Umelá inteligencia je módny pojem často skloňovaný po príchode a zverejnení prvého chatbota, ktorý šokoval svet – GPT. Tento nástroj sa stal fenoménom v roku 2022, pretože dokázal neuveriteľne presne imitovať konverzáciu stroja s človekom, akoby šlo o konverzáciu s ľudskou bytosťou. Následný marketing a optimistické očakávania spôsobili medzi laickou verejnosťou veľa nedorozumení. Spustil sa investičný boom a akési novodobé globálne preteky o „prvú skutočnú“ AI.
A hoci odborníci používali výraz AI ešte pred príchodom GPT, marketing, médiá a laická verejnosť začali pomenúvať pojmom „AI“ aj chatboty podobné GPT. AI ale nevznikla v roku 2022. Laická verejnosť ho však začala vzťahovať len na tento nový typ chatbotov.
Takto vzniklo množstvo šumu, ktoré sa dá prirovnať k nasledovnej situácii: Predstavme si, že verejnosť začne používať pojem „auto“ ako náhradu za „dopravný prostriedok“. Pre odborníkov existuje naďalej množstvo dopravných prostriedkov, a tak nemajú problém do médií povedať: „existujú dopravné prostriedky, ktoré vedia lietať“. Následne si to ale verejnosť vysvetlí tak, že „autá vedia lietať“.
Presne to sa udialo v oblasti AI. Všetky možnosti, ktoré odbor umelej inteligencie ponúka, sa akoby zliali do oblasti chatbotov, ktoré poznala a mala možnosť si vyskúšať verejnosť. A tak vznikla predstava, že tieto chatboty postupne nadobúdajú vedomie (aby sa naďalej predávali akcie, marketing technologických firiem k tomu tiež prispieval) a začali sme ich prirovnávať ku sci-fi postavám – ako robotom „Data“ zo Star Treku a pod. No a aby toho nebolo málo, odbor umelej inteligencie má aj pre tento typ technológie svoj vlastný pojem „AGI“ (artifical general inteligence), tj. všeobecná umelá inteligencia, a tak sme dostali kakofóniu odporných pojmov, očakávania laikov a manipuláciu marketingom.
Aby sme to celé rozmotali a pochopili nedorozumenia, ktoré tu vznikajú, musíme sa najprv pozrieť na jednotlivé pojmy. Následne sa zameriame na to, ako dokáže AI pomôcť firmám.
Aby sme tomu nielen rozumeli, ale vedeli aj porovnávať vhodnosť riešení pre nás, musíme porozumieť technologickej maturite. Pretože existujú rôzne firmy s rôznymi problémy, a preto že majú aj rôzne obchodné modely a očakávania, potrebujú odlišné riešenia. To je dôvodom, prečo sme sa mohli dopočuť o firmách, v ktorých implementácia „AI“ bola nápomocná alebo aj zlyhala. To však nemuselo vypovedať nič o technológii, skôr o očakávaniach a potrebách týchto firiem.
Pojmy okolo umelej inteligencie
Umelá inteligencia, ako vedná disciplína, vznikla takmer súčasne s príchodom prvých počítačov [1]. Veľmi jednoducho si to vieme predstaviť tak, že existujú dva prístupy riešenia problémov cez počítače:
- algoritmicky alebo
- modelmi.
Algoritmy sa ukázali ako tá jednoduchšia cesta s najväčším dopadom v danej dobe[1]. Ak rozprávame o softvéri – ten sa programuje. Algoritmus je teda exaktný postup, ktorý počítaču vnútime, aby vykonával činnosť. Stroj ho vykonáva dokonale presne so 100% úspešnosťou (s výnimkou chýb, ktoré sa opravujú).
Model je na rozdiel od algoritmu používaný v situáciách, kedy nie je možné vytvoriť algoritmus, pretože existuje obrovské množstvo možných stavov. Napríklad pri hraní šachu – nemôžeme napísať algoritmus formou: „ak si ťahal vežou na B7, tak ja budem ťahať strelcom na A6, ale ak si ťahal pešiakom na C5, tak ja potom budem…“ Pre podobný typ úloh je nutné vytvárať modely. Modely teda pracujú s ohromným množstvom kombinácií, ale nedosahujú 100% presnosť. Tú nie je častokrát možné vypočítať prostredníctvom dnešných počítačov.
Typická úloha pre model je napr. plánovanie výroby. Nakoľko je výroba závislá od stavu materiálov, požiadaviek zákazníkov, dovoleniek, odstávok strojov a i., nie je možné algoritmicky popísať každý stav, ktorý vo firme nastane. Preto sa na riešenie týchto úloh využívajú modely. Tie však nemusia nájsť najlepší výsledok, a tak sa častokrát „uskromnia“ s iba „dosť dobrým výsledkom“. Tu nastáva nedorozumenie, kedy si laická verejnosť spája pojem „strojová presnosť“ a dôveruje výstupom z modelov AI, akoby boli 100% správne.
Modelovanie a programovanie sú teda záležitosťou starou už viac ako 60 rokov. A modelovaniu sa venuje odbor umelej inteligencie. Preto keď odborníci rozprávajú o AI, tak myslia všetky postupy a modely, ktoré sa dajú využívať na riešenie konkrétnych úloh.
Rôzne úlohy (hranie šachu, plánovanie výroby, tvorba rozvrhu v triedach) majú svoje vlastné postupy a modely, ktoré sú vhodné pre riešenie konkrétnych úloh. Všetky tieto postupy spadajú pod odbor umelej inteligencie. Niektoré riadia sondy, či vozidlá na Marse, iné odpovedajú v čete v ľudskej reči. Ide však o odlišné technológie.
Zimy v umelej inteligencii
Umelá inteligencia nezvykla mať taký úspech ako jej starší „algoritmický“ súrodenec. Ale tam, kde zlyhávali algoritmy, vznikali nové a nové modely a postupy v AI.
Vždy, keď sa strojovo vyriešil nejaký zdanlivo neriešiteľný problém, si už laická verejnosť začala myslieť, že umelá inteligencia vyrieši všetky problémy sveta. No to sa zatiaľ neukázalo. Navyše sa objavili ďalšie problémy, ktoré tieto nové modely riešiť nevedeli. Preto sa niekedy hovorí o tzv. „zimách umelej inteligencie“. Po optimistických očakávaniach vždy prišlo „zanevrenie“ spoločnosti na „AI“.
Preto sa začalo modelom umelej inteligencie hovoriť „úzka umelá inteligencia“, pretože konkrétny model riešil konkrétny problém. Svätý grál, kedy by jeden model dokázal vyriešiť všetky veci, však výskumníci v odbore umelej inteligencie stále hľadajú. Tento typ inteligencie sa volá „všeobecná umelá inteligencia“ – už spomínaná AGI.
Strojové učenie
Odborníci sa teda AGI skutočne venujú. Ide v podstate o pôvodný zmysel odboru umelej inteligencie – prostredníctvom strojov pochopiť človeka. Už tvorcovia počítačov tušili, že ľudský mozog sa nespráva algoritmicky (aj keď vieme algoritmicky fungovať – napr. keď si viažeme šnúrky alebo varíme podľa kuchárky). Problém nastáva v tom, že kým my sa ten algoritmus vieme naučiť, stroju ho musíme naprogramovať „zvonku“.
Umelá inteligencia sa tak zamerala na proces učenia sa. Vznikali nové typy modelov, ktoré sa snažili hľadať vzorce v dátach. Postupne sa začal objavovať aj ďalší typ „modelovania“, a to strojové učenie (machine learning) – model vytvára človek, ale stroj si hľadá „algoritmus“ sám. Ide ale len o proces a štádium učenia sa známe pod pojmom „tréning“. Ak sa to model raz naučí, už sa neučí ďalej[2] . Takto funguje aj ChatGPT – používa „algoritmus“, ktorý si odvodil vo fáze tréningu. To implikuje zásadnú bariéru pre klasifikáciu dnešných modelov ako AGI. Nevedia sa priebežne učiť, a teda prispôsobovať sa za chodu.
Blúznenie o AGI
GPT systémy využívajú metódy strojového učenia, a tak dedia aj ich slabé stránky: spomínanú neplasticitu [2]. Chatboty ako ChatGPT „klamú telom“, keď sa zväčšuje ich kontextová „pamäť“, a tak vzniká ilúzia, že „nám rozumejú“. Vnútro neurónov sa však od vydania modelu nemení. Keby prišiel model, ktorý nás nepozná, tak je stále rovnaký. Ak sa mu „premaže“ pamäť, začal by na zelenej lúke. Neuróny sa už nijako nevyvíjajú od vydania verzie.
Ako by teda vyzeral model, ktorý by bol AGI?
Predstavme si, že „nainštalujeme“ ChatGPT, ktorý sme nikdy neučili šoférovať, do nejakého elektrického auta, a tento model sa sám naučí riadiť auto. Táto predstava je absurdná, a preto aj dnešné jazykové modely nespadajú do kategórie AGI.
Záver
Vysvetlili sme si, že chatboty typu ChatGPT nie sú AGI. Boli vytvorené metódami, ktorým sa venuje vedná disciplína AI, ale tá sa venuje aj ďalším metódam a modelom, ktoré GPT nevyužíva. To však neznamená, že AI je ChatGPT, to znamená, že ChatGPT je AI, nie opačne.
Typ úzkych úloh, ktoré riešia systémy ako ChatGPT, sa nazývajú „generatívne“. Vedia generovať video, text alebo obrázky. Preto ide o tzv. „Generatívnu AI“. Existuje ale množstvo iných úloh, ktoré riešia iné modely AI a nie sú generatívne. Napríklad plánovanie výroby alebo rôzne predikcie.
Generatívna AI bola postavená na tzv. veľkých jazykových modeloch (large language models – LLM), teda v štádiu trénovania sa spracovávali obrovské množiny textov: takmer celý vtedajší obsah internetu. Išlo o formu strojového učenia. Strojové učenie môže prebiehať aj na iných dátach, nie len na textoch – napr. na historických dátach vývoja cien akcií. Môže vytvárať aj iné typy modelov, nielen tie, postavené na jazyku.
Obrázok 1 Implementácie ako GPT sú len podmnožinou možností AI
Takže generatívna AI je len časťou obrovskej vednej disciplíny umelej inteligencie. Naďalej platí, že rieši úzke problémy. To, že ich rieši častokrát lepšie ako človek, nie je prekvapením. Podobné modely sú posledných 20 rokov napríklad lepšie v šachu ako človek.
Ľudský mozog je fantastický v tom, že sa sám zvládne naučiť rôzne „úzke“ úlohy, a dokáže sa k tomu prispôsobovať a meniť svoje schopnosti v čase bez toho, aby sme sa museli všetko naučiť odznova len s ďalšími dátami. Učíme sa „inkrementálne“ a nie len „na začiatku“.
Nabudúce si upraceme v pojmoch digitalizácia, automatizácia a umelá inteligencia v podnikoch. Keďže už vieme, že neexistuje AGI, už asi tušíme, že nemôže existovať „jediná AI“, ktorá vyrieši všetky problémy všetkých podnikov.
Ale nepredbiehajme.
Poznámky:
[1] Dnes sa už SW trh pomerne saturoval a „ostávajú“ mu na riešenia častokrát problémy, kde je nutné použiť techniky z odboru umelej inteligencie.
[2] Existujú špeciálne formy modelov, ktoré sa učia za chodu, ale tie sú pomerne jednoduché – ide o tzv. reinforcement learning, ale ich uplatnenie je špecifické a nedajú sa použiť na komplexné modely typu porozumenia jazyka.
Zdroje:
[1] L. Bešenyi, Pojmy a typy umelých inteligencií, 2024-09, https://www.linkedin.com/pulse/umel%C3%A1-inteligencia-libor-be%C5%A1enyi-oawhe
[2] L. Bešenyi, Problém priebežného učenia neurónových sietí, 2024-07, https://www.linkedin.com/pulse/probl%C3%A9m-priebe%C5%BEn%C3%A9ho-u%C4%8Denia-neur%C3%B3nov%C3%BDch-siet%C3%AD-libor-be%C5%A1enyi-32cxe
Ľuboš Bešenyi
Libor má viac ako 20 rokov skúseností s vývojom digitálnych produktov a platforiem a vyše 10 rokov sa venuje budovaniu a riadeniu technologických firiem. Špecializuje sa na návrh a implementáciu AI riešení zameraných na automatizáciu procesov, najmä v oblasti spracovania neštruktúrovaných dát a podpory komplexných biznisových workflow Spoločnosť Xolution prepája základný a aplikovaný výskum s praktickým nasadením v enterprise prostredí a podieľa sa na vývoji škálovateľných riešení využívajúcich moderné prístupy umelej inteligencie. Libor je držiteľom ocenenia Innovator of the Year 2023, ktoré získal v rámci INOVATO Awards 2023 za prínos v oblasti inovatívnych technologických riešení.
