyczyny i skutku jest dużym aspektem tego, co nazywamy zdrowym rozsądkiem, i jest to obszar, w którym systemy AI „nie mają pojęcia”, mówią naukowcy t.j. Elias Bareinboim.
Pomysły naukowcóœ to np: przekazanie badaniom nad sztuczną inteligencją spostrzeżeń ze stosunkowo nowej nauki o przyczynowości, dziedzinie ukształtowanej w ogromnym stopniu przez Judeę Pearl, zdobywcę nagrody Turinga.
Jak to opisują w/w naukowcy Bareinboim i Pearl, zdolność AI do wykrycia korelacji - np. daktu, że chmury zwiększają prawdopodobieństwo deszczu - jest jedynie najprostszym poziomem przyczynowego rozumowania. To wystarczy, aby w ostatnim dziesięcioleciu rozwinąć technikę sztucznej inteligencji znaną jako głębokie uczenie się - Deep Learning.
Biorąc pod uwagę dużą ilość danych o znanych sytuacjach, ta metoda może prowadzić do bardzo dobrych prognoz. Komputer może obliczyć prawdopodobieństwo, że pacjent z pewnymi objawami ma określoną chorobę, ponieważ nauczył się, jak często tysiące, a nawet miliony innych osób z tymi samymi objawami cierpiały na tę chorobę. To zdecydowanie może wspierać nas w jednej dziedzinie i klasyfikacji jednej, konkretnej choroby, ale diagnozowanie nie jest banalną klasyfikacją.
Istnieje jednak rosnąca zgoda co do tego, że postęp w sztucznej inteligencji utknie w martwym punkcie, jeśli komputery nie będą w stanie lepiej radzić sobie z przyczyną. Gdyby maszyny mogły zrozumieć, że pewne rzeczy prowadzą do innych rzeczy, nie musiałyby cały czas uczyć się wszystkiego od nowa - mogłyby wziąć to, czego się nauczyły w jednej dziedzinie i zastosować to w innej. A gdyby maszyny mogły kierować się zdrowym rozsądkiem, moglibyśmy zaufać im, by podejmowali działania samodzielnie, wiedząc, że prawdopodobnie nie popełnią głupich błędów.
Dzisiejsza sztuczna inteligencja ma jedynie ograniczoną zdolność wnioskowania o wynikach danej akcji. W uczeniu się przez wzmocnienie, technice Reinforcement Learning, która pozwoliła maszynom opanować gry takie jak szachy i Go, system wykorzystuje rozległe próby i błędy, aby rozpoznać, które ruchy zasadniczo spowodują, że wygrają. Ale to podejście nie działa w bardziej chaotycznych ustawieniach w prawdziwym świecie. Nie pozostawia nawet maszyny z ogólnym zrozumieniem, w jaki sposób może grać w inne gry.
Jeszcze wyższym poziomem myślenia przyczynowego byłaby zdolność rozumowania, dlaczego tak się stało, i zadawania pytań "co się stanie jeśli?". Pacjent umiera podczas badania klinicznego: czy to wina medycyny eksperymentalnej czy coś innego? Spadają wyniki testów szkolnych: jakie zmiany zasad najbardziej je poprawiłyby? Tego rodzaju rozumowanie znacznie wykracza poza obecne możliwości sztucznej inteligencji.
Tego sposobu myślenia chcemy nauczyć maszyny, ale okazuje się, że dziedzina życia ludzi nie jest uproszczona do kilkunastu powiązań a do milionów prawdopodobnych powiązań. To dzięki logice i tzw. intuicji potrafimy działać skutecznie, dobrowolnie, zgodnie z naszymi zasadami życia. To jest zagadka dla sztucznej inteligencji i moim zdaniem kwestią czasu jest poznanie nowego kernela matematycznego, w których zachowanie ludzi poddaje się modelowaniu. Jeśli stworzymy dedykowaną dziedzinę, która być może będzie kolejną odnogą informatyki i psychologii, cybernetyki oraz kilku innych, będziemy w stanie kiedyś współdzielić ziemię z nowymi bytami AI.
Ciekawe linki:
- https://www.artefakt.pl/blog/seo/algorytm-google-reinforcement-learning
- https://xbpeng.github.io/projects/Robotic_Imitation/ + https://arxiv.org/pdf/2004.00784.pdf
- https://landing.ai/landing-ai-creates-an-ai-tool-to-help-customers-monitor-social-distancing-in-the-workplace/
- https://blog.edrone.me/pl/co-to-jest-deep-learning-i-jak-mozemy-go-wykorzystac/ + https://www.youtube.com/watch?v=6M5VXKLf4D4
- https://www.technologyreview.com/2020/02/19/868178/what-ai-still-cant-do/
Posty
