Gdy komputer myśli za nas

Niektórzy martwią się, że sztuczna inteligencja przejmie wkrótce władzę nad światem. Inni wskazują, że na szczęście do tego daleko i mamy czas oraz możliwości, by temu zapobiec. Natomiast już teraz komputery zaczynają szybciej, taniej i solidniej wykonywać zadania ludzi w różnych branżach – i przejmować ich pracę. 

Co prawda chodzi o zadania odtwórcze. Na przykład agencja Associated Press od kilku lat wykorzystuje algorytmy, które samodzielnie tworzą proste newsy finansowe na temat wyników spółek, a od ponad roku – relacjonują wyniki sportowe w USA. W tym celu AP wdrożyła oprogramowanie firmy Automated Insights współpracujące z systemami gromadzenia danych. Algorytm przygotowuje krótkie notki, liczące 150–300 słów. Jeśli chodzi o newsy finansowe, agencja oblicza, że w ciągu trzech miesięcy automat pisze ich 4,4 tys., podczas gdy wcześniej była ich w stanie wygenerować tylko 300. 

Po robota sięgnął też np. dziennik „The Washington Post” – tym razem podsumowywał on co sobota najważniejsze wydarzenia podczas igrzysk olimpijskich w Rio de Janeiro. Analitycy przewidują zresztą, że w 2030 r. aż 90 proc. informacji prasowych będzie dziełem komputerów. 

Słaba i silna inteligencja

Choć nie będzie to raczej dotyczyć autorstwa poważniejszych, wymagających twórczego wkładu artykułów, o czym dalej. A poza tym, takie maszyny, jak te „zatrudnione” w Associated Press, to nie jest sztuczna inteligencja (AI, SI) z prawdziwego zdarzenia! Dlaczego? Cóż, mamy tu zadany algorytm, a także zbieranie danych ze źródeł wskazanych przez człowieka. 

– Gdy mówimy o sztucznej inteligencji, trzeba odróżnić komputery, których działanie jest oparte na z góry narzuconych algorytmach, od tych, w których nie ma zdefiniowanego sposobu postępowania – mówi Maciej Wolański, szef działu R&D w sektorze finanse, bankowość, ubezpieczenia firmy Comarch, i dodaje: – Komputery „myślące” wykorzystują tzw. sieci neuronowe znane od lat, lecz rozwijane dopiero teraz ze względu na dostępną obecnie moc obliczeniową. 

Sieci te, dzięki szybkim procesorom, mogą przyswajać informacje w tempie, które jeszcze kilka lat temu było nie do pomyślenia. Postęp jest możliwy zwłaszcza dzięki bardzo wydajnym chipom z kart graficznych, które mają nie tylko odpowiednią moc obliczeniową, ale też, co jest równie ważne, budowę pozwalającą na pracę wielowątkową. A sieci neuronowe to właśnie masa przeróżnych drobnych obliczeń. 

Drugi warunek, który musiał być spełniony, aby sztuczna inteligencja mogła się rozwijać, to dostępność danych. Internet, szybkie łącza i ogromne pamięci masowe stworzyły możliwość zbierana bilionów bajtów informacji. To nimi karmią się sieci neuronowe, które później mogą samodzielnie podejmować decyzje. Żeby np. nauczyć komputer rozpoznawać kota, trzeba mu pokazać miliony jego wizerunków. Potem sieć neuronowa dostrzeże go w dowolnej postaci. W ten sam sposób można ją nauczyć niemal wszystkiego, oprócz umiejętności abstrakcyjnego myślenia i wnioskowania. Obrazowo objaśnił to podczas targów CEBIT 2017 Ray Kurzweil z Google’a: – Ludzie, wykorzystując swoją inteligencję, potrafią nauczyć się podejmować właściwe decyzje na podstawie niewielkiej liczby danych. I tak, jeśli np. szef powtórzy swoją opinię raz lub najwyżej kilka razy, większość pracowników będzie wiedziała, jak należy działać. W przypadku maszyn życie zaczyna się, gdy są miliardy przykładów. 

To dlatego jeszcze długo komputery nie dościgną ludzi. – Na razie sztuczna inteligencja, działająca jak ludzka świadomość, bez zaplanowanego celu, to mrzonki – mówi Wolański. – Takiej SI nie ma i w przewidywalnej przyszłości nie będzie. 

Maszyny są kiepskie w emocjach i w filozofii, i nie ma tu znaczenia, że zarówno robotyka, jak i tworzenie światów wirtualnych czy też botów – programów imitujących ludzką komunikację – są osadzone w różnych koncepcjach filozoficznych, zwłaszcza zaś w XX-wiecznej fenomenologii. Słabo też u maszyn z kreatywnością. Choć komputer potrafi już na podstawie zgromadzonych danych skomponować piosenkę lub napisać wiersz, trudno to nazwać wielką sztuką. 

Ernest Wagner, zajmujący się SI w departamencie architektury w ING Banku Śląskim, podsumowuje: – Trzeba rozróżnić dwa pojęcia: silną i słabą sztuczną inteligencję. Silna musi być samoświadoma i może się nauczyć dowolnej czynności. W tej chwili nie istnieje. Słaba to wyspecjalizowany model emulujący inteligentne rozwiązania tylko w wybranej dziedzinie, jak np. gra w szachy albo rozpoznawanie obrazów. 

Wielkie projekty

Oczywiście słaba SI też jest bardzo użyteczna, a coraz więcej firm przeznacza na badania nad nią ogromne pieniądze i wdraża konkretne projekty. Najbardziej znane to te, w które angażują się IBM, Microsoft, Google, Amazon, Samsung, Nvidia czy Intel. 

IBM konsekwentnie rozwija np. projekt Watson, którego bazą jest sieć neuronowa działająca na superkomputerze o bardzo dużej mocy obliczeniowej. Wspomaga  on różne procesy biznesowe, bowiem analizuje olbrzymie zbiory danych i jest w stanie odpowiadać na pytania zadawane w języku naturalnym. Jego wiedza obejmuje takie dziedziny, jak matematyka, medycyna, prawo czy marketing, a każde nowe zadanie powiększa zasób informacji zgromadzony w jego pamięci. Ostatnio jest też wykorzystywany do analizy cyberzagrożeń. Zdaniem szefów IBM już za pięć lat Watson będzie mógł samodzielnie podejmować strategiczne decyzje dotyczące biznesu. Czy rzeczywiście? Zobaczymy. Tymczasem amerykański koncern poszukuje kolejnych zastosowań dla swojego dzieła. Wraz z firmą ABB będzie realizować projekt łączący inteligencję Watsona i czujniki przemysłowe, aby stworzyć system wykrywający usterki na liniach produkcyjnych. Powinno to zwiększyć ich efektywność – poprawić jakość produktów i zmniejszyć przestoje. 

W SI inwestuje też General Electric, który chciałby tu konkurować z Watsonem. Ma w tym pomóc zakup takich startupów, jak Bit Stew Systems i Wise.io  – oba opracowują oprogramowanie wyszukujące informacje i na ich podstawie samodzielnie się uczące. Na startupy stawia też Intel: jego nabytek, firma Nervana, także zajmuje się programami, które umożliwiają tzw. uczenie maszynowe. Dzięki tej inwestycji Intel chce m.in. poprawić w pracach nad SI efektywność swoich procesorów. 

Microsoft, w ramach projektu Cognitive Services, daje programistom z zewnątrz dostęp do narzędzi pozwalających wykorzystać sztuczną inteligencję w aplikacjach służących np. do zamiany mowy w tekst pisany, do tłumaczeń na rozmaite języki czy do porównywania różnych tekstów pod kątem ich podobieństwa, co jest przydatne w placówkach naukowych. Narzędzia Microsoftu pozwalają też skorzystać z botów do prowadzenia rozmów w infolinii. W kolejnych latach zapowiadane są inne nowości, jak rozpoznawanie twarzy i emocji, „inteligentne” blokowanie wybranego rodzaju treści czy rozpoznawanie obiektów (po odpowiednim treningu). 

Google oferuje platformę Cloud Platform, a na niej dostęp do narzędzi do analizy obrazów, tekstów, wideo i mowy, a także do automatycznego tłumaczenia. 

Amazon rozwija technologie sterowania urządzeniami za pomocą głosu, a nawet prowadzenia z nimi „rozmów”. To projekt Alexa, a pytania, na które odpowiadać może SI, dotyczą m.in. czasu, pogody czy – w porozumieniu z bankami – stanu konta. Amazon proponuje też usługę obsługi klientów z wykorzystaniem systemu rozpoznawania mowy. 

Własne badania prowadzi również Facebook. Na razie jednak ich wyniki wykorzystuje we własnym zakresie, np. do profilowania użytkowników pod kątem pokazywanych im reklam. 

Prace fizyczne i umysłowe

Raport Boston Consulting Group głosi, że w ciągu 10 lat aż 25 proc. dzisiejszych prac będą wykonywać maszyny. W ramach Watsona powstał np. system, który stawia diagnozy onkologiczne trafniej niż ludzie. Wcześniej dostarczono komputerowi 15 mln stron opracowań naukowych z dziedziny onkologii. Teraz, analizując zawarte tam informacje i dane z rezonansu magnetycznego pacjenta, może on wykryć rodzaj choroby i zaproponować odpowiednią terapię. 

Roboty zastępują także lekarzy podczas operacji i są od nich, jako chirurdzy, dokładniejsze. Co prawda nadal nie pracują samodzielnie, ale trwają badania nad bardziej zaawansowanymi rozwiązaniami. W tym także nad zastąpieniem anestezjologów, jak w przypadku systemu Sedasys firmy Johnson & Johnson. 

– Sztuczna inteligencja odgrywa również coraz poważniejszą rolę w edukacji – opowiada Wagner. – Na przykład na Uniwersytecie Stanu  Georgia jeden z profesorów uruchomił asystenta SI, który odpisywał mailowo na pytania studentów przez cały semestr. Ponoć nikt się nie zorientował, że to maszyna. 

Prowadzone są także prace nad sztuczną inteligencją wspomagającą prawników. Komputer może próbować przewidzieć werdykt sędziów na podstawie precedensów, danych historycznych i akt sprawy – i to lepiej, niż ludzie ze sztabem pomocników i ogromną praktyką. Brytyjscy i amerykańscy naukowcy stworzyli SI, która  przewidziała 79 proc. wyroków Europejskiego Trybunału Praw Człowieka. Z kolei maszyna naukowców z Politechniki Chicagowskiej odgadła prawie 72 proc. werdyktów Sądu Najwyższego USA z lat 1816–2015 i trafnie wskazywała, jakie stanowisko zajmowali konkretni sędziowie. 

– Jednak na giełdach, jak Wall Street, komputery z SI jeszcze długo nie będą decydować samodzielnie o inwestycjach – przewiduje Wolański. – W tym przypadku działają one, wykorzystując przygotowane przez ludzi algorytmy. Na giełdzie potrzebna jest bowiem racjonalizacja i jasny, udokumentowany powód podjęcia takiej, a nie innej decyzji. A sieci neuronowe podają tylko wynik i nikt nie ma pojęcia, jak maszyna do niego doszła. 

SI znajduje jednak szerokie zastosowanie w finansach. W bankowości algorytmy przejmują analizy ogromnych ilości danych o klientach, podobnie jest w ubezpieczeniach. Z czasem wyprą zapewne ludzi-analityków, których pracę wykonają szybciej i dokładniej. 

– W bankowości pierwsze wdrożenia SI dotyczą przede wszystkim modelowania ryzyka, które jest nieodłącznym elementem działalności każdego banku – dodaje Wagner. – Inne obszary to m.in. operacje (np. automatyzacja czytania składanych do banku dokumentów), obsługa klienta (w tym inteligentni asystenci, także głosowi, jak Siri czy Alexa), analiza informacji (jak zautomatyzowane analizy ekonomiczne) oraz bezpieczeństwo i monitoring (inteligentne systemy zabezpieczeń fizycznych i infrastruktury IT). 

Te rozwiązania na razie najczęściej ułatwiają życie pracownikom, zamiast ich całkowicie zastępować. W podobny sposób działają systemy wykorzystujące SI w logistyce. Wręcz rewolucjonizują transport. 

– Nasza firma zainwestowała we współpracę z amerykańską internetową giełdą transportową uShip – mówi Beata Konecka, szefowa marketingu w DB Schenker. – Wdrożyliśmy też platformę Drive4Schenker, która automatyzuje przepływ informacji i dokumentów, przekazuje informacje na temat przewozów w czasie rzeczywistym, ale przede wszystkim – dopasowuje wolne przestrzenie ładunkowe w pojazdach do pojawiających się zleceń, i to w skali całej Europy. 

Jest to rozwiązanie łączące analizę ogromnych ilości danych i poszukiwanie optymalnych rozwiązań, a DB Schenker szczyci się tym, że technologia pomaga zmniejszyć szkodliwość transportu dla środowiska, gdyż ogranicza puste przebiegi. 

Inny przykład: magazyny jednego z największych w Szwecji sklepów internetowych. Po pierwsze, roboty pracują w nich 24 godz. na dobę, w tym m.in. wyszukują za pomocą kodów QR w podłodze ważące 600 kg regały z potrzebnymi towarami i transportują je do celu. Zautomatyzowano też pakowanie i jest ono „szyte na miarę”, co pozwala zaoszczędzić w transporcie mnóstwo miejsca. Inteligentny system czuwa nad ruchem wszystkich robotów, lokalizacją towarów i nad ich uzupełnianiem. Ocenia się, że dzięki SI wydajność magazynów zwiększyła się o 60 proc. w porównaniu z tradycyjnym modelem, a wykorzystywana w nich powierzchnia zmalała o 20 proc. 

– Nie brak też zastosowań SI w małych i średnich firmach, choć często nie mają one świadomości, że z niej korzystają – mówi Wolański. A mogą to robić choćby w ramach optymalizacji procesów sprzedaży, jak np. e-sklepy stosujące aplikacje rozpoznające preferencje klientów i sugerujące im kolejne zakupy. 

SI w Polsce

Więcej o zastosowaniach SI, np. w polskim biznesie, piszemy dalej. Tu nadmieńmy tylko, że nasze rodzime placówki naukowe także zajmują się sztuczną inteligencją, lecz, ze względu na szczupłość środków, nie są w stanie konkurować z amerykańskimi uczelniami, a tym bardziej z globalnymi koncernami. Te ostatnie jednak same zaglądają do Polski, by otwierać tu ośrodki pracujące nad SI, jak np. niedawno Intel, który uruchomił w Gdańsku Compiler Center of Excellence. Jest to ośrodek badawczy, w którym powstaną nowe projekty systemów autonomicznych dla komputerów i będą trwały prace nad technologią sztucznej inteligencji. Intel chce też rozwinąć współpracę z lokalnymi uczelniami. 

– Nad Wisłą powstają także liczne startupy związane z pracami nad SI, ale tworzenie systemów sztucznej inteligencji jest bardzo trudnym, długodystansowym i kosztownym zadaniem – mówi Wagner. – To jest o całe rzędy wielkości trudniejsze niż pisanie aplikacji mobilnych. Niestety, nie widzę w tym momencie w naszym kraju firm z dostatecznym finansowaniem i zapleczem naukowym, które pozwalałyby sforsować najtrudniejsze problemy. 

Polacy są też poniekąd skazani na angielszczyznę, chcąc komunikować się z maszynami, bo jak mało który język, jest ona prosta w sposób, który pozwala komputerom łatwo rozumieć wyrazy oraz ich kontekst. Próbując natomiast stworzyć system konwersacyjny i analizujący polszczyznę, napotkamy ogromne trudności, gdyż jest ona niesłychanie złożona, zwłaszcza ze względu na składnię. Ernest Wagner nie spotkał się jeszcze z firmą, która byłaby tu blisko rozwiązania podstawowych problemów. A globalne koncerny nie są tym zainteresowane, ponieważ jesteśmy zbyt małym rynkiem. Choć szkoda, bo, jak zauważyła w niedawnym wywiadzie dla nas dr Aleksandra Przegalińska specjalizująca się filozofii sztucznej inteligencji, tego typu nieanglojęzyczna kultura jak nasza to także atut: może w przyszłości generować dużo ciekawsze rozwiązania, właśnie ze względu na językowe wyzwania. 

Przedsiębiorcy doceniają systemy z inteligencją

Eksperci Deloitte, w raporcie z 2016 r. „Technology, Media and Telecommunication Predictions”, stwierdzili, że w 2020 r. 95 proc. ze stu największych globalnych firm tworzących systemy dla przedsiębiorstw wykorzysta w nich technologie powiązane z SI. Komputery będą zaprzęgnięte do mnóstwa czynności, w tym np. do wykrywania anomalii w ruchu sieciowym, przetwarzania języka naturalnego czy też do rozpoznawania mowy. Jakie korzyści odniesie z tego biznes? Według Deloitte będą to m.in. poprawa efektywności oprogramowania czy też umiejętność szybkiego wyciągania wniosków z ogromnych  ilości danych (co przerasta możliwości człowieka). Z publikacji „The Cognitive Advantage Report” przygotowanej z kolei przez IBM wynika, że już 65 proc. przedsiębiorstw uznaje technologie SI za ważne dla ich działalności. 

Jak działa sieć neuronowa

Po pierwsze, nie jest ona algorytmem, według którego postępuje komputer. Jest strukturą, która swoją wirtualną konstrukcją przypomina budowę mózgu i pod wpływem otrzymywanych informacji zmienia się, wytwarzając nowe ścieżki „myślenia”. Każda komórka sieci neuronowej ma interfejs wejściowy zbierający dane oraz wyjściowy – przez który przetworzona informacja trafia do kolejnych komórek. Wirtualne neurony uporządkowane są w warstwy, z których każda pobiera dane od poprzedniej i przekazuje je następnej. 

Sieć neuronowa uczy się m.in. w taki sposób, że jeśli postawione przed nią zadanie zostanie rozwiązane poprawnie, to komórkom, które uczestniczyły w procesie udzielenia tej odpowiedzi, nadawany jest wyższy priorytet. A generalnie, sieć uczy się na przykładach – im ich więcej, tym bardziej prawdopodobna jest prawidłowa odpowiedź. Słowem, im więcej przykładów, komórek i warstw, tym większe możliwości uczenia się i wyciągania właściwych wniosków. Do tego potrzebna jest jednak ogromna moc obliczeniowa.