Ana e errët e inteligjencës

Inteligjenca artificiale bazohet mbi një teknologji që u mundëson kompjuterëve të mësojnë vetë. Por ka njëproblem: vetë kërkuesit që e kanë projektuar nuk arrijnë të kuptojnë se në çfarë mënyre makinat i marrinvendimetNjë vit më parë një makinë e çuditshme pa shofer është nxjerrë nëpër rrugët e qeta e Monmouth County në NewJersey të Shteteve të Bashkuara. Prototipi, i zhvilluar nga një grup kërkuesish të prodhuesit të procesorëvegrafikë Nvidia, kishte një pamje të ngjashme me atë të makinave të tjera që ecin vetë. Por kishye diçkakrejtësisht të ndryshme karshi modeleve Google, Tesla dhe General Motors, që demonstronte fuqinë në rritje tëinteligjencës artificiale. Makina e Nvidia nuk ndiqte udhëzimet e një inxhinieri apo të një programuesi, por ibesonte tërësisht një algoritmi që kishte mësuar vetë të voziste duke vëzhguar një qenie njerëzore. Projektimi injë makine të këtij lloji është një ndërmarrje e jashtëzakonshme, por edhe shqetësuese, pasi nuk është krejtësishte qartë sesi makina i merr vendimet e saj. informacionet e regjistruara nga ndjesorët në një rrjet të madhneuronesh artificiale që përpunojnë të dhënat dhe japin udhëzimet e nevojshme për të përdorur timonin, frenatdhe sistemet e tjera. Rezultatet duken të ngjashme me sjelljen që do të pritej nga një shofer në mish e kocka. Porçfarë do të ndodhte nëse një ditë makina do të bënte një lëvizje të papritur, për shembull të shkonte e të përplasejme një pemë apo të ndalej me semaforin jeshil? Në gjendjen aktuale do të ishte shumë e vështirë të kuptohej sepse ka ndodhur. Sistemi është aq i komplikuar sa që deri edhe inxhinierët që e kanë projektuar kanë vështirë përt’i individualizuar motivet në origjinën e çdi vendimi. Është edhe e pamundur t’u kërkohet një shpjegimmakinave: nuk ka një kriter të caktuar për ta projektuar sistemin në mënyrë që të jetë në gjendje të shpjegojë sepse e bën atë që bën.Mendoja misterioze e kësaj makine të çon në një çështje të hapur lidhur me inteligjencën artificiale. Teknologjianë themel të makinës, e njohur si deep learning, në vitet e fundit është demonstruar mjaft efikase në zgjidhjen eproblemeve dhe shpesh është përdorur për qëllime si përkthimi, njohja vokale dhe image captioning (përshkrimii imazheve nëpërmjet didaskalive). Tani pritet që të njëjtat teknika të jenë në gjendje të diagnostikojnë sëmundjevdekjeprurëse, të bëjnë investime milionëshe dhe të revolucionarizojë sektorë të tërë industrialë. Por e gjitha kjonuk do të ndodhë (ose të paktën nuk do të duhej të ndodhte) nëqoftëse nuk do të gjendet mënyra për t’i bërëteknikat si puna e deep learning më të kuptueshme për krijuesit e tyre dhe përgjegjësit kryesorë për atë që ipërdor. Përndryshe do të jetë e vështirë të parashikohet se kur do të ketë probleme, se kur do të jenë tëpashmangshme. Jo rastësisht, makina e Nvidia është akoma në fazë eksperimentale. Sot në Shtetet e Bashkuarapërdoren tashmë modele matematikore për të zgjedhur, për shembull, se kush mund të sigurojë lirinë e vigjëluar,kush mund të marrë një hua dhe kush duhet të punësohet për një vend pune. Duke hyrë në këto modele mund tëkuptohet mënyra e tyre e të arsyetuarit. Megjithatë, kohët e fundit bankra, ushtria, bizneset dhe subjekte të tjera pu kushtojnë vëmendje sistemevekomplekse të reja të kuptimit automatik që rrezikojnë të bëjnë krejtësisht të padepërtueshëm procesetvendimmarrëse të automatizuara. Deep learning, sistemi më i përhapur, është një mënyrë totalisht e re eprogramimit të kompjuterëve. “Qysh tani është problem i rëndësishëm dhe do të jetë shumë më tepër në tëardhmen”, vëren Tommi Jaakkola, një pedagog nga Massachusetts Institute of Technology (MIT) që punon përaplikacione të kuptimit automatik. “Për çdo vendim – në fushën financiare, mjekësore apo ushtarake – nukmund t’i besohet thjesht një kutie të zezë”, domethënë një sistemi për të kuptuar ngjarjet vetëm me gjëra tëmbaruara. Dikush thekson tashmë se mundësia për të kërkuar një inteligjencë artificiale siç është arritur nëkonkluzione të çaktuara duhet të garantohet me ligj.Nga vera e 2018, Bashkimi Europian mund t’u imponojë kompanive detyrimin për t’u shpjeguar klientëvevendimet e marra nga sistemet e automatizuara. Ndoshta do të rezultojë një ndërmarrje e pamundur, edhe përsisteme që në pamje të parë duken relativisht të thjeshta, si aplikacionet dhe uebsajtet që përdorin deep learningpër reklamat apo për të rekomanduar playlist-a me këngë. Kompjuterët që menaxhojnë këto shërbimeprogramohen vetë dhe askush nuk është në gjendje t’i kuptojë sesi e bëjnë. Nuk arrijnë as inxhinierët që i kanëzhvilluar aplikacionet. E gjitha kjo hap një seri pikëpyetjesh të vështira. Me avancimin e teknologjisë herët avonë do të tejkalohet një prag përtej të cilin përdorimi i inteligjencës artificiale do të kërkojë një akt besimi.
Është e vërtetë edhe që ne qeniet njerëzore nganjëherë nuk jemi në gjendje t’i shpjegojmë problemet tonamendore, por nganjëherë i besojmë intuitës për të vlerësuar njerëzit dhe të vendosim nëse t’u besojmë apo jo.Do të arrijnë ta bëjnë edhe me makinat që mendojnë dhe marrin vendime në mënyrë të ndryshme nga qenietnjerëzore? Kurrë më parë nuk qenë ndërtuar makina në gjendje që të bëjnë gjëra të pakuptueshme edhe prejatyre që i kanë krijuar. Si mendojmë të komunikojmë – dhe të biem dakord – me makina inteligjente që mund tërezultojnë të paparashikueshme dhe padepërtueshme? Këto pikëpyetje më kanë shtyrë që të bëj një udhëtim nëkërkimin më të avancuar lidhur me inteligjencën artificiale, nga Google tek Apple, përfshi një takim me një prejfilozofëve të mëdhenj të epokës tonë.Shqyrtime klinike Nel 2015 një grup kërkuesisht të Mount Sinai Hospital në New York ka vendosur që ta zbatojë deep learning përdatabazën e spitalit, që përfshin qindra informacione për pacientët, nga rezultatet e shqyrtimeve klinike tekvizitat mjekësore. Ka lindur një program, i quajtur Deep Patient, që është krijuar për të përdorur të dhënat erreth 700000 perosnave. Ku është testuar në pacientët e rinj, është treguar jashtëzakonisht efikas në parashikimine patologjive. Pa asnjë udhëzim nga ana e specialistëve, Deep Patient ka zbuluar elementë të përsëritur nëbrendësi të të dhënave spitalore falë të cilave ishte e mundur të parashikohej se kur një person ishte më iekspozuar ndaj një serie sëmundjesh, midis të cilave tumori në mëlçinë ezezë. Ka metoda të shkëlqyera përparashikimin e sëmundjeve duke u nisur nga kartela klinike e pacientit, thotë Joel Dudley, kreu i grupit tëkërkuesve të Mount Sinai Hospital. Por kjo, shton ai, “funksionon shumë më mirë”. Por, në shumë aspekte,Deep Patient është mister. Për shembull, arrin të parashikojë çuditërisht mirë shfaqjen e shqetësimevepsikiatrike si puna e skicofrenisë. Nga momenti që skicofrenia është e vështirë për t’u parashikuar, Dudley kapyetur sesi ishte e mundur. Akoma nuk e ka gjetur një përgjigje. Deep Patient nuk ofron asnjë tregues lidhur mektë. Për t’i dhënë një ndihmë reale mjekëve, një instrument duhet të japë një shpjegim racional të parashikimit tëtij, të na sigurojë lidhur me saktësi dhe ndoshta të justifikojë përdorimin e ilaçeve të ndryshme nga ato që janëdhënë deri në atë moment. “Dijmë si ti ndërtojmë këto modele, por nuk dijmë sesi funksionojnë”, thotë itrishtuar Dudley.Inteligjenca artificiale nuk ka funksionuar gjithmonë në këtë mënyrë. Qysh nga fillimi ka pasur dy shkollamendimi lidhur me atë sesa duhet të jetë e kuptueshme apo e shpjegueshme. Për shumë njerëz, gjëja më mekuptim ishte të ndërtoheshin makina që të arsyetonin sipas një serie rregullash dhe një logjike, duke e e bërëtransparent funksionimin e tyre ndaj kujtdo që do të donte t’i shqyrtonte kodin. Të tjerë theksonin se në faktinteligjenca do të zhvillohej më lehtësisht sikur makinat të kishin ndjekur shembullin e biologjisë, duke mësuarnga vëzhgimi dhe nga përvoja. Kjo nënkuptonte që të përmbysej krejtësisht mënyra e programimit tëkompjuterëve. Nuk ishte me programuesi që i shkruante komandat për zgjidhjen e një problemi, por ishteprogrami ai që gjeneronte vetë algoritmin mbi bazën e shembujve dhe të rezultatit të dëshiruar. Teknikat ekuptimit automatik që kanë evoluar në sisteme shumë të fuqishëm të inteligjencës artificiale të sotëm kanëndjekur rrugën e dytë: në thelb, makina programohet vetë. Në fillim kjo metodë kishte zbatime praktike tëkufizuara dhe, në vitet Gjashtëdhjetë e Shtatëdhjetë, ka mbetur marxhinale. Më pas, kompjuterizimi i shumësektorëve industrialë dhe dalja e serive të mëdha të të dhënave e kanë rinovuar interesin. E gjitha kjo ka çuar nëzhvillimin e teknikave të kuptimit automatik më të evoluara dhe sidomos në evolucionin e një teknologjie tënjohur si rrjeti artificial i neuroneve. Qysh në vitet Nëntëdhjetë, rrjetet qenë në gjendje që t’i kuptonin karakterete shkruara me dorë.Por vetëm në fillimin e dekadës së fundit, pas rregullimesh dhe rafinimesh të ndryshme, rrjetet e mëdha tëneuroneve (apo “rrjetet e thella të neuroneve”) kanë dhënë provë përmirësimesh substanciale në perceptiminautomatik. Merita e shpërthimit aktual të inteligjencës artificiale është e deep learning, që u ka dhënëkompjuterëve kapacitete të jashtëzakonshme: për shembull atë të njohjes së gjuhës të folur pothuajse si një njerinë mish e kocka, nja aftë tejet komplekse për ta kodifikuar me anë të makinës. Deep learning e ka transformuarvizionin artificial dhe ka përmirësuar në mënyrë substanciale përkthimin informatik. Sot përdoret për vendime tërëndësishme të çdo lloji në mjekësi, në financë, në manifakturë dhe në sektorë të tjerë. Funksionimi iteknologjive të kuptimit automatik është në thelb më opake sesa sistemet e bazuar mbi rreshta të shkruara nganjë programues. Kjo nuk do të thotë se të gjitha teknologjitë e ardhshme e inteligjencës artificiale do të jenë poaq të pakuptueshëm. Por, për nga natyra e tij, deep learning është një “kuti e zezë” jashtëzakonisht e errët.Nuk mjafton të shikohet në brendësi të një rrjeti neuronesh për të kuptuar sesi funksionon ajo. Skema earsyetimit të një rrjeti është e ngulitur në sjelljen e mijëra neuroneve të simuluar, të organizuar në dhjetëra apoderi qindra shtresa të ndërlidhura midis tyre. Çdo neuron i shtresës së parë merr një input – për shembullintensitetin e një pikseli të një imazhi – dhe bën një llogari përpara se të emetojë sinjale të reja. Nga ana e tyrë,këta janë transferuar nëpërmjet një rrjeti kompleksi në neuronet e shtresës tjetër e kështu me radhe deri kur nukarrihet në një rezultat komplesiv. Gjithë kësaj i shtohet një proces i njohur si back-propagation që prekllogaritjet e neuroneve të veçanta në mënyrë që t’i mundësojë rrjetit të mësojë sesi sigurohet një rezultat icaktuar. Shtresat e shumta që përbëjnë një rrjet të thellë i mundësojnë vetë rrjetit që t’i njohë informacionet nënivele të ndryshme abstragimi. Për shembull, një një sistem të projektuar për të njohur qentë, shtresa inferiore