Foto: iStock
Nikada pre se razvoj jedne tehnologije nije više dodirivao sa samom suštinom, nacrtom onoga što smatramo „ljudskim”, do razvoj AI. O nama je reč, dakle.
Algoritmi veštačke inteligencije (engl. Artificial Intelligence, skr. AI u nastavku teksta) već uveliko prožimaju Internet: kontrolišu rad i opterećenje mnogobrojnih servera u online saobraćaju, proučavaju naše ponašanje na velikom broju sajtova na osnovu kojeg generišu preporuke o tome koji proizvod bi mogao da nam se dopadne ili sa kojom osobom bi nam odgovaralo da se povežemo, predviđaju sa kojom verovatnoćom ćemo nastaviti da koristimo neki servis ili aplikaciju. Još 2016-te godine, AI sistemi kompanije Deep Mind su za 40% spustili iznos računa koje Google plaća za hlađenje svojih serverskih kapaciteta, oslanjajući se na istu AI tehnologiju – čuvenu liniju AlphaGo sistema (AlphaGo, AlphaGo Zero, AlphaZero, MuZero) – koja je prevazišla ljude u drevnoj Go, igri čije osobine po složenosti daleko prevazilaze šah. Zahvaljujući algoritmima učenja potkrepljenjem (engl. Reinforcement Learning, skr. RL), roboti počinju sami da uče da hodaju, dok duboke neuronske mreže drže Tesline Autopilot sisteme u autonomnim vozilima.
U sprezi sa fantazmima – ali često i zrelim kritičkim razmatranjima – u popularnoj kulturi, Sci-Fi filmu i literaturi pre svega, ove činjenice simultano bude naše divljenje, radoznalost i strah. Westworld? Pobune robota? AI koja preuzima kontrolu nad automatizovanim oružanim snagama neke supersile i započinje svetski rat? Sve smo to videli. I od tako nečega smo, spokojno možemo to da tvrdimo (a u ovom serijalu tekstova ćemo to i pokazati) veoma, veoma daleko. Ipak, kako se AI upliće sve dublje u naše socio-tehničko okruženje i kako postaje sposobna da na sebe preuzme sve veći broj odluka koje bi inače donosili ljudi, rasprava o njenoj prirodi i našoj mogućnosti da ograničimo način na koji utiče na naše živote je ne samo interesantna, i ne samo značajna, već treba da predstavlja našu moralnu obavezu u pravom smislu reči. Jer, nikada pre se razvoj jedne tehnologije nije više dodirivao sa samom suštinom, nacrtom onoga što smatramo „ljudskim”, do razvoj AI. O nama je reč, dakle.
Kao po pravilu u istoriji, samo usvajanje neke nove tehnologije uzima manje vremena nego što je čovečanstvu potrebno da njegove posledice osmisli i odgovori razvojem odgovarajućih normi i zakonske regulative. Možda još značajnije, i pre formulisanja odgovarajućih normativnih okvira, mi imamo pravo da kao tvorci AI sistema razumemo svet i smisao sveta za nas koji ona počinje da prožima. Naime, ničemu što smo do sada konstruisali nismo u tolikoj meri prepuštali naše odluke niti dopuštali da na njih toliko utiče koliko danas planiramo da upravo AI treba da čini. Automatizacija pisanja e-mail poruka i tekstova? Prepoznavanje lica i biometrijska identifikacija? Alokacija policije u gradovima i predviđanje verovatnoće kriminalnih činova? Predlozi za organizaciju naše radne nedelje i vremena, ustrojstva timova u kojima radimo? Sugestije u procesu selekcije kadrova? Kreiranje originalne likovne umetnosti? Upravljanje radom nuklearne elektrane? Automatska dijagnostika i odluke o medicinskim procedurama? Deepfake: lažni video, sa perfektnom montažom koja zamenjuje originalne aktere u njima? Koliko ozbiljnije može biti?
Welcome To The Machine
U seriji tekstova “Veštačka inteligencija” koja je pred nama dotaćićemo se ovih i mnogih drugih značajnih i interesantnih pitanja. Diskutovaćemo šta to tačno znači da savremeni AI sistemi – a i javnost je već čula za duboko učenje (engl. Deep Learning, skr. DL) i druge danas popularne pristupe izgradnji AI – uče, i time postaju ravni ili bolji ljudima u određenim oblastima. Uporedićemo ovaj, danas popularan, pristup sa klasičnim simboličkim pristupom razvoju AI. Posebnu pažnju ćemo posvetiti uklanjaju hajpa u oblastima nauke o podacima (Data Science) i mašinskog učenja (engl. Machine Learning, ML) kojeg ima baš previše, iskorenjujući neosnovane i preterane tvrdnje o dometu savremenih AI sistema. Diskutovaćemo mogućnost za razvoj “prave” – poznate kao AGI (engl. Artificial General Intelligence) – veštačke inteligencije, cilj čije nam ispunjenje nije odmaklo dalje od horizonta mašte. Ono što nas najviše interesuje su etička i politička pitanja u vezi AI, rasprava o prirodi AI sistema kojima ćemo dozvoliti ili ne da preuzmu neke tradicionalno ljudske uloge u našim društvima. Pisaćemo i o značajnim momentima u istoriji razvoja AI koja obiluje neverovatnim naučnim otkrićima i veoma zanimljivim ličnostima, naučnicima i inženjerima koji su radili (i danas rade) na preseku psihologije, neurobiologije, ekonomije, matematike, i inženjeringa, u oblasti kognitivnih nauka, otkrivajući principe organizacije inteligentnog života i prenoseći ih u primenu.
Biće potrebno dosta rasprave da se složeni naučni i tehnički pojmovi na kojima počiva AI prenesu u svakodnevni jezik i razumevanje, a bez njihovog razumevanja, nažalost, nikakva ozbiljna (pa ni zanimljiva) rasprava o AI nije moguća. Potreban nam je problem za „otvaranje” rasprave, nešto što bi bilo korisno da AI može da radi za nas i nešto na čemu možemo da ilustrujemo osnovne osobine savremenih AI sistema, pristupe u njihovoj konstrukciji, i otkrijemo neke propuste u njima. Počećemo sa nečim intuitivnim, osnovnim: od ma čega što bismo nazivali inteligentnim – i ukoliko suzimo značenje pojma inteligencije da obuhvati samo ljudsku inteligenciju, što je ujedno i najinteresantniji način da se pitanje postavi – očekivali bismo da sa nama može da razgovara, zar ne? Ne razgovaraju li već Siri, Google Assistant, i Amazon Alexa sa nama? Rasprava o problemu razumevanja i generisanja prirodnog jezika, jedna od centralnih u razvoju AI, će nam ujedno poslužiti i da uvedemo neke značajne pojmove i probleme na koje ćemo se vraćati i u narednim tekstovima. Dakle, za sam početak, par excellence problem veštačke inteligencije: kako razgovaraju mašine?
Jednom sam pročitao, u nekom starom jugoslovenskom naučnom magazinu, da je „zastavu najteže zabosti na neosvojena mesta” u uvodu za jedan težak naučno-popularan tekst. Redovi koji nam predstoje isto tako zahtevaju pažnju i intelektualni angažman pošto je problematika u koju ulazimo sve samo ne jednostavna.
ELIZA: 60-te
ELIZA, kompjuterski program razvijen 60-ih godina na MIT-u da simulira razgovor sa psihoterapeutom jedne specifične teorijske orijentacije, prošle noći ovako pokušava da ostvari komunikaciju sa autorom ovog teksta i ponudi mu pomoć koju nije stigao ni da joj zatraži (ljudski input je u bold karakterima):
Hi Eliza, I am Goran. How are you doing today?
Why are you interested in whether or not I am doing today?
Because I am an emphatic human being.
How long have you been an emphatic human being?
Oh, for years already.
I’m not sure I understand you fully.
Do you fully understand that I am an emphatic human being, Eliza?
Did you come to me because you are an emphatic human being, Eliza?
No. Not really.
Why not?
Šezdesetih godina 20. veka neki su ispred ekrana sa kog se obraćala ELIZA zaista i pomislili da razgovor vodi čovek, a ne softver (verovatno nisu videli primer koji sam za potrebe ovog teksta iz ELIZA izvukao „na prvu”). Izdvajana su mišljenja kako bi program zaista mogao da pomogne ljudima kojima je potreban razgovor sa psihoterapeutom. Kao što vidimo iz ovog kratkog „razgovora”, zaista ju je lako uterati u greške; u tek minimalno složenijim situacijama, ELIZA se ne snalazi uopšte; nikada nije bila programirana da postane osetljiva na širi kontekst dijaloga u kome bi trebalo da učestvuje. Ušla je u legendu kao markantna tačka u istoriji razvoja veštačke inteligencije, ali ju je pregazilo vreme.
ELIZA je programirana da u ljudskom inputu traži strukture i u suštini ih parafrazira, imitirajući tako tzv. rodžerijansku terapiju (po Karlu Rodžersu, poznatom američkom psihologu i začetniku tzv. humanističkog pristupa psihoterapiji). ELIZA je funkcionisala sledeći ograničen skup pravila kojima bi date rečenice transformisala u svoje odgovore. Jozef Vajcenbaum, čuveni istraživač u oblasti AI i autor ELIZA, je čak njen program DOCTOR – koji je najčešće korišćen u demonstracijama – osmislio kao parodiju (!) na komunikaciju sa psihoterapeutom sklonim da svojim klijentima praktično samo uzvraća njihovim rečenicama u tek donekle izmenjenom obliku. Ništa od toga nije sprečilo njegovu sekretaricu da ga zamoli da napusti prostoriju pošto se uplela u razgovor sa ELIZA – svedočanstvo koje jasno govori o tome koliko smo facinirani, opčinjeni mogućnošću veštačke inteligencije, precizno kao što je Artur Klark 1962. primetio da se „svaka dovoljno napredna tehnologija suštinski ne razlikuje od magije“! Sledeći složen skup pravila, cilj ELIZA je bio da u ljudskom inputu izdvoji ključne reči, okruži ih poznatim jezičkim kontekstom koji bi se očekivao u odgovoru, i primeni drugi složeni niz pravila kako bi generisala što prirodniju rečenicu. Ovakav pristup se fundamentalno razlikuje od onoga što savremeni sistemi za obradu prirodnog jezika rade, ali on nije ni u kom smislu zastareo ili inferioran: dan danas stoji da sistemi analize prirodnog jezika bazirani na skupovima pravila, kakve je predlagao još Noam Čomski (i drugi lingvisti pre njega) 50-ih godina, imaju povoljne osobine koje savremeni sistemi bazirani na učenju nemaju i nikada neće imati. Problem sa analizom i produkcijom prirodnog jezika putem primene sistema složenih pravila je u tome što je ekstremno teško otkriti opšti, apstraktan sistem pravila koji bi zaista generisao rečenice prirodne onoliko koliko nama prirodno izgleda jezik koji koristimo. Takvim sistemima nedostaje izvesna fleksibilnost i zato njihovi rezultati često izgledaju rigidno kao rečenice koje proizvodi ELIZA; o greškama da ne počinjemo. U primeru koji smo videli, ELIZA očigledno greši u primeni nekog pravila parafraziranja mojih reči:
Do you fully understand that I am an emphatic human being, Eliza?
Did you come to me because you are an emphatic human being, Eliza?
ne uspevajući da analizom ljudske rečenice zaključi da „… I am an emphatic human being,..” nije stanje od kog autora rečenice trpi (te da reč „Eliza” nije deo opisa tog stanja).
Programiranje prirodnog jezika: pravila
U suštini, funkcionisanje programa kao što je ELIZA bismo mogli da shvatimo kao sled primene pravila koja sva uzimaju formu „Ako… onda… inače… ” (programerima dobro poznatu „IF… THEN… ELSE… konstrukciju). To podrazumeva da smo u stanju da ogroman broj stanja i procesa koje izražavamo jezički možemo da klasifikujemo i uopštimo kako bismo pokrili „Ako… onda…” deo pravila, a da eventualne izuzetke podvedemo pod „inače…” deo pravila. Na primer, „Ako govornik pominje bol, onda upitati na kakvu vrstu bola misli, inače pitati zašto je došao” i sl. – i to sve formulisano na prilično apstraktnoj ravni, a zamislimo tek kako bi izgledala pravila koja bi regulisala da sve reči koje treba iskoristiti za tako nešto uzmu odgovarajuće forme u skladu sa pravilima gramatike ili zauzmu odgovarajuća mesta u rečenicama! Ono što se pokazuje je da je mogućnost kreativne upotrebe jezika toliko razvijena da bi nam za tako nešto bio potreban ogroman broj pravila, kojima bi sledio ogroman broj izuzetaka. Tako nešto ne samo da je nepraktično, već bi moralo i neprekidno da se menja kako govornici otkrivaju nove i nove načine da izraze ono što im je na umu. Ni najsloženije teorije matematičke lingvistike, discipline koja je igrala veliku ulogu u istoriji razvoja AI, nisu u stanju da ovakvim pristupom analiziraju ili generišu totalitet zamislivih, empirijskih rečenica – to je zapravo nezamislivo na sadašnjem stupnju razvoja nauke! Pravila koja određuju kako bi trebalo komponovati rečenice prirodnog jezika se, sasvim prirodno, zovu generativna pravila; teorije gramatike koje počivaju na takvim pravilima generativnim gramatikama. Dakle, prva ideja u razvoju AI sistema koji bi mogli da koriste jezik kao ljudi počiva na ideji da ih treba programirati tako da primenjuju određenu generativnu gramatiku pošto prvo u skladu sa njom analiziraju ljudski input – rečenice koje im mi zadajemo.
Vreme je da uvedemo tri bitna pojma u analizi svakog (svejedno prirodnog ili veštačkog) jezika, tri stvari o kojima mora da brine svaki AI sistem koji treba da razume i koristi jezik. Svaki simbolički sistem, svaki jezik, odlikuju sintaksa, semantika, i pragmatika. Za potrebe ove rasprave sintaksu možemo da izjednačimo sa onime što smo u školi učili kao gramatiku, iako je pojam gramatike širi od pojma sintakse. Sintaksa jezika reguliše odnose između reči u rečenici bez obzira na značenje tih reči, npr: vršilac radnje u rečenici je uvek njen subjekat i u srpskom jeziku se uvek nalazi u nominativu, dok se objekat rečenice uvek nalazi u akuzativu. Oblici reči u našem jeziku (jezička morfologija) su tako povezani sa vrlo apstraknim odnosima između konstituenata rečenice i nezavisna od njihovog značenja (Lazar, prozor, divizija, ili Marija, ko god bio subjekat rečenice – uvek mora da se nađe u istom padežu, nominativu, u srpskom). Značenje reči reguliše semantika, tako da rečenica poput „Bezbojne zelene ideje spavaju besno” (čuveni primer iz „Syntactic Structures“, Chomsky, 1957) zadovoljava jezičku sintaksu ali grubo krši semantička ograničenja (zeleno ne može biti bezbojno, ideje ne mogu da spavaju, itd). Konačno, pragmatika se odnosi na način na koji kontekst utiče na značenje: razumevanje značenja koje govornik želi da prenese ne zavisi samo od leksičkih i gramatičkih informacija, već i od njegovih verovanja i namera, od mesta i vremena u kome se komunikacija odvija, od stvari koje nisu eksplicitno pomenute u rečenicama ali se podrazumevaju (implicirane su), itd. Tek kada se i sintaksa, i semantika, i pragmatika uzmu zajedno u obzir kao izvori problema u analizi i produkciji jezika, shvatamo koliko je problem da se digitalni kompjuter isprogramira za tako nešto ekstremno komplikovan.
AI sistemi bazirani na pravilima danas nisu u modi (ponovo: iako u svojima osnovama kriju neke veoma značajne osobine kojima ćemo se vratiti da ih diskutujemo). Šta mogu sistemi fleksibilniji od ELIZA i sličnih? U narednom tekstu serijala „Veštačka inteligencija” govorićemo o sistemima koji ne polaze od fiksnog skupa pravila koja bi trebalo da omoguće razumevanje i produkciju jezika, već uče o odnosima reči iz konteksta u kojima se one pojavljuju u ogromnim zbirkama tekstova pre nego što ih pustimo u rad. Ideja o tome da je jezik moguće naučiti putem tzv. asocijativnog učenja – koja je u drugoj polovini 20. vek bila praktično odbačena – pokazaće se ključnom u razvoju savremene AI. To ne ide bez problema i oganičenja, kao što ćemo videti. Ali ono što ćemo videti i o čemu ćemo raspravljati naredni put je već u pravom smislu reči i fascinantno i opasno.
*Stavovi izraženi u kolumnama predstavljaju isključivo lične stavove autora, a ne stavove uredništva Talasa.
Talas se u svom radu oslanja i na vašu direktnu podršku. Podržite nas za više ekonomskih, političkih i društvenih analiza.
DataKolektiv, vlasnik