By Suvremene tehnologije poprimile su karakteristike kompleksnih sustava, a pojedini segmenti poput, na primjer, umjetne inteligencije postali su i pametni, pokazujući naznake izmicanja ljudskoj kontroli. Slikovito rečeno, pojedine tehnologije ne svode se više samo na puke alate, već postaju, u sve većoj mjeri, ravnopravan partner čovjeku.
Kompleksnost
Kompleksni sustavi se kontinuirano razvijaju i prilagođavaju uz pomoć povratnih veza. Valja napomenuti kako su povratne veze podaci koje sustav zaprima iz okolina. Pri tome ih obrađuje kako bi se korigirao i odgovorio na vanjske izazove. Za razliku od toga, mehaničke tehnologije počivaju na materijalnim elementima i zatvorene su cjeline, praktično bez interakcije s okruženjem. Funkcioniraju na temelju definiranih vanjskih uputa.
Podaci i informacije fundamentalni su elementi suvremenih kognitivnih tehnoloških sustava. Riječ je o nematerijalnim elementima, te bitnim resursima digitalne ekonomije, koja je obilježje postmodernog društva. Informacije generiraju fleksibilnost i otvorenost, pri čemu su supstanca spoznajnih mogućnosti pametnih tehnoloških naprava. Treba naglasiti kako kognitivne tehnologije, to jest, misleći strojevi stvaraju pogodno okruženje za suradnju sa čovjekom.
U neke od današnjih najnaprednijih tehnologija spadaju računalstvo i umjetna inteligencija. Nove tehnologije baziraju se na digitalnim procesima. Ubrzano gube na važnosti analogni procesi i mehanička načela. Napredne tehnologije poprimaju brojne obrasce funkcioniranja organskih sustava. Jedan od njih je, kao što smo spomenuli, razmjena i procesuiranje informacija odnosno podataka. To je ključni proces za funkcioniranje umjetne inteligencije i računala, te predstavlja revolucionarni napredak u odnosu na prethodne tehnologije.
Ta kognitivna sposobnost omogućuje generativnoj umjetnoj inteligenciji samostalno stvaranje potpuno novih sadržaja. Daljnji razvojni iskorak predstavljat će artikulacija opće umjetne inteligencije, koja će moći razumjeti, učiti, primjenjivati znanje i rješavati probleme na razini ljudske inteligencije – ili je nadmašiti – u gotovo svim kognitivnim zadacima i ekonomskim djelatnostima koje stvaraju vrijednost. Trenutno se analitičari slažu kako opća umjetna inteligencija još nije razvijena, premda se na tome intenzivno radi.
Razvidno je kako je riječ o epohalnim tehnologijama, koje drastično redefiniraju pojam društva, ekonomije, a u krajnjoj liniji i samoga čovjeka. Mustafa Suleyman, jedan od suosnivača DeepMinda, smatra ključnim, za budući razvoj čovječanstva, sljedeće tehnologije : umjetnu inteligenciju, genetsku tehnologiju i robotiku. Daljnji napredak jedne grane ubrzava napredak svih ostalih u kaotičnom međusobno katalizirajućem procesu koji nitko ne kontrolira.
Fundamentalne tehnologije obilježavaju četiri ključne specifičnosti koje ih čine tako posebnima, a možemo ih definirati na sljedeći način : općenite su i široko primjenjive ; izrazito brzo evoluiraju ; imaju asimetrične učinke ; u nekim aspektima pokazuju sve veću autonomiju. Suleyman upozorava kako bi oštar nadzor nad naprednim tehnologijama mogao dovesti do praćenja svega i svakoga, cijelo vrijeme, unutar distopijskog globalnog nadzornog sustava, koji bi se opravdao željom da se zaštitimo od najekstremnijih mogućih ishoda.
Pojedine sastavnice distopijskog nadzornog sustava pomoću naprednih kognitivnih tehnologija možemo prepoznati u kineskom modelu društvenog bodovanja. Građani se sustavno nadziru, a njihovo ponašanje boduje. U skladu s količinom bodova određuje se, na primjer, odobravanje kredita ili dobivanje različitih državnih potpora.
Društveno bodovanje, bolje reći, nadzor provodi se dobrim djelom pametnim kamerama i senzorima odnosno umjetnom inteligencijom sposobnom za prepoznavanje lica (osoba) i govora. Valja spomenuti kako se ne radi o futurističkim spekulacijama. Ta je praksa već znatno uznapredovala u Kini zahvaljujući golemim količinama podataka uz pomoću kojih se obučava umjetna inteligencija. Pri tome se koristi tehnologija dubokog učenja.
Duboko učenje
Pojam duboko učenje opisuje obitelj modela neuronskih mreža s više slojeva jednostavnih programa za obradu informacija, poznatih kao neuroni. Slikovito rečeno, neuronska mreža je računski model inspiriran strukturom ljudskog mozga. Ljudski mozak sastoji se od golemog broja živčanih stanica, zvanih neuroni. Neke procjene kazuju kako broj neurona u ljudskom mozgu iznosi oko 100 milijardi.
Neuroni u neuronskoj mreži organiziranu su u slojeve. Postoje tri temeljna sloja : ulazni sloj, skriveni te izlazni sloj. Za mreže dubokog učenja je karakteristično što imaju mnogo skrivenih slojeva neurona. Značajno je napomenuti, kako se dubina neuronske mreže mjeri brojem skrivenih slojeva. Neuronske mreže probleme rješavaju koristeći strategiju podjeli pa vladaj, bolje reći, svaki neuron u mreži rješava jednu sastavnicu većeg problema, a cjelokupni problem rješava se kombiniranjem ovih pojedinačnih rješenja.
Važan aspekt snage neuronskih mreža sastoji se u tome što tijekom učenja, kroz postavljanje težina veza neurona unutar mreže, ona sama zapravo uči dekomponiranje većeg problema, dok pojedini neuroni uče kako riješiti probleme nastale dekompozicijom i kako ih kombinirati u krajnje rješenje.
Pri korištenju neuronskih mreža mora se imati na umu kako su brojne pojave u društvu i prirodi nelinearnog karaktera. U tim slučajevima linearni modeli nisu u stanju generirati precizne procjene. Dakle, kako bi se neuronskoj mreži omogućila nelinearna sposobnost obrade podataka, nužno je neuronima u mreži integrirati nelinearni korak (aktivacijska funkcija). Odluku o izboru aktivacijskih funkcija za potrebe neuronske mreže i njihovom rasporedu u njoj, donosi podatkovni znanstvenik koji mrežu dizajnira.
Treba spomenuti kako je upravo tehnologija dubokog učenja generirala strelovit razvoj umjetne inteligencije. Problematika umjetne inteligencije danas je dnevna tema svih medija, privlačeći tako pozornost najšire javnosti. Svjedočimo kako pojedini vrhunski istraživači u području umjetne inteligencije zagovaraju usporavanje njenog razvoja. S druge pak strane, pojedini znanstvenici predlažu sustavno normativno reguliranje ove tehnologije koja je već obilježila početak 21. stoljeća. Mnogi nisu upoznati sa činjenicom kako su temelji dubokog učenja, koja je izazvala revolucionarni razvoj umjetne inteligencije u 21. stoljeću, položeni još 1940-ih godina.
Počeci
Godine 1943. u radu pod naslovom A Logical Calculus of the Ideas Immanent in Nerons Activity, znanstvenici Walter McCulloch i Walter Pitts objavili su utjecajan računski model biološkog neurona. U radu je istaknuta značajka moždane aktivnosti na načelu sve-ili-ništa, te je predstavljen matematički opis aktivnosti neurona u smislu propozicijske logike. U modelu McCullocha i Pittsa, svaki ulaz i izlaz u neuron imao je vrijednost 0 ili 1.
Donald O. Hebb objavio je 1949. godine knjigu The Organization of Behavior, u kojoj je iznio neuropsihološku teoriju (povezujući psihologiju i fiziologiju mozga) kako bi objasnio općenito ljudsko ponašanje. Temeljna teza teorije bila je kako je ponašanje rezultat djelovanja i interakcije neurona. Za istraživanje neuronskih mreža, najvažnija ideja ove knjige bio je postulat, danas poznat kao Hebbov postulat, koji je objasnio stvaranje trajne memorije kod životinja na temelju procesa interakcije između neurona.
Model perceptrona osmislio je Frank Rosenblatt 1957. godine u Cornell Aeronautical Laboratory, kojeg se ponekad naziva ocem dubokog učenja. Perceptron je jedan od najjednostavnijih i najranijih modela umjetne neuronske mreže, a služi kao temeljni algoritam za strojno učenje i binarnu klasifikaciju. Drugim riječima, perceptron je jednostavan model umjetnog neurona koji oponaša način na koji ljudski um može pohranjivati ili obrađivati podatke. Prva implementacija perceptrona bila je softverska integracija u sustav IBM 704 – to je najvjerojatnije prva implementacija bilo koje neuronske mreže.
Nekako u isto vrijeme kada je Rosenblatt razvijao model perceptrona, Bernard Widrow i Marcian Hoff kreirali su vrlo sličan koncept, nazvan ADALINE (skraćenica od Adaptive Linear Neuron), zajedno s pravilom učenja pod nazivom LMS (akronim od Last Mean Squares). Danas se pravilo učenja LMS zove prema svojim izumiteljima, Widrow-Hoffovim pravilom učenja, a vrlo često se zove i delta pravilo.
Marvin Minsky i Seymour Papert objavili su 1969. godine knjigu Perceptions u kojoj su argumentirano obrazložili nedostatke navedenih modela. Ključna kritika koju su Minsky i Papert uputili jednoslojnim perceptronima bila je da oni nisu bili kadri naučiti nelinearno razdvojive funkcije, poput funkcije XOR.
Istodobno s pojavom knjige Minskyja i Paperta, ukrajinski znanstvenik Aleksej Ivakhnenko predložio je grupnu metodu za obradu podataka (GMDH 11). On je 1971. godine objavio rad u kojem je opisao kako se ta metoda može koristiti za obučavanje neuronske mreže s osam slojeva. Danas se Ivakhnenkovoj mreži iz 1971. godine odnosno za grupnu metodu obrade podataka GMDH pripisuje zasluga za prvu implementaciju duboke neuronske mreže obučene temeljem podataka. Međutim, nužno je podsjetiti kako značaj rada Ivakhnenka, u području neuronskih mreža, znanstvena zajednica nije uočavala dulji niz godina.
To je prvo razdoblje istraživanja neuronskih mreža. U tom periodu kreiralo se nasljeđe, koje razvoj tog područja oblikuje do današnjih dana. Ukratko rečeno, definirana je osnovna unutarnja struktura umjetnog neurona : težinski zbroj ulaza obrađen aktivacijskom funkcijom. Razvijen je koncept pohranjivanja informacija u težinama mreže. Nadalje, predloženi su algoritmi obučavanja mreža, temeljeni na iterativnom prilagođavanju težina, zajedno s praktičnim pravilima učenja, kao što je pravilo LMS.
Afirmirani istraživač umjetne inteligencije Stuart Russel, kao i ostali znanstvenici, smatra kako je druga faza razvoja umjetne inteligencije započela polovicom 1980-ih godina. To drugo razdoblje interesa za umjetnu inteligenciju završilo je kada se pokazalo kako ekspertni sustavi nisu dovoljno učinkoviti za brojne zadatke koji su im povjereni.
U trećoj fazi koja je započela oko 2011. godine i traje do danas, tehnike dubokog učenja počele su ostvarivati dramatičan razvoj umjetne inteligencije u području prepoznavanja govora, razlučivanja vizualnih objekata i strojnom prevođenju. To su bila tri najvažnija otvorena problema na tom području.
Neprijeporno su se zadnjih godina iskristalizirala dva glavna generatora razvoja umjetne inteligencije i komplementarnih tehnologija : strelovit rast procesne snage računala i značajan porast veličine skupova podataka. Dakako, kreativnost matematičara, fizičara, podatkovnih eksperata i razvojnih inženjera različitih struka, predstavlja i dalje nužan, te važan segment u razvoju ovih segmenata znanosti i tehnologije.
Mr.sc. Marinko Kovačić
Comments