Umělá inteligence, strojové či hluboké učení. Nebo chcete-li AI, machine learning, deep learning. Jde o spoustu buzzwordů, kterými se ohání pomalu každá druhá firma jen proto, aby vypadala zajímavěji, nebo jde o reálné technologie, které mohou změnit svět? Jde o poměrně komplexní oblasti a jejich využití v praxi opravdu může měnit spoustu technologických firem.

Ostatně právě na bázi hlubokého a strojového učení vyvíjí své nejúspěšnější produkty třeba i Google, Apple, Facebook nebo Amazon, a i když je sami jako uživatelé a zákazníci využívat nemusíte, minimálně se hodí pochopit jejich funkčnost a vliv na běžný život.

To vše se rozhodl popsat Michal Dobrovolný z vývojářské firmy Devix Technologies, který se v rámci svého doktorského studia zaměřuje na výzkum neuronových sítí a úzce spolupracuje na technologiích pro startupy a firmy z fintechové oblasti. Co tedy je vlastně umělá inteligence a co se skrývá za strojovým a hlubokým učením?

***

Počítačový software vnesl do našich každodenních životů spoustu změn. O příchodu výpočetní techniky a internetu do běžného užívání se často mluví jako o další průmyslové revoluci. Počítače dokáží svou práci vykonávat rychle, přesně a neúnavně. Dovedou řídit celé továrny nebo počítat složité matematické výpočty s téměř dokonalou bezchybností. Avšak právě matematická přesnost výpočetní techniky, představovala paradoxně také její největší slabinu.

V čem je ten problém? Svět kolem nás není ani zdaleka matematicky dokonalý a definovatelný pomocí algoritmů nebo přímočarých kroků. Vezměme si třeba takovou chůzi – kdybyste měli pro člověka, který nikdy nechodil, sepsat návod, jak na to, asi by vám na to stačil jediný papír. Oproti tomu existuje jistá společnost Boston Dynamics, kterou stálo neuvěřitelných 22 let výzkumu, opakovaných neúspěchů, miliardy dolarů a milionů řádků kódu, aby naučila chodit robota takovým způsobem, jako to umí člověk.

To, co se jakýkoliv člověk naučí empiricky (tj. zkušeností nebo-li metodou pokus-omyl), to se počítač musí naučit algoritmicky – tedy musí mít předem jasně definovaný postup, jak výsledku dosáhnout. Když je výsledek špatně, je potřeba algoritmus opravit, rozšířit, vylepšit a celé kolečko zopakovat.

Empirický přístup živé bytosti funguje trochu jinak. Živá bytost dostane vstup, například malému dítěti ukážete několik obrázků koně a řeknete, že je to kůň. Když pak vidí další obrázky koně, řekne, že je to kůň. Je to proto, že si na obrázku sám najde nějaké atributy (hříva, kopyta, tvar hlavy a uší), podle kterých dovedete obrázek klasifikovat jako koně. Když mu následně ukážete zebru, asi také řekne, že je to kůň – má přece úplně stejné klasifikační atributy jako kůň (hříva, kopyta, tvar hlavy a uší).

Když pak ale řeknete, že je to zebra (tedy označíte jeho výstup za nesprávný), dítě se samo pokusí najít rozdíly mezi tím, co je kůň a co zebra, a zjistí, že rozdíl mezi koněm a zebrou jsou pruhy. Jeho klasifikační algoritmus a správnost výsledků se samy zdokonalují s rostoucím množstvím dat, ze kterých se může učit.

Počítačové a biologické neurony

Právě toto byl až donedávna neřešitelný problém, díky kterému se daly některé, byť triviální, lidské činnosti nahradit počítači jen velmi obtížně, nebo s obrovskými náklady. Jde třeba o zmiňovaný příklad s chůzí, nebo rozpoznání ručně psaného textu. Ale právě díky umělé inteligenci to již brzy nemusí být pravda a nejen to.

Umělá inteligence neboli AI je oblastí informačních technologii, která pomocí strojového učení (machine learning) přináší možnosti, které by v tradičním počítačovém softwaru nebyly možné, nebo by jejich realizace byla nepředstavitelně náročná. Podobně jako v lidském mozku je nástrojem počítačového učení neuronová síť. Ačkoliv se v případě AI fakticky jedná jen o kousek počítačového kódu, co do funkce mají počítačové neurony s těmi biologickými mnoho společného.

Zásadním rozdílem ve vývoji tradičního softwaru a systémů založených na AI je ten, že u tradičního softwaru se zkrátka vylepšuje kód do té doby, dokud software nedává správný výstup. Oproti tomu systémy založené na umělé inteligenci se – velmi zjednodušeně řečeno – vyvíjí tím způsobem, že se do neuronové sítě nahraje co největší množství vstupních dat, k nim sada správných výsledků a systém se sám pokusí odvodit souvislosti, jak k těmto výsledkům dospět.

Na základě svých „poznatků“ se pak snaží k novým vstupním datům vrátit správný výsledek. Pokud tento bude označen za chybný, pokusí se to vymyslet nějak jinak a postupně se tak zdokonaluje až do požadované kvality. Kvalita výstupů neuronové sítě může být právě tak dobrá, jako jsou data, ze kterých se může empiricky učit.

Oblast strojového učení je jednou z oblastí informatiky, kde zdaleka nestačí pouze projít si několik tutoriálů na webu. Relativně pokročilá matematika a statistika jsou v této oblasti nutným teoretickým základem, bez kterého se k seriózním výsledkům a poskytování kvalitní řešení zkrátka nedostanete.

Ačkoliv je celý obor teprve na začátku svých možností, umělá inteligence, konkrétně podoblast hlubokého učení (deep learning), kde se jedná o miliony učitelných neuronů, jsou dnes aplikovány na řadu úloh. Hluboké učení je nedílnou součástí pokroku a bude nadále posouvat oblasti jako Průmysl 4.0, e-commerce, internet věcí, mobilní zařízení, samořiditelná auta nebo diagnostickou medicínu.

Lidská intuice pro neuronové sítě

Možnosti použití hlubokých neuronových sítí jsou opravdu rozsáhlé. Mohou například diagnostikovat rakovinu z rentgenových snímků, v případě kapslové endoskopie lokalizují polypy, rakovinu nebo krvácení. Vibrační analýza pomáhá predikovat životnost rotačních strojů a detekovat defekty. Za pomoci deep learningu dokáže dělat kvalitativní testy výrobků, predikční sítě dokáží předpovědět trend vývoje ceny akcií nebo jiných komodit, evoluční sítě zase naučit robota chodit. Umělá inteligence také dokáže hrát počítačové hry lépe než profesionální hráči.

Například samořiditelná auta spojují hned několik oblastí použití neuronových sítí dohromady. Pěkným aplikačním příkladem je diagnostika motorů. Mechanik v servisním středisku si motor nastartuje a chvíli poslouchá, jak se defekt projevuje. Jeho cvičené ucho, které již slyšelo za svou kariéru stovky podobných defektů, dokáže poznat, jaký je problém – stejnou „intuici“ je ale schopen získat i model hluboké neuronové sítě.

Důležité je však uvědomit si, že tato nová oblast informačních technologií přináší i nové problémy. České a evropské právo není připraveno na některá rizika, která jsou spojena s rozvojem těchto technologií. Otázka, která stojí před laickou i odbornou veřejností, spočívá v nalezení způsobu, jak zabránit zneužívání těchto technologií jako zbraní. Například jedním ze závažných problémů je ochrana soukromí uživatelů, stejně jako je třeba definice etických aspektů využití této technologie. Pokud model například nesprávně diagnostikuje nemoc, kdo bude zodpovědný za případné problémy?

Umělá inteligence se také často setkává s obavou spojenou s nahrazením lidského zdroje. Tato obava je dle našeho názoru zbytečná. Odborný pracovník bude pouze přesunut na kvalifikovanější práci, nebo bude schopen vykonat více práce.

V nové dekádě budou uplatňovány neuronové sítě ve více a více systémech. Jejich uplatnění a přínos jsou nezpochybnitelné. Další vývoj nových neuronových sítí se však zřejmě zpomalí. Jejich komplexnost a současná úroveň porozumění jsou bohužel zatím v nepoměru.

O budoucnosti umělé inteligence je přesvědčen i šéf DEVIXu Petr Konůpek: „Myslíme si, že umělá inteligence převrátí celou oblast IT naruby a dá vzniknout zcela novým oblastem v technologickém odvětví. Již nyní můžeme pozorovat různá online tržiště, kde se prodávají ‚naučené‘ neuronové sítě, které představují obrovskou hodnotu, a my sami jsme vyvinuli několik systémů na personalizaci marketingu či automatického vylepšování zvuku a obrazu a výsledky jsou skutečně překvapující. AI/ML je určitě něco, co napříč obory stojí za pozornost.“