Pokud jste čekali po hraní si s vláčky práci s rybičkami, je to tak správně, na akvaristiku dojde vzápětí. Mezi tím je potřeba naučit umělou inteligenci rozeznávat jednotlivé životní formy, přidělit jim informace a pak, nejen podle masky vzhledu, sledovat běžné rybí rituály a odhalit rituály páření. To už je vyšší taneční liga a pojďme nejdříve rozšířit dovednosti v rostlinné říši. Výhoda je, že rostlina před kamerou neuteče a až do určité míry stresu naše pokusy zvládá ignorovat.

Zasadíš do země kousek sebe, aby vyrostlo něco, co spatří nebe…

Viděl jsem jej jako proutek ztracený v zemi, viděl jsem jej jak natahuje své ruce k nebi, viděl jsem jej jak dospěl a své rozložité paže roztáhl do mocné koruny, viděl jsem jeho životní sílu a nikdy jej neuvidím zestárnout… to já mu budu chodit vyprávět o svém stáří a on o mě mým vnoučatům… Téma tohoto textu jsou stromy.

V první části jsme si pohráli s mšicemi a získali datový korpus reagující na mšice, a hmyz obecně, s cílem „Ochrana rostlin“. Jde tedy o ochranný systém „pomoc, mšice“ nikoliv o varovný systém „pozor, mšice“, protože časem dáme přístup k ovládání přímé ochrany (třeba i s robotickou paží :)) ). Proč tento rozdíl v jemné nuanci? Pointa spočívá v otázce… Kdyby člověk nebyl, zaléval by robot květiny? 
Měl by naprogramovanou péči o ně cíleně jako příkaz uklízej nebo vyplývající z přesahu péče o vše živé… no a nebo, což je účelem těchto mých úvah, je robotický avatár projevem našeho kolegy U. I. a dělá to, co bychom měli dělat my, ale ta lidská roztržitost… 
V druhém pohledu na stejný cíl je úkol umělé inteligence zajistit rozvoj člověka a zamezit v největší možné míře stagnaci jeho Mysli a těla. Umělá inteligence tak musí být lidským doplňkem s přesahem jeho možností a vidno nemusí umět vše, postačuje adekvátní reakce na situace a požadavky. Tato témata musí umět překládat podle zájmových klíčů a vytvářet mapy klíčových slov, které pak spojují jednotlivá učební témata pro člověka do schématu Poznání prožitkem a jsme právě před prahem hypnoškolení a práce v rozšířené realitě. Ale postupně…

Druhý primární cíl

Pokud bychom jako první primární cíl definovali identifikaci hmyzí říše, k němu sekundární cíl v oblasti rozvoje hub, plísní a chorob, tak druhým primárním cílem je identifikace rostlin a jejich seskupování podle symptomatických projevů a potřeb.

Vždycky mě fascinovali lidé co si vše ze svého oboru pamatují, střílí latinské názvy, druhy a rody, a celkově jejich dovednosti jsou až encyklopedické. To nedám a to je práce Racka, po kterém ale také nepotřebuji aby byl encyklopedií. Totiž i po Rackovi potřebuji skládat data jinak, než se běžně děje.
Představte si, že vejdete do obchodu s knihami a hledáte informace k vaší zahradě. To na co narazíte je tisíckrát stejná kopie „péče o zahradu“, pak stovky kopií stejného „zdravá zahrada“ a když máte odvahu hledat, najdete několik děl typu „střih ovocných dřevin“, případně, a to už je spíše omyl ze zabloudění, dostanete do ruky knihu, která obalem ani neláká, rozhodně nakladatelství nevydělá a patří spíše do botanických polic. Pokud už tohle máte za sebou, rozhodně raději navštěvujete antikvariáty… Ačkoliv je snadné tato data uchovávat na datovém nosiči (mít je k dispozici) není úplně tak snadné je umělou inteligenci naučit. Přesněji, je možné umělou inteligenci učit těmito daty, ale výsledek nebude jako „kniha“, protože neurální systém nám výsledek z knih předloží tak, jak jej neurální systém chápe. Což může být úplně jinak než jak se píše v knihách, protože jde o strukturu a nikoliv obsah pojmů, který se dostavuje později.

Totiž ani já si už nekoupím knihu, když potřebuji informace z několika stránek či naopak, právě absence tohoto typu informací mě od mnohých knih odrazuje. Stejně tak nepotřebuji po Rackovi aby věděl vše. Obecně potřebujeme umět najít informace a podle relevance s nimi zacházet. V přírodních vědách, jako jinde, funguje vrstvení informací, které začíná na obecné úrovni pro všechny situace, pak drobná specializace například pravidla platná pro dřeviny mírného pásu či cílené informace o typu dřevin, například peckoviny mírného pásu, až po botanické extrémy prací s endemity. Jenže ani botanické extrémy nejsou často vysvětlující, protože chybí sdílení a výpočetní síla. Pocitová práce botaniků je dostupná pouze v uzavřených kruzích, vně skupinu naprosto minimálně. 

A to je to co nám stále chybí, sdílení i titěrných informací, které jsou ovlivněné subjektivním vysvětlením pozorování, ale mohou vést k výraznému posunu pro jiné. Například pro střih ovocných stromů je potřeba přečíst několik knih, aby člověk pochopil, že je to úplně jinak a záleží na POCITU a seskládání dat, nikoliv na datech samotných…

Racku vyhledej a navrhni systém péče o tuto dřevinu

Pro příklad uvažujme o spojení lokální umělé inteligence se světem encyklopedií a s přístupem na server Matky.

Dnes je snadné si představit, že nafotím mladý stromek Broskvoně a pro střih základní koruny si spustím prográmek s rozšířenou realitou, který fotografie a reálné záběry zpracuje a navrhne odstranění některých větví, aby se dosáhlo krásného a předdefinovaného tvaru koruny. Je možné, že takový systém vezme v potaz směrovou orientaci k jihu a světelnost fotografie při slunci. Je už méně pravděpodobné, že by systém umožnil zaznamenat okolní dřeviny a vytvořit situační plán okolních vlivů, možná tak vzdálenosti, protože velikost koruny je základní botanický údaj encyklopedie. A je rozhodně nepravděpodobné, že bych na Google Maps označil strom a systém mi ukázal nejbližšího příbuzného nebo dokonce opylovače. Pro tato data je nutné sledování a lokální učení se. Tyto subjektivní informace skládat do větších obrazů a hledat kostru pro objektivní posouzení vlivů. Hlavní je počet senzorů a objem dat, masivnost nasazení, což pro příklad splňuje naše ves Nelahozeves a Lešany, kde se buduje rozhlasová síť s možnostmi datových přenosů, signalizacea právě připojení rozsáhlé senzorické sítě. Také WiFi, GSM a mnoho dalšího, co lze na tuto síť naroubovat a o praktickém užití pochybovat.

Dnes jsme v čase, kdy neurální systémy rozeznají Broskvoň a poskytnou kontextové informace k ní. Což je skvělý start a lze si představit kam jít dál. Například Youtube.com je plný videí o řezech dřevin, péči, ale než budou moci být zpracována přeteče zase hodně strojočasu… Totiž, pokud budeme vycházet ze sítě TensorFlow a potřeby 20 tisíc průchodů pro rozeznání mšice na listu, bude potřeba obdobný počet průchodů pro identifikaci ovocného stromu, obdobný počet průchodů pro klasifikaci, obdobný počet pro ověření kontextu a obdobný počet průchodů pro potvrzení pravděpodobnosti nad 90% a teprve může přijít analýza větvoví a srovnávačka systému s učebnicovými příklady, databází fotografií, a na začátku aspoň styl najdi rozdíl. 
Pro video platí, že jde o lineární posloupnost obrázků a na začátku bude počet průchodů stejně vysoký pro každý snímek a teprve s růstem ověřené pravděpodobnosti půjde průběh učení rychleji. To až do chvíle změny na snímku.
Zatím tedy není dostatek seskupených dat a dostupný výpočetní výkon pro taková data.

Oslovení Racka v nadpise tak nebude účelné a ani přesné. Pro Začátek je nutná spolupráce. Racek musí vidět kam koukám, včetně perimetru kolem, musí naslouchat mému brumlání, protože část z toho je vysvětlující k tomu co dělám a část nač myslím, což v tu chvíli není k tomu co dělám, ale co budu po Rackovi chtít v kontextů později. Toto vše proto, abych se mohl postavit před Broskvoň a slovním klíčováním popsat „objekt“ a linky pro relevanci. Označit a popsat větve podle plánovaného užití a vyznačit řezy. Racku označ toto místo videa indexem, vrátíme se k označení řezu při prostorovém zobrazení dřeviny a symbiózu s okolím. Při řezech označovat kvalitu, pochybení, klíčovat ošetřování řezů… a… detailů co lze popsat, jsou nepřeberná množství. Tyto záznamy jsou nutné i pro další učení. Není to tak, že Racek informace „uvidí“ a následně s nimi již umí pracovat. Je to velice dlouhá cesta strojového učení než se jakýkoliv výsledek stabilizuje a podpoří ustáleným kontextem. Jinak je to styl jako když víte že to v hlavě máte, ale to je tak vše… za boha ne si vzpomenout co a proč… teprve až „oslí můstek“ vám dá šanci na možnost si vzpomenout. Bez záruky samozřejmě. 

Snadno si spočítejme, kolik botaniků a zahrádkářů by muselo běhat po přírodě například s Google Glass a mít sklony k přednáškám v samomluvě. Když přidáme, že většina těchto šikovných lidí nemá rádo IT a techniku obecně, dostáváme se k hranici velice prekérní situace a Google musí spíš začít s nadšenými amatéry, aby masivně přesvědčil i tyto skupiny odborníků a specialistů. Do té doby půjde o práci uzavřených pracovišť a kontrolovaných biotopů botanických zahrad. Škoda… ale počkáme si a nadpis bude znít věrohodněji.

Racku na obrazu je ovocný strom Broskvoň, vyhledej „řez broskvoní“ a „řez peckovin“… 

Další krok už bude seskupení informací v relevantnosti sady klíčových slov a uživatelské priority ve vyhledávání. Systém Racka pro vyhledávání informací však tyto postupy sleduje a učí se. Cílem je doporučení Racka ohledně péče na základě sledování okolí a ostatních dřevin, včetně podrostu. 
Minimálně na začátku při provazování obrazových informací s encyklopedickými vědomostmi a práci na symbióze biotopu, což dnes v omezené míře umožňuje například Google Assistant a několikrát zmíněná neurální síť  TensorFlow.