Algorytmy uczenia maszynowego (Machine Learning - ML) stosowane są przez coraz więcej firm. "A to docierają do nas informacje, że Facebook rozpoznaje twarze, a to, że Google wyszukuje zdjęcia podobne do zadanego, a to, że Uber jest w stanie analizować ruch w mieście i na bieżąco znajdować najszybsze trasy" - wymienia w rozmowie z PAP dr Jakub Tomczak z Wolnego Uniwersytetu w Amsterdamie. Badacz tłumaczy, że ML - wraz z rozwojem tzw. Internetu Rzeczy - będzie wkraczało do praktycznie każdej dziedziny życia. Dodaje, że warto, by każdy zainteresował się możliwościami, jakie dają te algorytmy.

Dr Tomczak zajmujący się algorytmami uczenia maszynowego jest gościem konferencji Machine Learning in Poland, która odbywa się w Warszawie od piątku do niedzieli (22-24 listopada). Serwis PAP - Nauka w Polsce jest jednym z patronów medialnych wydarzenia.

Naukowiec zapytany przez PAP o obawy związane z rozwojem sztucznej inteligencji mówi, że w wizjach rodem z filmów science-fiction sztuczna inteligencja wymyka się spod kontroli człowieka, system sam zaczyna siebie komplikować i bez wiedzy człowieka podejmować decyzje. "Do tego jest jeszcze bardzo daleka droga" - zapewnia dr Jakub Tomczak.

Obecnie wyzwaniem jest np. to, aby system sztucznej inteligencji na bieżąco "douczać". A więc dorzucać mu nowe zbiory danych, na których będzie się doskonalił

"Wielkie firmy, takie jak Facebook czy Google, mogą wysyłać w świat przekaz, z którego wynika, że AI jest już superzaawansowane. Jeśli ktoś jednak - tak jak ja - siedzi w tej działce, widzi, jak bardzo te wszystkie algorytmy są jeszcze ograniczone" - opowiada dr Tomczak.

I dodaje, że obecnie wyzwaniem jest np. to, aby system sztucznej inteligencji na bieżąco "douczać". A więc dorzucać mu nowe zbiory danych, na których będzie się doskonalił. "To coś, co teraz zwierzęta - nawet owady - są w stanie robić lepiej niż nasze algorytmy" - ocenia informatyk.

Badacz tłumaczy, że aby model np. rozpoznawał twarze, trzeba mu dostarczyć dane obserwacyjne, na których zdobędzie wiedzę - np. bazę 100 tys. zdjęć, które przeanalizuje. Kiedy jednak będziemy chcieli potem taki nauczony system "karmić" nowymi danymi, nie będzie łatwo. „Obecnie ‘douczanie’ modelu nowymi danymi powoduje, że część ‘wiedzy’ jest przez model tracona, dlatego standardowym rozwiązaniem jest uczenie się od nowa na powiększonym zbiorze danych” – tłumaczy badacz. I dopowiada: "Dla ludzi takie uczenie się przez całe życie to jest naturalna umiejętność. A w uczeniu maszynowym ciągle nie jest łatwo to osiągnąć".

Kolejnym kierunkiem, który zdaniem dr Tomczaka należy w pracach nad sztuczną inteligencją rozwijać, jest to, aby model "rozumiał rzeczywistość" (np. poprzez stosowanie modeli generujących). Jeśli więc system uczony jest rozpoznawania twarzy, powinien wypracować sobie ogólną "ideę" obiektów, które rozpoznaje - a więc powinien nauczyć się, po czym rozpoznać twarz i odróżnić ją od czegoś, co nią nie jest. "Teraz, jeśli do systemu wyuczonego na ludzkich twarzach wrzuci się zdjęcie psa, to system może odpowiedzieć np., że to jest bardziej podobne do twarzy mężczyzny niż kobiety" - mówi informatyk. A to przecież nie jest odpowiedź, o którą chodzi. Użytkownik po pierwsze powinien się dowiedzieć, czy dany obiekt w ogóle należy do kategorii obiektów, na których system był uczony. W tym przypadku - że to nie jest ludzka twarz.

Takie podejście ma znaczenie np. w zastosowaniach medycznych - np. w programach, które mają pomóc lekarzom rozpoznawać, czy na danym obrazie widać zmiany nowotworowe. Lekarz chce wiedzieć nie tylko to, czy system rozpoznał zmiany rakowe, czy nie, ale i musi wiedzieć, dlaczego system podjął taką a nie inną decyzję. "Tak samo lekarz, jak i system, musi mieć więc zrozumienie rzeczywistości. To konieczne, aby wiedzieć, czy dana decyzja jest wiarygodna czy nie" - zaznacza rozmówca PAP.

Dr Tomczak wyjaśnia, że dużym krokiem naprzód byłaby implementacja w jednym systemie takich dwóch rozwiązań: rozumienia rzeczywistości i możliwości douczania się. "Załóżmy, że model taki instalujemy w robocie. Dzięki temu robot - wyuczony w laboratorium i przeniesiony do mieszkania, gdzie będą np. inne meble, będzie się w stanie odnaleźć" - mówi badacz. Tłumaczy, że robot będzie rozróżniał obiekty, które zna od tych, których nie zna. A poruszania się w nowym środowisku będzie się w stanie douczyć, nie zapominając tego, co wypracował wcześniej.

"Jeśli w ciągu następnych 10 lat będziemy w stanie zaimplementować takie rozwiązania, to będziemy blisko do tego, by stworzyć sztuczną inteligencję. To kierunek, którym chcę się zajmować" - podsumowuje naukowiec.

PAP - Nauka w Polsce, Ludwika Tomala

Lt/ agt/