Apie dirbtinį intelektą (DI) jau kurį laiką kalbama kaip apie inovacijų sinonimą ir kaip vieną pagrindinių polių, ant kurių stovi šiuolaikinis pasaulis – pradedant kasdiene buitimi, baigiant pramonės revoliucija. Tačiau kas laukia ateityje? Apie tai, kokia bus DI ateitis ir ar verta nuogąstauti, kad kompiuteriai pakeis žmones, pasakoja KTU alumnas, IBM korporacijoje dirbantis duomenų mokslininkas ir mašininio mokymosi inžinierius Marius Vileniškis.
Šiuo metu Londone, Jungtinėje Karalystėje, IBM dirbantis Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto (KTU MGMF) alumnas pasakoja, jog čia jį atvedė būtent studijos. Duomenų mokslininkas ne tik kuria sprendimus aviacijai, energetikos kompanijoms, bet ir prisideda prie sukčių, besinaudojančių pavogtomis kreditinėmis, gaudymo.
– Mariau, apie tai, kas yra DI turbūt daugelis yra girdėję, bet, visgi, kas tai ir kur jis taikomas šiuolaikiniame pasaulyje? Versle ir pramonėje?
– Tikriausiai arčiausiai to, kas vadinama DI, yra vaizdų ir garso apdorojimas. Jau ilgą laiką kalbama apie bepiločius automobilius, kurių pagrindinis veikimo principas ir būtų paremtas DI, t. y. išskirtinai vaizdo apdorojimu ir jo interpretavimu sprendimams priimti.
Versle itin išpopuliarėjo „chatbotai“ ar virtualūs asistentai, kurie stengiasi pakeisti įprastines klientų aptarnavimo linijas telefonu (ar internete), nagrinėdami kliento užduodamus klausimus naudojantis NLU (angl. Natural Language Understanding) metodika.
Labai didelė dalis įprastinių vartotojų klausimų gali būti sėkmingai išsprendžiami vien naudojantis virtualaus asistento paslaugomis, o tai ženkliai sumažina kaštus verslui bei padidina pagalbos prieinamumą vartotojams. Pramonėje taip pat intensyviai naudojamos vaizdo apdorjimo technologijos, pavyzdžiui, atpažinti defektuotą gaminį be žmogaus įsikišimo.
Iš paprastų pavyzdžių galima paminėti praktiškai kiekviename telefone ar išmanių namų prietaisuose įdiegtus asistentus, tokius kaip „Siri“, „Alexa“ ir t. t. Tokiu būdu galime komunikuoti ir valdyti savo elektroninius prietaisus balsu, nenaudodami kitokio įvesties įrenginio. Pavyzdžių tikrai yra daugybė ir kuo toliau, tuo labiau mūsų gyvenimas yra praturtinamas ar praplečiamas pasitelkiant dirbtino intelekto funkcionalumą.
– Pritaikymo galimybės išties plačios. Bet ar pakankamai verslas turi žinių apie DI ir kaip jį pasitelkti siekiant mažinti kaštus, optimizuoti veiklą?
– Verslas jau yra supratęs DI atnešamą naudą, bet dauguma dar nesugeba pastebėti jo pritaikomumo savo srityje, nors kartais tas pritaikymas atrodo akivaizdus. Dauguma šiuolaikinių verslų yra smarkiai stumiami į priekį ne tik dėl sėkmingai pasirinkto verslo modelio, bet taip pat dėl sėkmingai naudojamų naujausių technologijų.
Kompanijos, tokios kaip „Facebook“, „Spotify“ ar „Netflix“ siūlo paslaugas, kurias smarkiai praturtina ar net įgalina DI panaudojimas. Savo sėkmės istorijomis šios kompanijos tampa pavyzdžiu kitiems verslams, kurie bando kopijuoti ne tik naudojamą verslo modelį, bet ir technologijas.
Šios kompanijos taip pat stumia į priekį DI ir duomenų mokslo progresą pasidalindamos savo laimėjimais ir pačiomis technologijomis su atviro kodo bendruomene. Visi nori pasitelkti DI sprendimus, tik gal ne visi šiuo metu yra tam subrendę – tiek požiūriu, tiek turimais resursais.
– Nauda akivaizdi. O kokius pokyčius dar gali atnešti DI? Kokia jo ateitis?
– Tikriausiai vieni iš laukiamiausių pokyčių yra medicinos srityje. Dabartinė situacija rodo, kad naudojantis DI galima ne tik padėti diagnozuoti paciento ligą, bet ir paspartinti reikiamų vaistų kūrimo procesą.
Versle tikrai dar liko labai daug sričių, kur galima įdarbinti DI daryti sprendimus, kuriuos šiuo metu daro žmonės.
Vis smarkiau reglamentuojamos DI naudojimo sritys ir tam tikrų klausimų kėlimas dėl etikos, kontrolės tikriausiai pristabdys jo panaudojimą bei realias galimybes, kurias galėtumėme išnaudoti. Labai tikiuosi, kad mokslininkų bendruomenė kartu su verslais ir visuomene atras būdų, kaip „išspausti“ maksimalią naudą iš DI nepažeidžiant moralės ar etikos principų.
– Labai svarbus aspektas – kokios grėsmės ir iššūkiai gali kilti vis plačiau įdarbinant DI? Ar reikalinga jo kontrolė? Ar egzistuoja etika?
– Mano nuomone, pagrindinis iššūkis yra nubrėžti ribą tarp to, kur sprendimą turėtų priimti žmogus, o kur gali būti priimtas automatizuotas sprendimas DI/Mašininio mokymosi (MM) pagalba. Vis daugiau sprendimų automatizuojant, viena karščiausių temų šiuo metu aptariamų DI/MM srityje, tapo šių metodikų sprendimų teisingumas, nediskriminavimas ir paaiškinamumas (angl. fairness, non-bias and explainability).
Manau, tai yra kiek ironiška, žinant, kad dauguma atvejų „ekspertinei nuomonei“ ar klasikinės statistikos pagalba sukurtiems modeliams nėra taikomi tie patys kriterijai, t. y. neklausiama, ar tai nediskriminuojantis sprendimas. Tačiau tai yra labai svarbus klausimas – ar tikrai verta priimti vienokį ar kitokį sprendimą, kuris gali turėti daug įtakos.
Vienas iš būdų, kaip demokratizuoti DI ir MM, yra pasinaudoti paaiškinamumo (angl. explainability) metodais, kuomet naudojantis vienokia ar kitokia metodologija, bandoma paaiškinti, kodėl DI / MM modelis priėmė vienokį ar kitokį sprendimą konkrečiu atveju.
Taip pat nemažai tyrimų yra vykdomi tam, kad sukurtų metodikas modelio diskriminavimo ir teisingumo patikrinimui.
– Vis daugiau sprendimų priėmimo perduodant DI kyla klausimas – ar mašina pakeis žmogų? Ar šios perspektyvos negąsdinančios?
– Reikia tikėtis, kad mašina tikrai greitu metu pakeis žmogų tose srityse, kuriose darbas yra pagrįstas rutinine seka atliekamų veiksmų ar sprendimų priėmimų. Tačiau įsivaizduoti kažką panašaus į korporaciją „Skynet“ iš „Terminatoriaus“ filmo tikrai nereikėtų.
Daugelį kuriamų sprendimų ir metodikų galima supaprastintai apibūdinti kaip kompiuterių bandymus atkartoti tai, kas jau užfiksuota praeities duomenyse. Asmeniškai manęs tokios perspektyvos tikrai negąsdina.
Gal dar ir dėl to, kad tikrai neteko matyti DI pritaikymo srityje, kurioje jis padarytų kažką šokiruojančio. Taip, DI jau laimi šachmatus ar „Go“ žaidimą prieš profesionalius žaidėjus, bet iki žmogaus kūrybingumo ir mąstymo proceso dar labai labai toli.
– O su kokiais DI pritaikymais dirbate jūs?
– Savo darbo praktikoje kiek dažniau teko dirbti su „teksto suvokimu“ kompiuterio pagalba. Klasifikuoti tekstą pagal temas, suprasti, ko vartotojas klausia virtualaus asistento, „ištraukti“ iš teksto reikalingą informaciją.
Teko darbuotis finansų industrijoje, kurti sprendimus, kurie padeda gaudyti „blogiečius“: kredito kortelių sukčius, pinigų „plovėjus“. Paskutiniu metu padedu verslui pagerinti savo efektyvumą naudojantis MM ir duomenų mokslu.
Pavyzdžiui, vienai didžiųjų oro linijų kompanijų sukūrėme duomenų mokslui ir MM skirtą platformą, padėjome sujungti duomenis kartu su vienu didžiausių oro uostų Europoje, kad jie galėtų efektyviai planuoti savo skrydžius.
Energetikos kompanijai padėjome suprasti gedimų aptikimų ir prevencinės priežiūros atlikimo MM metodais surastu laiko momentu naudą.
– Kaip tapote duomenų mokslininku? Kokios žinios ir įgūdžiai yra reikalingi norint „įvaldyti“ DI ir MM?
– Duomenų mokslas yra tarpdisciplininis dalykas, kuriam reikalingos matematikos, programavimo ir specifinio domeno žinios.
Studijų metu įgytas stiprus pagrindas matematikos ir programavimo srityse leidžia susifokusuoti į specifinį domeną ir taip greičiau spręsti problemas.
Kiek teko sutikti kolegų, baigusių panašias studijas, jie retai turi tokius programavimo pagrindus, kokius įgijau studijuodamas Taikomąją matematiką Kauno technologijos universitete (KTU). Studijuodamas matematiką išmokau visada ieškoti priežastinio ryšio, išlavinau mąstymą. Tai labai svarbu norint perprasti DI ir MM.
