Vývoj výzkumu AI a ML

V průběhu let zaznamenala oblast umělé inteligence (AI) řadu zásadních změn paradigmatu. První období umělé inteligence bylo založeno na přístupech, které využívaly symbolicky vyjádřené lidské znalosti pro odvození, například v expertních systémech založených na pravidlech. Naproti tomu úspěchy současné éry umělé inteligence jsou z velké části způsobeny systémy strojového učení (ML), které se staly schopnými využívat velmi velké množství dat k přizpůsobení extrémně mnoharozměrným modelům, jako jsou například systémy hlubokého učení (Deep Neural Networks).

Ještě nedávno systémy umělé inteligence ignorovaly dva silné zdroje: znalosti a kontext. A předávání znalostí výukovým systémům je aktuálně klíčem k systémům AI, které mají dokázat řešit obecné úkoly. A čím obecnější úkoly má být schopen systém řešit, tím větší všeobecnou znalostní i kontextovou informační základnu vyžaduje. Podobně jako děti, aby následně mohly uspět ve svém životě, se nejdříve učí širokému portfoliu znalostí lidské společnosti, které jsou označované jako všeobecně nutné znalosti, i když je v následujícím konkrétním životě nutně nemusí používat (například konstruktér průmyslových strojů nebo operátor výrobní linky nutně k práci nepotřebuje znát například českou literaturu 19. století). Nicméně se ale ukazuje, že i tyto "střípky" mozaiky vědomostí umožňují se lépe a hlavně spolehlivěji orientovat v obecném světě lidí i přírody. Což třeba potvrzují i nejnovější zjištění vývojářů AI systémů autonomního řízení vozů, že pro potřeby spolehlivých a rychlých reakcí ovládání aut je důležité mít i širší informace a znalosti o možném chování lidí, například chodců na chodnících nebo dětí hrajících si u silnice.

Takové typy znalostí se v případě systémů umělé inteligence mohou sestávat z naučených reprezentací nebo dílčích modelů, simulací nebo zákonů fyzického světa či explicitních znalostí poskytovaných lidmi. Mnoho současných algoritmů umělé inteligence je vytvořeno na základě předpokladu abstraktní a samostatné digitální počítačové architektury. Ve skutečnosti však existuje mnoho různých souvislostí přesahujících z jedné oborové oblasti do jiné a právě takový kontext může sestávat z povědomí o okolí, z přístupu ke světu prostřednictvím aktivního snímání nebo z přímých interakcí s lidmi.

Další generace systémů umělé inteligence

Strategické směřování současného výzkumu, například v Lamarrově nebo Fraunhoferově institutu, je zásadně formováno naším přesvědčením, že potřebujeme další posun paradigmatu směrem ke třetí generaci systémů umělé inteligence, které se nazývají jako AI³. Tři základní rozměry budoucích moderních systémů AI jsou data, znalosti a jejich kontext.

AI³ tedy má označovat umělou inteligenci kombinující data, znalosti a kontext prostřednictvím současného zkoumání těchto tří prvků, jejich vzájemných vztahů a následným jejich zhmotněním pomocí algoritmů. Dlouhodobým cílem je pak nakonec spojení všech složek ML a AI do jednotného systému umělé inteligence vykazujícího obecnou inteligenci.

Klíčové oblasti současného výzkumu ML a AI

Pět oblastí, ve kterých například aktuálně organizují výzkum v německém Lamarr Institute, právě odráží zásady AI³. Tyto výzkumné oblasti jsou vzájemně propojené a řeší otázky jak integrovat data, znalosti a kontext pro vytváření řešení AI, která fungují efektivně z hlediska zdrojů a poskytují výkonné, ale robustní, vysvětlitelné a důvěryhodné výsledky.

• Hybridní strojové učení (Hybrid Machine Learning)

Hybridní strojové učení znamená integraci dat, znalostí a kontextu do jednoho systému a má být slibným přístupem k vytváření ML řešení, která jsou efektivnější, robustnější a důvěryhodnější. Navíc se očekává, že hybridní systémy, které integrují reprezentaci znalostí se statistickými technikami učení, budou méně zaujaté a vyžadují méně školicích dat. Proto například výzkumníci z německého Lamarr Institute se v současné době intenzivně zabývají vytvořením takových hybridních ML systémů, které budou překlenovat propast mezi přístupy založenými pouze na datech a modelech.

• Strojové učení s ohledem na zdroje (Resource-aware Machine Learning)

Strojové učení s ohledem na zdroje má za cíl přizpůsobit technologie tak, aby šetřily energii, paměť a výpočetní zdroje. Výzkumníci z Lamarr Institute se například právě této oblasti intenzivně věnují. Za tímto účelem i studují spojení mezi hardwarem a strojovým učením a cílem je zpřístupnit strojové učení i na zařízeních s omezeným výpočetním výkonem a omezenými zdroji energie a paměti, tedy poskytnout možnost snadného rozšíření ve společnosti. Tento přístup má i pozitivní ekologický aspekt, kdy je možnost využití již stávajících zařízení bez nutnosti potřeby výměn hardwaru. Na druhou stranu tento přístup může vývoj ML zpomalovat, protože se musí hledat "náhradní" na výkon méně orientované přístupy, což ve výsledku může být složitější, než samotné další modernizování technologie. Proto se doposud vývoj ubíral směrem současné modernizace softwaru spojeného téměř vždy i s nutným vývojem hardwaru.

• Systémy zaměřené na člověka (Human-centered Systems)

Systémy zaměřené na člověka jsou navrženy tak, aby interagovaly s lidmi a poskytovaly vysvětlitelné a srozumitelné výsledky. Například v německém Lamarr Institute vyvíjí přístupy zaměřené na člověka pro překlenutí propasti mezi metodami ML a lidskou myslí. Na jedné straně se systémy zaměřené na člověka přizpůsobují lidským cílům, konceptům, hodnotám a způsobům myšlení. Na druhou stranu tyto systémy využívají sílu lidského vnímání a inteligence. Oblast zvaná Visual Analytics hraje klíčovou roli v kombinaci lidské a strojové inteligence. Modely ML jsou tedy vyvíjeny se zapojením lidských znalostí a tyto znalosti pak využívají při generování vysvětlení.

To jsou pozitivní stránky věci. Ale pojďme se podívat naopak i na možné kritické otázky a negativní stránky a důsledky. Kritickou otázkou totiž je, zda je vhodné obvykle ne zcela racionální a dost často sobecké a destrukční cíle, koncepty, hodnoty a způsoby myšlení lidí dále živit, zvyšovat jejich sílu a dodávat jim dosah a následně i možnost větší destruktivní síly. Myslím si, že tuto kritickou poznámku je v oblasti kombinace člověka a ML či AI neustále mít na paměti. A aktuální světové události to, myslím, jenom potvrzují.

• Důvěryhodná umělá inteligence (Trustworthy Artificial Intelligence)

Tzv. Trustworthy AI (Důvěryhodná umělá inteligence) staví na robustních, ověřitelných postupech a tvoří základ pro certifikaci aplikací AI. Důvěryhodnost má mnoho aspektů a zájmů, kromě informatiky také další oblasti od psychologie a filozofie po ekonomii a právo. V důsledku toho jsou vědci z Lamarr Institute, kteří pracují na důvěryhodných aplikacích umělé inteligence, členy interdisciplinárního týmu. Pro svůj výzkum berou v úvahu celkový sled shromažďování dat, ukládání, zpřístupňování, vzorkování, předzpracování, výběr modelu, modelování, přizpůsobování a aplikaci modelu na proces s určitým výsledkem a dopadem.

Tomu má pomoci současný rychlý doprovodný vývoj certifikačních mechanismů, které by měly zamezit vypuštění na trh společensky "zhoubných", tj. neetických, psychicky i fyzicky potencionálně destrukčních nebo záměrně s lidmi manipulujících AI systémů. To je ještě více naléhavé zejména již ve výše zmíněné oblasti blízkého propojení systémů AI/ML s lidmi.

• Vtělená umělá inteligence (Embodied Artificial Intelligence)

Vtělená umělá inteligence označuje AI, která je zabudována do fyzických systémů, jako jsou roboti, a může interagovat s okolím. Na rozdíl od klasického ML v robotice zahrnuje ztělesněná umělá inteligence všechny aspekty interakce a učení v prostředí: od vnímání, přes porozumění, uvažování a plánování až po provádění, respektive manipulaci. Stejně jako lidské učení je založeno na zkoumání a interakci s prostředím, vtělená AI musí zlepšit své chování na základě zkušenosti.

Vtělená umělá inteligence tedy spojuje více oblastí, jako je počítačové vidění, modelování prostředí a predikce, plánování a řízení, posilování učení, fyzikální simulace a robotika. V tomto směru lze do budoucna očekávat i vývoj a realizaci autonomních systémů skutečně samostatných vozů pro běžný provoz, protože na rozdíl autonomních systémů pro nějaká speciální vozidla pohybující se v uzavřených oblastech nebo vozidla stále vyžadující dohled či asistenci řidiče, budou jistě potřebovat znát širší kontext chování lidí pro řešení i situací, na které je nebylo možno předem přesně vytrénovat.

Aplikační obory a interdisciplinární výzkumné oblasti

Plný potenciál strojového učení a umělé inteligence ve vědě lze realizovat pouze s aktivním zapojením a interdisciplinární výzkumnou prací, která nepovažuje jiné disciplíny jen jako čisté aplikační oblasti, ale i jako výzkumné otázky samy o sobě. V tomto směru například výzkumníci Lamarrova institutu spolupracují s výzkumníky i společnostmi v následujících pěti aplikačních a interdisciplinárních výzkumných oblastech, ve kterých hraje použitelnost strojového učení klíčovou roli:

• Plánování a logistika -> řešení AI pomáhají optimalizovat procesy dopravy a mobility a šetří zdroje.
• Výzkum vesmíru / astrofyzika -> pomocí metod ML jsou velké datové toky analyzovány a vyhodnocovány v reálném čase, což poskytuje nový pohled na vesmír.
• Průmysl a výroba -> AI umožňuje využití modelů strojů a výrobních dat pro inteligentní řízení a zvýšení efektivity, např. automatické nastavování a učení pohybu průmyslových robotů bez předchozího programování.
• Výzkum a vývoj -> AI přináší revoluci do medicíny, protože urychluje vývoj léků a pomáhá při studiu biologických systémů.
• Zpracování přirozeného jazyka (NLP) -> porozumění mluvenému a psanému jazyku je dnes jedním z hlavních témat nejen v podobě různých chatbotů, ale i pro potřeby překladačů pracujících v reálném čase, nebo opravy gramatiky textů i gramaticky složitých jazyků, jako například němčiny či češtiny.

Závěr

Dal by se zde závěrem parafrázovat text písně z filmu Pekařův císař na: "Člověk dělá to a umělá inteligence zase tohle a dohromady udělají moc...". Nelze samozřejmě zapřít, že vývoj a současné i předpokládané budoucí pokroky v rozvoji systémů umělé inteligence a učení strojů mají významný pozitivní přínos lidstvu při mírovém a ekologickém použití. A to ať již jde o aktuálně populární konverzační systémy typu ChatGPT nebo řídící či výzkumné systémy postavené na systému hlubokého učení či kombinací více systémů učení dohromady.Nicméně, jako každý výtvor lidstva, má každá další nová technologie i silný potenciál dát jednotlivcům takovou sílu a moc, že mohou s její pomocí ovládat celou početnou lidskou společnost, zejména pokud stejnou technologií nedisponují všichni. A čím silnější prostředek je k dispozici, tím hrozí větší riziko velké nadřazenosti jednoho nebo jen několika lidí nad masou lidí. Pokud budoucí umělá inteligence bude schopná obecného myšlení a super rychlého vyhodnocování a rozhodování navíc umocněného možnostmi kvantových počítačů, může být nakonec možná i větší hrozbou než současné zbraně.

Nechci zde strašit nějakým apokalyptickým scénářem, nicméně přehnanou a jednostranně zaměřenou euforii a nadšení by měl krotit rozumný kritický náhled nad důsledky a negativy, protože nic nemá jen pozitiva, ale vše vždy má i nějaká negativa, byť nemusí být hned na první pohled zjevná.

Odkazy:

• Webové stránky institutu: https://lamarr-institute.org
• Webové stránky Fraunhoferova institutu - sekce výzkumu AI: https://www.iais.fraunhofer.de/en.html