Jak blízko je opravdová umělá inteligence? | Kapitola 2
Seznam kapitol
O umělou inteligenci se snaží počítačová věda od svých samotných začátků. Vždy se objevil nějaký módní směr, jako funkcionální programovací jazyky, expertní systémy, automatické klasifikátory či neuronové sítě. A vždy se po čase narazilo na limity, které ta či ona metoda přináší, na scestí, na které může zajít. Jak blízko je skutečná umělá inteligence?
Kombinace AI a korporátu může být mimořádně toxická. Umělá inteligence se obvykle snaží maximalizovat nějakou „funkci užitku“ (utility function) – a korporace dělá vlastně totéž, snaží se maximalizovat výnos na akcii pro své majitele. Pohled na to, jak se chovají pragmatické korporace, je pohledem do světa, kde se umělá inteligence snaží maximalizovat svoji utility function. Je výhodné snížit náklady přesunem do chudší země? Je výhodné přenést ekologickou zátěž na stát? Je výnosné vyhazovat sezónní zaměstnance a obcházet zákony, aby byli co nejlevnější?
Pokud se korporace dokážou amorálně chovat kvůli maximalizaci výnosů, můžeme totéž očekávat od umělé inteligence. Umělá inteligence, ve své obecnosti, totiž není nic jiného než soubor algoritmů, které se snaží najít co nejefektivnější cestu k maximalizaci užitkové funkce. Existují různé strategie, jak na to jít – nalezení nejkratší či nejlépe ohodnocené cesty v grafu, vytřídění nejvhodnějších prvků ve vstupní množině, minimalizace chyby při učení neuronové sítě. Umělá inteligence je ve valné většině případů vlastně jenom forma optimalizace.
Snažíte se najít optimální cestu mezi městy, určit optimální dráhu pro pohyb auta, maximalizovat ztráty nepřítele, minimalizovat objem léčiv, potřebných pro terapii či minimalizovat počet testů, nezbytných pro identifikaci nemoci. Základem AI je řada různorodých optimalizací, které se občas evolučně testují proti výsledkům z reálného světa. Lidé reagují na rozhodnutí AI pozitivně anebo negativně a tím se AI učí. Je to jednoduché a díky masivní zpětné vazbě také efektivní.
Zpětná vazba přitom nemusí být jenom explicitní, jako když hodnotíte přesnost odpovědi AI. Může být implicitní, kdy se vyvozuje z chování uživatele. Doporučíte uživateli skladbu, ale on ji po čtyřiceti sekundách přeskočí na další, z toho vyvozujeme, že se mu nelíbila a doporučení bylo neúspěšné. Dáme do feedu nějaký článek a sledujeme, jak dlouho se u něj uživatel zastavil. Nemusí na něj ani reagovat, stačí nám měřit čas – když se u něj zastavil déle, hodnotíme doporučení jako pozitivní.
Celý svět se – při vhodné interpretaci – mění na rozsáhlý analyzovatelný dataset. O tom jsou ostatně big data, respektive v současnosti přicházející krok, kdy dochází „ke sloučení AI a velkých dat“, které je občas trochu pompézně označováno, že „big data jsou další krok v AI“. No, krok: Big data generují big výsledky, ve kterých se bez AI budete hrabat docela těžko.
Komentáře naleznete na konci poslední kapitoly.
