By Prije par desetljeća programer je određivao sadržaj rada računala tako što je programirao algoritam u određenom programskom jeziku. Već nešto više od desetak godina nije potrebno programirati algoritme za pojedine zadaće nego prikupljati podatke. Podaci se trebaju odnositi na zadaću koju treba obaviti, a algoritam sa sposobnošću učenja automatski se tome prilagođava. Takvu računalnu funkcionalnost omogućili su, pored ostaloga, tehnologija ustroja golemih baza podataka i digitalizacija. Postalo je uobičajeno digitalizirati sve vrste podataka odnosno informacija kao što su, primjerice, zvukovi, videozapisi, slike i ostalo.
Informacije
U teoriji menadžmenta i poslovnoj praksi podaci i informacije počinju se značajno i sustavno afirmirati 1990-ih godina. U tom razdoblju nastaju koncepti poznati kao upravljanje znanjem, intelektualni kapital i učeća organizacija, koji razrađuju principe upravljanja nematerijalnim resursima unutar poslovne organizacije. To se prvenstveno odnosilo na podatke, informacije, znanje i ljudske potencijale koji su s njima manipulirali. Te procese podupirala je računalna tehnologija odnosno informatizacija poslovanja, koja postupno postaje sve značajniji proces u generiranju vrijednosti i uspostavi učinkovitih složenih ekosustava.
Međutim, informacije odnosno podaci kao važan poslovni resurs prepoznati su još u 17. stoljeću. O tom pišu Željko Panian i Goran Klepac u knjizi Poslovna inteligencija navodeći :“Da bi došli do potrebnih informacija, mnogi su pomorski osiguravatelji počeli posjećivati tada popularnu kavanu (a zapravo krčmu) koju je u Londonu držao stanoviti Edward Lloyd. Bilo je to mjesto gdje su ti novi poduzetnici mogli međusobno i s pomorcima razmjenjivati i dijeliti informacije, stečena iskustva i spoznaje. Danas možemo ustvrditi : bilo je to mjesto gdje je stvorena prva osiguravajuća kompanija, koju je osnovalo 79 poduzetnika, prvih dioničara kompanije Lloyd’s. No, danas možemo isto tako mirne duše ustvrditi – bilo je to mjesto gdje je rođena poslovna inteligencija, koju je stvorila masa znanih i neznanih poduzetnika, pomoraca i – pijanaca.“ S vremenom su društvene komunikacije postale tehnološki posredovane poprimajući raznorodne oblike.
Informatizaciju poslovnih procesa pokrenula je računalna tehnologija. U početku se koriste glomazni i skupi računalni uređaji prvenstveno u, primjerice, osiguravajućim tvrtkama, bankama, sveučilištima i državnim institucijama. Smanjivanjem njihove veličine i snižavanjem cijena koštanja računala se počinju u sve većoj mjeri koristiti ne samo u velikim, već i malim te srednjim tvrtkama. Istodobno računala postaju popularna u kućanstvima u kojima služe prvenstveno za zabavu i informiranje.
Jedna od definicija informacijskog sustava glasi :“Informacijski sustav je organizacijsko-funkcionalni sustav ustrojen na određenoj poslovnoj ili društvenoj razini za obavljanje svih poslova u vezi s podacima i informacijama (informacijsko-komunikacijskih poslova), a svrha mu je ostvariti bolje upravljanje, donositi ispravne i pravodobne odluke, te postići predviđene (planirane) poslovne rezultate, Informacijski sustav je složen i otvoren dinamički organizacijsko-funkcijski društveni sustav s jakom tehničko-tehnološkom komponentom. Uz pomoć tog tehnološkog sustava nastoji se maksimalno racionalizirati protok, akumulacija i obrada podataka i informacija, te vrlo brzo postaje standardna sastavnica procesa odlučivanja. Prednosti informacijskog sustava naročito dolaze do izražaja u strateškom odlučivanju i prilikom djelovanja u kompleksnom okruženju. Menadžeri i stručnjaci iz različitih oblasti uvidjeli su mogućnost povećanja kognitivnih sposobnosti koje generira taj tehnološki sustav, prije svega, računalna tehnologija.
Rane faze razvoja umjetne inteligencije
Mnogi se slažu s tvrdnjom kako se službeni početak razvoja umjetne inteligencije dogodio 1956. godine. kada je održana konferencija odnosno ljetni program tu temu na Sveučilištu Dorthmputh College. U organizaciji konferencije sudjelovala su dva mlada matematičara John McCarthy i Marvin Minsky, začetnik teorije informacija Claud Shannon i tvorac prvog IBM-ovog komercijalnog računala Nathaniel Rochester.
Navedeni znanstvenici prezentirali su pionirske vizije, to jest, spoznaje u samom začetku razvoja nove tehnologije. Tako se, primjerice, u programu rada tog znanstvenog skupa navodi, između ostaloga, :“Pokušat ćemo otkriti kako navesti strojeve da se koriste jezikom, oblikuju apstrakcije i koncepte, rješavaju one vrste problema koji su dosada bili rezervirani za ljude i unapređuju sami sebe …“ Vidljivo je kako su zacrtani ciljevi aktualni i danas.
Prvo razdoblje ubrzanog razvoja umjetne inteligencije završilo je krajem 1960-ih godina. Veliki entuzijazam akademske zajednice u pogledu djelotvornosti umjetne inteligencije naglo je splasnuo zbog neispunjenih očekivanja na području strojnog učenja i strojnog prijevoda. Ipak, ostvareni su određeni značajni pomaci u afirmaciji te nove tehnologije. Alan Robinson osmislio je algoritam za općenito logičko zaključivanje, a Arthur Samuel stvorio je računalni program za igranje šaha, koji je sam sebe naučio kako u šahu pobijediti vlastitog tvorca. Nedvojbeno se radilo o postignućima koji su izazvali pozornost šire javnosti.
Ipak, to nije bilo dovoljno za značajniji interes investitora i privlačenje najtalentiranijih znanstvenika i razvojnih inženjera za rad na novom tehnološkom području. Ponovni interes za umjetnom inteligencijom pojavio se 1980-ih godina zahvaljujući ekspertnim sustavima zasnovanim na skupinama pravila ako-onda. To je postala dominantna tehnologija za umjetnu inteligenciju u to doba, koja se proširili u poslovnom svijetu, prije svega, razvijenih zemalja.
Funkcioniranje ekspertnih sustava zahtjeva angažman ljudskih stručnjaka, ponajprije inženjera znanja, koji su osmišljavali niz pravila za određene segmente korporativnog djelovanja. Velika očekivanja nisu se ispunila, jer se pokazalo kako ti sustavi nisu dovoljno učinkoviti za realizaciju mnogih zadaća koje su trebali obaviti. To je označilo kraj drugog razdoblje zanimanja stručne javnosti za umjetnu inteligenciju.
Drugačiji pristup
Eliminaciju blokade u razvoju umjetne inteligencije eksperti su nastojali ostvariti radikalnim preoblikovanjem modela promišljanja. Konkretnije govoreći, znanstvenici su vjerovali kako je potrebna nova paradigma, koja uključuje novi tip razmišljanja, novi računalni model ili sasvim novi skup algoritama, što bi, u konačnici, osiguralo da umjetna inteligencija postane stvarnost. Istraživačka praksa pokazala je kako se te analize i shvaćanja nalaze u slijepoj ulici.
Naime, uspjesi u primjeni strojnog učenja zadnjih 15-ak godina nedvojbeno dokazuju kako nam nije potrebna nova paradigma, odnosno novi skup specifičnih algoritama, već mnogo podataka i dovoljno računalne snage. Oni omogućuju pokretanje metoda koje imaju sposobnost učenja na golemim količinama podataka (big data), uz istodobnu mogućnost samostalnog generiranja potrebnih algoritama iz podataka. Pri tome, automatsko generiranje algoritama zamjenjuje programirana pravila s algoritmima sa sposobnošću učenja.
Prije toga, za mnoge funkcionalnosti umjetne inteligencije od, primjerice, vida i govora do prijevoda, znanstvenici nisu bili u stanju osmisliti učinkovite algoritme unatoč desetljećima istraživanja. Sada se te zadaće ostvaruju uz pomoć golemih količina podataka i u tome se sastoji niša strojnog učenja. Pri tome se generiranje podataka kontinuirano povećava pomoću brojnih tehnologija poput, primjerice, interneta stvari. Važno je spomenuti kako tehnike strojnog učenja za obradu podataka i njihovo transformiranje u znanje značajno napreduju.
Jedna od prvih i vrlo popularnih funkcionalnosti strojnog učenja odnosno umjetne inteligencije je prepoznavanje navika i predviđanje ponašanja kupaca za kraća i dulja vremenska razdoblja. Milijuni kupaca svakodnevno kupuju stotine tisuće proizvoda u lokalnim trgovinama i uz pomoć interneta. Radi se o mnoštvu transakcija, ali postoje određene poveznice među njima, koje čovjek ni uz pomoć statističkih metoda nije u stanju uočiti u vremenu potrebnom za pravodobno poslovno reagiranje.
Pojedine grupe potrošača kupuju specifične skupine proizvoda, pri čemu među njima postoje skriveni faktori koji opisuju odnosno objašnjavaju njihove odluke o kupnji. Upravo skriveni faktori omogućuju artikulaciju obrasca potrošačkih navika i interesa, koji proizlazi iz promatranih odnosno akumuliranih podataka, a to je suština strojnoga učenja.
Strojno učenje ne služi samo za komercijalnu primjenu izvlačenja informacija iz podataka Ta je tehnologija nužna za uspostavu inteligencije. Pod inteligencijom mislim na sustav koji bi se trebao moći prilagoditi svojoj okolini, pri čemu istodobno mora naučiti ne ponavljati svoje pogreške, ali ponavljati svoje uspjehe. Strojno učenje odnosno umjetna inteligencija može se učinkovito koristiti u različitim gospodarskim djelatnostima, ali i u medicini, molekularnoj biologiji, meteorologiji i općenito znanosti, kao i kulturi, te sportu.
Monsanto i precizna poljoprivreda
Poljoprivreda je najstarija gospodarska djelatnost kojom se ljudi bave još od vremena kada se živjelo u plemenima, i bez robne razmjene. Mehanizacija odnosno industrijalizacija poljoprivredne proizvodnje omogućilo je preživljavanje sve većeg broja stanovnika. Ujedno se i znanost integrirala u poljoprivredni sustav, a zadnjih nešto više od desetak godina svjedočimo korištenju strojnog učenja, to jest, umjetne inteligencije u toj primarnoj djelatnosti. Jedan od pionira u tim naporima je američka korporacija Monsanto.
Još od 2013. godine stručnjaci Monsanta (koji je preuzeo Bayer) nudili su poljoprivrednicima usluge sađenja na recept. Riječ je o revolucionarnom konceptu koji se zasniva na modelima strojnog učenja zasnovanog na podacima vezanim za klimatske uvjete, svojstva tla i svojstva odnosno odabir sjemena. U tom novom pristupu poljoprivrednim radovima, primjerice, klimatski stručnjaci koriste modele strojnog (dubokog) učenja kako bi analizirali satelitske fotografije.
Interesantno je spomenuti kako su menadžeri Monsanta investirali oko milijardu američkih dolara za preuzimanje tvrtke Climate Corporation, kako bi došli do klimatskih podataka. Modeli strojnog učenja koji analiziraju iznimno detaljne klimatske, te lokacijski specifične meteorološke podatke olakšavaju poljoprivrednicima odlučivanje koje sjeme odabrati i kada posaditi, zaliti, gnojiti, žnjeti i tako dalje. Taj pristup jedna je od komponenti precizne poljoprivrede za koju se smatra da će biti nužna za prehranjivanje svjetskog stanovništva u budućnosti.
Još jedna usluga strojnog učenja koju brojna poduzeća pridodaju svojim proizvodima je prediktivno održavanje koje se ponekad naziva prediktivno upravljanje imovinom. Menadžeri General Electrica među prvima su počeli za korištenjem tog upravljačkog alata kao važnog segmenta nove poslovne filozofije. Istodobno i druge korporacije poput, primjerice, Boeinga, Caterpillara i Boscha prakticiraju slične pristupe. Podatke generira senzorska tehnologija i, u pravilu, tvore vremenske nizove podataka.
U slučaju kada kompanije mogu kreirati obilježene podatke, koji su vezani i uz ispravne strojeve kao i one u kvaru, relativno je lako obučiti modele da budu u stanju uočiti kada bi se neki stroj mogao pokvariti u budućnosti. Na taj način se osigurava kontinuirani tijek proizvodnih i uslužnih procesa odnosno eliminiraju zastoji, što izravno povećava profitabilnost.
Općenito govoreći, više podataka generira više informacija, pa stoga korištenje više podataka rezultira smanjivanjem nesigurnosti. No, podaci, u pravilu, nisu prikupljeni na jednak način. Ako naučeni model prepozna gdje ima visoku stopu nesigurnosti, može zatražiti označavanje tih podataka. To je aktivno strojno učenje koje značajno pospješuje učinkovitost spoznajnog procesa odnosno umjetne inteligencije.
Mr.sc. Marinko Kovačić
Comments