ROBOTI NAS IPAK NEĆE POBITI! Ovo je prava ISTINA o razvoju VEŠTAČKE INTELIGENCIJE

Tehnologija sve više napreduje, a od svih čudesa modernog sveta najveće je - veštačka inteligencija.

Veštačku inteligenciju (AI) ugledni magazin "Fajnešnal tajms" uvrstio je u 50 ideja koje će promeniti svet.

Iako se ona već uveliko koristi, recimo u medicini i automobilskoj industriji, proćiće još puno vremena dok se ne razvije do stepena da parira ljudskoj inteligenciji!

Mnogi se plaše šta će se dogoditi kada se to desi. Među onima koji veštačkoj inteliganciji ne veruju je Ilon Mask, Stiven Hoking, a verovatno i svi koji su gledali seriju "Zapadni svet".

Ono što ih najviše muči je jedan fenomen - duboko učenje.

- Duboko učenje je grana računarskog učenja temeljena na predstavljanju podataka složenim reprezentacijama na visokom stupnju apstrakcije do kojih se dolazi sledom naučenih nelinearnih transformacija. Metode dubokog učenja svoju primenu pronalaze u važnim područjima veštačke inteligencije poput računarskog vida, obrade prirodnog jezika, razumevanja govora i zvučnih signala, kao i u bioinformatici - glasi definicija.

Međutim, Dejv Feruči, koji je radio za IBM, tvrdi da ova impresivna tehnologija ima i velikih ograničenja.

"Votson projekat" koji je on vodio rezultirao je time da je pre sedam godina kompjuter Votson pobedio najbolje igrače u američkom televizijskom kvizu "Džepardi".

Ali Feruči, sada šef firme "Elemental Kognišon", ističe kako je duboko učenje ništa drugo nego statistička tehnika koja pronalazi uzorak u velikim količinama podataka. Jako dobro, kaže, predviđa, ali nema pravo razumevanje kakvo poseduju ljudi.

- Na duge staze nije dovoljno "samo" imati računar koji ispljune najčešće tačan odgovor, ono što vi želite je da dobijete i objašnjenje - kaže Feruči.

Geri Markus, profesor s katedre psihologije na univezitetu u Njujorku, skeptik je kada je reč o dubokom učenju, a o tome je objavio i veliki rad.

Tamo je naveo sve moguće probleme iz kojih njegova skepsa i proizlazi - oslanjanje na golemu količinu podataka, pa sve do podložnosti i inherentnih "predrasuda" sistema, pa do toga da se ne znaju nositi s apstraktnim rasuđivanjem. - Najveći rizik vezan za AI danas je da iz faze histerije odemo u još jednu "AI zimu" - rekao je Markus misleći na period sedamdesetih kada je pretjrani optimizam kada je reč o tehnologiji bio sleđen s fazom dubokog razočaranja i rasprsnuća iluzija.

Ako neki od ključnih nada za duboko učenje, poput automatskih automobila bez vozača, ne ispuni očekivanja "onda bi tehnologija AI mogla da doživi pad, od pada popularnosti do pada finansiranja".

Neki AI stručnjaci van "mejnstrima" se slažu kako je jako važno preispitivati sve što uzimamo zdravo za gotovo.

- S obzirom na uzbuđenje i ulaganje u duboko učenje važno je sve analizirati i dobro razmisliti o ograničenjima - kaže Oren Etcioni, šef Alen instituta za AI.

Osvrće se i na strahove mnogih o tome kako će kraj čovečanstva pokrenuti upravo svemoćni AI.

- Ako s jedne strane imamo Ilona Maska i Nika Bostroma sa Oksforda koji nam pričaju o "superinteligenciji", onda nam trebaju skeptici poput Gerija Markusa da nas vrate u stvarnost - kaže Etcioni.

Duboko učenje je statistički pristup koji koristi tzv. neuronske mreže, koje se baziraju na teoriji o tome kako funkcioniše ljudski mozak. Informacije prolaze kroz slojeve veštačkih neurona.

Glavna tehnika, koja se zove nadzirano učenje, uključuje unos brojnih "inputa" kako bi se istrenirao pravovaljani i tačni rezultat koji se očekuje. Fotografije mačaka tako će, s vremenom, rezultirati rečju "mačka".

Profesor sa Stenforda i jedan od osnivača "Gugl Brejn" Endrju Ng kaže kako sistem funkcioniše u slučajevima gde jasni "input" može da rezultira jasnim "autputom".

Dakle najbolji je za vrste problema koji uključuju neku vrstu kategorizacije, svrstavanja u "fioke". Upotreba i važnost takvih vrsta sistema je široka.

Potencijal neuronskih mreža postao je jasan 2012. kada je jedan sistem došao blizu ljudskom nivou percepcije kada je reč o prepoznavanju slika. Tehnika je napravila pomake i u prepoznavanju govora i prevodu jezika, čime su mašine počele da rade poslove nekada rezervisane za ljudske radnike.

Međutim, neuronske mreže mogu da se prevare. Markus prepričava slučaj kada je sistem naučen da traži puške prevaren slikama kornjača. Iskrivljene ili iskošene slike takođe vode predrasudama prema kojima onda mašina formuliše svoj odgovor.

Jedan od temeljnih argumenata protiv dubokog učenja jeste da se tehnologija ne može nositi s mnoštvom problema koje ljudi žele da računari preuzmu.

Nema kapaciteta za stvari koje ljudski mozak radi s lakoćom, poput apstrakcije ili recimo mogućnost inferencije, donošenja zaključka iz nepotpune slike, i onda korištenja tog znanja u drugačijim uslovima.

-Veliki je problem kako AI obogatiti zdravim razumom. To imaju čak i deca, ali ne i programi za duboko učenje - kaže Etcioni.

Nova istraživanja idu u smeru toga da se ti problemi reše. To uključuje učenje prenosom, gde se algoritmi "treniraju" da jedan set zaključaka prenesu na drugi problem, nenadzirano učenje, gde sistem uči bez da mu treba obeleženi sadržaj da ga uči.

-Ono što nama treba je sistem koji može savladati različite forme i oblike inteligencije- kaže Feruči.

Ono što mi smatramo spoznajom zapravo uključuje brojne tehnike, svaku prilagođenu drugoj vrsti problema. Hibridni kompjuteri i sistemi koji će dostići "ljudski nivo" razumevanja moraće da funkcionišu na taj način.

- Moramo se maknuti od "čudesa" koje se stalno bave jednim problemom, na sisteme koji mogu raditi više stvari odjednom bez da im treba golema količina podataka kako bi nešto naučili, a u proteklih pola veka istraživanje na polju AI postiglo je niz uspeha i inovacija koje nam mogu pomoći - kaže Feruči.

BONUS VIDEO:

(Espreso.co.rs/Express.hr)