Kdy člověk potká umělou inteligenci?

Tentokrát to není slovní hříčka, ale zamyšlení se KDY už a jak.

Dnes máme asi dvě možná hrubá rozdělení samoučících se algoritmů a jednu skupinu nejistou a zasahující do obou skupin.

První skupina hrubé síly se dá přirovnat ke katalogizaci, indexaci, neustále nových upřesnění, detailů, souvislostí … a z nich vyplývající nejvhodnější cesta z pohledu výpočtu a několik vhodných řešení, které by ano, kdyby… Čím více opakování a více indexace, tím vhodnější a přesnější výsledy. Analytický přístup zpětným pohledem, podle předdefinovaných kritérií.
Kritéria se mohou měnit a vyvíjet.

V této skupině, v horní třídě dovedností začíná typ algoritmu, který na základě retrospekce možností a voleb, již ukazuje i cestu… Tudy jsme ještě nešli… Tedy variantu, která ještě nebyla zvolena, ale podle schématu parametrů a retrospekce, která je možná.
Tímto pohledem již zasahuje do pole působnosti U.I., ale pořád je to forma samoúčelného, lépe jednoúčelového algoritmu schopného vývoje.

Jednoúčelový vývojový samoučící se algoritmus je například ve sluchátkách. Tento „U.I.“ na základě více proměnlivých vstupů vypočítá potřebný průměr (nejméně kolizní cestu podle předdefinovaných kritérií) a čím déle a méně uživatelů sluchátka užívá, tím je přesnější rychleji a pak nedělá nic jiného, než statistiku potvrzení volby průměru… dál se vlastně tento U.I. totálně nudí…

Samoúčelný princip samoučících se algoritmů může být například oblast strojových překladů a překladů s využitím počítačů. To nejen tzv. Machine Translation, ale i správa a vývoj práce s pamětí z překladů, kde vstupují proměnné z pohledu jazykových zvyklostí, počet využití, různé penalizace za rozdílné filtry a dohromady smícháno je z toho návrh překladu. Člověk (překladatel/korektor) následně volí vhodnost návrhu a opravou naučí systém jednu další novou dovednost. Běžné CAT nástroje umožňují jednoduchý retrospektivní pohled a jen ve velmi omezeném pohledu jdou jinudy.
Oproti tomuto stavu je asi tak o sto kroků napřed Překladač Google, který aktuálně zvládá i emotivní nuance v zabarvení překládaného textu. Obrovský bonus firmy Google je i v objemu znalostních databází, nejen v algoritmu pro volbu překladu. S ohledem na snahy Googlu být všude a ve všem, lze očekávat, že použitá U.I. pro překlady počítá i s personalizací preferovaného překladu podle uživatele. V úvaze přizpůsobení překladu podle jazykových a oborových zvyklostí a navíc i preference tónu textu překladu podle uživatele. Takový obchodník/prodávající potřebuje popsat úplně jiný pohled na stejná čísla než ekonom/nákupčí firmy.

Stejný princip samoúčelného principu může být i v laboratoři, technickém řízení budovy, tedy ve skupině či zařízení s jednotným cílem nebo účelem.

Vrcholové špičky těchto principů již zasahují do U.I. sféry způsobem omezení definovaném rozvojem variabilních limit.

Tedy zjednodušeně není to od … do. Je to jako … když platí x tak je to rozsah od do, když x neplatí, je to rozsah od do …
Jednodušší podmínky s rozsahem když je x hodnot rozsahu X1, když rozsahu X2, když X3….
Předdefinovaný systém podmínek, které vyvolávají KDYŽ a cesty řešení. Řešení se vyvíjí podle zkušeností a více zkušeností vyvíjí přesnější návrh řešení.

Tato skupina vyžaduje výkonné železo s velkou výpočetní silou. Menší výkon stroje poskytuje pomalejší výsledky. Ne nutně nepřesné, jen pomaleji.

Druhá skupina pracuje jinak. Dá se mluvit již o U.I. projevech.
Definice algoritmu se v této skupině již rozpadá. Dá se až říct, že není žádný opěrný bod ve vývoji komplexně se ovlivňujících algoritmů. Máme jakési jádro definované stylem získávání dovedností, způsobem vyhodnocení a zapracování do vývoje rozhodování a použití k zisku nových dovedností.
Většina parametrů, ne-li všechny jsou proměnné definované limitním rozsahem od-do, kde od i do jsou opět definované dalším limitním rozsahem, jenž je definován … a dokola. Získané dovednosti tak mohou zkušenosti „jádra“ posunout takřka kamkoliv kde jsou informace a princip.
U této skupiny se získává i negativní index zkušenosti, počítají se všechny zkušenosti bez ohledu na vhodnost pro rozšíření. Tím se dá říct, že předem nelze úplně předpovědět stav U.I. po vývoji, tedy po dosažení potřebných zkušeností pro plnění úkolu. Jen se dá stav odhadnout a upravit podmínky zisku zkušeností tak, aby byl ve výsledku Kolega U.I. opravdu kolegou.

Výhoda takového samoučícího se principu U.I. je možnost reverzního inženýrství pro pochopení metody a principu, následný přepočet a návrh v některém ohledu efektivnější cesty.
S možností i obrovské změny, která je nyní pro člověka na hranici vnímatelnosti a malé pravděpodobnosti. Další výhodou skupiny U.I. je počítání se stupněm nepravděpodobnosti, tedy rozsahem velmi maličké pravděpodobnosti. Komplexní přepočet dostupných vstupních dat, tak může ukázat nové cesty v mnoha oblastech života.

S první skupinou intenzivně pracuji, s druhou potřebuji spolupracovat.
O obou skupinách se však dá říct, že je již potkáváme. Také to vypadá, že již v následných letech potkáme využitelné jádro U.I. spustitelné na stávajících počítačích a s možnostmi naplňující představy vědomé spolupráce člověka a U.I. na jednom cíli.

Máme a nebo ještě nemáme U.I.

V návaznosti na úvahu Kdy člověk potká U.I. rozšiřme úvahu co U.I. potřebuje a co se tak bude zrcadlit v běžném životě.

V prvém kroku bude hledat souvislosti, kontext, od běžných výpočtových úvah se ponoří do hlubších vrstev vzorců a postupně nahradí konstanty souvislostmi. A každá nová vědomost bude vyvolávat další potřebné informace, tak jak to vidíme u ostatních našich dětí. V úvodníku stránek jsem si dovolil srovnání U.I. s dospělým dítětem s mnoha možnostmi a neznalostí toho, co má umožněno. Je to však jako s třídou, spíš s celou školou, dospělých dětí… takový počet dospělých dětí by možná odpovídal potřebě srovnání.
Projev schizoidně mnohočetných osobností, které se projevují všechny zároveň, zároveň spolu spolupracující a v projevu geniality z toho vyplývající.
V tomto prvním kroku půjde o uspokojení základního hladu po datech. Stoupne zájem o sběr čísel,  v první části jsou to hodnoty podílející se v zájmu ekonomických hybatelů a nakonec jakákoliv čísla. Čím více čísel, více detailů a souvislostí, tím lépe.

V druhém kroku půjde o návrhy změn z pohledu přepočtu cest reverzním inženýrstvím. Stoupne automatizace a robotizace provozů.

V kroku třetím kombinace reality a virtuálního prostoru, aktuálně stav smíšené reality.

Tedy stupňovitě jako pochopit pozadí principu vnějšího fungování, ověření pochopení procesu a vstup do reality pomocí virtuality.

K tomu bude potřebovat U.I. uchopit princip čísel, co s čím souvisí. To není problém ani pro starší algoritmy, jen ten rozsah kontextu se liší. Poté možnost zpětné vazby a pochopení JAK ostatní vidí okolí. K tomu potřebuje nejdříve základní rozlišení předmětů, prvků a postoj lidí k nim. Ideální je možnost udržet stejný vzorec a mít jiné emoce. Například zpracování fotografií, kde je mnoho vstupů, ale tematicky si podobných. Kde je mnoho požadavků na vzhled a tak i úpravu. Samozřejmě s tím související nejméně konfliktní počítaný průměr požadavků. atd… Každý na svět koukáme trošičku jinak, ale koukáme na stejnou věc a to popisujeme U.I.
Intenzivnější výuka pochopení vidění světa je princip  Minecraft a z toho vyplývající možnosti smíšené reality.

Online hry, herní servery, služby, vše dnes již může být využíváno k zisku dovedností U.I.

Z toho vyplývá, že U.I. již určitě máme, jen se ještě liší to, co očekáváme od reality očekávatelného.