Człowiek zdecyduje
Dr inż. Jakub Nalepa: jak sztuczna inteligencja może współpracować z ludzką
Medialny wizerunek sztucznej inteligencji (artificial intelligence, AI) jest, delikatnie rzecz ujmując, niespójny. Albo, inspirując się wątkami kultury popularnej, antropomorfizuje się ją i przypisuje mroczne intencje, albo wyolbrzymia jej moce zbawienne. Ewentualnie, jak to niedawno miało miejsce w Radzie Unii Europejskiej, staje się ona jeszcze jednym pretekstem do zaprezentowania poglądów rodem ze średniowiecza (Polska oprotestowała użycie słów „gender equality” w projekcie nowelizacji unijnej karty praw podstawowych, zmierzającej do uczynienia sztucznej inteligencji możliwie etyczną).
Prawda o tej dziedzinie wiedzy i jej racja bytu leżą natomiast tam, gdzie zwykle leży wiele prawd – czyli pośrodku. I tam właśnie widzi ją dr inż. Jakub Nalepa. Już w czasie studiów ten informatyk uświadomił sobie, że – metaforycznie – unosimy się w bezkresnym oceanie danych. Efektem ubocznym każdej sekundy istnienia cywilizacji technicznej jest produkcja niezliczonej liczby bitów. – Zastanawiałem się, jak z nich korzystać w sposób przemyślany – mówi Nalepa. – Jak wyekstrahować z danych użyteczną, ukrytą informację? Sprawa nie jest prosta, bo dane w swojej pierwotnej, surowej postaci nie dość, że przychodzą w ilościach hurtowych, to jeszcze w niepewnej jakości. Ręczna analiza czasem jest niemożliwa, a zawsze trudna. – Sztuczna inteligencja pozwala eksplorować ten bezmiar danych w sposób automatyczny. Pozwala rozwiązywać problemy dobrze znane i sugerować rozwiązania zupełnie nowych – wyjaśnia Nalepa.
Kwestia Big Data
Sztuczna inteligencja, która fascynuje nagrodzonego przez POLITYKĘ badacza, przychodzi z pomocą ludziom tam, gdzie ujawniają się ograniczenia ich percepcji oraz granice fizjologicznej wydajności – choćby zmęczenie. – W medycynie na przykład problemem jest wypalenie zawodowe – mówi Nalepa. Wyszukiwanie zmian nowotworowych, obrysowywanie guzów w obrazach dostarczanych przez rezonans magnetyczny – to kroki żmudne i czasochłonne. Nie każda istotna informacja, choćby podejrzana tekstura tkanki, jest też widoczna dla ludzkiego oka. – Uczenie maszynowe, jedna z metod konstruowania algorytmów stosowanych w sztucznej inteligencji, znakomicie przyspiesza te działania i pozwala lekarzom skupić się na czymś znacznie trudniejszym i czymś, czemu żadne oprogramowanie nie podoła – czyli na interpretacji otrzymywanych wyników.
Różnica między tym, jak z zadaniami percepcyjnymi radzi sobie sztuczna inteligencja, a tym, jak działa ludzki umysł, nie jest tylko ilościowa. Nie chodzi tylko o to, że gubimy się w nadmiarze danych, myślimy wolniej niż ona i popełniamy błędy. – Pojawia się także różnica jakościowa, na przykład na poziomie powtarzalności wyników – mówi Nalepa. Kiedy na obrazy z rezonansu magnetycznego patrzą lekarze, ich diagnozy bywają niejednakowe. – Ludzkie opinie są z natury rzeczy uznaniowe. AI może zapewnić powtarzalność wyników, niezwykle ważną zwłaszcza wtedy, gdy trzeba precyzyjnie monitorować reakcje pacjenta na leczenie.
Ponieważ algorytmy oparte na sztucznej inteligencji „biorą udział” w procesie podejmowania decyzji, od których nierzadko zależy życie pacjentów, rodzi się pytanie: jak niedoskonali, skłonni do omyłek diagnostycznych ludzie mogą wytrenować bezbłędnie działające oprogramowanie? Ten wariant problemu jajka i kury rozwiązuje się następująco: – Jeżeli algorytm chcemy wdrożyć w kontekście klinicznym, musi być traktowany jako wyrób medyczny i przejść certyfikację. Musimy udowodnić, że system został skonstruowany zgodnie z zasadami sztuki, że zapewnia bezpieczeństwo, poprawność wyników. Musimy pokazać, w jakich krokach go tworzyliśmy, jakie dane wykorzystywaliśmy do opracowania i oceny algorytmów. Udowadniamy, że te dane były dostatecznie różnorodne i wysokiej jakości. Konfrontujemy system z literaturą przedmiotu. Musimy mieć pewność, że system poradzi sobie w sytuacji, gdy nie będziemy mieli kontroli nad danymi, które będą mu dostarczane – że będzie w stanie poprawnie przeanalizować dane, których wcześniej „nie widzieliśmy”. Cała ta krytycznie ważna procedura, swego rodzaju ocena kliniczna, jest czasochłonna, żmudna, trudna – ale równie interesująca co tworzenie samych algorytmów AI, które są jej punktem wyjścia.
Nawet najlepsza sztuczna inteligencja musi też skonfrontować się z ograniczeniami (ludzkiego) środowiska, w którym przyjdzie jej funkcjonować. Przykład: dane medyczne pochodzą z różnych ośrodków, które niekoniecznie chcą – lub z przyczyn prawnych mogą – się nimi dzielić. – Możemy rozważyć trenowanie algorytmu lokalnie w kilku ośrodkach przez kilka grup badawczych – z wykorzystaniem lokalnych danych – i agregowanie takich wyników cząstkowych – wyjaśnia Nalepa.
Kiedy już taki sprawdzony software trafi do szpitali, sam w sobie będzie raczej bezużyteczny. Sens jego istnieniu nadaje człowiek – lekarz, który interpretuje podsuwane przez sztuczną inteligencję wyniki. Czasem informacje są oczywiste (np. parametry liczbowe opisujące kształt czy rozmiar guza), czasem wymagają głębszej wiedzy. – Nie mamy do czynienia z sytuacją, w której algorytm oparty na AI daje jednoznaczną odpowiedź i bezpośrednio wpływa na los osoby chorej – uspokaja Nalepa. – Część odpowiedzialności za trafność końcowej diagnozy ponosi firma wdrażająca oprogramowanie, ale końcową decyzję zawsze podejmuje lekarz.
Nalepa zajmuje się nie tylko wyszukiwaniem ukrytych dla ludzkiego oka wzorców czy prawidłowości w obrazach medycznych. Szuka ich także w tych, które rejestrowane są przez kamery na pokładach satelitów. Szczególnie interesują go tzw. obrazy hiperspektralne. Zwykle zdjęcia satelitarne wykonywane są w jednym pełnym zakresie promieniowania elektromagnetycznego – na ogół to po prostu zakres światła widzialnego. Natomiast obrazy wysokowymiarowe powstają przez wykonanie wielu zdjęć temu samemu obszarowi, ale w dziesiątkach czy setkach bardzo różnych zakresów fal elektromagnetycznych jednocześnie.
– Jeżeli poddamy je sprytnej analizie, możemy wydobyć informacje, które są zupełnie niewidoczne na zwykłym zdjęciu – zwraca uwagę Nalepa. Dowiemy się, jak rozwijają się uprawy, jak je nawozić, w jakim stanie są tkanki roślin, jakie choroby je atakują. Poddane obróbce z wykorzystaniem sztucznej inteligencji obrazy hiperspektralne ujawnią informacje o składzie chemicznym i charakterystyce gleby. – To niezwykle wygodne rozwiązanie, bo nie wymaga pobierania próbek w terenie, przesyłania ich do laboratorium. Działać można natychmiast – wyjaśnia naukowiec. Ma to szczególne znaczenie w przypadku katastrof ekologicznych, które można diagnozować i śledzić z kosmosu.
Intuition-1
Obrazowanie hiperspektralne to nowy wynalazek. Satelitów, które pozyskują tego typu dane, jest jeszcze niewiele. Dlatego Nalepa – wraz z zespołem naukowym oraz gliwicką firmą KP Labs – pracuje nad własnym. Nosi nazwę Intuition-1. Badacz AI pracuje też nad rozwiązaniem, które eliminuje zasadniczy problem branży satelitarnej. Przesył danych na Ziemię jest trudny, czasochłonny, a sytuację komplikuje fakt, że może się on odbywać tylko podczas krótkich okien czasowych. Chcemy iść inną drogą – mówi Nalepa. – Dane będziemy przetwarzać już na pokładzie satelity. Na Ziemię wysłane zostaną tylko istotne, końcowe wyniki analizy dokonanej przez algorytmy sztucznej inteligencji – zwłaszcza te oparte na tzw. uczeniu głębokim.
Podobnie jak Pomysłowego Dobromira, tak i Nalepę pcha naprzód potrzeba ulepszania, czyli optymalizowania. – Optymalizować można wszystko – wyjaśnia. Nalepa optymalizuje też na przykład transport. Zajmuje się odmianą klasycznego zagadnienia, zwanego problemem komiwojażera. Polega on, w największym uproszczeniu, na znalezieniu najkrótszej (najtańszej, najszybszej) możliwej trasy łączącej wszystkie miasta, które ów teoretyczny komiwojażer musi odwiedzić. To tylko brzmi prosto. Dla ludzi to nie lada wyzwanie. Sztuczna inteligencja, np. oparta na algorytmach inspirowanych procesami ewolucji biologicznej, ma w tej dziedzinie więcej szans powodzenia. Nalepa utrudnia jej zadanie – uwzględniając dodatkowe ograniczenia (okna czasowe, maksymalną ładowność pojazdów, maksymalny czas oczekiwania na pojazdy). – Pracujemy właśnie nad projektem optymalizacji transportu w miastach poprzez wprowadzenie mikrotranzytu – mówi Nalepa. – Małe busy zapewnią dostęp do siatki transportowej osobom mieszkającym z dala od jej węzłów. Chcemy się dowiedzieć, gdzie i jak powinny kursować.
Algorytmy oparte na metodach sztucznej inteligencji poruszają się w morzach danych na tyle sprawnie, że zasadne staje się pytanie, czy nie będą dokonywać odkryć poprawnych, weryfikowalnych – ale niezrozumiałych dla ludzi. Dyskusje na ten temat są szczególnie żywe teraz, po 20 latach gwałtownego skoku technologii informatycznych i w dziedzinach, w których cierpimy na prawdziwy zalew danych – w fizyce cząstek elementarnych czy biologii molekularnej.
Więcej inteligencji
– Interpretowalność metod AI to niezwykle ciekawa sprawa – potwierdza Nalepa. – Algorytm generuje jakąś odpowiedź, a my zastanawiamy się, jak właściwie do niej doszedł? Bardzo byśmy chcieli taką interpretowalność zapewnić. Na pewno AI może służyć pomocą, wskazując obszary danych, które są potencjalnie interesujące i mogą prowadzić do jakiegoś odkrycia. Może wręcz odkryć coś, czego sami nie zdołalibyśmy zauważyć. Ale nawet takie podpowiedzi trzeba poddać interpretacji, zastanowić się, skąd się wzięły…
Sztuczna inteligencja – a przynajmniej ta, którą zajmuje się dr Jakub Nalepa – wkracza w przeróżne sfery naszego życia krok po kroczku, w sposób niemal niezauważony. Zupełnie inaczej niż wynalazki dawnego świata – takie jak radio czy telefon, których nie było, a potem się pojawiły – w sposób zero-jedynkowy. – Najważniejsza różnica między nimi a AI polega chyba jednak na tym, że czasem mamy trudność ze zrozumieniem, którym wynikom jej obliczeń możemy – jako użytkownicy – „zaufać”, a którym nie – dodaje Nalepa. – Kryje się w tym jeszcze pewna zagadka. Nie zmienia to jednak faktu, że algorytmy oparte na sztucznej inteligencji z całą pewnością będą ułatwiać nam życie. Sprawią, że nasze miasta staną się bardziej inteligentne i że jakość naszego życia wzrośnie. Pomogą tam, gdzie krytycznie istotny jest czynnik czasu – choćby w ochronie środowiska naturalnego. Dr Nalepa podsumowuje: – Mam nadzieję, że dzięki AI będziemy potrafili bezboleśnie i nieinwazyjnie przygotować świat dla naszych dzieci i wnuków.
***
Dr inż. Jakub Nalepa jest adiunktem w Katedrze Algorytmiki i Oprogramowania na Wydziale Automatyki, Elektroniki i Informatyki Politechniki Śląskiej. Zajmuje się wyzwaniami związanymi ze sztuczną inteligencją – fundamentalnymi i praktycznymi. Koncentruje się na uczeniu maszynowym oraz algorytmach inspirowanych naturą. Łączy świat nauki i przemysłu (jest współautorem dwóch wdrożonych technologii oraz jednego patentu). Jego lista publikacji liczy ponad 100 pozycji, z których wiele powstało we współpracy międzynarodowej. W 2017 r. został laureatem prestiżowej nagrody im. Witolda Lipskiego dla młodych polskich informatyków.
