Kako deluje tehnologija, ki poganja umetno inteligenco?

Montaža Danes je nov dan.

Razvoj tehnologij, ki temeljijo na umetni inteligenci, je vse hitrejši, to pa vodi tudi v vse večjo prisotnost umetnointeligenčnih sistemov na številnih področjih naših življenj. Vendar pa je odločanje o rabi in regulaciji teh tehnologij le redko vključujoče. Odločitve se pogosto sprejemajo v zaprtih krogih – med osebami z družbeno in politično močjo ter tehnično podkovanim strokovnim kadrom. V redkih primerih, ko so pogovori odprti za civilno družbo in širšo javnost, pa njihovo kakovostno sodelovanje otežuje uporaba strokovnega (in pogosto namenoma izključujočega) izrazoslovja. Stanje je še slabše zaradi že tako pomanjkljivega razumevanja tehnoloških (in drugih) vidikov umetne inteligence.

A za vključevanje v debate o rabi in regulaciji umetne inteligence poglobljeno znanje o vseh tehničnih aspektih različnih aplikacij ne bi smelo biti potrebno. Ključno je, da poznamo osnovne izraze in razumemo logiko umetnointeligenčnih sistemov. Ta pa ni nič bolj napredna kot pa igranje pokra ali – kuhanje!

Algoritem

Umetnointeligenčni sistemi vsebujejo dve ključni sestavini: podatke in navodila, kaj z njimi početi. Če pri kuhanju potrebujemo sestavine, da lahko jed sploh pripravimo, umetna inteligenca za delovanje potrebuje podatke. To so lahko fotografije, slike, knjige, besedila spletnih pogovorov itd. (Več o tem pa v naslednjem prispevku!) Če podatke primerjamo s sestavinami, pa lahko algoritme razumemo kot recepte. Preprosto povedano so to skupki navodil, ki določajo vrsto in zaporedje akcij v nekem postopku. Pri “dobri stari” umetni inteligenci smo algoritme za prepoznavanje predmetov pisali ljudje. Pri sodobnem strojnem učenju pa raje ustvarjamo algoritme za učenje na podlagi podatkov, nato pa prekrižamo prste in upamo, da bo sistem pri tem kar najbolj uspešen in pripravil rezultate, ki bi jih radi dobili.

Primeri algoritmov: kuharski recept, zemljevid z narisano potjo, navodila za reševanje rubikove kocke. Montaža Danes je nov dan.

Strojno učenje (ang. machine learning)

Sprva so računalniki na vprašanja odgovarjali zgolj na podlagi točno določenih algoritmov. Vendar pa se je izkazalo, da ljudje ne znamo napisati algoritma za prepoznavanje psov in mačk, žog in hiš ter drugih objektov, poleg tega pa bi bilo za vsako od teh stvari preveč zamudno razvijati ločen algoritem.

Takrat pride prav sklepanje na podlagi primerov. Več primerov, kot jih obdela stroj, bolje naj bi razumeval in prepoznaval vzorce.

Čivava ali muffin? Prikaz fotografij čivav in muffinov, ki izgledajo podobne, in jih UI sistemi pogosto zamenjujejo. Vir: freeCodeCamp.

Ker pa gre pri strojnem učenju za računalniško razvrščanje, klasifikacijo ali kategorizacijo na podlagi primerov, ne pa na podlagi natančno, zanesljivo, objektivno in zadostno določenih lastnosti, so rezultati pogosto slabi. To še posebej velja za situacije, ki so dvoumne ali težavne za razumevanje tudi ljudem.

Že danes so v uporabi tehnologije, ki naj bi pomagale "sklepati" o človekovem notranjem čustvenem stanju. To počnejo na podlagi fizičnih, fizioloških ali vedenjskih označevalcev, kot so obrazni izrazi ali ton glasu, stanja pa nato razvrščajo v različne kategorije, kot so jeza, veselje ali strah. A že lastna človeška izkušnja nam pokaže, da je počutje pogosto nemogoče oceniti zgolj z obraza. Poleg tega so tovrstne tehnologije razvite na diskriminatornih in psevdoznanstvenih temeljih. Kljub temu jih policija uporablja za prepoznavanje terorističnega naklepa, podjetja za iskanje dobrega kadra, na nogometnih stadionih pa se uporabljajo za predvidevanje nasilnega vedenja.

Grafični prikaz slabega delovanja prepoznave ambivalentnih čustev. Montaža Danes je nov dan.

Pri razumevanju strojnega učenja nam prav pride tudi poznavanje funkcije izgube (ang. cost function). Z njo merimo, kakšna je razlika med predvidenim in dejanskim rezultatom.

Fotografija prikazuje primer prepoznave objektov. Algoritem objekt označi s pravokotnikom. Pravokotniki se med sabo prekrivajo, lahko vsebujejo tudi druge objekte. Različne oznake istih objektov nam lahko dajo iste odstotke učinkovitosti rezultatov.

Veliki jezikovni modeli

Veliki jezikovni modeli, kot je denimo ChatGPT, delujejo na podlagi strojnega učenja, saj analizirajo ogromne količine besedilnih gradiv (knjig, člankov, transkriptov itd.), na podlagi “naučenega” pa predvidevajo, katera je najverjetnejša naslednja beseda (ali del besede) nekega besedila.

Video prikaz delovanja velikega jezikovnega modela, ki deluje kot drevesna struktura izbir. Ko izberemo besedo, se nam prikažejo opcije za naslednje izbire. Na takšen način veliki jezikovni model predlaga naslednjo možnost. Vir: Moebio Labs.

Računalniki imajo zdaj še več zmožnosti za analizo ogromnih količin podatkov, ki bi vsakemu od nas vzele tisoče ur dela. A to še ne pomeni, da so veliki jezikovni modeli ali druge oblike umetne inteligence “pametni” – njihove zmogljivosti temeljijo na sposobnosti napovedovanja statistično najverjetnejših informacij na podlagi tvojega vnosa ali besede, ki sledi tvojemu besedilu. To je pogosto dovolj za ustvarjanje vtisa, da je na drugi strani dejanska inteligenca. Vendar ni vse zlato, kar se sveti.

Prispevek je povzetek drugega predavanja iz serije Mini tečAI: Umetna inteligenca od A do NVO. Dogodki so bili zasnovani posebej za nevladne in civilnodružbene organizacije ter vse, ki morda nimajo poglobljenega znanja o tehnoloških vidikih umetne inteligence, a želijo bolje razumeti, kako umetna inteligenca vpliva na njihovo delo in kako se z njo učinkovito spoprijeti.

Posnetek drugega predavanja: O tehnologiji

Na drugem predavanju se nam je kot gostujoči govorec pridružil Vladan Joler, soustanovitelj srbske organizacije SHARE Foundation in profesor na oddelku za nove medije Univerze v Novem Sadu.

Priporočamo v branje:

• Anatomy of AI / Anatomija umetne inteligence: zemljevid umetne inteligence na primeru naprave Amazon Echo https://anatomyof.ai/
• Calculating Empires / Računanje imperijev: Genealogija razvoja tehnologije in moči od leta 1500 dalje https://calculatingempires.net/