Aplikacije umetne inteligence, strojno učenje, interakcija med človekom in strojem

Najlepša hvala. Katere so glavne tehnologije umetne inteligence in glavne aplikacije umetne inteligence do zdaj? UI se že uporablja v našem vsakdanjem življenju. Če pomislite na iskalnike, Google ali računalniški vid, ki se uporablja za prepoznavanje predmetov, ali kodne vrstice na mobilnem telefonu ali prepoznavanje govora, vse, kar je povezano s kompleksnimi problemi, za reševanje katerih je potrebna določena stopnja inteligence. Kaj pa prepoznavanje predmetov in prepoznavanje glasu? Se lahko nanaša na prepoznavanje obrazov in govora? Da. Vse, kar je povezano s prepoznavanjem predmetov na slikah ali video tokovih, je del tega velikega področja, imenovanega računalniški vid. Tako lahko prepoznate predmete, pri čemer v tem primeru nekako določite predmete, ki jih želite prepoznati. Na primer želite prepoznati kavče ali različne vrste pohištva ali legokocke ali karkoli drugega, da opredelite kategorije, ki jih želite prepoznati. Običajno imate sistem, ki usposobi model za prepoznavanje teh vrst predmetov. Pri prepoznavanju obrazov je enako, le da namesto fizičnih predmetov uporabljate človeške obraze. In spet potrebujete sistem, ki usposablja model, ki prepoznava različne vrste oseb glede na njihov obraz. In za prepoznavanje govora je v bistvu enako, le da seveda ne gre za vizualni vnos, temveč za zvočni vnos. Vendar je ideja enaka, da v zvočnem zapisu, v zvočnih podatkih, prepoznate nekatere vzorce, ki določajo različne vrste zvokov, in če zvoke sestavite skupaj, bodo sestavljali besede, stavke, nato pa lahko prepoznate, kaj se govori, in to prepišete. Ali nam lahko poveste, kateri so današnji novi trendi? Umetna inteligenca je že zdaj veliko področje, ki raste precej hitro. Nekateri od največjih trendov pa so seveda vezani na široko dostopnost velikih količin podatkov za usposabljanje. Eden od pomembnih trendov je resnično izboljšati tehnologije, da bo lahko obdelovala res velike količine podatkov, pravzaprav vse, kar lahko najdete na spletu. To velja tako za jezikovno tehnologijo kot za besedilo in računalniški vid, saj je na spletu milijarde slik. Zato je ta izboljšana tehnologija eden od pomembnih trendov. Po drugi strani je pomemben trend, ki se mi zdi zelo zanimiv, dejstvo, da vse več raziskovalcev preučuje etična vprašanja v ozadju tehnologije. Deloma zato, ker na primer uporabljamo pravzaprav vse, kar je mogoče najti na spletu, ne da bi ljudi, katerih slike prikazujemo, prosili za soglasje za njihovo uporabo za te velike modele, pa tudi zato, ker se zavedamo, da umetna inteligenca resnično vpliva na naše vsakdanje življenje. In potem bi morali razmisliti o tem, ali lahko na primer UI pride do pristranskosti, izražanja stereotipov ali sovraštva, včasih tudi zato, ker je usposobljena na podatkih, ki jih najdemo povsod na spletu. Vemo, da je splet včasih čuden kraj. Zato je treba razmišljati o tem, kako se uči UI, kaj se model nauči, ko prečesava splet za podatke, in kako lahko zagotovimo, da izpolni naša pričakovanja? In seveda predpisi, ko gre npr. za nediskriminacijo.

In kakšna je razlika med strojnim in globokim učenjem? Globoko učenje je posebna vrsta tehnologije za strojno učenje. Ni edina, vendar je postala zelo priljubljena za nekatere vrste problemov. Bistvo globokega učenja je v tem, da se naučimo tako imenovane nevronske mreže z veliko obdelovalnimi plastmi. Torej imate precej zapleten matematični model, ki je sestavljen iz majhnih računalniških vozlišč, ki sprejemajo informacije in jih nato posredujejo naprej drugim nevronom ali drugim računalniškim vozliščem, ki imajo določene matematične lastnosti. In čeprav so ta majhna vozlišča sama po sebi precej preprosta, se lahko sistemi naučijo opravljati zapletene naloge, če jih združite in povežete v velika omrežja z milijoni takšnih vozlišč, podobno kot v možganih, kjer so nevroni povezani drug z drugim. Na primer globoke nevronske mreže. Globoko učenje je bilo uporabljeno za strojno prevajanje. Tako pri samodejnem prevajanju, kot je na primer prevajalnik Google Translate, vemo, da je to zapletena naloga, pri strojnem prevajanju je namreč treba razumeti kontekst stavka. Razumeti morate jezikovne lastnosti tako vhodnega kot ciljnega jezika. Razumeti morate, kako se besede med seboj kombinirajo, tako da če dve besedi združite, nastane konstrukcija, ki se prevaja drugače. To so torej res zapletene naloge in vemo, da je bilo za uporabo tradicionalnega strojnega učenja Latif do leta 2010 znano, da daje rezultate, ki so bili v večini primerov v redu, vendar z resnimi napakami in težavami pri razumevanju kontekstualnih dejavnikov, na primer, medtem ko so te globoke učne mreže bolje pokazale, da lahko najdejo prevod visoke kakovosti. Kot rečeno, to še zdaleč ni rešen problem in s strojnim prevajanjem je še vedno veliko težav, vendar se je pokazalo, da so nevronske mreže bolje razumele, kako prevajati. In kakšna je razlika med strojnim učenjem, globokim učenjem in tradicionalnim programiranjem? Strojno učenje je pravzaprav krovni izraz za vse na področju umetne inteligence, kar se uči na podlagi podatkov. Torej je res precej obsežno. Vključuje globoko učenje, pa tudi druge tehnike, od katerih nekatere segajo v sedemdeseta leta prejšnjega stoletja. Globoko učenje je sicer res posebna vrsta tehnologije, ki temelji na nevronskih mrežah in deluje v številnih primerih, vendar obstaja veliko drugih tehnik, ki dobro delujejo in imajo druge lastnosti, ki so zanimive. Morda lahko povem nekaj glavnih pomanjkljivosti nevronskih mrež. Torej najprej zahteva velike količine podatkov in za nekatere probleme imate velike količine podatkovne baze, kar še zdaleč ne velja za vse, če jih prevajate. Na primer, pri strojnem prevajanju za jezik, za katerega nimate veliko virov, bo težko uporabiti globoko učenje. Druga težava je, da so to popolne črne škatle. To pomeni, da ne razumete, česa se je sistem naučil, in včasih je to v redu. Ni treba vedno razumeti vsega. Toda če, recimo, gradite sistem za odločanje o tem, ali naj neki osebi odobrite posojilo, lahko imate sistem, ki lahko temelji na plači osebe in kraju, kjer živi, in na tem, ali je poročena ali ne, in tako naprej, in tako naprej. Različni demografski dejavniki lahko vplivajo na odločitev. Tako imate sistem, ki lahko poda dobro napoved o tem, ali je oseba upravičena do posojila ali ne. Vendar pa sistem ne more pojasniti razlogov za njegovo odločitev. To bo zelo problematično, saj potrebujete sistem, ki ne daje le odgovora, ampak tudi pojasnjuje, zakaj je prišel do tega določenega odgovora. In to je pomembna pomanjkljivost nevronskih mrež. In zato imajo lahko včasih sistemi strojnega učenja v nekem pogledu nekoliko slabšo učinkovitost, vendar so sposobni razložiti korake, postopke obdelave, ki stojijo za njihovo odločitvijo, včasih veliko bolje. Zato ni enega samega načina za ocenjevanje teh modelov. Za različnimi vrstami tehnologij stojijo različne vrste prednosti in slabosti. Tradicionalno programiranje pa je preprosto to, da vnaprej programiraš vsa pravila, brez pomoči modela.

Zdaj bomo prešli na interakcijo med človekom in strojem. Kakšni so po vašem mnenju cilji interakcije človek-stroj? Cilj interakcije človek-stroj je preprosto ustvariti dobre vmesnike med človekom, ki želi opraviti določeno nalogo, in strojem, ki to nalogo podpira. Grafični uporabniški vmesnik je zelo preprost primer tega. Seveda pa je del tega tudi vse, kar je povezano z interakcijo in tehnologijo. Tako sem se na primer ukvarjala z govorečimi roboti in to je še ena vrsta interakcije, ki se precej razlikuje od okna na zaslonu, vendar je prav tako vmesnik v smislu, da v tem primeru uporabljate govorjeni jezik za dajanje navodil in prejemanje povratnih informacij o tem, kaj se dogaja pri izvajanju naloge. In vprašanje je vedno, kako lahko zagotovimo tekočo komunikacijo, pri kateri oseba razume, kaj se dogaja, in zlahka sporoči, kaj je treba storiti. In kako je mogoče naprave nadzorovati? To je res odvisno od tehnologije. Mislim, za računalniško okno je to precej enostavno, če razumete vmesnik, da majhen križec pomeni, da zapirate okno. Za zahtevnejša orodja pa je to seveda nekoliko težje, saj je treba najti nekaj, kar je dovolj intuitivno in hkrati dovolj zmogljivo, da omogoča vrsto možnosti za določeno napravo, ki jo imate. Za robota, na primer, je nabor možnih stvari, ki jih lahko robot reče in naredi v svetu precej velik. Zato potrebujete neke vrste preglednost, kar je eno od temeljnih načel interakcije med človekom in robotom. To pomeni, da mora sistem čim bolj jasno sporočati, kaj je razumel, česa ni razumel, kje je pri izvajanju naloge, da ima uporabnik čim večji nadzor, saj brez informacij ni nadzora.