Machine Learing, Deep Learning, Superintelligence?

W globalnego rozwoju AI kształtują się trzy podejścia do tej dziedziny; perspektywa USA, gdzie czasami AI wydaje się być postrzegana jako panaceum; perspektywa europejska, która jest o wiele bardziej sceptyczna i tym samym realistyczna oraz dystopijna perspektywa naukowców już teraz przestrzegających przed tzw. superintelligence. Nasza polska perspektywa nadal wydaje się wolno krystalizować. Obrazowym papierkiem lakmusowym co do prawdziwych możliwości AI jest jej zastosowanie w walce z trwającą pandemią COVID-19. Niestety walka z wirusem opierała się, i nadal opiera, na bardzo tradycyjnych metodach: telefon, formularz etc. AI prawie nie miało zastosowania poza paroma dosłownie przypadkami, inter alia analizowanie zdjęć płuc, zbieranie informacji dotyczących zgłaszających się pacjentów etc. Nie było jednak scenariusza, że AI nagle okazała się cudownym remedium. Zapewne metody AI zostały wykorzystane w pracach nad szczepionką.

Aby dokładniej poznać zagadnienie należy zgłębić źródło potęgi AI – czyli możliwości reagowania na niespotykane dotąd obiekty. Należy zaznaczyć tutaj, że spotkanie obiektu, który został wcześniej oznaczony przez człowieka (np. przysłowiowego już kota) nie jest wyzwaniem, wyzwaniem jest oznaczenie przez Sztuczną Inteligencję innego kota na podstawie kluczowych cech obiektu. Uczenie Maszynowe (ang. ML – Machine Learning) jest obszarem AI w którym wykorzystuje się dane testowe w celu zbudowania modelu algorytmu, którego ręczne zbudowanie (zaprogramowanie) jest praktycznie nie możliwe ze względu na ilość cech (zmiennych). Algorytmy wypracowane w oparciu o ML często są udoskonalane w czasie poprzez procesowanie nowych obiektów oraz dodatkową weryfikację. Jedną z najbardziej zaawansowanych metod nauczania maszynowego jest tzw. Deep Learning, gdzie problem jest dzielony pomiędzy wiele warstw. Każda warstwa odpowiada za weryfikację określonych cech następnie przekazuje wynik do kolejnej warstwy (rysunek powyżej) można zauważyć, że każdy węzeł warstwy niższej łączy się z kolejną warstwą i zadać pytanie, dlaczego? Odpowiedzią jest waga określonej cechy każdy węzeł warstwy posiada inną kombinację wartości na podstawie których określa “moc” danego zbioru cech.

Jak zwykle prawda leży gdzieś po środku. Punktowe zastosowanie AI jest oczywiście zalecane, ale to wszystko zależy od szerszego kontekstu biznesowo-procesowego. Przekornie można powiedzieć, że w kontekście AI nie należy mierzyć sił na zamiary. Przeciwnie. O wiele bardziej realnym podejściem jest zachowawcza postawa sceptyka, który bardzo dokładnie przygotowuje potencjalne studium przypadku przed rozpoczęciem wdrożenia.