Tato expertní skupina je složena z celkem 52 zástupců z řad akademiků, průmyslových expertů a běžných občanů. Jedním z jejích konkrétních úkolů bylo vypracovat první obecnou definici umělé inteligence a etické pokyny pro její vytváření.
Tento článek se bude zabývat závěry jednoho ze dvou dokumentů, které AI HLEG v dubnu letošního roku vydala, a to dokumentu s názvem Definice AI: Hlavní schopnosti a disciplíny. [3]
Definice umělé inteligence
Hned na úvodu tohoto dokumentu se dozvídáme definici umělé inteligence, která byla navrhována v předcházejících sděleních Evropské komise. Tato definice je v dokumentu dále rozebírána tak, aby byly vyjasněny některé její nejasné aspekty a aby i ne-expertům na umělou inteligenci byla umožněna určitá základní znalost umělé inteligence.[1]
“Za umělou inteligenci (AI) se považují systémy vykazující inteligentní chování v podobě vyhodnocování svého okolí a následného rozhodování či vykonávání kroků - s určitou mírou samostatnosti - k dosažení konkrétních cílů. Systémy založené na umělé inteligenci mohou být čistě softwarové a působící ve virtuálním světě (například hlasoví asistenti, software k analýze obrazu, vyhledávací nástroje, systémy rozpoznávání hlasu a obličeje), nebo mohou být zabudovány v hardwarových zařízeních (například v pokročilých robotech, autonomních autech, dronech nebo aplikacích Internetu věcí).”
Na této definici AI HLEG kritizuje především slovo inteligence. Inteligence je totiž dle názoru této skupiny příliš vágní pojem. Namísto toho AI HLEG využívá pojem racionalita, který je používán i v nejznámější učebnici o AI. Racionality systém AI dle AI HLEG dosahuje tím, že za pomoci senzorů vnímá své okolí, tedy sbírá a interpretuje data, usuzuje, co vnímá, a rozhoduje, jakým způsobem by na vnímané vjemy měl nejlépe reagovat. Činí tak prostřednictvím zařízení, které mu umožňují jednat. Důležitou vlastností systémů AI dle skupiny dále je, že systémy AI mohou své chování dále přizpůsobovat svému okolí, a to prostřednictvím analýzy účinků jejich předcházejícího chování.[4]
schématické znázornění systému AI [5]
Lze tedy shrnout, že hlavními schopnostmi AI dle skupiny AI HLEG jsou:
- vnímání svého okolí
- zpracování informací o svém okolí a uvažování o nejvhodnější akci
- vykonání akce.
Vnímání svého okolí systém AI v praxi dosahuje prostřednictvím senzorů, kterými mohou být kamery, mikrofony, klávesnice, webová stránka nebo další vstupní zařízení a senzory fyzikálních kvalit prostředí (jako je například teplota, tlak, vzdálenost nebo síla).
Ke zpracování informací o svém okolí a rozhodování pak systém AI využívá modulu zpracování informací. Tento modul zpracovává data získaná ze senzorů a na jejich základě dále vyhodnocuje, jakým způsobem by se měl systém AI zachovat. Práce modulu zpracování informací tedy spočívá ve dvou činnostech, kdy modul nejprve musí data získaná ze senzorů interpretovat, aby zjistil informace o svém okolí (například čistící robot musí z obrazu podlahy rozpoznat, zdali je podlaha čistá nebo špinavá), a dále v usouzení, jak by se měl systém AI zachovat v návaznosti na zjištěné informace o svém okolí (například jestli má čistící robot podlahu umýt nebo ne). Ačkoliv o tomto kroku mluvíme jako o rozhodování, tak slovo rozhodování by mělo být používáno s rezervou, jelikož výběr preferované akce systémem AI nepředstavuje jakýkoliv projev jeho autonomie. Namísto toho se chování systému AI vždy zakládá na přesně stanovených pravidlech, od kterých se nelze odchýlit.
Vykonání akce systém AI provádí prostřednictvím zařízení, která mu jsou k dispozici. Může se jednat o akci s projevem ve fyzickém světě (například prostřednictvím robotické ruky), ale také o akci s projevem pouze ve světě digitálním (odpověď chatbota na Facebooku).
AI jako vědecká disciplína
Jak bylo výše popsáno, systém AI se charakterizuje třemi základními schopnostmi: vnímáním, uvažováním a jednáním. Existuje však vícero procesů, které se za uvažováním systémů AI ukrývají. Obecně lze tyto procesy rozdělit do dvou základních skupin: uvažování a učení.
Uvažování podle skupiny AI HLEG zahrnuje techniky reprezentace znalostí, plánování, hledání a optimalizace. Právě tyto techniky umožňují na základě dat získaných ze senzorů vykonat úvahu. Aby toho však byl systém AI schopen, musí data přetransformovat do znalostí a tyto znalosti přiřadit k jedné ze známých kategorií řešení problému.
Učení pak zahrnuje techniky jako strojové učení, neuronové sítě, hluboké učení, rozhodovací stromy a další. Tyto techniky umožňují systému AI naučit se novým způsobům řešení problému, které nemohou být předem přesně specifikovány, nebo jejichž metody řešení nelze popsat symbolickými pravidly odůvodňování (například se může jednat o rozpoznávání řeči nebo předvídání chování). Ačkoliv se pro člověka jedná o problémy triviálního charakteru, pro systém AI tak jednoduché nejsou, jelikož se nemůže spoléhat na selský rozum.
Druhy strojového učení
Existuje více druhů strojového učení (machine learning). Nejpoužívanějšími druhy jsou učení s učitelem (supervised learning), učení bez učitele (unsupervized learning) a zpětnovazebné učení (reinforcement learning), někdy též česky nazývané jako posilované učení založené na odměnách nebo trestech, nebo také učení posilováním.
Podstatou učení s učitelem je určení správného výstupu pro vstupní data. Namísto poskytnutí pravidel chování tak strůjce systému AI doufá, že systém AI bude schopen z poskytnutých příkladů chování generalizovat a chovat se v situacích neznázorněných v příkladech stejně dobře jako v situacích znázorněných. Kupříkladu na robotickém čističi by se tato metoda uplatnila tak, že by bylo čističi poskytnuto mnoho obrázků se špinavou podlahou a čistič by byl na základě svých algoritmů strojového učení schopen obrázek špinavé podlahy generalizovat a následně jej uplatnit i na obrázky špinavé podlahy, které mu předtím nebyly ukázány.
Naopak při učení bez učitele není systému AI poskytnut ke vstupním datům výstup. Algoritmus pak pracuje na zařazování podobných znaků do stejných skupin, aniž by předem znal učebnicový příklad řešení.
Některé modely učení jsou založeny na principu neuronové sítě (neural network), což však neznamená uvažování podobné lidskému. Inspirace zde spočívá pouze v podobě s neuronovou sítí lidského mozku. V tomto případě systém AI zpracovává vstupní data z několika vstupů a snaží se dosáhnout žádaného výsledku tím, že vstupním datům postupně přisuzuje různou váhu, různým způsobem je propojuje mezi sebou a srovnává, nakolik konkrétní konfigurace vah a spojení vstupů dosahuje žádaného výsledku.
znázornění principu neuronové sítě
Strojové a neuronové učení se pak může využívat i v podobě hlubokého učení (deep learning), které je charakteristické velkým počtem vrstev (layers) reprezentujících data. Tyto vrstvy jsou za sebou zapojeny tak, že výstup každé z nich je zároveň vstupem následující vrstvy.
Nakonec bych rád zmínil i učení posilováním. V tomto přístupu systém AI činí náhodná rozhodnutí, která jsou “odměňována” pozitivním nebo negativním ohodnocením. Cílem systému AI je pak dosáhnout co nejvyššího možného ohodnocení. Tento systém je nejčastěji využíván v marketingu nebo online doporučování produktů, kde vyšší zájem o produkt znamená lepší ohodnocení výkonu.
Závěr a konečná definice AI
Lze tedy shrnout, že skupina AI HLEG za jeden ze zásadních problémů původní definice systémů umělé inteligence, jak byla navrhována sdělením Evropské komise, považuje označování systémů AI za inteligentní. Namísto toho skupina upřednostňuje přívlastek racionální. Za další důležitou vlastnost systémů AI, která nebyla součástí původní definice, považuje skupina AI HLEG schopnost učit se a přizpůsobovat své chování analýze toho, jaké následky vyvolalo chování předcházející. Zajímavostí je také, že skupina AI HLEG uvádí, že systémy AI jsou stvořeny lidmi. Definice skupiny AI HLEG tak nenechává prostor pro vytváření nebo zdokonalování systémů AI prostřednictvím jich samých.
Konečná definice systémů AI, jak ji navrhuje expertní skupina, tedy zní následovně:
“Systémy umělé inteligence (AI) jsou softwarové (ale také hardwarové) systémy vytvořené lidmi, kterým je dán komplexní úkol jednat ve fyzické nebo digitální dimenzi za pomoci vnímání svého okolí sběrem dat, interpretace sbíraných strukturovaných nebo nestrukturovaných dat, odůvodňování znalostí nebo zpracovávání informací získaných z dat a vybírání nejlepšího jednání za účelem dosažení stanoveného cíle. Systémy AI mohou využívat symbolická pravidla nebo se učit číselné modely a mohou také přizpůsobit své chování na základě analýzy toho, jak jejich předcházející chování ovlivnilo jejich prostředí.” [2]
EVROPSKÁ KOMISE. Sdělení Komise Evropskému parlamentu, Radě, Evropskému hospodářskému a sociálnímu výboru a Výboru regionů: Umělá inteligence pro Evropu [online]. 2019 [cit. 2019-04-28]. Dostupné z: https://eur-lex.europa.eu/legal-content/CS/TXT/PDF/?uri=CELEX:52018DC0237&from=CS[1]
High-Level Expert Group on Artificial Intelligence. European Comission[online]. [cit. 2019-04-28]. Dostupné z: https://ec.europa.eu/digital-single-market/en/high-level-expert-group-artificial-intelligence[2]
HIGH-LEVEL EXPERT GROUP ON ARTIFICIAL INTELLIGENCE. A Definition of AI: Main Capabilities and Disciplines: Definition developed for the purpose of the AI HLEG’s [online]. 2019 [cit. 2019-04-26]. Dostupné z: https://ec.europa.eu/newsroom/dae/document.cfm?doc_id=56341[3]
RUSSELL, Stuart J., Peter NORVIG a Ernest DAVIS. Artificial intelligence: a modern approach[online]. 3rd ed. Upper Saddle River: Prentice Hall, c2010 [cit. 2019-04-26]. ISBN 978-0-13-604259-4. str. 1. Dostupné z: https://faculty.psau.edu.sa/filedownload/doc-7-pdf-a154ffbcec538a4161a406abf62f5b76-original.pdf[4]
HIGH-LEVEL EXPERT GROUP ON ARTIFICIAL INTELLIGENCE. A Definition of AI: Main Capabilities and Disciplines: Definition developed for the purpose of the AI HLEG’s.[5]
Diskuze k článku ()