Trendy |

Mick Champayne | „Okej Google...”31.07.2019

ilustracja: Katarzyna Kubacha

W trakcie konferencji I/O 2019 Google patrzy na sztuczną inteligencję tylko w kontekście swojej przyszłości. Widzi ją jako narzędzie do „zbudowania Google’a bardziej pomocnego wszystkim”. Uczenie maszynowe, jak i kierunek jego rozwoju, wciąż jednak prowokują liczne pytania. Wiele prezentacji poruszało tematykę wyrównywania za pomocą uczenia maszynowego szans osób znajdujących się w niekorzystnej życiowej sytuacji – o jakich kwestiach etycznych powinni oni pamiętać przystosowując tę technologię do własnego życia?

„Okej, Google, czy roboty przejmą kontrolę nad światem?”

Ja, na przykład, witam naszych mechanicznych suwerenów z otwartymi ramionami. Całe życie czekałam na robota, który będzie nianią, pokojówką i lifestyle guru w jednym, à la Rosie z Jetsonów. I chociaż nie jest to jeszcze do końca możliwe, spokojnie możemy dziś mówić o nowej erze SI.

Według CEO Google’a Sundara Pichai, najważniejszym obecnie celem firmy jest „być bardziej pomocnym." Google pakuje dziś SI wszędzie, od systemów operacyjnych i aplikacji, do samochodowych interfejsów i urządzeń domowych. W tym roku na konferencji I/O Google poświęciło zdecydowanie więcej uwagi uczeniu maszynowemu, dwa lata po oficjalnym postawieniu na SI w dalszym rozwoju spółki.

Dzięki uczeniu maszynowemu życie stało się zdecydowanie prostsze, wygodniejsze, i bardziej wydajne.

Nauczanie maszynowe jest dziś fundamentem każdej nowatorskiej technologii: asystentów głosowych, oprogramowania rozpoznającego rysy twarzy, interfejsów przewidywania tekstu, botów, AR i VR, internetu rzeczy, a nawet analizy ludzkiego genomu. Stanford definiuje uczenie maszynowe jako „dziedzinę zajmującą się nakłanianiem komputerów do podejmowania działań bez ich wyraźnego zaprogramowania,” w zamyśle do dokonywania prognoz, podejmowania decyzji i tworzenia algorytmów, w których wykorzystywane są dane.

Jak pokazała demonstracja Google’s Next Generation Smart Assistant, obecnie jednym z celów badań nad SI w Google jest zaprojektowanie takich maszyn i algorytmów, które będą w stanie możliwie wiernie imitować sposób myślenia człowieka.

Next Generation Google Assistant: Demo 2 at Google I/O 2019

„Oho, Google, czy to aby na pewno taki dobry pomysł?”

Dzięki uczeniu maszynowemu życie stało się zdecydowanie prostsze, wygodniejsze, i bardziej wydajne – to właśnie w ten sposób YouTube podsuwa nam kolejne interesujące nas klipy, a Gmail filtruje folder „Spam” w skrzynce i umożliwia zakupy jednym kliknięciem. Jednak uczenie maszynowe niesie za sobą również cały zestaw wyzwań związanych z problematyczną naturą samych zapytań, które często są niedokładne i trudne do przewidzenia.

Dziś często projektujemy i budujemy szybciej niż jesteśmy w stanie wyobrazić sobie wszystkie potencjalne konsekwencje naszych działań, nie mówiąc nawet o ich pełnym zrozumieniu.

Alexandria Ocasio-Cortez napisała ostatnio na Twitterze: „Maszyny są odbiciem swoich twórców, co znaczy, że są wadliwe. Powinniśmy o tym pamiętać.” Trenując SI, trzeba używać danych, które możliwie wiernie odzwierciedlają rzeczywistość. Jeśli nie reprezentują one w odpowiednim stopniu ludzkiej różnorodności (pochodzenia, płci, orientacji seksualnej, niepełnosprawności, klasy, itd.), SI nigdy nie nauczy się, jak takie informacje przetwarzać. „Błąd może pojawić się w dwóch przypadkach: albo dane, które zebrałeś nie odzwierciedlają rzeczywistości, albo reprezentuje on istniejące uprzedzenia,” mówi Karen Hao z MIT Technology Review.

Kwestia zdefiniowania roli, którą SI odgrywać będzie w utrwalaniu systemowych nierówności, jest niezaprzeczalna i niezwykle pilna. Przez ostatnie 50 lat moc obliczeniowa komputerów podwajała się średnio co 18 miesięcy; dziś często projektujemy i budujemy szybciej niż jesteśmy w stanie wyobrazić sobie wszystkie potencjalne konsekwencje naszych działań, nie mówiąc nawet o ich pełnym zrozumieniu.

„To co w takim razie planujesz z tym zrobić, Google?”

Obecnie Google prężnie rozwija etyczną strukturę zasad SI, stworzoną w odpowiedzi na występujące uprzedzenia, stereotypizację i stronniczość. Ich celem jest uwzględnienie kwestii odpowiedzialności w stosowaniu SI, stworzenie narzędzi potrzebnych do jej zbudowania, a także aktywne promowanie zasad inkluzywności oraz intersekcjonalności.

Jedyny sposób na zagwarantowanie SI lepszej przyszłości to zaangażowanie w ich tworzenie ludzi projektujących krytycznie, aktywnie walczących z głęboko zakorzenioną w systemach społecznych dyskryminacją.

By pomóc w osiągnięciu tych celów, prezentacja I/O skupiła się przede wszystkim na dwóch elementach: planów wprowadzenia modeli uczenia maszynowego bezpośrednio do naszych urządzeń oraz wykorzystania ich w celu niesienia pomocy potrzebującym – z uwzględnieniem niedosłyszących, niepiśmiennych, a także pacjentów z nowotworami w początkowych stadiach rozwoju.

Najważniejszymi punktami konferencji były:

  • Automatyczne tworzenie napisów w czasie rzeczywistym dla wszystkich materiałów wideo: od streamowanych do tych we własnym albumie. Zbudowane jest dla ludzi głuchych i niedosłyszących, ale z powodzeniem mogłoby też być stosowane w przestrzeni publicznej lub do transkrypcji rozmów telefonicznych. 

  • Aktualizacja Google Lens, która od teraz umieści treści w odpowiednim kontekście, przetłumaczy je i przeczyta z powrotem na głos. Jako że całość przeprowadzana jest przez konkretne urządzenie, a nie w chmurze, nie potrzeba dobrego połączenia z internetem, a prywatność użytkownika pozostaje nienaruszona.

  • Rozproszenie danych przy pomocy technologii „federated learning.” Zamiast przechowywać informacje użytkowników w chmurze, federated learning trenuje modele SI w dużych pakietach na urządzeniach mobilnych, a następnie przesyła zgromadzone wnioski na centralny serwer, przy czym same dane nigdy nie opuszczają urządzenia.

  • TCAV, albo „Testing with Concept Activation Vectors,” to oparta na open-source technologia analizująca modele uczenia maszynowego celem lepszego zrozumienia mechanizmów, za pomocą których SI podejmuje decyzje.

Nie wystarczy jednak polegać wyłącznie na technologii. Amber Case, badaczka designu i autorka książki Calm Technology, mówi że SI i uczenie maszynowe „powinno podkreślać to, co najlepsze i w technologii, i w ludzkości.” Google przyznaje, że rozmaite uprzedzenia już teraz negatywnie wpływają na kształt danych, zarówno tych zebranych, jak i tych, które dopiero zbierzemy. Jedyny sposób na zagwarantowanie SI lepszej przyszłości oraz bezstronnych produktów, praktyk i wyników to zaangażowanie w ich tworzenie ludzi projektujących krytycznie, aktywnie walczących z głęboko zakorzenioną w systemach społecznych dyskryminacją. „Zbudowanie Google’a pomocnego wszystkim wiąże się z rozwiązaniem kwestii dyskryminacji. Musimy wiedzieć, jak działa model, i z czego wynikają uprzedzenia. Poprawimy stopień przejrzystości naszych działań,” zadeklarował Pichai, CEO Google'a.

Writing the Playbook for Fair & Ethical Artificial Intelligence & Machine Learning (Google I/O'19)

Na co dzień Visual Design Lead w firmie Huge w Chicago, po godzinach ilustratorka/aspirująca futurolożka. Projektuje rozwiązania, które są przemyślane i atrakcyjne pod względem wizualnym – zarówno w obrębie UX, jak i strategii. W swoich projektach stara się przemycać humor i osobistą perspektywę.

zobacz także

zobacz playlisty