Računalniki znajo že vrsto let zelo hitro in zanesljivo izvajati najrazličnejša jasno določena zaporedja opravil. Zelo učinkoviti so denimo pri računanju in procesiranju podatkov, saj jim pri takšnih nalogah vsak najmanjši korak vnaprej natančno opredelimo, tako da nikoli niso v dilemi, kaj morajo storiti. Njihova naloga je praviloma le to, da natančno določeno zaporedje navodil čim hitreje izvedejo.
Žal pa mnogih, za ljudi sicer preprostih nalog ne moremo prevesti v jasno določeno zaporedje korakov, ki ga lahko nato računalnik samostojno hitro izvaja. Prepoznavanje govora, prepoznavanje predmetov in obrazov na slikah, prevajanje iz enega jezika v drugega, vožnja avtomobila in podobna nam enostavna opravila iz vsakdanjega sveta so tipične naloge, ki računalnikom povzročajo veliko težav.
Hitro napredovanje umetne inteligence
Do pred nekaj leti se je zdelo, da računalniki še ne bodo kmalu sposobni izvajati tovrstnih, za ljudi sicer preprostih, zanje pa zelo zahtevnih opravil. Vendar se je nedavno glede zmožnosti umetne inteligence pri spopadanju z nalogami, ki nimajo vnaprej jasno opredeljenih korakov, zgodil velik preboj. Sistemi za strojno učenje, ki temeljijo na velikih umetnih nevronskih mrežah, so postali bistveno zmogljivejši in zanesljivejši.
Veliko vsakdanjih nalog, za katere se je še nedavno zdelo, da nujno potrebujejo posredovanje človeka, lahko zdaj samostojno opravljajo kar stroji sami. Po cestah tako že vozijo avtomobili, ki ne potrebujejo več človeškega voznika, kar pomeni, da znajo računalniki že zelo dobro prepoznavati okolico in predvidevati, kaj se na podlagi zbranih podatkov lahko v prometu zgodi v bližnji prihodnosti. Prav tako so računalniki sposobni zelo zanesljivo prepoznavati govor in stavke smiselno prevajati iz enega jezika v drugega.
V krogih strokovnjakov za umetno inteligenco se tako že govori o novi veliki industrijski revoluciji, ki bo v mnogih gospodarskih panogah povzročila pomembne spremembe, ki jih lahko primerjamo z vpeljavo elektrike pred dobrimi stotimi leti. Pravijo, da bo podobno, kot je prva industrijska revolucija človeštvo osvobodila zahtevnega ponavljajočega se fizičnega dela, nova revolucija, ki jo bo prinesel napredek v razvoju umetne inteligence, omogočila, da se nam ne bo več treba ukvarjati s ponavljajočimi se dolgočasnimi miselnimi opravili.
Kaj je omogočilo razmah strojnega učenja
Ključen napredek v razvoju mislečih strojev se je zadnja leta zgodil na področju nadzorovanega strojnega učenja. Preprosto rečeno je to področje strojnega učenja, ki temelji na veliki količini podatkov o že izvedenih nalogah. Lep primer je denimo označevanje neželene e-pošte. V preteklosti so algoritmi iskali posebej izbrane ključne besede, po katerih so nekatera pisma označili kot bolj sumljiva, kar pa ni bilo ravno učinkovito in zanesljivo. Zdaj se lahko računalnik sam uči sortiranja, in sicer s pomočjo seznamov že sortirane e-pošte. Tako se brez vnaprej določenih pravil sam skozi branje že razvrščenih sporočil nauči razbirati, katero novo pismo je v resnici skrita reklama.
Do pomembnega napredka v sposobnostih strojev, da se reševanja nalog naučijo sami, je prišlo v zadnjih petih letih. Starejši (tradicionalni) sistemi za avtomatsko učenje se namreč po tem, ko so dosegli določeno stopnjo znanja, niso bili več sposobni izpopolnjevali, tudi če smo jih oskrbovali z vedno večjo količino novih podatkov. Dodatne nove informacije niso privedle do boljšega delovanja, saj ti starejši sistemi po tem, ko so dosegli določeno stopnjo znanja, niso več znali izkoristiti novih podatkov.
Za napredek pri razvoju umetne inteligence je bilo pomembno spoznanje, da so za strojno učenje zelo uporabni računalniški procesorji, ki so jih izvorno razvili za uporabo v grafičnih karticah. Pri igranju računalniških igric, ko se denimo sprehajamo po navidezni resničnosti in pri tem streljamo na pošasti, mora grafična kartica zelo hitro izračunavati, kako bi bilo videti dogajanje skozi vaše navidezne oči. Gre za zamudne matematične izračune, zato so grafične kartice narejene tako, da je na njih vgrajenih veliko procesorjev, ki delujejo sočasno drug ob drugem. Na ta način lahko hitro izračunavajo vedno nove slike virtualnega prostora.
Pristop, kot so ga razvili za izračunavanje tridimenzionalne grafike, je uporaben tudi pri strojnem učenju. Tudi v tem primeru je treba namreč izračunavati zelo veliko parametrov, s katerimi so povezani nevroni v umetnih nevronskih mrežah. Prav zaradi množice vzporedno delujočih procesorjev na grafičnih karticah so lahko zadnja leta sestavili izjemno zmogljive računalniške sisteme, ki lahko upravljajo zelo velike nevronske mreže. Izkazalo se je namreč, da se zelo velike in večplastne nevronske mreže lahko učijo na ogromni količini podatkov in svoje znanje še dodatno izboljšujejo, ko dobivajo nove podatke za učenje. Meja, ki je starejši sistemi za strojno učenje niso zmogli preseči, je izvirala prav iz premajhne velikosti nevronskih mrež.
Veliki podatki kot strateška surovina
Poleg velikega sistema medsebojno povezanih procesorjev potrebujejo sistemi za strojno učenje še veliko podatkov. In prav razpoložljivost oziroma dostopnost informacij, ki so osnova za učenje, je tisto, po čemer se danes razlikuje uspešnost podjetij, ki aktivno razvijajo umetno inteligenco.
Da bi pridobili čim več podatkov, s pomočjo katerih se lahko njihova umetna inteligenca uči, računalniška podjetja ponujajo vedno nove aplikacije in storitve, katerih primarni namen ni služenje denarja, ampak pridobivanje informacij. To je po eni strani dobro za potrošnike, saj dobimo kakovostne storitve zastonj, po drugi strani pa je težava v tem, da ostanejo zbrani podatki večinoma v lasti podjetja, ki jih zbere. Ker so prav podatki temelj za učenje umetne inteligence, so postali pomembna strateška surovina.
Napovedujejo, da bo znala umetna inteligenca zelo kmalu avtomatizirati večino miselnih opravil, za katera ljudje ne potrebujemo več kot sekundo razmišljanja. Računalniki bodo sposobni enako dobro kot ljudje razumeti govor in ga zapisovati, prevajati iz enega jezika v drugega in prepoznavati predmete in osebe na fotografijah. Zelo veliko si od sistemov za nadzorovano učenje obetajo tudi v zdravstvu. Na podlagi velikih zbirk medicinskih slik, ki so jih radiologi že diagnosticirali oziroma za katere zaradi nadaljnjega poteka bolezni in zdravljenja vedo, kaj prikazujejo, se lahko umetna inteligenca nauči učinkovito postavljati diagnoze.
Za izgradnjo sistema za prepoznavanje govora so morali predstavniki Googla tudi v Sloveniji posneti veliko govorcev, ki so brali besedila v slovenščini. S tem so pridobili podatke, na podlagi katerih se bo njihov sistem za nadzorovano učenje lahko naučil prepoznavati slovenščino. Njegovo delovanje lahko preizkusite tudi sami v spletni aplikaciji Google Dokumenti, ki omogoča vnos besedila tudi z govorom. Seveda je sistem za prepoznavanje govorjene angleščine ali kitajščine zaenkrat bistveno bolj zanesljiv, a več ko bodo zbrali podatkov za slovenščino, lažje in bolj zanesljivo bo deloval tudi za naš jezik. Ker vse temelji na zbranih podatkih, velja za strojno učenje pravilo, da bolj ko je neka aplikacija priljubljena, več novih podatkov ustvarja in se zato hitreje izboljšuje.
Znanstveniki, ki razvijajo strojno učenje in umetno inteligenco, praviloma javno objavljajo svoje dosežke v znanstvenih revijah, tudi če delujejo v razvojnih oddelkih velikih računalniških podjetij. Na ta način se znanje hitro plemeniti in razvija. Tisto, kar ustvarja strateško ekonomsko prednost enega podjetna pred drugim, so predvsem zbirke velikih podatkov.
Vendar je prav odločitev Googla, da javno objavi nekaj svojih tehnoloških rešitev v zvezi s tem, kako obdeluje velikanske množice podatkov, ki so razprostrti po velikih podatkovnih centrih na različnih koncih sveta, sprožila razvoj odprtokodnega sistema za upravljanje z velikimi razpršenimi bazami podatkov, imenovanega Hadoop, ki poleg računanja na grafičnih karticah predstavlja drug pomemben temelj preporoda umetne inteligenca v zadnjih letih.
