Hlavní stránka Multimédia Hry a zábava Jak blízko je opravdová umělá inteligence?
Jak blízko je opravdová umělá inteligence?
autor: Michal Rybka , publikováno 13.10.2017
Jak blízko je opravdová umělá inteligence?

O umělou inteligenci se snaží počítačová věda od svých samotných začátků. Vždy se objevil nějaký módní směr, jako funkcionální programovací jazyky, expertní systémy, automatické klasifikátory či neuronové sítě. A vždy se po čase narazilo na limity, které ta či ona metoda přináší, na scestí, na které může zajít. Jak blízko je skutečná umělá inteligence?


Pokud jste se někdy dostali k rozsáhlým datasetům, víte, že když je zpracujete pouze statisticky, budete na konci stejně moudří jako na začátku, tedy budete zírat na obří množství přemletých výsledků, které si v lepším případě vizualizujete. Jediné, co vám pomůže, jsou klasifikátory, které budou v datech hledat vztahy, což už je forma učení.

Přístup k velkým datům je dnes klíčem pro rozvoj AI. Je to vidět u firem, které vsadily na velká data už dávno: Google, Apple nebo Tesla. Úspěch jejich AI je založen na obrovském množství vzorků a případů, které se centrálně analyzují. Zdálo by se, že například pro rozeznávání řeči je mnohem praktičtější lokální AI, která sedí ve vašem telefonu a učí se rozeznávat váš hlas. Ve skutečnosti je ale mnohem efektivnější dělat to centrálně na zpracovaných vzorcích, protože „centrální AI“, jako je Alexa, Assistant nebo Siri, se denně ptají miliony lidí na miliony dotazů.

Klasifikátor dokáže rozeznat, do které skupiny dialektů asi patříte a umí rozeznávat i věci, na které jste se svého asistenta nikdy nezeptali, protože má vzorky dotazů jiných lidí se stejným dialektem, kteří se ho už ptali. Díky tomu je mnohem přesnější, mnohem efektivnější – a to u hlasového rozeznávání znamenalo konečně průlom.

Hlasové rozeznávání se vyvíjelo už v 80. letech, investoval do něj Microsoft i Creative, který nabízel už ke svým starým kartám Sound Blaster 32 AWE nástroj Parrot, který se pokoušel algoritmicky analyzovat řeč. Ani jeden neuspěl – v případě Microsoftu dokonce veřejně, katastroficky a vážně hodně směšně.

Problém byl právě v tom, že se pokoušeli vyvinout univerzální, lokální nástroj, zatímco ty moderní, cloudové, využívají nejen obrovský serverový výkon, ale hlavně masivní databáze vzorků. Jedna z psychologických definicí inteligence vychází právě z paměti, ze schopnosti probírat velké množství předchozích zkušeností a adaptovat nové podněty na ty nejpodobnější nalezené. Cloudová umělá inteligence ukazuje, že na tom možná něco bude.

I když se zdá, že cloudová AI je pro uživatele nepraktická – vyžaduje internetové připojení a žere mobilní data – dovoluje rychlé učení a okamžité sdílení naučených znalostí pro všechny připojené uživatele. Dokáže se tedy rychle naučit například nové slovo a rychle ho rozeznává u všech nových dotazů. Existence podobných databází má přímo strategickou hodnotu – velká část hodnoty Tesla Motors je v databázi dat z autonomních jízd, které firma sbírá a analyzuje.

Je to jakási forma veřejného betatestu, kdy každý uživatel je vlastně testerem, což dovoluje sbírat data z autonomních jízd velmi rychle, třídit je a analyzovat. To nadále dovoluje rychle zlepšovat AI a představuje to strategickou výhodu nad automobilkami, které takto k vývoji nepřistupují. Řada lidí se směje Tesle a tvrdí, že „až se do vývoje elektromobilů vloží tradiční automobilky, tak bublina Tesly splaskne“.

Neuvědomují si, že Tesla nemíří jenom k elektromobilům, ale k autonomnímu řízení. A tradiční výrobci sice umí udělat auto s elektromotorem, ale udělat auto s umělým viděním a umělou inteligencí je úplně jiný problém. A zatímco si vytvářejí jednotlivé prvky pro autonomní řízení, Tesla je už nejenže má, ale má i masivní databázi toho, jak se chovají v praxi. Relativní uniformita elektromobilů Tesla navíc pomáhá vývoji AI.



 
Komentáře naleznete na konci poslední kapitoly.
81 čtenářů navrhlo autorovi prémii: 36.5Kč Prémie tohoto článku jsou již uzavřené, děkujeme za váš zájem.
Tento web používá k poskytování služeb soubory cookie.