Předplatné časopisu
Finmag do schránkyPředplatit časopis 

Umělá inteligence: v čele revoluce půjde toaster

Janelle  Shaneová
Janelle Shaneová | 8. 8. 2018 | 3 komentáře | 5 021
automatizacerobotizacestrojové učenítrh práceumělá inteligence

Netěšte se zatím na robota, který vám při řízení auta namíchá long drink podle nálady a bude vás bavit duchaplnou konverzací. Zatím to vypadá, že nejprv se dočkáme vysoce, ale úzce specializovaných strojů. Fachidiotů, kterým bude neradno svěřit cokoli mimo jejich obor.

Umělá inteligence: v čele revoluce půjde toaster

Vezmou na sebe v budoucnosti inteligentní algoritmy podobu univerzálních robotů, jakýchsi oduševnělých žoviálních společníků, kteří za nás budou číst mapy a zároveň nám budou k ruce v kuchyni? Nebo budou naši digitální pomocníci vypadat spíš jako slepenina specializovaných vychytávek – ani ne tak jako upovídaný šékuchař, ale spíš kuchyň plná spotřebičů?

Jak vařili dort

Když se algoritmus pokouší dělat příliš věcí najednou, dostane se zpravidla do potíží. Následující recept vytvořila umělá neuronová síť, což je typ umělé inteligence, která se učí z příkladů. Tento konkrétní algoritmus přechroustal na 30 tisíc kuchařských receptů všeho druhu, od polévek přes koláče až k receptům na gril, a z nich se pak pokusil seskládat vlastní originální předpis. Výsledek je, dlužno říct, poněkud neortodoxní:

Kuřecí pomazánka s rýží

sýr nebo vejce
salát
sýr 
kilo srdcí, zbavené pecek
1 šálek drcené čerstvé máty nebo malinový koláč
½ lžíce rostlinného oleje
1 sůl
1 pepř

2 až 1 hodinu a podávat horké

Množství: 6 porcí

Finmag na léto

Finmag předplatnéZdroj: Finmag

„Jsem mizerný makléř,“ řekl Adéle Vopěnkové Prokop Svoboda. A tak místo aby prodával domy sám, vybudoval realitní kancelář, kde to ostatní dělají za něj. A výborně.

FIN. Dominik Stroukal dodá investorům naději po propadu trhů • V kanceláři šéfky České spořitelny • V hlavě lovce jednorožců Andreje Kisky ml. • Jakub Žofčák o byznysu s deskovými hrami • Robert Vlach o creator economy a podnikání s obsahem

MAG. Parkování zdarma je lidské právo. Co z pravičáka dělá soudruha • Nejbližší moře? Pět hodin jízdy. Se správným bourákem. Na ropu • Jako umami. V restauraci Jana Knedly umějí moderně míchat chuti i v české klasice • Kardiochirurg. Srdcař. A překvapivě dobrý spisovatel Josef Veselka


Následuje příklad receptu, který vytvořil ten samý základní algoritmus – s tou výjimkou, že namísto dat zahrnujících recepty všeho druhu vycházel pouze z receptů na koláče. Jeho druhý recept není dokonalý, ale je o poznání lepší než ten předchozí:

Mrkvový dort (Vera Ladies)

sušenky, alkohol
1 balení žluté koláčové směsi
3 hrnky mouky
1 lžička prášku do pečiva
½ lžičky jedlé sody
¼ lžičky soli
1 lžička mleté skořice
1 lžička mletého zázvoru
½ lžičky mletého hřebíčku
1 lžička prášku do pečiva
½ lžičky soli
1 lžička vanilky
1 vejce o pokojové teplotě
1 šálek cukru
1 lžička vanilky
1 šálek sekaných pekanových ořechů

Předehřejte troubu na 350 stupňů. Vymastěte devítipalcovou ocelovou pánev.

Postup: Šlehejte vejce vysokou rychlostí, dokud neztuhnou, oddělte žloutek stranou. V samostatné míse šlehejte bílek, dokud neztuhne. Žloutek rozmixujte na připravenou pánev a vyhlaďte těsto. Pečte v troubě asi 40 minut, nebo dokud dřevěné párátko zapíchnuté uprostřed nevytáhnete čisté. Nechte na pánvi vychladnout asi 10 minut. Odstavte a nechte vychladnout zcela.

Vyjměte koláč z pánve a nechte vychladnout. Servírujte za tepla.

HereCto Cookbook (1989) From the Kitchen & Hawn in the Canadian Living

Množství: 16 porcí

Samozřejmě, že když se na předpis podíváte pořádně, vychází vám všehovšudy pečený vaječný žloutek. Ale pořád je to krok kupředu! Když bylo mé umělé inteligenci umožněno, aby se specializovala, měla toho zkrátka o poznání míň k sledování. Nemusela si lámat hlavu tím, kdy použít čokoládu a kdy brambory, kdy péct a kdy zas vařit. Jestliže se první algoritmus snažil být kouzelnou pikslou, která umí připravit rýži, zmrzlinu i koláče, druhý se pokoušel stát v podstatě obyčejným toasterem – specializovat se na jediný úkol.

Jednu věc dobře

Vývojáři, kteří cvičí algoritmy strojovým učením, zjišťují, že často dává smysl vyrábět spíš toastery než zázračné krabice. To by se nám mohlo zdát kontraintuitivní, protože umělá inteligence v západních sci-fi filmech připomíná spíš C-3PO ze Star Wars nebo WALL-Eho ze stejnojmenného filmu – to jsou příklady umělé všeobecné inteligence, tedy automatů, které dokážou interagovat z okolím stejně jako lidé a které zvládají dlouhou řadu rozličných úkolů. Ale řada společností neviditelně – a úspěšně – využívá spíš stroje, které se učí dosahovat podstatně omezenějších cílů. Jeden takový algoritmus je třeba chatbot, který zvládá limitovanou oblast základních zákaznických otázek týkajících se jejich účtu za telefon. Další dokáže předpovídat, kvůli čemu zákazník zrovna volá, a tyto své predikce zobrazuje lidskému operátorovi, který na hovor odpovídá. To všechno jsou naopak příklady takzvané umělé úzce zaměřené inteligence (artificial narrow intelligence) – omezují se na velmi zúžené penzum funkcí. Oproti tomu Facebook nedávno zrušil svého „M“ chatbota, který nikdy nedosáhl svého cíle zvládat hotelové rezervace, rezervovat lístky do divadla, domluvit návštěvu papouška ani spoustu dalších.

Důvod, proč máme umělou inteligenci na úrovni toasteru místo té na úrovni WALL-Eho, je ten, že každý algoritmus, který se pokouší zobecňovat, se zhoršuje v různých úkolech, se kterými je konfrontován. Zde je kupříkladu algoritmus vycvičený k tomu, aby nakreslil obrázek na základě popisku. Takhle vypadal jeho pokus vytvořit obrázek na základě věty „tento pták je žlutý s černou hlavou a velmi krátkým zobákem“. Když byl algoritmus vycvičen datovou sadou složenou výhradně z ptáků, vedl si velmi dobře (snad tedy pomineme-li ten podivný jednoroh):

Pokud ale jeho zadání znělo vytvořit cokoli – od dopravních značek přes lodě a krávy až k lidem – dostal se algoritmus do problémů. Takhle vypadal jeho pokus vytvořit „obrázek dívky, která jí velký kus pizzy“:

Katastrofické zapomínání

Neuvědomujeme si často, jak velká je propast mezi algoritmem, který zvládá dobře jednu věc, a algoritmem, který zvládá dobře hodně věcí. Naše soudobé algoritmy mají ovšem ve srovnání s lidským mozkem významně omezenou mentální sílu, kterou každý další úkol jen dál rozmělňuje. Vezměte si spotřebič o velikosti toasteru: je snadné obklopit dvě štěrbiny pár topnými spirálami tak, aby to nakonec nějak opékalo chleba. Taková konstrukce ovšem nenechává příliš prostoru k rozšířením. Pokud zkusíte přidat funkcionality dušení rýže a výroby zmrzliny, budete se muset zbavit přinejmenším jednoho z „chlebových“ slotů – a váš přístroj patrně bude marný úplně ve všem ze zmíněného.

Existují samozřejmě fígle, kterými programátoři dostanou z úzkoprofilových umělých inteligencí i něco navíc. Jedním z nich je „přenosné učení“ (transfer learning): naučte algoritmus řešit jeden úkol a on se dokáže naučit odlišný, ale v jádru příbuzný úkol s minimální rekvalifikací. Už dnes se využívá přenosné učení třeba k tvorbě algoritmů na rozeznávání obrázků. Algoritmus, který se už naučil identifikovat zvířata, přitom nashromáždil řadu poznatků podstatných pro detekci okrajů a analýzu textury, a díky tomu se může snadno posunout k úkolu rozpoznávat ovoce. Pokud ale algoritmus rekvalifikujete na rozeznávání ovoce, dojde k jevu, který se nazývá katastrofické zapomínání – algoritmus zapomene, jak identifikovat zvířata.

Složte se na to

Další trik ve výbavě dnešních algoritmů je využívání modularity. Spíš než jediný algoritmus, který zvládne kterýkoli problém, budou umělé inteligence budoucnosti agregáty vysoce specializovaných nástrojů. Algoritmus, který se naučil hrát videohru Doom, měl například zvlášť dedikovaný zrak, kontroler a paměťový modul. Propojené moduly poskytují prevenci proti selhání, ale taky třeba mechanismus, který přistoupí na volbu nejlepšího řešení v situaci s vícero rozdílnými přístupy. Můžou být taky cestou, jak odhalit a odstranit algoritmické chyby. Běžně je totiž obtížné zjistit, jak se jednotlivý algoritmus rozhoduje, ale pokud je jeho volba až výsledkem spolupráce podřazených-algoritmů, můžeme nahlédnout do každého sub-algoritmického výstupu a najít chybu.

Představme si tedy umělou inteligenci vzdálené budoucnosti. Snad by nám mělo naskočit něco jiného než C-3PO nebo WALL-E. Radši bychom si místo nich měli představovat něco jako smartphone plný aplikací nebo kuchyňskou linku o mnoha nepřeberných funkcích. Když se tedy připravujeme na svět algoritmů, dejme pozor, abychom se nechystali na nějaké univerzální kouzelné krabice. Ty ve skutečnosti nikdo stavět nebude. Připravte se na vysoce specializované toastery.

Z originálu, který vyšel na AEON.co, pro Finmag přeložil Kamil Hrabal

Aeon counter – do not remove

Autor článku

Janelle  Shaneová

Janelle Shaneová

Janelle Shane učí neuronov0 sítě psát humor na aiweirdness.com. Je rovněž vědeckou výzkumnicí v optice, žije v Boulderu ve státě Colorado.