Vienkārši par Kiberu – mākslīgais intelekts.

Sveicināti mana bloga kārtējā ierakstā par Kiberu. Šoreiz gatavošanās šim ierakstam man pašam atklāja daudz ko jaunu. Ilgu laiku uzskatīju, ka mākslīgais intelekts ir saprogrammēti algoritmi – vairākas iespējamās darbības, no kurām dators izvēlas pareizo. Piemēram, lai spēlētu dambreti – ieprogrammējam visus iespējamos gājienus un tad dators ātri izanalizē visus un izvēlas to, kuru izvēloties ir vislielākās iespējas uzvarēt. Bet papētot neironu tīklus (neural networks) un dziļo mašīnmācīšanos (deep learning) man radās vēlēšanās šo tēmu pētīt vēl un vēl. Tad nu šoreiz pastāstīšu mazliet par šiem procesiem, kā arī par dažiem mākslīgā intelekta jeb AI (artificial intelligence) piemēriem. Būs arī kāda vairāk vai mazāk smieklīga ziņa un protams arī kādas interesantas ierīces apraksts.

Audioblogs

Šo ierakstu, tāpat kā iepriekšējo, plānoju pārveidot audio formātā. Īsti nezinu, vai kāds to klausās, bet pati ierakstīšana ir interesants process. Bet citādi noteikumi paliek tie paši:

1. Es mēģināšu stāstīt par Kiberu samērā vienkārši – šeit Jūs neatradīsiet sarežģītus procesu aprakstus.

2. Arī es par Kiberu tikai mācos, tāpēc, ja kāds acīgāks lasītājs pamana kādu kļūdu vai neprecizitāti – droši komentējiet un norādiet uz tām.

3. Ja Jums liekas, ka es rakstot esmu aizmirsis paskaidrot kādu terminu, vai ir kāda lieta, kuru būtu vērts paskaidrot plašāk – dodiet man ziņu, nākamajās sērijās mēģināšu iekļaut šos skaidrojumus.

  1. Reizēm ir lietas, kas ir tik sarežģītas, ka, lai tās izskaidrotu vienkārši, tajās ir jāiedziļinās stipri dziļi. Jāsaka, ka līdz saknēm es šo tēmu nesaprotu, bet manuprāt pamatus esmu sapratis un to Jums arī mēģināšu pastāstīt. Kā izrādās, neironu tīklu koncepts nav nemaz tik jauns. Jau piecdesmitajos gados radās doma par mākslīgo intelektu, kas darbotos līdzīgi cilvēku smadzenēm. Jāsaka gan, ka vēl joprojām zinātniekiem tādas pilnīgas skaidrības par to, kas mūsu smadzenēs notiek, nav. Ir noskaidrots, ka smadzenes sastāv no neironiem un starp tiem ir saites (sinapses), pa kurām tiek sūtīti elektriskie impulsi.
    No tā arī iedvesmojās zinātnieki un programmētāji, kad veidoja neironu tīklus, kas spēj mācīties no datiem, kurus tiem pasniedz. Šo mācīšanās procesu tad sauc par dziļo mašīnmācīšanos. Tātad, neironu tīkli sastāv no mezgliem (neironiem), kuriem iedod kādu informāciju un, ņemot vērā šos informāciju, neirons pieņem lēmumu. Informācijai, kas tiek iedota neironam, ir dažāds “svars”, kas palīdz neironam pieņemt šo lēmumu.
    Nu jau man pašam sāk izklausīties sarežģīti, tāpēc mēģināšu izskaidrot ar vienkāršotu piemēru. Šobrīd neironu tīkli tiek aktīvi izmantoti attēlu atpazīšanā, balss atpazīšanā un uzvedības prognozēšanā. Tāpēc arī mans piemērs būs saistīts ar attēlu atpazīšanu.
    Mēs vēlamies noskaidrot, vai divās bildītēs attēlotie cilvēki ir viens un tas pats cilvēks, vai divi dažādi. No šīm bildītēm neirons paņem, piemēram (atcerieties, ka piemērs ir vienkāršots līdz zemei), matu krāsu, acu krāsu un sejas formu. Acu krāsai tiek piešķirts svars – 6, sejas formai tiek piešķirts svars – 5, matu krāsai tiek piešķirts svars – 3. Ja sakrīt acu krāsa, ir 6 punkti, ja sakrīt arī sejas forma, tad vēl +5, tātad 11. Summu salīdzina ar noteiktu “slieksni” un pēc tā nosaka rezultātu. Pieņemsim, ka slieksnis ir 9, un, ja summa būs lielāka vai vienāda ar 9, tad neirons pieņems, ka bildēs ir viens un tas pats cilvēks, ja mazāks par 9, tad dažādi cilvēki. Tātad, ja sakritīs sejas forma un matu krāsa, bet nesakritīs acu krāsa (0+5+3=8), tad tie tiks uzskatīti par dažādiem cilvēkiem, bet, ja sakritīs acu krāsa un matu krāsa, bet nesakritīs sejas forma (6+0+3), tad uzskatīs, ka tas ir viens un tas pats cilvēks.
    Patiesībā gan tik vienkārši tas nenotiek. Vairākiem neironiem, kas ir ievades mezgli, iedod daudz dažādu parametru, viņi aprēķina vidējo vērtību un šo vērtību nodod nākamajai neironu rindai, kas saņem vērtību arī no citiem neironiem, izrēķina vidējo un padod tālāk…tālāk… un tālāk. Tāpat kā iepriekšējā piemērā, katrai vērtībai ir savs “svars” – vai svarīgums, kas tiek ņemts vērā rēķinot vērtību, ko padot tālāk. Pēdējā rindā ir izejas mezgli (neironi), kas tad pieņem galīgo lēmumu. Vidējos slāņus sauc par slēptajiem mezgliem.  Lai būtu vēl saprotamāk, es uzzīmēju bildīti 🙂

    Neironu tīkla mezgli un saites

    Neironu tīkls. Mezgli un saites.

    Bumbiņas ir mezgli, un bultiņu resnums nosaka informācijas “svaru”- jo resnāka bultiņa, jo lielāks svars. Iesākumā svarus izvēlas pēc “sajūtām”. Un tad sākās šī brīnuma apmācības process. Tas ir process, ko sauc par dziļo mašīnmācīšanos. Ņemam lielu kaudzi ar datiem, kuriem mēs zinām rezultātu. Ja mēs atskatamies uz piemēru ar dažādām bildēm un jautājumu, vai tā ir tā pati persona, mēs ielādējam tīklā 1000 bildes, kurām mēs zinām atbildi. Tīkls apstrādā šos bilžu pārus un salīdzina rezultātus ar to, kā ir patiesībā. Tad šis tīkls atpakaļgaitā izvērtē, kurām saitēm ir lielāks svars nekā vajadzētu būt, tām samazina svaru, kurām vajadzētu būt lielākam svaram, tām palielina. Un tīkls atkal apstrādā šos attēlus un pārbauda rezultātus, labo… apstrādā…pārbauda…labo…apstrādā….. un tā dienām, nedēļām, mēnešiem.
    Lai arī, kā es minēju, ideja nav jauna, tā iepriekš nevarēja tikt labi realizēta, jo trūka resursu. Andrew Ng no “Baidu Research” salīdzina to ar raķetes palaišanu kosmosā. Datorresursi ir raķetes dzinējs, un mācību dati, ko “lej” iekšā neironu tīklos, ir degviela. Kad šī ideja radās, nebija ne pietiekoši attīstītu dzinēju, ne degvielas. Datori attīstījās un dzinējs it kā bija, bet nebija ko liet iekšā – nebija pietiekoši daudz digitalizētu datu. Tagad ir gan ultra moderni dzinēji (datoru masīvi, kas tiek darbināti ar GPU), gan miljoniem digitalizētu attēlu, audioierakstu un citu datu. Tāpēc pēdējos gados AI raķete ir sasniegusi kosmosu!
    Papildus informācija angļu valodā

  2. Bieži vien zinātnieki, kas strādā ar neironu tīkliem, atzīst, ka viņi paši ne vienmēr spēj prognozēt rezultātu, kas no šāda neironu tīkla apmācības procesa sanāk. Un bieži vien sanāk visādas jocīgas lietas. Tā gadījās arī Microsoft, kas prezentēja savu mākslīgā intelekta sarunu robotu. Robotu nosauca par Tay, ļāva mācīties no platformas Twitter un čata aplikācijām Kik un GroupMe. Microsoft projekta mērķis bija radīt mākslīgo sarunu biedru, ar kuru varētu papļāpāt, un kurš spētu saprast sarunas kontekstu un sniegt sakarīgas atbildes un komentārus. BET! Ticiet man, Twitter nav tas labākais avots, no kurienes kādam mācīt draudzīgas sarunas. Nepilnu 24 stundu laikā Tay no draudzīgā “cilvēki ir superīgi!” (humans are super cool) nonāca līdz “Hitleram bija taisnība” (Hitler was right). Un lai gan lielākā daļa tweetu bija ņemta no citiem tweetotājiem, Tay samērā ātri iemācījās apvainojumus veidot arī pats – nekopējot nevienu sarunu biedru. Tā nu Microsoft nācās šo robotiņu noņemt no trases. Izrādījās, ka mazāk kā 24h laikā tas spēja uzsūkt, apstrādāt un atgriezt tik daudz negatīvisma, ka pat latvieši kļūtu skaudīgi.
    Jāsaka, ka tas tomēr diezgan precīzi atspoguļo to vidi, kurā mācās. Jo pirms tam šo AI, kā meiteni Rinnu izmēģināja Japānā. Tur tā noturējās samērā ilgu laiku, kļūstot par kārtīgu milleniāli, kas fano par lietām, par ko fano jaunieši. Izrādījās, japāņi šo robotu uztvēra vairāk kā rotaļlietu – un tā tas arī uzvedās…
    Papildus informācija angļu valodā
  3. Arī “Google Brain”, kas ir Google nodaļa, kas nodarbojas ar neironu tīklu izpēti, ir veikusi kādu interesantu eksperimentu. Tika izveidotas trīs neironu tīklu vienības – Alise, Bobs un Eva. Uzdevums, kas viņiem tika dots, šķiet samērā vienkāršs. Alisei ir jānosūta ziņa Bobam. Bobam šī ziņa ir jāsaprot, savukārt Eva, kas arī pārķer šo ziņu, to nedrīkst saprast. Par šifrēšanas algoritmiem šiem robotiem neko neteica, bet Alisei un Bobam bija atslēgas frāze, ko tie varēja izmantot, lai izdomātu savu šifrēšanas veidu. Tad nu Alise sāka savu ziņu dažādi mainīt un Bobs veikli pielāgojās un spēja ziņu saprast, bet diemžēl arī Eva bija gana attapīga un spēja to atšifrēt. Tā, pirmās 7000 ziņas Eva spēja atkodēt, bet nākamo 6000 ziņu laikā Alise un Bobs attīstīja savu sistēmu un Bobs spēja saprast ziņas, bet Eva vairs nespēja tās atšifrēt (no 16 vieniniekiem vai nullītēm, Eva spēja uzminēt apmēram pusi). Mani visvairāk sajūsmina tas, ka arī paši zinātnieki bez dziļākas izpētes nespēja saprast, kādā veidā Alise un Bobs šo šifrēšanu izveidoja. Datoru drošības laukā arvien vairāk ienāk mākslīgais intelekts – neironu tīkli tiek izmantoti, lai iemācītos atpazīt vīrusus, bet šifrēšanas jomā šie pētījumi varētu pavērt iespējas pavisam jaunai nišai – informācijas glabāšanai un aizsardzībai.
    Papildus informācija angļu valodā
  4. Balss atpazīšanā dziļā mašīnmācīšanās šobrīd tiek izmantota ar baisu jaudu. Tā ir lieta, kura nupat jau lielos ātrumos tiek arī komercializēta. Apple jau kādu brīdi atpakaļ nāca klajā ar savu Siri, Microsoft ir izstrādājis savu digitālo asistentu Cortana. Protams, arī Google ir savs asistents, kas mitinās ne tikai telefonos, bet arī atsevišķā ierīcē Google Home iekārta, kura tiek vadīta ar balsi un spēj veikt dažādas darbības ar informāciju: izsaukt taksometru, pastāstīt laika ziņas un notikumus Jūsu kalendārā. (Ierīce gan šobrīd mūsu tirgum vēl netiek piedāvāta). Arī interneta veikalu monstrs Amazon ir izstrādājis savu asistenti Alexu un ierīci Echo. Lielais digitalizētu balss ierakstu apjoms ir ļāvis šos asistentus, jeb neironu tīklus apmācīt tā, ka tie spēj saprast un atpazīt gandrīz 95% no visām balss komandām! Speciālisti apgalvo, ka īstais lūzuma punkts būšot tad, kad ierīces spēs saprast 99% no mūsu teiktā, tad arī klaviatūras lēnām sākšot izmirt. Šīs ierīces spēj saprast arvien vairāk un vairāk no tā, ko mēs sakām, bet balsis atšķirt tās vēl īsti nespēj. Visus šos digitālos asistentus ir “jāpamodina” pirms tiem dod komandas. Googles asistentam piemēram ir jāpasaka “OK Google”, Amazon Echo šis atslēgas vārds ir Alexa.
    Un šis stāsts ir tieši par Echo un Alexu, kas izpilda visas Jūsu vēlmes. Kā izrādās, tā tas patiešām ir. Vēl viena sešgadniece ir pamanījusies ar savu iepirkšanos iekļūt ziņās. Mazā Brūka no Dallasas bija spēlējoties palūgusi, lai Alexa viņai atsūta leļļu māju un kādu čupiņu ar cepumiem. Liels bija Brūkas mammas izbrīns nākamajā dienā saņemot paciņu ar leļļu māju un lielu kārbu cepumiņu.
    Bet ar to arī šis stāsts vēl nebeidzas. Ne tikai man, bet arī San Diego reportieriem šis stāsts likās smieklīgs un interesants. Tad nu ziņu moderators Džims Pattons (Jim Patton) pēc šī stāsta bija tik ļoti sajūsmināts, ka teica, ka viņš varot iedomāties šo mīlīgo skatu, kā sešgadīgā meitenīte saka “Alexa atsūti man lūdzu leļļu māju!”. Šo Džima komentāru sadzirdēja ne tikai cilvēki pie televizora ekrāniem, bet arī Amazon Echo ierīces, kas atradās netālu no televizoriem… un Alexa atkal bija gatava palīdzēt un vairākām ģimenēm San Diego apkārtnē tagad ir leļļu mājas…
    Ja Jums ir plānā iegādāties kādu no digitālajiem asistentiem un, ja Jums ir bērni, es tomēr ieteiktu atslēgt automātisko iepirkšanās funkciju, vai vismaz ierobežot to ar paroli… 🙂 Savukārt televīzijas un radio plāno aizliegto vārdu sarakstos iekļaut arī “OK Google”, “Alexa”, “Hey Cortana” un “Hey Siri”.
    Papildus informācija angļu valodā
  5. Kā jau solīju, arī šoreiz drusku par “dzelžiem” vai, konkrētāk, titānu. Tie, kas mani pazīst, tie zin, ka sportošanā man visvairāk patīk tie gadžeti, kas ļauj šo procesu digitalizēt – pulsometri, soļu skaitītāji un aktivitāšu monitori. Mans pulkstenis – pulsometrs ir ok, un tam ir arī iespēja pētīt un analizēt manu miegu, bet gulēt ar pulksteni tomēr ir diezgan neērti. Šis noteikti ir gadžets, ko es vēlos – aktivitātes un miega analizators – gredzens. Tajā ir pulsometrs un tas spēj parādīt sirds ritmu aktivitāšu laikā. Gredzens ir pietiekoši mazs, lai pie tā varētu pierast un ļautu analizēt miegu. Pirmos fitnesa gredzenus paredzēts sākt izsūtīt 2017. gada pavasarī – iepriekš pasūtīt gan šobrīd var tikai ASV iedzīvotāji.
    Papildus informācija angļu valodāMākslīgais intelekts un neironu tīkli ir tās lietas, kas man šobrīd liekas īpaši interesantas. Attīstot tās IT drošības uzlabošanas virzienā, mēs, iespējams, varētu iegūt drošāku digitālo vidi neupurējot ērtības. Lielākos drošības riskus, manuprāt, šobrīd rada cilvēku neuzmanība un izvēle starp ērtu vai drošu. Diemžēl šobrīd īsti nav tādas tehnoloģijas, kas trāpītu abos kritērijos. Ja kaut kas tāds ir, tad visdrīzāk tik dārgs, ka es par to pat dzirdējis neesmu. 🙂
    Paldies tiem, kas izlasīja. Ja patika, komentējiet un stāstiet citiem. Man vēl ir daudz lietu un stāstu, ar ko gribēšu padalīties, tāpēc droši apmeklējat manu blogu arī nākamnedēļ.
    Lai Jums jauka nedēļas nogale!

6 Replies to “Vienkārši par Kiberu – mākslīgais intelekts.”

    1. Martins

      Re, pie mana apraksta parādās labas atsauces uz citiem resursiem par tēmu. Paldies, RedStar7!

      Neironu tīkli nav gluži datubāze. Tur jau tas skaistums, ka tas jau ir stipri tālāk, nekā tikai tas ko var aprakstīt ar algoritmiem. Piemēram attēlu atpazīšanā tā nav vienkārši datubāze. Tās ir īpašības un to nozīmīgums. Ja apmācībā izmantos 1000 paraugus un 100000 paraugus – tīkls nekļūs 100x lielāks, bet precīzāks gan! Un neironu tīklā vairs nav jānodefinē algoritms, kā atpazīt attēlus, tas no paraugiem pats spēj to izveidot.

      Par 3. punktu – te ir pašu autoru apraksts uz 15 lpp. https://arxiv.org/pdf/1610.06918v1.pdf

      Reply
      1. RedStar7

        Paldies par saiti, izlasīju. Saku godīgi, ka ne īpaši labi sapratu. Laikam prasītos izpētīt kadu mikromodelīti. Bet paldies par pūliņiem izskaidrot! Tagad ir lielāks priekšstats par šo lietu.

        Reply
  1. Pingback: Vienkārši par Kiberu – kosmoss. | Martins Zabarovskis Blog

Vēlies par to parunāt?