Sztuczna inteligencja jest tematem obszernym i szeroko omawianym zarówno w sferze naukowej, publicystycznej, jak i politycznej. Są to działania oparte o modelowanie wiedzy, danych i rozwijanie systemów algorytmów oraz mocy obliczeniowych, co w obecnym stanie techniki pozwala na uzyskanie względnie zautomatyzowanego systemu pozyskiwania, przetwarzania i analizy danych, który daje możliwość samoistnego (autonomicznego) ulepszania systemu lub przewidywania zachowań i działań na podstawie analizy zebranych danych i korelacji między nimi, z możliwością wpływu na środowisko zewnętrzne oraz pozostające z nim w interakcji za pomocą sensorów i siłowników. Interakcje te mogą zachodzić mechanicznie lub z udziałem człowieka w cyklu życia sztucznej inteligencji począwszy od etapu kreacji, rozwoju, wdrożenia, stosowania, aż po etap decyzji o wyłączeniu z pracy i utylizacji.
Warto jednak zaznaczyć, że nie wypracowano prawnej definicji sztucznej inteligencji w ustawodawstwach krajowych i konwencjach międzynarodowych. Podejmowane są próby opisowego podejścia i tak w Polityce dla rozwoju sztucznej inteligencji w Polsce od roku 2020 (Polityka AI) autorzy powołują się na definicję:
Sztuczną inteligencję (ang. Artificial Intelligence – AI) próbuje się definiować jako dziedzinę wiedzy obejmującą m.in. sieci neuronowe, robotykę i tworzenie modeli zachowań inteligentnych oraz programów komputerowych symulujących te zachowania, włączając w to również uczenie maszynowe (ang. machine learning), głębokie uczenie (ang. deep learning) oraz uczenie wzmocnione (ang. reinforcement learning).
Z kolei w raporcie Game-changing technologies: Transforming production and employment in Europe tematyka sztucznej inteligencji jest ujęta w następującym schemacie:
W dokumentach Komisji Europejskiej z kolei sztuczną inteligencję określa się jako:
Systemy (…) zaprojektowane przez ludzi systemy oprogramowania (i ewentualnie również sprzętu), które, biorąc pod uwagę złożony cel, działają w wymiarze fizycznym lub cyfrowym, postrzegając swoje środowisko poprzez pozyskiwanie danych, interpretując zebrane ustrukturyzowane lub nieustrukturyzowane dane, rozumując na podstawie wiedzy lub przetwarzając informacje, uzyskane z tych danych i decydując o najlepszym działaniu (działaniach), jakie należy podjąć, aby osiągnąć dany cel. Systemy AI mogą wykorzystywać reguły symboliczne lub uczyć się modelu numerycznego, a także dostosowywać swoje zachowanie poprzez analizę wpływu poprzednich działań na środowisko.
Jako dyscyplina naukowa AI obejmuje kilka podejść i technik, takich jak uczenie maszynowe (którego konkretnymi przykładami są uczenie głębokie i uczenie wzmacniające), rozumowanie maszynowe (które obejmuje planowanie, harmonogramowanie, reprezentację wiedzy i rozumowanie, wyszukiwanie i optymalizację) oraz robotykę (która obejmuje sterowanie, percepcję, czujniki i siłowniki, a także integrację wszystkich innych technik w systemy cyber-fizyczne).
Istnieje jednak konsensus międzynarodowy w zakresie ujęcia definicji sztucznej inteligencji od strony modelu systemowego, opartego na technicznym nurcie rozwoju modelu inteligentnego agenta. Podejście to sprowadza się do opisu sztucznej inteligencji jako Systemu AI. Polityka AI opiera się na przyjęciu Systemu AI centralnego pojęcia dla technologicznego ujęcia sztucznej inteligencji. Tym samym polska Polityka AI przyjmuje za własną definicję Systemu AI wypracowaną w ramach OECD przez grupę niezależnych ekspertów AIGO (OECD).
System AI według OECD to system oparty na koncepcji maszyny, która może wpływać na środowisko, formułując zalecenia, przewidywania lub decyzje dotyczące zadanego zestawu celów. Czyni to, wykorzystując dane wejściowe, dane maszynowe lub ludzkie do:
- postrzegania rzeczywistych lub wirtualnych środowisk,
- streszczania takiego postrzegania w modele ręcznie lub automatycznie,
- wykorzystywania interpretacji modeli do formułowania opcji wyników.
W schemacie system sztucznej inteligencji składa się z trzech głównych elementów:
- czujników (sensorów),
- logiki operacyjnej (modeli algorytmów),
- siłowników (aparatu wykonawczego).
Czujniki zbierają nieprzetworzone dane ze środowiska, a siłowniki podejmują działania w celu zmiany stanu środowiska. Kluczowa siła systemu sztucznej inteligencji znajduje się w jego logice operacyjnej (modelach algorytmów), która dla danego zestawu celów i na podstawie danych wejściowych z czujników zapewnia ekstrakcje (wynik) dla siłowników – jako zalecenia, przewidywania lub decyzje, które mogą wpłynąć na stan środowiska.
Dlaczego sztuczna inteligencja jest istotna?
- AI automatyzuje powtarzalne procesy uczenia się i poznawania w oparciu o dane. AI różni się jednak od sprzętowej, robotycznej automatyzacji. Zamiast automatyzacji zadań manualnych AI wykonuje dużą ilość częstych, skomputeryzowanych zadań w niezawodny sposób i bez zmęczenia. Przy tym rodzaju automatyzacji ingerencja człowieka nadal jest niezbędna w celu konfiguracji systemu i zadawania właściwych pytań.
- AI dodaje inteligencję do istniejących produktów. W większości przypadków AI nie będzie sprzedawana jako osobna aplikacja. Zamiast tego produkty, jakie już są w użyciu, będą wzbogacane o funkcje AI, podobnie jak w przypadku dodania funkcji Siri do produktów Apple nowej generacji. Automatyzacja, platformy konwersacyjne, boty i inteligentne maszyny mogą być łączone z dużymi ilościami danych w celu ulepszania licznych technologii w domu i w miejscu pracy, od analizy bezpieczeństwa po analizę inwestycji.
- AI dostosowuje się poprzez progresywne algorytmy uczenia, umożliwiające danym wykonywanie programowania. AI znajduje strukturę i prawidłowości w danych, aby algorytm mógł nabrać umiejętność: algorytm staje się klasyfikatorem lub predyktorem. Tak więc, podobnie do tego, jak może on nauczyć się grać w szachy, algorytm może nauczyć się, jaki następny produkt polecić online. Modele dostosowują się po otrzymaniu nowych danych. Propagacja wsteczna to technika AI, która umożliwia korektę modelu poprzez szkolenie i dodane dane, kiedy pierwsza odpowiedź nie jest właściwa.
- AI analizuje głębsze dane i większe ich ilości, korzystając z sieci neuronowych, posiadających wiele ukrytych warstw. Kilka lat temu zbudowanie systemu wykrywania oszustw z pięcioma ukrytymi warstwami było prawie niemożliwe. Wszystko to uległo zmianie dzięki niewiarygodnej mocy komputerów i dużym zbiorom danych. Do szkolenia modeli głębokiego uczenia się konieczne są duże ilości danych, ponieważ modele te uczą się bezpośrednio od danych. Im więcej danych można im podać, tym dokładniejsze się stają.
- AI osiąga niewiarygodną dokładność poprzez głębokie sieci neuronowe, co wcześniej było niemożliwe. Przykładowo, interakcje z Alexą, wyszukiwarką Google i Zdjęciami Google oparte są na głębokim uczeniu – i aplikacje te stają się tym dokładniejsze, im częściej ich używamy. W dziedzinie medycyny techniki AI, od głębokiego uczenia po klasyfikację obrazów i rozpoznawanie obiektów, mogą teraz być wykorzystywane do wykrywania nowotworów poprzez rezonans magnetyczny z taką samą dokładnością, z jaką dokonują tego wysoko wykwalikowani radiolodzy.
- AI w pełni wykorzystuje dane. W przypadku algorytmów samouczących się same dane mogą stać się własnością intelektualną. Odpowiedzi znajdują się w danych; należy tylko zastosować AI, aby je wydobyć. Ponieważ dane odgrywają teraz rolę ważniejszą niż kiedykolwiek wcześniej, mogą one stanowić przewagę konkurencyjną. Jeśli będziesz posiadać najlepsze dane w konkurencyjnej branży, nawet jeśli wszyscy będą stosować podobne metody, te najlepsze dane wygrają.
Jakie wyzwania wiążą się z wykorzystaniem sztucznej inteligencji?
Sztuczna inteligencja zmieni każda branżę, ale musimy rozumieć jej ograniczenia.
Głównym ograniczeniem AI jest to, że uczy się od danych. Nie ma innego sposobu na wprowadzenie wiedzy. Oznacza to, że wszelkie nieścisłości w danych będą odzwierciedlone w wynikach, a wszelkie dodatkowe warstwy prognoz lub analiz muszą być wprowadzone oddzielnie.
Dzisiejsze systemy AI są szkolone, by wykonywać wyraźnie określone zadanie. System, który gra w pokera, nie potrafi układać pasjansa ani grać w szachy. System wykrywania nadużyć nie potrafi prowadzić samochodu ani udzielać pomocy prawnej. Co więcej, system AI wykrywający oszustwa związane z opieką zdrowotną nie potrafi dokładnie wykrywać oszustw podatkowych ani oszustw związanych z roszczeniami gwarancyjnymi.
Innymi słowy, systemy te są bardzo, bardzo wyspecjalizowane. Koncentrują się na pojedynczym zadaniu, a ich zachowanie bardzo odbiega od ludzkiego.
Podobnie jest w przypadku systemów samouczących się: nie są one systemami autonomicznymi. Wyimaginowane technologie AI, jakie widzimy w filmach i w telewizji, to nadal science fiction. Jednakże komputery, które potrafią analizować skomplikowane dane, aby się uczyć i doskonalić konkretne zadania, stają się dość powszechne.
Zauważmy, że inwestując na giełdzie jesteśmy sami przeciw wszystkim. Rynek sprzysiągł się żeby odebrać nam pieniądze. Wszystko jest przygotowane do Czytaj dalej
Mobile-first indexing to strategia, którą stosuje Google w celu oceny i indeksowania stron internetowych, przy czym priorytetem jest wersja mobilna Czytaj dalej
