Można z łatwością przewidzieć, że stoimy przed perspektywą silnej symbiozy technologii cyfrowych z procesami ekonomicznymi. Informatyka pozwala określić, jakie dokładnie będą to technologie, dlatego poniżej prezentujemy 10 najważniejszych tendencji w rozwoju SI.
Głębokie sieci neuronowe, coraz doskonalsze modele rozpoznawania oraz przetwarzania języka i obrazów, coraz szybsze urządzenia, algorytmy obsługujące systemy rekomendacji – to tylko drobne przykłady wykorzystania metod SI na rynku komercyjnym. Choć zmieniają one oblicze świata, rozwój technologiczny jest dziś dla nas czymś oczywistym – przyzwyczailiśmy się, że każdy dzień przynosi nowe odkrycia, a na rynku pojawiają się kolejne nowinki ułatwiające życie na wielu płaszczyznach. Wiemy, że zmiany są nieuchronne, postęp trwa, a wraz z nim badania nad nowymi rozwiązaniami. Jednak nie intryguje nas to tak bardzo, jak na przykład dziesięć lat temu. Wystarczy jednak przypomnieć sobie, że perspektywa, z jakiej patrzymy, jest naszą rzeczywistością – wówczas naszą uwagę niechybnie przyciągnie branża IT, która patrzy… w przyszłość. Co dzięki niej możemy zobaczyć?
PO PIERWSZE – ZROZUMIEĆ SZTUCZNĄ INTELIGENCJĘ
Przeciętnemu użytkownikowi trudno zrozumieć, co właściwie stoi za klasyfikacjami albo przewidywaniami dokonywanymi przez sztuczne sieci neuronowe. Strukturalnie mają one postać wielowarstwowych transformacji nieliniowych, w założeniu mają naśladować działanie neuronów w mózgu, ale są bardzo daleko od idei „silnej SI” podobnej do ludzkiej. Modele, jakimi dysponujemy, mogą przeprowadzać tylko lokalne uogólnienia i dostosowują się tylko do tych sytuacji, które są podobne do już poznanych, podczas gdy nasza inteligencja szybko adaptuje nowe sytuacje i pomimo braku wielu danych jest zdolna do długoterminowego planowania. Ta różnica powoduje pewne problemy. Skoro mamy modele zdolne do lokalnego działania, ale „motywacje” tego działania są dla nas niezrozumiałe, trudno będzie je stosować we wrażliwych dziedzinach, których specjaliści nie mają obycia z zaawansowaną informatyką – mowa o takich dziedzinach jak zdrowie, finanse lub bezpieczeństwo. Postępu jednak nie da się zatrzymać, dlatego konieczność zrozumienia sztucznej inteligencji wymusi stworzenie i wykorzystanie narzędzi tłumaczących działanie jej kolejnych modeli. Szacuje się, że w niedalekiej przyszłości około 30% zastosowań modeli głębokiego uczenia będzie wymagało nowych metod tłumaczących. To zadanie dla kreatywnych informatyków, dobrze znających takie zagadnienia jak sieci neuronowe, ekstremalne uogólnienia czy transformacja nieliniowa, których podstawy można poznać tylko na uczelniach świadomych wyzwań rynku pracy przyszłości. Inwestując w studia informatyczne, warto to wziąć pod uwagę.
PO DRUGIE – INTELIGENTNY TRANSPORT
Ryzyko, że tak zwany „czynnik ludzki” zawiedzie, rośnie wraz z długością trasy i wartością ładunku. Dlatego z każdym rokiem przybywa technologii wspierających kierowców, bezpieczeństwo jazdy i elektromobilność. Celem tego trendu są bezzałogowe transportery – autonomiczne, samojezdne, sterowane przez komputer pokładowy. Te, które są już w użyciu, potrafią poruszać się po drogach bez udziału człowieka, omijać przeszkody, a do nawigacji wykorzystują radary, kamery, GPS i systemy SI. Na razie poruszają się z niewielką prędkością, ale branża bezzałogowego transportu będzie się stale rozwijać. Do form naśladujących klasyczne samochody dołączą ciężarówki, statki, drony i pociągi. Choć inteligentny transport jest jeszcze w niezbyt zaawansowanym stadium, firmy motoryzacyjne już dziś planują zwolnienia pracowników – prognozy dotyczą najbliższych dwóch lat, a więc słuchacze, którzy dziś zdecydują się rozpocząć studia informatyczne, muszą już teraz być przygotowywani do wyzwań rynku pracy, jakie wkrótce staną się codziennością związaną ze sztuczną inteligencją.
PO TRZECIE: BEZPIECZEŃSTWO, CZYLI MASZYNA PRZECIWKO MASZYNIE
Według doniesień z początku roku 2020 lokalne gangi w Tokio do transportu narkotyków zaczęły używać dronów. W odpowiedzi tokijska policja sięgnęła po drony z siatkami do przechwytywania maszyn przemytniczych. Gangi odpowiedziały swoją wersją dronów z siatkami, którymi zaatakowały drony policyjne. Podobno policjanci z Tokio stwierdzili, że nie bawili się tak dobrze od lat. To oczywiście tylko anegdota, ale jeśli potraktować ją jako wizję, drony zastąpić systemami IT, a policjantów i gangsterów sztuczną inteligencją – nie będzie ona już tak wesoła. Mówiąc inaczej, SI stanie się kiedyś narzędziem wspierającym zarówno policjanta, jak i przestępcę. Przykładem może być ewolucja fake newsów. Na razie odpowiadają za nie ludzie, ale od jakiegoś czasu można mówić o wzroście zainteresowania narzędziami wzbogaconymi o SI, które na przykład samodzielnie tworzyłyby i rozpowszechniały fałszywe informacje za pośrednictwem fałszywych kont w social mediach. Po drugiej stronie barykady znajdą się systemy, które wspierają dzisiejsze algorytmy cenzurujące publikowane treści. Pewne jest jednak, że obie strony będą się intensywnie rozwijać. Przy okazji wzrośnie znaczenie ochrony samych modeli SI przed atakami zaburzającymi zbiory danych treningowych i powodującymi naukę niewłaściwych zachowań, która wynika z podsuniętych sztucznej inteligencji niewłaściwych przykładów.
PO CZWARTE – SZTUKA KONWERSACJI W ŚWIECIE SI
Kolejny trend to rozwój wirtualnych konsultantów, których przybywa na stronach internetowych. Pomagają zamówić pizzę, zarezerwować bilet lotniczy albo poznać stan rachunków; jednak ich głównym zadaniem jest inteligentna konwersacja prowadzona interfejsem głosowym lub językiem naturalnym. Sztuka prowadzenia rozmowy w wykonaniu systemu informatycznego to z kolei rozwój metod zapytań semantycznych jako sposobów formułowania analitycznych zapytań związanych z różnymi źródłami danych, zarówno nieustrukturyzowanych, jak i strukturalnych. Jednocześnie z rozwojem tej dziedziny wzrastać będzie zainteresowanie biznesu narzędziami analitycznymi, które pozwalałyby formułować pytania w sposób zbliżony do zwykłej rozmowy, by dawało się uzyskać stosowne prezentacje wyników przedstawianych przy pomocy różnorakich wizualizacji. Opisywany tu trend świadczy o tym, że informatyka jest dziedziną bardzo otwartą. Dlaczego? O ile informatykowi może być trudno stać się lingwistą, o tyle lingwista zawsze może zostać informatykiem, a dobre studia informatyczne na pewno pomogą mu zaadaptować swoje talenty do nowych zadań i pracy ze sztuczną inteligencją.
PO PIĄTE – „SI NIE WISI W POWIETRZU”, CZYLI INFRASTRUKTURA SYSTEMÓW
Potoczne rozumienie sztucznej inteligencji jest nieco oddalone od jej faktycznej postaci. Przeciętny użytkownik jako przykład SI podaje zdolność szybkowaru do przesłania właścicielowi SMS-a z wiadomością o wstrzymaniu gotowania ryżu w celu ochrony przed przypaleniem czy jakąś nowinkę z posiadanego smartfona. Tymczasem najważniejsza z perspektywy rozwojowej postać SI to tak zwane głębokie sieci neuronowe, czyli wielowarstwowe struktury oparte na milionach sztucznych neuronów. Ich złożoność rośnie proporcjonalnie do liczby warstw oraz ilości danych niezbędnych do ich uczenia. Rozwiązania zastosowane do uczenia wymagają zaś wielkiej mocy obliczeniowej. Efektywność w tej dziedzinie wymaga specjalnej architektury jednostek obliczeniowych, jaką na przykład dysponują karty GPU. Rozwój SI to też zapotrzebowanie na nowe urządzenia w serwerowniach, głównie klastry kart graficznych. Co to oznacza? Inwestycje w infrastrukturę SI i poszukiwanie nowych – coraz oszczędniejszych przestrzennie i energetycznie, a coraz wydajniejszych – rozwiązań.
PO SZÓSTE – TRANSFER LEARNING
Paliwem rozwoju modeli SI są dane. Kreacja najlepszego modelu głębokich sieci neuronowych wymaga możliwie jak największego zbioru danych. Jednakże taki zbiór nie bierze się z powietrza; dysponentami podobnych potencjałów są dziś Microsoft, Google albo Amazon. Oznacza to problemy w dziedzinie pozyskiwania lub generowania danych dla modeli głębokiego uczenia – problemy kluczowe dla rozwoju sztucznej inteligencji. Jako ich rozwiązanie wskazuje się dziś transfer learning, czyli transfer uczenia. To metoda polegająca na przechowywaniu wiedzy zdobytej przy rozwiązywaniu jednego problemu i zastosowaniu jej do jakiegoś problemu pokrewnego. Pozwala to część wcześniej wyuczonej sieci neuronowej zagnieździć w modelu docelowym. Oczywiście każdy wizjoner zauważy, że rozdział rozwoju SI zatytułowany „transfer learning” na tym się nie skończy, ale szczegóły tej wizji określą informatycy nowych pokoleń. By stać się jednym z nich, trzeba dobrze wybrać – inwestując w studia informatyczne i własną karierę zawodową.
PO SIÓDME – PAMIĘTAĆ, OD CZEGO ZACZYNALIŚMY
W sztukach walki funkcjonuje powiedzenie: „najbardziej zaawansowaną rzeczą, jaką możesz zrobić, to wciąż trenować podstawy”. Jak ono się ma do sztucznej inteligencji? Otóż jednym z planowanych zastosowań SI są predykcje, czyli, mówiąc potocznie, przewidywania. Ponieważ metody oparte na zastosowaniu głębokich sieci neuronowych przyniosły obiecujące wyniki w dziedzinie prognoz, zaczęto używać sieci w środowiskach danych niskiej jakości. Tutaj zaś wyniki były gorsze niż możliwe do uzyskania metodami statystycznymi lub probabilistycznymi (wykorzystującymi rachunek prawdopodobieństwa). Świadczy to o tym, że klasyczne metody uczenia maszynowego wciąż będą odgrywać ważną rolę. Przykładem może być konieczność inwentaryzacji zasobów danych, przed jaką stanie w najbliższych latach wiele przedsiębiorstw. Rejestracja stanu pozwoli na ocenę wiarygodności i prawdopodobieństwa monetyzacji, a zostanie zrealizowana w zakresie modeli właśnie uczenia maszynowego. Oznacza to, że rozwój SI zawsze będzie wymagać upraszczania metod oraz umiejętności zastosowania tych, które próbowano zarzucić.
PO ÓSME – SONDAŻE POPARCIA, SONDAŻE NASTROJÓW
Dzięki zastosowaniu SI jesteśmy dziś w stanie określać kształt i strukturę grup użytkowników generujących w sieci takie treści, które wywołują negatywne emocje wobec zjawisk społecznych albo stronnictw politycznych. Można to nazwać identyfikowaniem przeciwników: elektorat jednej partii można zidentyfikować po niechęci do drugiej i vice versa. Co dalej? Znając kluczowe słowa, które charakteryzują się stałą relacją z silnymi emocjami, można nakazać SI wyszukanie treści podobnych semantycznie, czyli pojawiających się w podobnych kontekstach. Efekt można potraktować jako zbiór uczący dla następnych modeli uczenia. Nieco później, gdy mamy już do dyspozycji klasyfikator orientacji, możemy pooznaczać wszystkie nowe komentarze, a na tej podstawie szacować nastroje i poziomy poparcia. W kontekście wzorców czasowych daje nam to zestaw instrumentów przydatnych do sondowania opinii publicznej. Strategie z użyciem SI dają wyniki bardzo podobne do wyników uzyskiwanych dzięki metodom klasycznym, stosowanym przez instytuty badań opinii publicznej – a niedługo zapewne jeszcze je przewyższą.
PO DZIEWIĄTE – JAK ZARADZIĆ NIEDOSTATECZNEJ LICZBIE ZAWODOWCÓW?
Studia it i ich bogata oferta programowa mają związek między innymi z tym, że na polskim rynku pracy brakuje około 60 tysięcy programistów. W skali Europy zapotrzebowanie przedsiębiorstw szacuje się na około miliona specjalistów w tej dziedzinie. Jak zmniejszyć ten deficyt? Rozwiązaniem są inteligentne platformy do elastycznego tworzenia aplikacji, są to środowiska low-code i no-code, czyli LC/NC. Opierają się one na wizualnym podejściu do kreowania aplikacji przy minimalnym udziale lub zupełnym braku programistów. Opisywane platformy LC/NC umożliwiają przeciąganie i upuszczanie komponentów aplikacji, łączenie ich, wymianę informacji między nimi – jednym słowem, tworzenie aplikacji internetowych i mobilnych z małych, szablonowych komponentów. Pozwalają też automatyzować powtarzające się i dobrze zdefiniowane procesy.
NA KONIEC PUNKT 10 – CZYLI JAK PRZEWIDZIEĆ KRYZYS
Praca ekonomisty w znacznym stopniu polega na poszukiwaniu metod uspokojenia się po lekturze raportów dotyczących globalnych perspektyw gospodarczych. Nowoczesny świat stymuluje gospodarkę ogromna ilością zmiennych, których ocena nie zawsze jest rzeczowa i nie zawsze pozwala przewidzieć rozwój wypadków na światowych rynkach. Dodatkowo świat wygląda inaczej w oczach eksperta finansowego, inaczej dla inwestora rynków wschodzących, a jeszcze inaczej dla analityka związanego z rynkami alternatywnymi. Prognozy wzrostu w danym okresie okazują się często perspektywą globalnego spowolnienia albo wstępem do nasilenia napięć handlowych. Jak można się domyślić, globalna ekonomia poszukuje trafnych metod analiz, dzięki którym będzie można określić, w co inwestować i jak się ustrzec przez możliwym kryzysem. Wraz z rozwojem technologii do konstrukcji prognoz włączy się również SI. Co nam to da? Do tej pory modele przewidywania kierunków rozwoju światowej ekonomii bazowały na danych finansowych i wskaźnikach, które były związane wyłącznie z nimi. Przyszłość zaś to użycie znacznie większej liczby danych, w tym danych nieustrukturyzowanych, takich jak teksty i obrazy z firmowych witryn internetowych oraz raportów agencji rządowych. W ten sposób dzięki SI będzie łatwiej przewidzieć kryzysy gospodarcze, a ekonomiści będą spokojniejsi. Potrzeba jeszcze będzie kogoś, kto wyjaśni, na jakiej podstawie sztuczna inteligencja obstaje danej prognozie – ale o tym wyzwaniu wspomnieliśmy już na początku niniejszego artykułu.
materiał przygotowany dla SSW Collegium Balticum
