Uczenie maszynowe – czy maszyny wiedzą o nas więcej niż my sami?

W poprzednim artykule pisałem o sztucznej inteligencji (AI), która coraz szybciej się rozwija. Dzieje się tak również ze względu na uczenie maszynowe – machine learning (ML). Rozwój maszyn sięgnął tak daleko, że powoli zaczynają one przypominać człowieka. Nie widzi jeszcze konsekwencji swoich działań, ale jest w stanie antycypować przyszłość.

Uczenie maszynowe pozwala sztucznej inteligencji przyswajać ogromne ilości informacji na podstawie skupionych w big data. Efektów uczenia maszynowego doświadczamy codziennie od reklam, które podpowiada nam Google, przez dobór filmów na Netflix, po aplikacje, które sugerują nam „korzystne” rozwiązania na podstawie naszego dotychczasowego zachowania. Maszyny się nas uczą i już mogą o nas wiedzieć więcej niż my sami. Dlaczego? Bo statystyka kliknięć i czas skupienia mogą o nas mówić więcej niż to, co deklarujemy w rozmowie, a sztuczna inteligencja wciąż się uczy. Codzienny przyrost danych jest niewyobrażalny i cały czas potężnieje. 

Genezę powstania uczenia maszynowego można datować na lata 50 XX wieku, kiedy rodziła się sztuczna inteligencja. Za protoplastę tego kierunku inżynierii informatycznej uważa się Arthura Samuela, który wprowadził termin uczenia maszynowego – machine learning. Od tamtego czasu ML przeszło kilka etapów ewolucji, a obecnie zasadę jego działania można opisać jako zbieranie i przetwarzanie ogromnych zbiorów danych, na podstawie których maszyna potrafi podejmować/projektować/antycypować pewne rozwiązania. Innymi słowy maszyna zapamiętuje dane, które sama zbiera w zadanym zakresie i na tej podstawie uczy się, analizuje nowe dane, a przy tym reaguje na ich zmiany bez konieczności ingerowania przez programistów. 

To czym jest i jak działa uczenie maszynowe najlepiej wytłumaczyć za pomocą prostego przykładu: wyobraźmy sobie, że konstruujemy program, którego celem będzie rozpoznawanie psów. Po pierwsze trzeba mu dostarczyć danych wyjściowych np. poprzez załadowanie plików ze zdjęciami obiektów. Należy pamiętać, że im baza jest większa, tym szybciej maszyna nauczy się rozróżniać psy od innych zwierząt.  Na podstawie wprowadzonych danych program będzie w stanie zidentyfikować, że czworonożne zwierzę, które grasowało w parku zeszłej nocy to nie był pies, a zbliżony do niego pod względem cech fizycznych dzik. Ta w zasadzie prosta zasada kumulowania wiedzy i umiejętności jej zastosowania leży u podstaw wykorzystania uczenia maszynowego i sztucznej inteligencji. 

Program napisany tak, aby sam się uczył pozwoli na lepsze podpowiedzi co do treści, które mają się wyświetlić na YouTube, wskaże ciekawszy film na Netflix, wybierze piosenki do nowej playlisty na Spotify, czy zasugeruje tańszą wersję butów, które ostatnio przeglądaliśmy. Początki współczesnego uczenia maszynowego to lata 90 XX wieku, kiedy zaczęły powstawać coraz lepsze programy do szkolenia szachistów. Znanym przykładem jest Deep Blue, który jako pierwszy komputer pokonał ówczesnego mistrza świata Garriego Kasparowa. Obecny arcymistrz Magnus Carlsen już wie, że silniki szachowe dysponują tak ogromną mocą obliczeniową, że mogłyby z nim wygrać bez większych trudności, dlatego w ostatnim czasie tak szeroko mówi się o skandalu z jego udziałem. Carlsen poddał partię po jednym ruchu, ponieważ podejrzewał, że jego przeciwnik korzysta z pomocy komputera. Podobnie było z popularną grą Go, o której pisałem w poprzednim artykule o sztucznej inteligencji. 

Uczenie maszynowe ma szerokie zastosowanie również w programach, które służą kontroli obywateli. Dla przykładu rozwijany w Chinach System Zaufania Społecznego, który opiera się na przetwarzaniu ogromnych ilości danych o chińskich obywatelach między innymi z systemu monitoringu ulicznego, który wykrywa i identyfikuje twarze. Za jego pomocą obywatelom nadawane są punkty. Machine learning jest też wykorzystywany w programach szpiegujących, jak dobrze znany w Polsce Pegasus. Na podobnych zasadach działają inne stricte komercyjne aplikacje, które śledzą jakie produkty i trendy są w naszym kręgu zainteresowania i na tej podstawie dostosowują reklamy czy wyszukiwane hasła. 

Przy lawinowym rozwoju nowoczesnych technologii, szczególnie sztucznej inteligencji wspomaganej przez uczenie maszynowe, rodzą się problemy natury technicznej, ale również etycznej. Według wielu futurologów jest tylko kwestią czasu, kiedy sztuczna inteligencja uzyska samoświadomość. To wizja rodem z kultowego filmu Terminator, ale pytanie jest coraz bliżej rzeczywistości. Jedna z definicji świadomości mówi o tym, że jest ona zdolnością osiągania celów poprzez umieszczanie siebie w pewnym modelu otoczenia i symulowanie potencjalnych scenariuszy rozwoju takiego modelu w przyszłości. Wynika z niej, że jeśli maszyna jest w stanie się uczyć, przetwarzać dane i antycypować przyszłość jest o jeden krok przed uzyskaniem samoświadomości. Jakie to będzie miało konsekwencję dla ludzkości trudno ocenić. Czy pozwoli to na kooperatywne współistnienie i podbój kosmosu czy sprowadzi ludzi do pozycji podległego gatunku, który będzie kontrolowany przez sztuczną inteligencję? Z pewnością w ciągu tego stulecia otrzymamy na to odpowiedź. 

Rozwój sztucznej inteligencji i uczenia maszynowego przybliża nas coraz bardziej do granicy budowania świadomości przez maszyny i/lub transhumanizmu, a więc łączenia maszyn z ludźmi. W przypadku uczenia maszynowego jest to tak zwane Deep Learning Machine (DLM). Dzięki pogłębionemu myśleniu maszynowemu, program będzie potrafił lepiej zrozumieć zachowania ludzi, identyfikować obrazy, a nawet tworzyć kreatywnie. Ta technologia już ma zastosowanie i spotykamy ją w życiu codziennym, czego przykładem jest sczytywanie twarzy do odblokowania telefonu. Obraz Théâtre D’opéra Spatial stworzony przy użyciu sztucznej inteligencji wygrał prestiżowy konkurs Colorado State Faire Fine Arts Competion, a to tylko dwa z wielu przykładów, w których wykorzystywany jest Deep Learning Machine. Kiedy rozejrzymy się dookoła zauważymy jak wiele przedmiotów i rozwiązań korzysta z technologii uczenia maszynowego i jak bardzo nam to ułatwia codzienne życie.  

dr Karol Kwietniewski

Autor specjalizuje się w zagadnieniach stabilności politycznej na obszarze postradzieckim, propagandzie, dezinformacji oraz walce informacyjnej. Twórca kanału YT – Wojna o pokój LINK (https://www.youtube.com/channel/UCi2Sr9NnamZRkStJDyYJH_A/featured)

Jeżeli interesujesz się tematem cyberbezpieczeństwa to koniecznie musisz przejrzeć nasze Social Media, na których znajdują się podcasty oraz webinary poświęcone tej tematyce.

Strona NCI: https://nci.org.pl/

Facebook: https://www.facebook.com/instytutcyberbezpieczenstwa

Youtube: https://www.youtube.com/channel/UCWbOisE_jIDMfYaOJzUvNnA