13. listopadu 2018 12:23

Učící se stroje – sci‑fi nebo reálná součást našeho života?

Proč to nechat na strojích a jejich inteligenci? Máte rádi sci‑fi? Pokud ano, pojďte s námi nahlédnout do podle nás ne až tak moc vzdálené budoucnosti. Budoucnosti, kde nám „učící se a přemýšlející stroje“ výrazně usnadňují naši práci, případně ji zcela samostatně vykonávají za nás.

A pokud sci‑fi neradi, i tak pro Vás bude tento článek zajímavý. Po jeho přečtení si totiž uvědomíte, že s umělou inteligencí se v podstatě již běžně setkáváte. A možná v něm najdete i inspirace jak Machinelearning zakomponovat do Vašich elektronických zařízení a získat tak výraznou konkurenční výhodu.

Umělá inteligence není nic nového…
Myslíte si, že umělá inteligence a učící se stroje je horká novinka? Techniku Deeplearning, pomocí které se stroje učí na základě předchozích zkušeností a bez explicitního programování, uplatnil již v roce 1955 Arthur Samuel. Měl před sebou velkou výzvu, chtěl naučit počítač hrát a vyhrát Dámu. Ale jak naučit něco exaktně jednající hrát dámu lépe než on sám? Jednoduše nechal hrát dva počítače proti sobě a na základě velkého množství odehraných partií nakonec počítač dokázal v sedmdesátých letech porážet mistry v této hře.

Problémem v té době byl ale výpočetní výkon počítačů. Deeplearning, učící se stroje jako jedna z nejčastěji používaných metod při učení se strojů totiž předpokládá dostatečný objem dat. Tedy čím více dat a opakování (pokus‑omyl), tím přesnější je učení. Určitě by se Samuelovy počítače nenaučily vyhrávat v dámě po 10 či 100 hrách. Dnes však již máme k dispozici technologie a počítače s dostatečným výpočetním výkonem pro kvalitní využívání algoritmu Deeplearning. A rychlost učení bude exponenciální!

Zapomeňme na explicitní programování
Mnohé ze zařízení, které vyvíjíte a vyrábíte nebo používáte, jsou postaveny na tradičním explicitním programování (IF‑THEN‑ELSE). Tedy „pokud je splněna taková podmínka, pak proveď toto, jinak udělej toto“. To je zcela v pořádku, avšak postupně chceme přenášet na stroje složitější a složitější úkoly, pro které je téměř nemožné naprogramovat obslužný software explicitně. Nejlepším příkladem je rozeznávání obrázků. Chceme naučit stroj rozeznat na obrázku nějaký jednoduchý předmět, například stůl.

1. Při explicitním programování bychom napsali skript, kde nadefinujeme:
„pokud je to objekt obdélníkového tvaru a má 4 nohy, tak je to stůl.“ Ale co když je ten stůl kulatého tvaru? OK, doplníme tuto podmínku do skriptu… A co když to bude stůl, který má jen jednu velkou nohu ve středu? OK, doplníme i tuto podmínku do skriptu… Co když to ale bude oválný konferenční stolek bez nohou?

2. Machinelearning využívá zcela jiný přístup.
Využívá matematické modely, které v datech hledají podobné znaky. Na začátku člověk pomáhá stroji v učení. Označí pár obrázků, na kterých je stůl. Na základě podobných rysů zkusí stroj vytřídit z velkého množství určitou skupinku obrázků se stolem. Člověk potvrdí, resp. vyvrátí, zda je na obrázcích stůl. Stroj si podle těchto hodnocení upraví svůj algoritmus rozeznávání stolu na obrázku. Po několika opakováních již dokáže být obslužný program dost přesný.

Rozdíl mezi tradičním programováním a machinelearning nejlépe demonstruje toto schéma:

Tradiční explicitní programování

Machine learning

Doposud jsme psali programy, které na základě vstupů generovaly výstupní data. Výstupem machinelearning je samotný program, který se sám zdokonaluje na základě výstupních dat. A to před námi stojí výzvy jako například rozpoznávání překážek pro autonomní dopravní prostředky, překlady a tlumočení, správná diagnostika v medicíně… Umíte si vůbec představit na to napsat obslužný program tradičním explicitním programováním? Jak byste explicitně napsali software, který rozezná chodce od stromu? Téměř nemožné!

Prvním praktickým průkopníkem A.I. (artificialintelli­gence -umělá inteligence) je určitě Google. Vzpomínáte si, jak nedokonalý byl jejich překladač v počátcích při expli­citním překládání po slovech? Dnes je za celým překladem machinelearning, Vy máte možnost přímo ve výsledku překladu upravit tento překlad. Dáváte tak jejich stroji další podnět k úpravě programu a tím i na jeho zlepšení se. Vše se děje bez lidského programátorského zásahu. Nebo uměli byste si představit programovat explicitně takové intuitivní vyhledávání na webu?

Pokud by nebyl Google vyhledávač dnes postaven na A.I. věřte, už byste jej asi ani nechtěli používat. Nebyl by totiž schopen poskytnout Vám relevantní obsah k tomu, co jste hledali. Dnes už totiž nepíšeme do vyhledávání 1-2 slova, ale rovnou celé věty a otázky.

Proč to nechat na strojích a jejich inteligenci?

Cílem 4. průmyslové revoluce je personalizace a přizpů­sobení se na míru individuálním požadavkům. V dnešním světě se všichni chceme cítit komfortně jako individuality, ale současně je nás na světě velmi mnoho. A tak to bez personalizace a „customizace“ nepůjde. Není v lidských silách přizpůsobovat postupy miliardám jednotlivců na světě. Ovšem stroje s A.I. by to dokázat mohly. Stroje s A.I. nezapomínají, proto dokáží na základě historie lépe před­povídat budoucnost. Stroje s A.I. nemají předsudky, dokáží dát stranou emoce a hodnotí lidi na základě jejich chování a ne všeobecných předpokladů (věk, pohlaví či výsledky průzkumů). Proč je většina reklam a nabídek na auta zamě­řena na muže, když témata o autech vyhledává na mobilu více než 60% žen?

A.I. dokáže pro každého jednotlivce připravit indivi­duální nabídku na základě jeho zájmu projeveného v jeho chování. My jako lidé mnohokrát sami nevíme co bychom chtěli. Stroje by to v budoucnu na základě našeho chování mohly vědět. Věříme, že umělá inteligence pomůže mužům pochopit ženy a napoví jim jak správně reagovat v dané situaci (a samozřejmě i naopak, ženám pochopit muže) 🙂

Chci to s A.I. zkusit. Jak na to?

Pokud si myslíte, že dozrál čas na to, abyste do svých aplikací a zařízení implementovali prvky umělé inteligence, je dobré rozdělit si to do 3 částí.

1. Učení se -jak a na jakých datech? Zkuste svůj přístup postavit na eliminování explicitního programování. Možná Vás to překvapí, ale v současnosti jsou technolo­gie postavené na Machinelearning dostupné bezplatně. Ve světě jsou k dispozici různé open source platformy a frameworky. Znáte například tyto?

TensorFlow

Torch

Caffe

AML (Amazon Machine Learning) Apache Mahout

a pod.

Mnohá cloudová řešení ( jako např. Google Cloud, Microsoft Azure, či AWS od Amazonu) tyto frameworky již přímo obsahují. Důležité je vědět, co přesně chci učit tyto stroje a jakými daty je budu zásobovat. Neboť samotný Machinelearning bez dostatečného množství dat je nepo­užitelný. Můžete začít s něčím zcela jednoduchým, pouze za účelem testování. Například jeden bláznivý nápad za všechny: Pokud máte ve firmě jídelnu, mohli byste dávat dohromady data z jídelního lístku s množstvím nezkon­zumovaného jídla a nechat na A.I. návrh jídelního lístku v budoucnosti 🙂

2. Návrh a vybudování řešení – na jakých technologiích (HW, SW) a jak bude vypadat struktura řešení?

Asi Vás již nepřekvapí, že dnes je vše v cloudu. Servery, úložiště, data, výpočetní výkon centralizujeme do clou­dových center, abychom znásobovali naše možnosti. Centralizujeme za účelem zvyšování efektivity. Mít dnes svoji IT infrastrukturu přímo ve firmě je velmi nákladné, a tak se náklady na kvalitní provoz IT služeb v cloudu roz­počítají na několik firem. Mluvíme o tzv. sdílené ekonomice.

Proč začít využívat ve svých zařízeních cloudová řešení?

Nejjednodušeji si to ukážeme na příkladu produktu od Amazonu. Znáte jejich „inteligentní krabičku“ Echo Dot s Alexou? Jde o malé zařízení, které reaguje na lidský hlas, odpovídá na Vaše otázky. Můžete se ptát opravdu na coko­liv… Pokud by tuto inteligenci integrovali do samotného zařízení, vyžadovalo by to vysoký výkon, zařízení by stálo stovky, ne‑li tisíce dolarů. Ono však stojí 30-40 dolarů.

A víte proč? V podstatě je to jen „primitivní“ zařízení s mikrofonem, reproduktorem a připojením na internet. Nahraje Vaši otázku a odešle ji na server do cloudu. Tam je srdce a hlava celého řešení, která přetransformuje řeč do textu, vyhledá na internetu, výsledek převede do řeči Vaší „asistentky“ Alexy a nahrávku pošle do zařízení. Samotné zařízení již pak nahrávku jen přehraje.

Nepotřebujete mít počítač s výpočetním výkonem a sofistikovaným obslužným softwarem přímo v zařízení. Právě proto jej lze prodávat za 30 dolarů. Prodáte jich mnoho, tím můžete náklady na centrální řešení v cloudu rozpočítat na všechna prodaná zařízení. A jdeme ve sdílené ekonomice dál… Amazon nejenže využívá řešení v cloudu pro svá zařízení, ale za určitý poplatek nabídne tuto službu komukoliv, kdo by ji chtěl implementovat do svých vlastních zařízení. Tím se náklady na toto řešení rozpočítají i na další zařízení třetích stran. Ještě stále váháte nad zapojením do cloudu?

3. Přínos – jaký přínos a výhody bude mít dané řešení?

Zlepšíte někomu životní komfort svým řešením s A.I.? Nebo dokážete s A.I. v krajním případě zachraňovat životy, protože eliminujete omezení, která jsou v lidské práci?

Za všechny zkusíme uvést pár reálných příkladů:

V USA začali při diagnóze mozkové cévní příhody vyu­žívat umělou inteligenci. Totiž i velmi dobrému neurora­diologovi trvá průměrně 30-60 minut, než ze snímku z CT identifikuje, zda má pacient mozkovou příhodu. Problém je, že už po 12 minutách začíná docházet k prvním poškozením mozku. Systém, do kterého shromáždili obrovské množství historických dat ve formě CT snímek se závěry, zda šlo nebo nešlo o mozkovou příhodu, nyní dokáže diagnostikovat mozkovou cévní příhodu do 15 sekund!

Jiný tým s pomocí A.I. zas na základě velkého množ­ství historických snímků tumorů a okolních buněk dokáže v předstihu identifikovat vznikající rakovinový nádor, i když jej na snímku ještě člověk nepozoruje.

Člověk má limity ve své paměti. A.I. ne a zároveň s ní dokáže pracovat několikanásobně rychleji! Už dnes jsou dostupné A.I. systémy, které dokáží tlumočit Vaši řeč do cizího jazyku. A to nehovoříme o obyčejném simultánním tlumočení. Systém se s pomocí deeplearning dokáže naučit modulovat Váš hlas, v podstatě bude v cizím jazyku hovo­řit Vaším hlasem. Samozřejmě že to ještě není dokonalé, ale základ je daný a systémy se budou učit exponenciální rychlostí. Velký prostor k využití strojů s umělou inteligencí je v polnohospodářství. Firma zabývající se vývojem HW vyvinula zařízení, které se zapojí za traktor jako nějaká „vlečka“. Toto zařízení se naučilo metodou deeplearning všechno o tom, jak má vypadat perfektní zdravá plodina, jak vypadá plevel, případně příznaky přítomnosti škůdců či rostlinných chorob. V průběhu jedné minuty naskenuje 5000 rostlin a vyhodnotí, jestli je třeba stříkat na plodinu vodu nebo nějaký chemický postřik. Závlaha či postřik se tak neaplikuje plošně na celé pole, ale lokálně pro každou rostlinku individuálně. Jedno zařízení dokáže takto zkont­rolovat 20 hektarů denně a ošetřit 2,5 triliónu rostlin ročně. A přínos pro lidstvo? Při současné výměře celosvětové polnohospodářské půdy bychom uměli vyprodukovat 5 násobně více jídla při současném snížení spotřeby vody a pesticidů o 90%!

Epilog, neboli má to nějaké ale…?

Zkusme se podívat, co už dnes stroje s umělou inte­ligencí dokáží. Umí číst a počítat, poslouchat a hovořit, vyhledávat věci, sbírat a integrovat vědomosti. Možná to v některých případech nedokáží dělat tak dobře jako člo­věk, ale dali jsme jim způsob, jak se to rychle dokáží učit a neustále zdokonalovat. A to exponenciálně!

80% lidí v moderních rozvinutých zemích pracuje ve službách, kde jsou placeni za to, co učíme dělat stroje (např. řídit prostředky hromadné dopravy, připravovat jídlo, dia­gnostikovat nemoci apod.). Jsme připraveni na to, že 80% lidí by mělo přijít o práci? Ani ne před dvěma roky jsme předpokládali, že lidská práce se přesune více na pozice prací s daty. Bohužel už ani to podle nás není pravda. Ukázali jsme strojům, jak se mohou učit pracovat s daty, analyzovat a vyhodnocovat je. Nyní se říká, že lidem zůstane prostor na tzv. „takingactions“, tedy rozhodování a tvorbu algoritmů. Ale je tomu opravdu tak?

Není tedy právě teď čas začít diskutovat o nových soci­álních a ekonomických strukturách naší společnosti? Co bude smyslem života pro mnohé lidi, když ne práce? Tato průmyslová revoluce (Industry 4.0) je totiž jiná než ty před­chozí. Po každé průmyslové revoluci nastal prudký nárůst produktivity, následně však doprovázen ustálením. Nyní hovoříme o revoluci spojené s machinelearning a zde před­pokládáme exponenciální růst, po kterém zřejmě nebude následovat stabilizace.

V neposlední řadě je zde stále více aktuální otázka bezpečnosti. Do jaké míry dokážeme garantovat, že jistá zájmová skupina lidí nezačne zneužívat A.I. a získaná data ve svůj prospěch? Stroje s umělou inteligencí jsou jako malé děti, jaké rodiče (tedy lidí) budou mít, takovou ces­tou se vyberou. Možná právě do této oblasti bezpečnosti bychom měli postupně směřovat těch 80% nezaměstna­ných. Neboť všechny skvělé vynálezy vznikaly s prvotně dobrým a ušlechtilým záměrem…

Co znamená A.I. pro Vás a pro nás?

Dnes už určitě není aktuální otázka, zda je ve Vašich aplikacích a zařízeních prostor na A.I. Otázka spíše zní, zda budeme v branži mezi prvními technologickými lídry a profitovat z toho, nebo jen budeme dobíhat odjíždějící vlak. Máme pro vás dobrovolný domácí úkol. Zkuste si dát ve firmě brainstorming na téma jak můžete zakomponovat A.I. do Vašich zařízení. Možná se podíváte z okna a řeknete si „neexistuje, umělá inteligence a tady?“ Mít ale takovou vizi a být průkopníkem na trhu -to je zaručena konkurenční výhoda a úspěch!

Rádi Vám při tom v HW části pomůžeme s našimi sou­částkami. A ještě raději si s Vámi o možnostech A.I. popo­vídáme na našich unikátních workshopech, které připra­vujeme s Microsoftem. Pokusíme se postavit modelové zařízení, kde skloubíme naše HW znalosti se SW znalostmi společnosti Microsoft a okořeníme to připojením do cloudu s využitím prvků umělé inteligence.

Rastislav Talárovič

Head of Marketing Department & Google Partners Trainer

Redakčně zpracováno z www.soselectronic.cz/ articles/no‑name/ucici‑se‑stroje–sci–fi–nebo–realna–soucast-naseho-zivota-2172