Коли сходяться докупи гігантські обсяги даних і багато факторів, штучний інтелект переважає людський. Але лише людина може логічно мислити й відрізняти корисні поради штучного інтелекту від хибних.

 

«Навчи нас пам'ятати, що ми померти маємо», - написано в 90-му псалмі лютерівської Біблії з 1912 року. Американські зірки технологій, зокрема, засновник корпорації Oracle Ларрі Еллісон, шеф Amazon Джеффрі Безос чи легенда інвесторів Пітер Тіль не сприймають такої смиренності, а вкладають мільярди в розшифрування таємниці, чому людина старіє і вмирає.

Якби три корифеї підприємництва сліпо вірили комп'ютеру, у них, бачить Бог, був би приємніший спосіб, принаймні, відтермінувати смерть: пити більше шампанського. Адже аналіз багатьох даних і факторів впливу свідчить про те, що зі збільшенням споживання шампанського зростає очікування тривалості життя.

Хоча невідомо, скільки Dom Pеrignon щотижня дозволяють собі панове мільярдери. Однак, очевидним є те, що всі вони цей взаємозв'язок ігнорують. Бо життя друзям шампанського продовжує не консервувальна дія ігристих вин, а добробут тих, хто їх п'є, який сприяє вживанню благородного напою в поєднанні з кращим медичним забезпеченням.

Ця пастка шампанського, як я її називаю, характерна для непорозумінь і міфів про штучний інтелект, а також про його сильні сторони та переваги, якими людина може скористатися. Адже ШІ - це ніщо інше, як дуже специфічний спосіб навчання, а саме - машинне навчання. Воно - водночас обмежене й необмежене. Необмежене, бо значно перевершує фізичне навчання людського мозку, оскільки дедалі потужніші комп'ютери обробляють дедалі більше операцій за частки секунди. Машинне мислення надає людям моделі, які вони ніколи не зможуть зрозуміти або зможуть лише за неприйнятно довгий час. Однак воно - обмежене, оскільки комп'ютер розпізнає лише моделі. Сенс і логіку розпізнає лише людина.

Не розумно,  а надзвичайно швидко

 

Утім, ці моделі дають змогу отримати такі результати, які через складність та обсяг даних навряд чи можна отримати винятково завдяки логічному мисленню. Саме це - і є та нова якість, яка відрізняє штучний інтелект від попередніх форм комп'ютеризації.

Найкраще різницю ілюструє суперкомп'ютер Deep Blue від IBM. У 1996 році він переміг тодішнього чемпіона світу з шахів Гаррі Каспарова. Але Deep Blue був не розумним, а неймовірно швидким. Він просто, відповідно до конкретної ігрової ситуації та завдяки запрограмованій логіці гри в шахи, вираховував імовірності для подальших ходів. Під час наступної гри він починав з нуля, не навчившись нічого з попередньої.

Однак у випадку ШІ комп'ютеру логіку не запрограмовують. Він працює за принципом спроб і помилок, сортуючи й збагачуючи вже знайдене, і таким чином дає змогу людям розпізнавати контексти, робити висновки та прогнози, не знаючи логіки, яка лежить в основі цього.

Певною мірою штучний інтелект можна було б порівняти з поведінкою собаки чи дитини. Дитина вчиться уникати кухонної плити, а собака - тихо поводитися в купе поїзда. Обоє не усвідомлюють, що за цим стоять, відповідно, розпечена поверхня та спокій людей, а тому не здатні перенести завчену поведінку на поводження з праскою або на інші місця скупчення людей. Але з віком дитина вчиться мислити логічно й застосовувати логіку щодо нових явищ.

Здобуття знань через статистичні взаємозв'язки

 

У дуже складному світі генерування шаблонів має великі переваги. Коли кількість факторів впливу, які ще називають змінними рішень, вибухово збільшується, відстеження логіки для вирішення проблеми може тривати надто довго.

Наприклад, щоб привабити клієнта, у продавця мала би бути своєрідна еталонна формула, за якою він, передовсім, фіксував би всі можливі чинники впливу (стать, хобі, уподобання, споживання тощо), а тоді виводив би з цього: якщо наявні a, b, c, d та інші, то випливає y або z. Лише обсяг даних не дає йому змоги винайти таку еталонну формулу.

Натомість, у випадку штучного інтелекту комп'ютер заповнюють усіма наявними даними про клієнтів. На основі купівельної поведінки багатьох тисяч людей він визначає моделі, за допомогою яких можна досить точно спрогнозувати майбутні рішення, які стосуються покупок. Обґрунтування цього є другорядним.

Отже, машинне навчання означає здобуття знань через статистичні взаємозв'язки замість логічних висновків. Так, кілька місяців тому система штучного інтелекту перевершила дуже досвідчених кардіологів в інтерпретації ультразвукових зображень серця. Вони складаються з дуже багатьох пластів та окремих елементів, що дуже ускладнює лікарям точну локалізацію досліджуваних ділянок. У систему було закладено понад 200 тис. деталізованих знімків 267 пацієнтів. Врешті, комп'ютер визначив досліджувану ділянку серця з точністю від 91,7% до 97,8%, тоді як кардіологи, попри багаторічний досвід, досягли точності лише від 70,2% до 83,5%.

Дуже ефективним ШІ виявився й у прогнозному технічному обслуговуванні. Наприклад, концерн ThyssenKrupp в Ессені постійно записує дані роботи тисяч ліфтів і використовує штучний інтелект для виявлення закономірностей їхнього виходу з ладу.

Оскільки часто багато факторів сходяться, логіку, яка стоїть за ними, навряд чи можна виявити виправданими зусиллями. Шаблони, які реально визначити за допомогою штучного інтелекту, виявляються такими точними, що технічні служби вже можуть проводити певні маніпуляції з ліфтом, перш ніж він вийде з ладу й пошкодження будуть особливо серйозними.

Провідна дисципліна штучного інтелекту - самокерований автомобіль

 

Безпосередня співпраця людей і роботів також відбуватиметься лише з використанням штучного інтелекту. Наприклад, спільний монтаж автомобіля чи механізму вдасться лише тоді, коли робот навчиться налаштовуватися на людину-партнера, її звички та швидкість роботи. Для цього так званий Cobot повинен не знати причини та мотиви поведінки працівника, а відфільтровувати шаблони, наприклад, ознаки втоми, щоб реагувати на них. Дисципліна, в якій машинне навчання значно перевершить людську здатність та швидкість засвоювати, - самокерований автомобіль. Тут транспорт повинен навчитися збирати інформацію про середовище й правильно її інтерпретувати. За допомогою логіки зробити це неможливо, натомість, можливо через розпізнавання шаблонів, і тут - не важливо, чи йтиметься про дитину, яка бавиться на узбіччі, чи про авто, водій якого погано тримає смугу. Ми називаємо це передбачливим водінням з урахуванням ризиків. Інститут Фраунгофера розробив для того бібліотеку програмного забезпечення Shore, яка розпізнає людей за статтю, віком та демонстрованими емоціями.

Правильне використання штучного інтелекту забезпечить якісний стрибок у виробництві й дасть нові шанси. Наприклад, Smart Grids, розумні енергетичні мережі, регулюватимуть виробництво зеленої електроенергії, аналізуючи погоду, очікувані потреби струму та потужності зберігання, що уможливить оптимальну координацію між споживачами та виробниками.

Але все ж таки, коли рішення ухвалюються на основі статистичних кореляцій, необхідні люди - контролери якості, так звані Quality Gates. Вони повинні перевіряти відповідність таких рішень. Адже інтерпретація даних без логічної перевірки може бути небезпечною, особливо, якщо рішення впливають на життя людей. Хто буде відповідальним у ситуації, коли штучний інтелект через автоматичну оцінку даних пацієнтів встановить хибний діагноз? Чи повинен автоматичний транспорт мати власне страхування?

У вкрай складному світі розпізнавання моделей за допомогою штучного інтелекту - тонкий інструмент ефективнішого вирішення проблем. Але без здорового глузду та контролю людини це не функціонує.

Автор: Горст Вільдеманн, професор Мюнхенського технічного університету і керівник консалтингової компанії TCW

Джерело: «Український Тиждень»
матеріал друкованого видання № 8 (588)