Cum funcționează Inteligența Artificială
– un rezumat al documentului redactat de Philip Boucher (Scientific Foresight Unit (STOA)) pentru susținerea activității Parlamentului European și a membrilor acestuia
Lucrarea grupează sistemele de inteligență artificială în funcție de performanța acestora, de la cele mai simple forme — total transparente și direcționate integral de dezvoltatori, până la cele care prezintă autonomie proprie și chiar super-inteligență.
1. Inteligența artificială simbolică– încorporată în sisteme de tip expert — are nevoie de acei profesioniști, experți în anumite domenii, pentru a transcrie în cod propriile cunoștințe astfel încât un computer să le poată înțelege. O altă caracteristică ar fi dependența față de intervenția umană care îi transcrie regulile, de obicei, exprimate într-un format de tip ‘if-then-else’. Un grad de autonomie există totuși și în cazul acestora, cu mențiunea că aceasta se poate manifesta doar în limitele instrucțiunilor primite.
Pentru că aceste sistemele funcționau cel mai bine în medii cunoscute, unde regulile erau stricte și nu suportau schimbări majore, evoluția către sistemele grupate în jurul logicii fuzzy — sau a adevărului parțial, a fost naturală. Acestea erau bazate pe aprecierea că deciziile umane își au temeiul pe informații imprecise și non-numerice, modelele denumite fuzzy fiind astfel reprezentarea datelor vagi/neclare. În încercarea de a reproduce intuiția, aceste sisteme performează când deciziile depind de o serie de variabile incerte și care interacționează între ele.
Chiar dacă folosirea acestor sisteme nu este tocmai de domeniul trecutului, fiind încă utilă pentru înlocuirea task-urilor repetitive, limitele sunt evidente în cazul în care sistemul are de-a face cu probleme complexe, în care nu doar variabilele, dar și regulile sunt supuse schimbării.
2. Sisteme de învățare bazate pe date — Data-driven machine learning
Noul val de algoritmi îmbunătățiți a adus cu sine categoria sistemelor de tip machine learning (ML), capabile de performanță autonomă prin expunerea acestora la cât mai multe și cât mai diverse date.
Rețelele neurale artificiale(artificial neural networks — ANN) sunt inspirate de funcționarea creierului uman și, întocmai cum stimulii sunt transmiși prin rețele complexe de neuroni, în cazul ANN, input-urile tranzitează o rețea (layer) generând output-uri interpretate ca răspunsuri. O structură simplă de rețea neuronală cuprinde unul sau două layere ascunse între acelea corespunzătoare input-ului și output-ului. Adăugarea mai multor neuroni și mai multor layere de substrat permite sistemului să abordeze problemele într-un mod mult mai complex (deep learning), reușind transpunerea în concepte și generarea unor răspunsuri mult mai precise.
Training-ul sau instruirea, reprezintă un alt specific, astfel de sisteme fiind supuse unui proces îndelungat de actualizare cu noi date. Alte aspecte, care merită reținute, sunt (i) adaptabilitatea, un astfel de sistem odată instruit corect putând fi adaptat la a funcționa pe date total diferite și (ii) faptul că performanța rezidă, în majoritatea cazurilor, în diversitatea și volumul foarte mare de date la care sistemul este expus.
Instruirea prin “propagarea înapoi” — back propagation — are în vedere metoda prin care neuronii sunt ajustați prin semnalele de eroare transmise prin rețea. Procesul de învățare al neuronilor se bazează în principal pe compararea unui rezultat generat cu unul preferat, în concordanță cu datele etichetate. Pe scurt s-ar putea spune că sistemul învață din erori ori prin încercare. Semnalul de eroare este transmis înapoi (de aici acel “back”) schimbând neuronii astfel încât rezultatul (output-ul) să indice o eroare mai mică. Ciclul de corectare se repetă până când eroarea obținută este suficient de mică încât să indice că sistemul a asimilat o informație în mod corect, adică training-ul este complet sau, cel puțin, ajuns la o etapă satisfăcătoare.
Folosite, de multe ori interschimbabil, mai ales datorită faptului că Back Propagation și Gradient Descent sunt utilizați în tandem în rețelele neurale profunde (deep neural networks), propagarea înapoi este, de fapt, o componentă a algoritmului Gradient Descent. Denumit a fi și ingredientul esențial în orice sistem de tip machine learning, gradient descent este un algoritm de optimizare, prin care se urmărește identificarea valorii minime a unei funcții. Într-o reprezentare tridimensională a unui “peisaj” ce încorporează multiple variabile ale erorii, prin gradient descent se încearcă ajungerea cât mai aproape de pragul minim, prin “încercarea” sau “testarea” diverselor opțiuni care permit coborârea (descend). Rețeaua neurală artificială reușește să se îmbunătățească astfel, în mod gradual, până la convergența cu cea mai bună soluție, cunoscută sub numele de “global optimum”.
Alte metode de training menționate de lucrarea citată, sunt inspirate de teoria evoluției, traducând în cod concepte precum supraviețuirea celui mai bun, reproducerea și mutația. Rețele neurale artificiale sunt supuse unei competiții, al cărei rezultat constă în selecția celei mai bune ANN și filtrarea acelora care nu au performat. Particularitatea acestei metode constă în faptul că îmbunătățirea sistemului este determinată în mod matematic de mediul evolutiv în care acționează și nu de expunerea la date sau reguli, ceea ce face ca procesul de luare a deciziei să nu poată fi cunoscut și nici măcar înțeles (non-transparent).
Printre alte abordări AI inspirate de mecanisme biologice și comportamentale pot fi enumerate: “ant colony optimization”, „hunting search” și „swarm intelligence”.
3. Totul despre date: minare de date, Big Data și datele din sălbăticie
Pe lângă concepte precum data mining și big data, destul de mult uzitate, lucrarea vorbește despre „datele din sălbăticie” — data in the wild — ca fiind acelea care au scăpat de sub controlul proprietarilor de drept, fiind, dintr-un anumit punct de vedere libere, în mod special datorită accesibilității, dar care au fost produse cu un alt scop decât acela de a deveni obiect de cercetare ori sursă de training pentru un sistem de inteligență artificială. În privința acestora sunt de luat în considerare multiple aspecte, etice și chiar legale, întrucât unele pot fi date cu caracter personal sau chiar opere protejate de dreptul de autor.
Toate aceste aspecte trebuie luate în considerare de inginer întrucât setul de date la care sunt expuși algoritmii este esențial pentru performanța ML. Deși foarte multe sisteme complexe vor ajunge în final mai puțin inteligibile chiar și pentru dezvoltator, implicațiile acestuia în crearea sistemul artificial de inteligență sunt foarte mari, putându-se vorbi chiar de o artă, ce necesită dedicare, în care este necesară nu doar experiența și propria inteligență ci și intuiția și înțelepciunea și care se manifestă de la primele schițe ale proiectului când problema trebuie transpusă în cod. Constant, inginerul intervine în procesul de training, repetând cu alte formule procesul, din puncte de plecare diferite, adăugând material genetic sau căutând soluții de combinații cât mai diversificate pentru ca generații ulterioare de ANN să fie clar îmbunătățite și sistemul să evolueze. Uneori echilibrul pe care trebuie să îl întrețină, între rapiditate, de exemplu, pe de o parte, și claritate, pe de altă parte, este destul de dificil, neexistând o formulă generală de rezolvare, în foarte multe cazuri apelându-se la ML pentru a decide între anumite variabile. Chiar dacă în această ultimă situație influența inginerului se reduce considerabil, rolul acestuia este de neînlocuit în crearea și optimizarea mediului în care sistemul va învăța.
4. De la identificarea limbajului, a sunetelor și a imaginilor până la producerea acestora
Primele sisteme de identificare a limbajului urmăreau reguli precise pentru a traduce un text dintr-o limbă în alta. Imaginile erau și mai complicat de identificat, în încercarea de recunoaștere a unui animal dintr-o imagine, de exemplu, algoritmii verificau liniile pixel cu pixel pentru a căuta forme care să semene cu template-urile corespunzătoare unor câini sau pisici. Aceste metode ce transcriau reguli precise, au fost înlocuite cu sisteme bazate pe date (machine learning data driven), care urmăreau pattern-uri și le comparau cu datele deja etichetate. Un exemplu bun este cel al sistemului de recunoaștere facială deținut de Facebook, care a ajuns performant tocmai datorită milioanelor de fotografii deja etichetate de proprii utilizatori.
Dar, deși aceste sisteme reușeau să identifice sensul unui cuvânt, totuși ele nu îl înțelegeau. Soluțiile de stimulare a imaginației nu au întârziat să apară, Google conducând în prezent un proiect în care rețelele neurale au trecut de la recunoașterea caracteristicilor la transpunerea acestora în imagini. Generarea de imagini poate fi descrisă ca o formă autonomă de creativitate, dar care depinde foarte mult de datele la care ANN-urile au fost expuse, în proiectul enunțat sistemul având tendința de a interpreta formele ca fiind animale pentru că instruirea se bazase în mod special astfel de imagini. Totuși rezultatul a fost spectaculos, vizualurile create de AI par a transpune o experiență psihedelică, prin ingenioasa combinație de patttern-uri de culoare și formă.
Alte exemple la care lucrarea se oprește sunt cele care redau experiența AI-urilor în redactarea/generarea de text — jurnaliștii și subeditorii AI, ori cele corespondente asistenților virtuali, în care sistemele sunt antrenate inclusiv pentru a reda emoții potrivite unui anumit context.
Generarea de imagini ar putea fi denumită chiar specialitatea rețelelor generative adversariale (GAN) — algoritmi ML de ultimă generație, care descriu activitatea practic a două rețele antrenate pentru a se lupta una împotriva celeilalte (detectiv ANN v. forger ANN). În concret, Rețelele GAN se focusează în a crea ceva nou fie pornind de la nimic, fie pornind de la date reale. Se pot folosi rețele GAN în a genera picturi cu stilul unui pictor faimos având ca punct de plecare o anumită imagine din lumea reală, crearea de fețe umane reale aleatoare, crearea de caractere din anime-uri, îmbrăcarea unei persoane, reconstituirea de obiecte având doar câteva puncte spațiale cheie și multe altele. Astfel de tehnici sunt folosite pentru a creea video-uri extrem de realiste cunoscute sub denumirea de deepfake.
5. Viitorul val de AI -uri. Ne îndreptăm către o super inteligență?
Pe viitor, s-ar putea ca noile dezvoltări să aducă cu sine sisteme care să difere substanțial de Ai-urile evidențiate mai sus, fiind luate în considerare inteligențele artificiale generale (AGI) -adică cele care nu vor fi limitate la un anumit domeniu, super inteligențele (ASI)– sisteme cu un nivel de inteligență mult superior umanului sau AI -ul de tip singular/unic (singurality) — total autonom și capabil de a genera alte AI-uri autonome și super inteligente.
Inteligența artificială robotică.Combinarea roboticii și AI-urilor ar putea transcrie o nouă etapă a tehnologiei militare, tendința fiind de a crea sisteme care să nu necesite coordonarea umană. Ciclul sinergetic de dezvoltare vizualizat ar implica AI -uri care ar putea controla roboți pentru a dezvolta noi componente hardware, mult mai complexe, ce pot fi folosite pentru crearea unor AI-uri mai puternice care vor dezvolta, la rândul lor echipamente și mai evoluate.
Calculatoarele cuantice promit o evoluție revoluționară în creșterea capacității de programare. Dacă problema este de a găsi soluția dintr-o sferă de 1 miliard de posibilități, un computer normal ar trebui să verifice fiecare posibilitate în parte, în timp ce un computer cuantic ar avea posibilitatea de a le verifica pe toate dintr-o dată, într-o singură operațiune.
Dezvoltarea super inteligenței prin metode evoluționare. Crearea de rețele neurale artificiale sofisticate care să se îmbunătățească constant ar fi calea către ASI, dar capacitățile actuale de procesare nu pot susține nivelul de complexitate cerut de simularea unui mediu de dezvoltare asemănător celui în care a apărut ființa umană.
Reproducerea creierului uman.Se consideră în prezent că înțelegerea complexității în care creierul uman funcționează ar permite reproducerea lui în mediu digital. Cu toate acestea reproducerea creierului uman rămâne în domeniul speculațiilor, o astfel de rețea neuronală artificială trebuind a simula aproximativ 86 de miliarde de neuroni și în jur a 150 de trilioane de conexiuni în timp real.
Progrese remarcabile se fac totuși prin Proiectul Creierul Uman, care pune la dispoziție Platformele de Simulare a Creierului — mediu disponibil cercetătorilor din toată lumea, în care aceștia își pot compara rezultatele și conduce investigații care nu sunt posibile experimental. Simularea permite reproducerea experimentelor care înainte se puteau realiza pe animale, metodă care nu a condus la rezultate remarcabile, cartografierea creierului de șoarece de exemplu, fiind transpusă într-un sistem care performa slab și incomplet. În plus, mediul computațional folosit pentru simulare permite studierea electronică a unor procese de îmbolnăvire.
Wetware și sistemele biologice. Viața artificială (ALife sau artificial life) diferă de AI prin aceea că, deși concepută prin mijloace software și hardware, ideile și tehnicile specifice acesteia sunt bazate pe procesări biologice, dezvoltarea incluzând materiale specifice (wetware), de tipul neuronilor organici. Deși domeniul wetware, al computerului organic sau al neurocomputerului se situează încă la nivel de concept, în crearea de prototipuri de acest gen s-au înregistrat câteva exemple promițătoare, putând fi amintit experimentul inginerului biolog William Ditto de la Institutul de Tehnologie din Georgia, care a reușit să construiască un astfel de sistem prin folosirea unor neuroni de lipitori.
Concluzii:
Pentru că sistemele de inteligență artificială performante ne pot ajuta să dezvoltăm AI -uri și mai complexe, este de înțeles de ce sunt căutate soluții pentru AGI, ASI sau chiar către inteligența unică.
Dincolo de discuțiile care pot fi purtate pentru a examina în ce măsură vom fi pregătiți a face față unor astfel de super inteligențe, care rămân totuși la stadiul de concept, dezbateriile pe această temă ajută foarte puțin, distanțându-ne chiar față de obiective mult mai importante și anume acelea de a identifica impactul real pe care AI -uri prezente îl au în viața noastră.
