Technika
13/05/10
Maszyny uczące się
Autor tekstu: Jarosław Pietrzykowski
East News
„Jedyną stałą rzeczą jest zmiana” – ta myśl, sformułowana w starożytnej Grecji, doskonale oddaje ducha dzisiejszych czasów. Stanowi również jeden z elementów kultury Wschodu, czego dowodem jest stwierdzenie Konfucjusza: „Ci, którzy pragną pozostawać w szczęściu i mądrości, muszą ciągle się zmieniać”. Niestety, raczej nieznana jest gotowa recepta, w jaki sposób się zmieniać, by móc osiągnąć ten cel, ale pewne jest, że nieodzownym elementem tego procesu jest nieustanne uczenie się. Ta myśl może wydawać się truizmem powtarzanym przez naszych nauczycieli aż do znudzenia już od czasów wczesnego dzieciństwa, jednak to może właśnie ze względu na wagę tego przesłania tak często możemy je usłyszeć. Znamienne są słowa sławnego futurysty Alvina Toefflera: „Analfabetami przyszłości będą ci, którzy nie potrafią się uczyć”.
Co gorsza, w przyszłości grozi nam nie tylko konkurencja ze strony ludzi, ale też i… maszyn! Według definicji uczenie się to zmiana w zasobach posiadanej wiedzy oparta na doświadczeniu i pozwalająca lepiej wypełniać zadane funkcje. Zgodnie z tą definicją już w tej chwili jesteśmy otoczeni systemami stworzonymi przez człowieka, które mogą się uczyć.
Droga wiodąca do tego momentu w historii była długa i pełna – jak to zwykle bywa – zarówno spektakularnych sukcesów jak i niepowodzeń, okresów wszechobecnego zachwytu nowymi metodami, jak i okresami wieloletniego ich zapomnienia. Wydaje się jednak, że na naszych oczach zintegrowane podejście do zastosowania całej gamy metod wywodzących się z nurtów sztucznej inteligencji (AI – Artificial Intelligence), uczenia maszynowego (Machine Learning), rozpoznawania wzorców (PR – pattern recognition) oraz zaawansowanej statystyki obliczeniowej (computational statistics) owocuje systemami, których dojrzałość z jej strony może budzić podziw, zaś z drugiej – niepokój.
Patrząc z perspektywy czasu wydaje się, że powstanie takich systemów było nieuniknionym wynikiem ewolucji cywilizacji technicznej. Skoro zdolność uczenia się (oznaczająca najczęściej poznawanie nowych rzeczy, ale czasem też i zapominanie starych) jest niezbędnym warunkiem osiągnięcia sukcesu na poziomie osobistym (por. Zmiana Paula Watzlawicka) , grup, populacji, społeczeństw czy organizacji (por. Piąta Dyscyplina Petera Senge), to siłą rzeczy systemy stworzone ręką ludzką również – jeśli mają sprostać konkurencji i coraz lepiej wypełniać zadania – muszą posiadać takie cechy. I nie chodzi tu tylko o łatwiejsze zadanie adaptacji do zmienionych, ale znanych uprzednio warunków, ale raczej o zmianę zachowania wobec istotnie nowych sytuacji. Z punktu widzenia technologii w pierwszym przypadku podstawowy model działania, lub ich zestaw się nie zmienia – adaptacja polega jedynie na wybraniu innego pre-definiowanego (pod)modelu, który najlepiej pasuje do zaistniałej sytuacji. W drugim przypadku mamy do czynienia z procesem budowy nowego modelu, lub modyfikacji starego – a to dużo bardziej złożone zadanie.
Dobrą ilustracją tego problemu jest historia rozwoju bezzałogowych samochodów sięgająca początków lat 80. w Europie. Dużym sukcesem okazał się projekt Prometheus, który potwierdził możliwość poruszania się po autostradzie aut o dużym stopniu autonomii – ich możliwości obejmowały samodzielny start, zatrzymanie, wyprzedzanie, zmianę pasów, utrzymywanie prędkości. To wszystko przy prędkościach sięgających 180 km/h i w odcinkach do ponad 150 km, gdzie nie była wymagana interwencja człowieka. Z kolei w czasie ubiegłej dekady inicjatywa w tej dziedzinie zdecydowanie należała do zespołów po drugiej stronie Atlantyku. Seria zawodów amerykańskiej agencji zaawansowanych badań w dziedzinie obronności DARPA Grand Challenge (DGC) okazała się przełomowa dla dalszego rozwoju. Wyzwanie w tym wypadku było o wiele większe – trasy dotyczyły albo pustynnych dzikich dróg, albo małego niby-miasta. O trudności zadania może świadczyć fakt, że w 2004 r. pierwszej z serii konkursów nie ukończyła żadna z drużyn zakwalifikowaych do finału. Po roku, w tych samych warunkach 6 aut na 23 zgłoszone przekroczyło linię mety. Historia rozwoju projektu, który zajął zwycięskie pierwsze miejsce pokazuje, że zastosowanie systemów uczących się było kluczowe dla dokonania przełomu. Twórcy zdawali sobie sprawę, że utrzymanie odpowiednio dużej prędkości jest konieczne dla zapewnienia zwycięstwa i że muszą pokonać barierę stwarzaną przez laserowe radary odtwarzające topografię terenu przed autem. Użycie kamer wideo pozwalało sięgnąć dalej wzrokiem, jednak system rozpoznawania przejezdnych fragmentów drogi na nich oparty był bardzo zawodny ze względu na dodatkowe, często trudne to przewidzenia zmiany w otoczeniu: kurz osadzający się na obiektywach, wędrujące cienie, zmiany intensywności światła, podobieństwo krzewów i głazów, zmiany w kolorze gruntu. Tych wszystkich okoliczności nie da się po prostu zaprogramować uprzednio. Fundamentalną poprawę dopiero osiągnięto dzięki sprzężeniu z systemem obsługującym lasery. Dostarczał on wiarygodnej informacji o przejezdnej drodze na krótkim dystansie, pozwalając systemowi korzystającemu z wizji „nauczyć” się potrzebnego rozróżnienia trasy z dalszej odległości. Z kolei samochód, który wygrał ostatni konkurs tej serii, zorganizowany na ulicach sztucznego miasteczka, oparty był na zintegrowanej współpracy wielu różnych algorytmów uczących się.
O tym jak poważne korzyści przynoszą systemy potrafiące się uczyć niech świadczą sumy nagród przeznaczone w konkursach na rozwiązanie różnego rodzaju problemów z ich zastosowaniem. W przypadku DGC w 2007 roku było to odpowiednio 2, 1 i pół miliona dolarów dla trzech pierwszych miejsc. W konkursie ogłoszonym przez internetową wypożyczalnię Netflix był to milion dolarów za usprawnienie systemu rekomendacji filmów.
Rozwój technologii systemów, które się uczą, a co za tym idzie często osiągają bardzo duży stopień autonomii, może budzić pewne obawy. Istotną przeszkodą według samych zainteresowanych są m.in. kwestie natury prawnej, np. w jakim stopniu producenci autonomicznych samochodów powinni ponosić odpowiedzialność za wypadki? Poza tym świat rzeczywisty jest nadal dużo bardziej złożony, niż były to w stanie oddać dotychczasowe warunki testów – zachowanie pieszych jest zdecydowanie bardziej przypadkowe i dynamiczne niż pojazdów. Często – np. w zastosowaniach medycznych – niezbędna jest również możliwość przeglądu i oceny wiedzy, którą sobie program przyswoił niezależnie od tego, jak potencjalnie wysoki może być procent jego trafnych decyzji. Wiele systemów osiągających doskonałe wyniki, np. tych opartych na sieciach neuropodobnych, na taką inspekcję niestety nie pozwala.
Pomimo tych obaw widać wyraźnie, że w dzisiejszym świecie zalanym powodzią danych, nie ma innej drogi niż zastosowanie zaawansowanych systemów uczących się, które pozwalają z tej powodzi wyłowić istotną, aktualną i użyteczną informację. Dzieje się to nie tylko w laboratoriach naukowych przetwarzających ogromne ilości danych z takich przyrządów jak teleskop Hubble’a, Wielki Zderzacz Hadronów, satelity obserwujące klimat Ziemi, czy zdalne próbniki badające przestrzeń kosmiczną, ale również w różnych działach operatorów telefonii komórkowej strających się usprawnić zarządzanie klientami, w sieciach sprzedaży detalicznej chcących zwiększyć skuteczność promocji czy też w internetowych sklepach pragnących lepiej rekomendować nowe produkty i usługi. Elektronika użytkowa to także pole rozwoju systemów zdolnych do nauki – wystarczy wspomnieć systemy rozpoznawania pisma ręcznego, albo proponujące kolejne utwory muzyczne do wysłuchania. Nowym kierunkiem zastosowań jest tzw. „osobista medycyna”, gdzie leczenie dostosowuje się indywidualnie do historii chorób, profilu genetycznego i preferencji pacjenta. Prace w tym kierunku prowadzi się np. w USA, gdzie jest to ułatwione poprzez dużą ilość danych pacjentów przetwarzanych w formie elektronicznej. Przykładem tego są coraz bardziej zaawansowane projekty (prowadzone przez Google i Microsoft) przechowywania osobistych danych medycznych danego pacjenta w jednym miejscu w Internecie, dzięki czemu zainteresowane instytucje – oczywiście za pozwoleniem pacjenta – mają do nich łatwy dostęp, a i same dane są przez to lepiej ząrzadzane. Oczywiście wszechobecność systemów przetwarzających nasze dane osobiste musi budzić pewne zastrzeżenia, i warto może przy tej okazji pamiętać, że polityka ochrony prywatności jest bardziej restrykcyjna w Europie niż za wielką wodą.
Obecność maszyn uczących się rodzić może niechęć, w dużej mierze ze względu na obawę utraty miejsc pracy (wyobraźmy sobie taksówki bez taksówkarzy). Jednak nasza osobista wygoda, brak dodatkowych kosztów dzięki unikaniu wypadków, mniejsze zużycie energii, brak potrzeby zatrudniania ludzkiej siły roboczej, powodują, że nadejście autonomicznych systemów wykonujących skomplikowane prace jest nieuchronne. General Motors zapowiedział produkcję w pełni autonomicznych samochodów w 2018 roku, ale już teraz wiele droższych samochodów oferuje rozwiązania pozwalające tylko z małą ingerencją kierowcy na równoległe parkowanie, utrzymywanie bezpiecznej odległości od innych pojazdów, czy też zapobieganie zjechaniu z autostrady na pobocze. Warto w tym kontekście przyglądać się rajdowi dwóch, w bardzo dużym stopniu samodzielnych, aut wyruszających w ramach projektu VIAC w Lipcu z Parmy, by dotrzeć po trzech miesiącach na wystawę EXPO do Szanghaju. Tam samochody-roboty dołączą do reszty swoich sióstr i braci serwujących kawę, tańczących, grających na instrumentach czy też pokazujących kung-fu.
Wydrukuj
