Wyjaśnienie tajemniczego świata sztucznej inteligencji.

Jan suchanek

“Sztuczna inteligencja to rodzaj technologii, która pozwala komputerom na wykonywanie

zadań, które wymagają inteligencji ludzkiej, takich jak rozumienie języka, rozwiązywanie
problemów, uczenie się i podejmowanie decyzji. Sztuczna inteligencja może być używana w
różnych dziedzinach, takich jak medycyna, transport, bezpieczeństwo, rolnictwo i wiele
innych. Może być wykorzystywana do automatyzacji procesów, poprawy efektywności i
wydajności oraz do tworzenia nowych rozwiązań. Sztuczna inteligencja opiera się na
algorytmach i technikach uczenia maszynowego, które pozwalają komputerom na uczenie
się z danych i na poprawę swoich wyników z czasem.” - to powiedział mi model sztucznej
inteligencji gdy poprosiłem go aby “wytłumaczył inteligencję w kilku zdaniach”.
Wygenerowana odpowiedź jest faktycznie prawdą, ale wydaję mi się, że w dzisiejszych
czasach wiele osób może uznać ją za truizm, albo przynajmniej nic ciekawego. Ciągle
słyszymy jak świetna jest sztuczna inteligencja i w jak wielu dziedzinach może się przydać,
ale nikt nigdy nie umie wytłumaczyć jak ta rewolucyjna magia faktycznie działa. Jak
właściwie ludziom udało się zmusić wielkie kalkulatory (komputery) do inteligentnego
myślenia tak jak mózgi?

Gdy widzimy zdjęcie pomarańczy, wiemy, że to pomarańcza, ale nie mamy pojęcia w jaki
sposób nasz mózg jest w stanie zinterpretować to co widzą nasze oczy jako pomarańcza.
Możemy wymienić różne cechy pomarańczy, takie jak jej kolor lub kształt, ale nie wiemy jak
nasz mózg faktycznie sprawdza obecność tych cech i próbuje zrozumieć widziany przez nas
obraz. Naukowcy są w stanie analizować poszczególne neurony, a może nawet podać
funkcję danej części naszego mózgu, ale całość jest tak skomplikowana, że żaden człowiek
nie może jej zrozumieć.

Podobnie jest z sztuczną inteligencją. Wiele inteligentnych algorytmów jest tak

skomplikowane, że nawet ludzie, którzy je stworzyli nie potrafią ich zrozumieć. Prawda jest
taka, że wszystkie te “myślące komputery” tak jakby powstały losowo. Tworzenie na tyle
skomplikowanych algorytmów jest możliwe dzięki tak zwanym uczeniu maszynowym. (ang.
machine learning) Uczenie maszynowe to w bardzo dużym uproszczeniu metoda uczenia
komputerów na bardzo dużej ilości danych, jednak w praktyce jest to nieco bardziej
skomplikowane (i ciekawe). Na przykład, aby stworzyć model sztucznej inteligencji, który by
odróżniał zdjęcie pomarańczy od pomidora, tworzy się algorytm “uczący”, który ma dwa
zadania: tworzenie losowych algorytmów oraz sprawdzanie ich skuteczności. Na początku
algorytm uczący stworzy wiele (najpewniej tysiące) zupełnie losowych algorytmów, które
będą próbować zgadnąć czy podane zdjęcie przedstawia pomarańczę bądź pomidora.
Następnie algorytm uczący będzie sprawdzał skuteczność stworzonych algorytmów. Każdy
z nich otrzyma zdjęcia pomarańczy oraz pomidorów i będzie musiał odgadnąć co dane
zdjęcie przedstawia. (zadaniem człowieka jest powiedzenie algorytmowi uczącemu, które
zdjęcia przedstawiają pomarańcze, a które pomidory, aby algorytm uczący mógł sprawdzić
skuteczność stworzonych algorytmów) Wszystkie te algorytmy są tworzone losowo, więc ich
skuteczność będzie porównywalna kilkudniowego niemowlaka, ale niektóre algorytmy będą
lepsze niż inne. Algorytm uczący może wtedy stworzyć kolejne tysiące nowych algorytmów
kopiując te najlepsze z poprzedniej tury sprawdzania i wprowadzając do nich losowe zmiany.
Wtedy powtarzany jest proces sprawdzania i znowu wybierane są najlepsze algorytmy.
Tworzy się ich kopie, losowo się je modyfikuje i znowu sprawdza. Dzięki temu, że wybierane
są tylko najlepsze algorytmy i na podstawie ich tworzy się następne, z każdą turą nasze
algorytmy stają się bardziej skuteczne. Cały proces powtarza się, aż nasze algorytmy
osiągną skuteczność blisko 100%. W ten sposób, nie wiedząc nic o pomarańczach i
pomidorach, algorytm uczący jest w stanie stworzyć algorytm, który odróżniają pomarańcze
od pomidorów. W większości przypadków nie powinno być to dla niego problemem, lecz są
sytuacje, gdy nasz algorytm może mieć problemy z interpretacją danego zdjęcia. Co jeśli
obraz będzie czarno-biały? Lub co jeśli widoczna będzie tylko połowa przedmiotu? Jedyne
co można zrobić, aby udoskonalić te algorytmy to sprawdzać je na większej ilości zdjęć o
różnych cechach - czarno-białych, obróconych, rozmytych itp. To właśnie dlatego nasze
dane są tak ważne dla różnych firm. Nasz przykład jest relatywnie prosty, ale w przypadku
bardziej skomplikowanych zadań ilość podanych danych jest kluczem do zrobienia dobrego
algorytmu. Nasze dane są ekstremalnie wartościowe dla reklamodawców, twórców serwisów
społecznościowych lub systemów drogowych itp., bo to właśnie one decydują o jakości
wykorzystywanych przez nich algorytmów.

Mimo, że może się tak nie wydawać, sztuczna inteligencja może być naprawdę ciekawym i
niekoniecznie tak odległym tematem. Podstawowe umiejętności programowania i odrobina
motywacji to często wszystko czego potrzeba, aby stworzyć swój własny model sztucznej
inteligencji. W tym artykule przedstawiłem dosyć uproszczoną wersję całego tematu i
pozostaje wiele ciekawych zagadnień do zgłębienia, dlatego wszystkich fanów matematyki i
programowania zachęcam do zainteresowania się tematem i spróbowania swoich sił w
tworzeniu własnych modeli. Na sam koniec dodam, że chatbot, którego zapytałem o
definicję sztucznej inteligencji nazywa się “chatgpt”. Polecam go przetestować, bo potrafi
zaskoczyć naprawdę imponującymi odpowiedziami, a nawet zrobić napisać za nas pracę
domową. (nie, że mówię z doświadczenia)