Każdy o tym mówi, ale co to właściwie jest ta sztuczna inteligencja?

Tak właściciel Charlesa stworzył sobie złudzenie rozmowy z żywym człowiekiem. Na podobnej zasadzie działają popularne ostatnio boty zbudowane na bazie Slacka lub Facebook Messengera.

Czy jest to sztuczna inteligencja? Mimo że często tak to nazywamy, to w rzeczywistości jedynie wybór odpowiedzi na podstawie napisanych wcześniej informacji.

Czy chodzi tu o złożoność zachowań? Niekoniecznie. Złożone zachowania mogą być zautomatyzowane i wyuczone. Dobrym przykładem jest tutaj zachowanie szczerkliny piaskowej - występującej również w Polsce osy.

W porze lęgowej odtwarza ona bardzo złożony schemat zachowania. Wykopuje jamę w piasku, następnie poluje na gąsienicę, zaciąga ją do wejścia zbudowanej kryjówki, wchodzi do środka, aby sprawdzić, czy w międzyczasie nie znalazł się tak jakiś intruz, następnie wychodzi i zaciąga gąsienicę do środka, by złożyć w niej jajo. Schemat zachowań powtarza się niezmiennie, uwarunkowany tysiącami lat ewolucji.

Jeżeli badacz zaburzy w jakiś sposób zachowanie osy - na przykład przesuwając o kilka centymetrów w bok ciało upolowanej gąsienicy, podczas gdy osa bada wnętrze kryjówki, owad, nie znalazłszy pożywienia po wyjściu z jamy… zaczyna cały proces od nowa.

Jest to zachowanie złożone, ale jest ono pozbawione tego, co zazwyczaj kojarzymy z inteligencją: umiejętności wnioskowania i adaptacji do sytuacji. Co więc potrzebujemy, aby zachowanie nazwać inteligentnym – a co za tym idzie, co potrzebujemy zaimplementować w sztucznej inteligencji?

Uczenie się jest jedną z cech naturalnej inteligencji. Przejawiają tę umiejętność wyżej zorganizowane zwierzęta oraz ludzie. Niektóre ze zwierząt oraz ludze potrafią również przekazać wiedzę innym osobnikom - tym sposobem wiedza nie musi zawsze być zdobyta osobistym doświadczeniem.

Najprostszą formą uczenia się jest uczenie pamięciowe - często stosowane przy uczeniu metodą prób i błędów. Jest ono proste do zaimplementowania w programie komputerowym. Musimy jedynie umieć składować nasze akcje i ich wyniki, by potem starać się zastosować je, gdy sytuacja wydaje się podobna. W ten sposób np. budowane są słowniki w automatycznych tłumaczach komputerowych.

Efektywność uczenia maszynowego jest zależna od mocy obliczeniowej. A tej sztuczna inteligencja potrzebuje naprawdę dużo. Aby komputer mógł zdobywać wiedzę, musi przetworzyć ogromne ilości danych i aby tego dokonać niezbędny jest niezwykle wydajny procesor. Duże firmy (takie jak Microsoft, Google czy Facebook) mają swoje centra badań nad sztuczną inteligencją, a w 97 proc. serwerów przetwarzających obciążenia związane z uczeniem maszynowym wykorzystuje procesory Intela. Do samouczenia się stworzony został Intel Xeon z rodziny E5, który znacząco skraca czas nauki.

Osobną kwestią jest tzw. deep learning, czyli rodzaj uczenia maszynowego używający modelu wielowarstwego. Każda kolejna warstwa algorytmu używa wyniku poprzedniego jako parametrów. Dzięki tak złożonemu modelowaniu uzyskujemy możliwość zamiany danych (np. obrazów czy dźwięków) w przeanalizowaną wiedzę. To, co wyróżnia głębokie uczenie od zwykłego uczenia maszynowego, to niski poziom nadzoru nad tym procesem.

Wykorzystywane przez Intela algorytmy deep learning pochodzą z przejętej niedawno firmy Nervana Systems, która była liderem tego typu technologii.

Dotychczas wnioskowanie to był proces, w wyniku którego tworzyliśmy nową wiedzę na podstawie wiedzy już dostępnej, a człowiek w naturalny sposób wnioskuje dedukcyjnie („Kot jest w kuchni lub w pokoju, a ponieważ nie ma go w pokoju, zapewne jest w kuchni”) oraz indukcyjnie („Poprzednio, gdy jechałem w tym miejscu 100 na godzinę, dostałem mandat, więc teraz jadę wolniej”).

Teraz i być może już wkrótce, wnioskowanie w sztucznej inteligencji będzie możliwe do zaprogramowania. Trudno jest jednak ustalić odpowiednie wagi - tak aby sztuczna inteligencja była w stanie odróżnić ważne sytuacje i cechy przedmiotów od tych, które nie są istotne.

Po co mielibyśmy tworzyć sztuczną inteligencję, jak nie po to, by rozwiązała konkretne problemy? W przypadku wąskich zastosowań (konkretnie zdefiniowany problem) mamy dość duże sukcesy. Jesteśmy w stanie stworzyć sztuczną inteligencję, rozwiązującą bardzo konkretną klasę problemów, często lepiej i szybciej od człowieka.

Aby rozwijać sztuczną inteligencję jak najszerzej, Intel rozpoczął inicjatywę Nervana AI Academy, dzięki której programiści uzyskują dostęp do przydatnych szkoleń i narzędzi. Uczestnicy uczyć się będą na przykład metod wczesnego wykrywania raka szyjki macicy w krajach rozwijających się z wykorzystaniem inteligentnych rozwiązań obrazowania tkanek miękkich. Dodatkowo przykładem mogą tutaj być sztuczne inteligencje wspomagające diagnostykę obrazów rentgenowskich czy rozpoznawanie twarzy.

Te działania oraz wiele, wiele innych mają doprowadzić do rozwoju i udostępnienia szerokiej grupie odbiorców systemów sztucznej inteligencji, która w coraz większym stopniu staje się kluczowym elementem działania przedsiębiorstw i codziennego życia. Przyszłość zapowiada się interesująco.