Daria Hvížďalová je spoluzakladatelkou AI startupu Mainware, který je odnoží strojírenské firmy JHV. Ve svém sloupku popisuje, jak jí zkušenosti ze světa umělé inteligence pomáhají lépe porozumět roční dceři a zachránit si na mateřské zbytky vlastního rozumu.
Krása umělé inteligence spočívá v tom, jak zkoumá svět a učí se novým věcem, aniž byste jí diktovali každý další krok. Přesně na to se snažím myslet, když moje tvrdohlavé batolátko s gustem udělá pravý opak toho, co po něm chci, a zkoumá hranice dovoleného.
Jedním z principů používaných ve vývoji umělé inteligence je takzvané posilované učení (reinforcement learning). Dovoluje učit se metodou pokusu a omylu a je velmi rozšířené zejména v robotice a hrách. V kostce jde o to, že algoritmus provádí průzkum náhodným výběrem nějaké aktivity.
Podle zpětné vazby, která je buď pozitivní, nebo negativní, rozhoduje, zda byla aktivita úspěšná či nikoli. Výsledná smyčka zpětné vazby z průzkumu definuje schopnost vyhledávat pokročilejší aktivity.
Touto logikou vytušíme, že výkyvy v chování batolat (a teenagerů) jsou vlastně strojové učení v reálném životě. Dobrou zprávou je, že výběr aktivit, které přijdou na řadu v „dalším kole“ (ráda tomu říkám, že se rozšiřuje rádius šílenství), je sice náhodný, ale dá se do jisté míry ovlivnit. Časem.
Pokud malování po zdi nedělá mamince radost, pak malování v její občance pravděpodobně taky ne – i když to není úplně jisté.
Cítím se díky tomu trochu lépe, hlavně když Klárka třeba z ničeho nic před mýma očima vylije vodu ze skleničky do domečku s panenkami. Modul reinforcement learningu v mozku Klárky se právě rozhodl zapnout průzkumný režim, takzvaný exploration mode.
A já musím jednat rychle – abych dceři poskytla negativní zpětnou vazbu.
Možná tady ještě několikrát budeme mít potopu, ale musím být trpělivá a neustále opakovat, že tohle ne. Koneckonců, i ten nejpreciznější model umělé inteligence vyžaduje více než jen jeden vzorek dat pro znatelnou změnu výstupu.
Většinou ale moje osobní představa o výchově dítěte vychází z takzvaného supervizovaného učení (supervised learning), kde se většina času tráví označením trénovacích dat pro model umělé inteligence. Abych „natrénovala“ Klárku rozpoznávat modrou barvu, musíme si v každé knížce ukázat všechny modré objekty.
Poté přichází posun na vyšší level, kdy začneme zkoušet další parametry: modré a žluté kolo mají stejný tvar, tedy oběma říkáme ‘kolo’. Musím se dcery pořád ptát, než si začnu všímat postupného vylepšení její odpovědi.
To může znamenat, že Klárka vytvořila svůj základní interní model k úkolu budoucí barevné a tvarové identifikace, a můžeme ho společně zlepšovat v novém prostředí a na nových datech – třeba v nové knížce nebo i na hřišti.
Kdybych to jen odflákla a dala dceři knížky nebo obrázky, aby si je prohlížela sama bez mého komentáře, taky by si to asi užila. Možná bych si i já dala v klidu u toho kafe. Nepomohlo by to ale k vybudování představy, že některé obrázky a věci mají mezi sebou něco společného.
Jak si dokážete představit, s touto strategií by měla Klára nízkou pravděpodobnost úspěchu v poznání barev a tvarů venku na ulici. Totéž platí i pro stroje. Umělá inteligence, která je vycvičena bez jakékoli lidské interakce (ani k „označení“ dat před tréninkem), bude mít nízkou pravděpodobnost úspěchu v reálném světě.
Existují novější techniky využívající nekontrolované (unsupervised) učení, které jsou slibné, ale v dynamickém a nekontrolovaném prostředí zatím vykazují slabá místa.
Lidský mozek je strašně fascinující mechanismus. Rozhodujeme se v životě pomocí informací, které získáváme skrz to, co čteme, slyšíme a vidíme – a mozek všechno propojuje do jednoho kontextu.
Jako příklad uvádím fotografii Marka Zuckerberga s jeho ženou a psem. I když absolutně netuším, jak se jmenuje roztomilý druh psa na fotce, vím jistě, že je to pes – přestože je Zuckerberg plný překvapení, není moc pravděpodobné, že by se fotil s ženou a mopem.
Ceci n’est pas une mop | Foto Facebook
Klasifikátor na bázi umělé inteligence by rozdíl nerozpoznal, pokud by toto plemeno psa nikdy nepotkal ve své tréninkové sadě. Jeho jediným zdrojem znalostí je vizuální vstup.
Umělá inteligence dokáže zpracovat data velmi rychle, ale postrádá abstrakční schopnosti, které máme my lidé. Mechanika lidského mozku je ale celkově nesmírně složitá oblast, které věda stále ne zcela rozumí.
Jediným aktuálně dostupným způsobem replikace lidské inteligence není vývoj, ale právě výchova. Terminátorů se zatím nemusíme obávat, ale na děti si radši dejme pozor. Pokud jim dáme dost vstupních dat a prostoru na exploration mode, bude to naprosto neskutečná generace.