Savaeigiai mąstantys automobiliai, implantai, pranešantys apie žmogaus organizmo būseną ir įspėjantys, kada jau laikas kreiptis į gydytoją, protingi ir patys save tobulinantys mechanizmai ir t.t. Jeigu tai dar ne realybė, tuomet – labai netolima ateitis, neišvengiamai susijusi su dirbtiniu intelektu (DI) ir vadinamuoju mašininiu mokymusi (MM): dirbtinio intelekto kryptimi, kuri leidžia tikėtis, kad netolimoje ateityje kompiuteriai, naudodami milžinišką kiekį sukauptų duomenų, patys juos analizuos, darys išvadas ir patars.
Vilniaus Gedimino technikos universiteto (VILNIUS TECH) Informacinių sistemų katedros profesorius habil. dr. Antanas Čenys sako, kad DI ir MM pažangos prasme pasaulis dabar yra toje panašioje technologijų perversmo stadijoje, kai XVIII amžiuje buvo išrastas garo variklis.
„Jau esame išradę, tik klausimas – kaip panaudoti. Prisiminkime, su garo varikliu taip pat buvo sprendžiami fundamentalūs klausimai. Laivuose svarbiausia buvo, kad variklis būtų galingas. Traukinių lokomotyvuose, o vėliau – automobiliuose, kad būtų ne tik galingas bet ir, palyginti, kompaktiškas, pramonėje – kad būtų ne tik galingas bet ir atitiktų individualizuotus gamybos poreikius“, – kalba prof. A Čenys.
Dabar, anot jo, sprendžiami panašūs uždaviniai – priklausomai nuo to, kur ketiname taikyti DI ir MM – turime priimti adekvačius sprendimus. Tačiau akivaizdu – MM padarys pramonės procesus greitesnius ir tikslesnius.
„Pakraščio“ duomenų intelektas
Tačiau būtina sutvarkyti teisinį reguliavimą, kuris gali tapti viena iš svarbiausių kliūčių dar spartesniam DI taikymui.
Europos Komisija (EK) 2021 m. pabaigoje pristatė labai svarbų dokumentą, susijusį su DI plėtra – Europos duomenų strategiją.
„Tenka pripažinti, kad Europos Sąjunga (ES) pralaimėjo „laukinio kapitalizmo“ kovą dėl internetinių paslaugų dominavimo tokioms pasaulinėms Jungtinių Amerikos Valstijų (JAV) kompanijoms, kaip „Microsoft“, „Amazon“, „Google“, „Facebook“. Ir iš esmės nebeturi artimiausiu metu galimybių sukurti konkurencingų analogų nei joms, nei į šią konkurencinę kovą įsikibusioms Kinijos valstybinėms kompanijoms. Tačiau Europa turi milžinišką mokių vartotojų rinką ir, pasitelkusi duomenų apdorojimo bei teisinio reguliavimo strategiją, turi visas galimybes susigrąžinti Europai deramą vietą, kai kalbama apie duomenų naudojimą, dirbtinį intelektą ir mašininį mokymąsi“, – svarsto VILNIUS TECH ekspertas.
Jis pasakoja, kad ES kreipia dėmesį į nelabai naują, bet naujai atrastą DI sritį „edge computing“ arba „pakraščio“ kompiuterijos sritį.
Visuotinai priimta vertinti, kad šiuo metu apie 80 proc. asmens duomenų yra laikomi kažkur „debesų“ kompiuterijoje. Apie 20 proc. duomenų žmonės vis dar išsaugo savo asmeninėse talpyklose – telefonuose, kompiuteriuose ir kituose įrenginiuose, jais nesidalija. Tai ir yra vadinamieji „pakraščio duomenys“.
„Imkime savavaldį (angl. self driving, SD) automobilį. Jis privalės naudotis savo turimais duomenims, nes neturės laiko ir prabangos laukti, kol dėl ryšio ar per lėtai kraunamų duomenų jam reikės pasirinkti maršrutą, neatsitrenkti į medį ar sustoti toje vietoje, kur kas rytą kelią pereina močiutė nešanti pamelžtą pieną. Jeigu automobilis lauks, kol bus išanalizuoti visi debesų kompiuterijoje esantys SD automobilių duomenys – jis numuš močiutę su visu pienu“, – pastebi prof. habil. dr. A. Čenys.
SD automobiliui didžiąja dalimi nebūtini visi pasaulyje esantys SD automobilių „debesyse“ kaupiami duomenys – pakanka duomenų, kuriuos jis pats kaupia, atsižvelgdamas į nuolat pasikartojantį maršrutą ir mokydamasis apie jo kelyje pasitaikančias kliūtis.
Paprasčiau tariant, jeigu Vilniuje 90 proc. jūsų kasdienės kelionės automobiliu sudaro maršrutas iš Žvėryno į Antakalnį – kodėl jūsų SD automobilis turėtų analizuoti savo pusbrolio duomenis, kuris kasdien važinėja, tarkime, Niujorke, iš Kvinso ar Bruklino į Manhateną?
„Duomenų generavimas visuomet buvo „pakraštyje“, o kuo toliau – tuo didesnis duomenų kiekis ir liks „pakraštyje“, nebus nusiųstas į „debesis“. Kompiuterių resursai vis tobulėja ir vis daugiau mašininio mokymosi algoritmų gali būti taikomi tame pačiame SD automobilyje“, – kalba ekspertas.
Ekspertų nuomone, netolimoje ateityje, galbūt per artimiausius penkerius metus, duomenų kaupimo „debesyse“ ir „pakraštyje“ proporcija smarkiai pasikeis: dabartinė 80 proc. ir 20 proc. pakis ir taps 20 proc. ir 80 proc. Nors šiandien tuo sunku patikėti.
Prof. habil. dr. A. Čenys atkreipia dėmesį, kad tai ypač svarbu medicinos srityje, kur susiduriama su keliomis duomenų apsaugos problemomis.
Pirmiausia, vis daugiau naudojama įvairiausių daviklių, sekančių organizmo veiklą ir įspėjančių apie pavojų sveikatai. Esant tam tikroms aplinkybėms – ne visuomet DI turės laiko analizuoti „debesyse“ esančius duomenis, kad galėtų įspėti apie žmogaus organizmui gresiantį pavojų. Todėl davikliai naudos asmeninius „pakraščio“ duomenis.
Duomenų apsaugos problema
„Duomenys yra vertybė ir dažnoje šiuolaikinėje kompanijoje kliento duomenys yra didesnė vertybė už jos gaminamą produkciją. Nes panašų produktą gali pagaminti daug kas, o štai parduoti jį konkrečiam klientui – jau yra gebėjimai, kurie priklauso nuo rinkos poreikio ir, žinoma – nuo turimų to kliento duomenų“, – pabrėžia A. Čenys ir prognozuoja, kad netolimoje ateityje žmonės (vartotojai) supras, asmeninių duomenų vertę ir, kad juos galima „parduoti“.
Tuomet susidursime su klausimu, kas yra tikrasis „pakraščio“ duomenų savininkas.
Jeigu pavyzdžiu imtume „Tesla“ automobilį, kaupiantį vairavimo ir maršruto duomenis – kas tampa tų duomenų savininku: kompanija „Tesla“, automobilio savininkas ar duomenis kaupianti bendrovė? Kartais tai yra valstybė, ypač, kai kalbama apie tokias šalis kaip Kinija.
„Tikriausiai Kinijos valdžia labai nenorės, kad „Tesla“ kauptų duomenis, kokiais maršrutais pačioje Kinijoje važinėja „Tesla“ automobiliai“, – svarsto prof. habil. dr. A. Čenys.
Kita vertus, žmogus, Lietuvoje, būdamas „Tesla“ savininku, tikriausiai nenorėtų, kad kompanija ar Lietuvos valdžia, ar dar koks nors ryšį užtikrinantis operatorius kauptų duomenis apie jo maršrutus, vairavimo įpročius ar – galų gale, nedidelius nusižengimus, kurių pasitaiko kelyje.
„Duomenų nuosavybės klausimas tampa labai svarbus. Kaip bus reguliuojami duomenų keitimosi santykiai, kaip bus generuojami duomenys, kaip bus prekiaujama duomenimis – kol kas atsakymų į šiuos klausimus nėra“, – pastebi prof. A. Čenys.
Anot jo, ES Bendrasis duomenų apsaugos reglamentas (BDAR), kuriame aprašomi duomenų privatumo reikalavimai, yra geras pavyzdys, nors šiuo metu į jį žiūrima kaip į eilinį biurokratinį dokumentą.
Pandemija skatina keistis duomenimis
„BDAR užkerta kelią asmeninės informacijos sklaidai, tačiau asmeniui sutinkant dalintis duomenimis, jais būtų galima laisvai naudotis dėl bendro gėrio“, – atkreipia dėmesį ekspertas.
VILNIUS TECH eksperto teigimu, toks modelis galėtų veikti pasaulyje siaučiant COVID-19 pandemijai.
Medicinos duomenys – viena iš jautriausių sričių. Daugelyje gydymo įstaigų esantys pacientų asmeniniai įrašai, dėl puikiai suprantamų priežasčių, yra saugomi ir neteikiami be asmens sutikimo. Medicinos įstaigos negali jais keistis, nors kai kurie duomenys tikrai galėtų tarnauti bendram gėriui – atpažįstant ligas, nustatant gydymo ir vaistų efektyvumą ir t.t.
DI sprendimas, kurį šiuo metu galima aptikti „federated mashine learning“ (FML) terminu, padeda išspręsti šią problemą, nes MM algoritmai geba naudoti decentralizuotus duomenis, kurie sukaupti atskiruose duomenų kaupikliuose (serveriuose) ir daryti išvadas.
Paprasčiau sakant, klinika yra sukaupusi pacientų duomenis, tačiau negali jais dalintis dėl privatumo reikalavimų. Tačiau gali pasidalinti apibendrintomis savo tyrimų išvadomis.
Tokio algoritmo pagalba galima kaupti daugybės skirtingų klinikų duomenis, DI juos analizuos ir galiausiai – pasaulis galės naudotis apibendrintais rezultatais.
Tačiau, pastebi prof. A. Čenys, dar pernelyg anksti būtų manyti, kad tokiu būdu net ir COVID-19, kuriam šiuo metu skiriamas didžiausias medicinos mokslo dėmesys, vien pasitelkus duomenų analizę galima įveikti. Tiesiog, kol kas duomenų kaupimas vis dar yra labai skirtingas.
Tarkime, net ir pasiskiepijusių asmenų proporciją vienos šalys skaičiuoja nuo gyventojų skaičiaus, kitos – skelbia duomenis nuo skaičiaus žmonių, kuriuos privaloma paskiepyti. Dar labiau metodologija skiriasi, kai pradedami analizuoti sergantieji ar jų užsikrėtimo aplinkybės.
Kompiuteris gali daryti išvadas, tačiau jam vis dar reikia gausybės duomenų, kuriuos jis gali palyginti. Nors jis ir geba juos apskaičiuoti ir analizuoti labai greitai, nustatyti kai kurias tendencijas, kurių žmogaus protas nesuvokia, jis vis dar atsilieka nuo žmogaus gebėjimų.
„Skirtingai nei kompiuteris, žmogus sugeba spręsti tas užduotis, kai nelabai žino, ko jis nori. Kai ieško to, kam aiškaus apibrėžimo nėra“, – kalba prof. A. Čenys.
Todėl kompiuteris žmogaus gebėjimų pilnai negali pakeisti, tačiau ateityje labai smarkiai paveiks verslą ir žmonių gyvenimą, kai mašininis mokymasis bus pradėtas plačiai taikyti praktikoje.
„Tie, kurie atsiliks – tiesiog pralaimės konkurencinę kovą“, – konstatuoja profesorius.
Mašininiam mokymuisi skirtą pranešimą VILNIUS TECH profesorius A. Čenys skaitė AI BOOST konferencijoje, pernai vykusioje Vilniuje, kuri buvo skirta dirbtinio intelekto ekosistemai stiprinti.
AI BOOST yra didžiausia dirbtinio intelekto konferencija Šiaurės Rytų Europoje, suburianti pasaulinę dirbtinio intelekto sričių bendruomenę.
Galerija
