Ak lietate často, občas narazíte v lietadle na ľudí, ktorí sa lietania boja. Niektorí sa modlia, in sa snažia zaspať, prípadne si dodať guráž nejakým alkoholom. U niektorých zašla fóbia tak ďaleko, že radšej nelietajú vôbec. S trochou odstupu možno povedať, že ide o absolútne iracionálny strach. Na cestách každoročne zomiera násobne viac ľudí ako v lietadlách, ale nepoznám nikoho, kto by zo strachu nesadol do autobusu alebo sa modlil celú cestu. Rok 2017 opäť ukázal ako nezmyselná je táto obava.
Ešte než sa pustíme do samotnej podstaty článku, dovoľte mi krátky experiment. Doprajte si chvíľu na rozmyslenie a skúste si spomenúť: “Kedy naposledy ste zachytili správu, že zomreli cestujúci pri páde alebo nehode lietadla nejakej aerolinky?”
A] za posledný týždeň
B] za posledný mesiac
C] za posledného pol roka
D] za posledný rok
E] za posledných 5 rokov.
Úprimne, skúste sa nad tým zamyslieť, bez toho, že by ste googlili. Ak patríte do väčšiny (správami zdecimovanej) verejnosti, hádali ste niektorú z možnosti A] až D]. Ja sám som tipoval možnosť D. Ďalší odsek vás presvedčí, ako hlboko máme tento stereotyp vrytý do podvedomia.
Podľa aktuálne publikovanej správy organizácie Flight Safety Foundation, rok 2017 bol naozaj výnimočný. Počty ľudský obetí z komerčných letov klesajú už dlhodobo, ale v roku 2017 sa podarilo dosiahnuť skutočnú nulu. Počas celého roka 2017, na celej planéte nebola ani jedna udalosť, kde by zomrel čo i len jeden pasažier prúdového lietadla pri preprave leteckou linkou. Hoci číslo obetí dlhodobo klesá, absolútnu nulu táto štatistika dosiahla vôbec prvý krát za celú históriu lietania. Pre korektnosť je potrebné dodať, že štatistika meria nehodovosť iba komerčnej prepravy pasažierov prúdovými lietadlami. (súkromné lety menšími vrtuľovými lietadlami, preprava nákladu alebo vojenské lety do tejto štatistiky nespadajú). Nejde však o žiaden trik s číslami, lebo práve letecká preprava pasažierov prúdovým lietadlom je to, čo vás čaká, keď najbližšie poletíte na dovolenku alebo na výlet niekam aspoň 1000 km. Turbovrtuľové lety sa totiž používajú už iba vyhliadkové lety a prepravu na krátke vzdialenosti do 700 km, kde prúdové lietadlo nestihne vystúpať do patričnej výšky, aby prúdový let bol rentabilný.
Že nejde o náhodu a v roku 2017 sme proste mali len šťastie, dokumentuje ďalší ukazovateľ, ktorý organizácie na vyšetrovanie leteckých nehôd monitorujú. Okrem celkových obetí na životoch sleduje sa aj počet nebezpečných incidentov. Ide o situácie, keď lietadlo zažilo nejakú skutočnosť, ktorá ohrozila bezpečnosť letu (napríklad porucha počas letu, zrážka s vtákmi alebo núdzové pristátie). Každá letecká katastrofa je zároveň aj nebezpečným incidentom, zmena v počte incidentov hovorí niečo aj o riziku fatálnych havárií. Podľa iného reportu sa podarilo počet nebezpečných incidentov udržať v kontinuálnom poklese a to dokonca napriek neustále rastúcemu počtu letov. (z dostupných údajov som vám pripravil graf, ktorý to jasne dokumentuje). To dáva nádej, že dosiahnutá nula nie je šťastná zhoda okolností.
Podľa komentárov expertov je zaujímavé, že bezpečnosť úmerne stúpa na trhoch, kde je premávka lietadiel intenzívna. Ak by ste vyššie uvedenú testovaciu otázku položili Američanovi, ani jedna z odpovedí by nebola správna. Posledný pád lietadla s ľudskými obeťami tam mali až v roku 2009. Aj keď je pravda, že občas majú piloti naozaj “na mále” (pozri video), ale opäť sa potvrdzuje, že neplatí že by väčší počet letov zvyšoval šancu na letecké nešťastie. Naopak hustota prepravy buduje návyk na vychytanie múch, ktoré sa zanedbajú pri menej frekventovaných letiskách alebo menej skúsených aerolinkách.
Nielen v celej Európe, ale dokonca na celom svete, nezomrel ani jeden cestujúci komerčnej aerolinky. Na druhej strane okrem Monaka v Európe neexistuje štát, kde by ročne na cestách nezomrel aspoň jeden človek. Áno aj v San Maríne, či Andorre zomrie ročne niekoľko ľudí pri autohaváriách. V celej Európe je to pri tom spolu ročne viac ako 80.000 ľudí. Napriek tomu, sa nikto netrasie strachom pri štartovaní autobusu alebo osobného auta. Letecká doprava opäť ukázala svoju profesionalitu. Optimizmus by nám mali dodať aj slová Johna Coxa, bývalého pilota a toho času vyšetrovateľa leteckých havárií : “Úlohou najbližšieho desaťročia bude z dosiahnutej nuly v počte mŕtvych vytvoriť štandard.” Zostáva dúfať, že jediným nepríjemným letom bude, keď niekto “vyletí zo zamestnania”.
Späť na domovskú stránku
Rozloženie obrázkov alebo videa na komponenty a ich rozpoznanie zvládajú neurónové siete už na veľmi vysokej úrovni presnosti. Algoritmy na vyhľadávanie objektov alebo ľudí z obrazu už sa stávajú takmer komoditou. Napriek tomu zostávajú niektoré oblasti, kde optické rozpoznanie stále pokrivkáva. Ide napríklad o čítanie rukou písaných textov, bio snímkov alebo špeciálne upravovaných obrazcov. Najlepším dôkazom toho, že AI ešte nedosiahla na ľudskú úroveň je fakt, že práve Captcha (špeciálne upravené obrázky) sa používajú na odlíšenie ľudí od strojov pri registrácií alebo prihlasovaní na stránkach.
Zapísanie hovorenej reči do textu je jednou z pých umelej inteligencii, aspoň v západných jazykoch. Práve preto, že slová sa skladajú z hlások a zoznam slov je daný slovníkmi, vyhľadať kombináciu písmen, ktorá sa najviac podobá na to, čo zaznelo, je pre počítače pomerne jednoduchá úloha. Určitou prekážkou v tomto ohľade zostávajú dialekty (ani google translate nezná hutoric) a jazyky, kde sa slová neskladajú z hlások (znakové písma) alebo kde ten istý zvuk má veľa významov podľa intonácie alebo podľa kontextu vo vete (mandarínčina).
Hoci konvertovať reč do textu je pre neurónové siete pomerne jednoduché, porozumieť tomu, čo vlastne chceme povedať, vedia siete stále len pomerne slabo. Skladanie slov do viet totiž má za následok exponenciálny rast počtu učiacich prípadov (viď 
Schopnosti umelej inteligencie konkurovať človeku v pohybovej kultúre možno viacerých z vás zaskočia. Hýbajúce sa roboty totiž boli v histórií jedným z prvých prejavov techniky. Ak by ste sa však pozreli veci “bližšie na kobylku”, zistili by ste, že roboty po nás dokážu opakovať len veľmi limitované pohyby. Ak by ste chceli naprogramovať robota, ktorý chodí po lane, lyžuje v ľubovoľnom teréne alebo robí krasokorčuľovanie, pochopili by ste ako v plienkach táto oblasť umelej inteligencie stále je. Jedným z problémov týchto odvetví je aj fakt, že neexistuje dostatočne rozsiahly počet detailné popísaných príkladov týchto javov (neexistuje databáza pokusov chodenia po lane alebo detailný popis fyzikálnych parametrov krasokorčuľovania).
Napriek tomu, že neurónové siete dokážu prepísať náš prejav do textu, rozložiť text na jednotlivé vety a ich význam, práca s emóciami je stále relatívne v začiatkoch. Pustite človeku nemé video iného človeka a on vám poľahky povie, ako sa ten druhý cíti. Prejavov tej istej emócie je však tak veľa, že stroje zatiaľ nestačili poňať. Ak zoberieme len gestá (napr. bulharské kývanie hlavou vs. slovenské kývanie hlavou), ich interpretácia závisí od kultúry a ďalšieho kontextu. Ten istý pohyb slúži v karate na začatie boja a v hovorovej reči na rázne ukončenie diskusie. Tu čaká AI ešte naozaj dlhá cesta. Aj 8 ročné dieťa by porazilo v čítaní emócií najkvalifikovanejšie AI nástroje.
Naopak oblasť rozhodovacích procesov je už takmer na svojom strope. Takmer ľubovoľný rozhodovací proces už dnes troje dokážu robiť porovnateľné alebo lepšie ako ľudia. Hlavným dôvodom pre rýchly progres Ai v tejto oblasti je, že samotní ľudia väčšinou používajú jednotky parametrov, keď sa o niečom rozhodujú, takže latka pre stroje bola postavená pomerne nízko. V oblasti nákupných rozhodnutí a preferencií (napríklad súvisiace produkty, podobné knihy alebo hudba, …), kde je veľa podkladových dát už stroje vedia o nás viac ako vieme sami o sebe.
To všetko by sa dalo ešte zvrátiť, keby v tom celom procese ľudstvo neurobilo ešte jedno podstatné rozhodnutie. Dlhé desaťročia zamestnávala inžinierov a technikov snaha nahradiť čo najviac manuálnej práce robotmi. Na začiatku 90tych rokov svoje úsilie viac menej dokonali a tak ich, ľudovo a trochu vulgárne povedané, začali „opäť žrať mrle“. A tak výskumné centrá po celom svete sa postupne vrhli najprv na simulovanie, neskôr na kopírovanie, ľudských rozumových procesov. Aby to bolo možné, museli najprv stroje skopírovať naše kognitívne zmysly. Tak sme naučili počítače najprv čítať text, potom analyzovať hlas a obrazový vnem, tak ako to robíme my. Len čo stroje boli schopné „vnímať okolie“, začali sme ich učiť jednoduché vzorce rozmýšľania. (ak klesne teplota pod túto hranicu, tak spusti kúrenie, …) Avšak keďže ani svoj proces rozmýšľania nemáme detailne popísaný, čoskoro sme narazili na problém, že niektoré postupy nevieme pre počítače zapísať jednoduchou algoritmickou ak-tak reťazou. Tak sme sa rozhodli nechať počítač skúšať daný krok toľko krát až sa to (opakovane) naozaj podarí a nechať ho odvodiť si pravidlá, ako má rozhodovanie fungovať. Oblasti, kde sme dodnes nie schopní poskytnúť počítaču dostatočné podklady na jeho pokus-omyl učenie,
Treťou možnou alternatívou k dominancii umelej inteligencie je vyskúmať, ako umelú inteligenciu včleniť do tej ľudskej. Teda nájsť spôsob ako náš biologický mozog môže (pomocou implantátov) byť doplnený o ďalšie vrstvy z umelej inteligencie. S veľkou mierou nadsádzky by sa to dalo prirovnať k tomu, keď do foťáku vložíte pamäťovú kartu. Týmto spôsobom by všetky úspechy AI sa stali okamžite aj rozšírením ľudského potenciálu. Tento princíp v sebe skrýva mnohé morálne riziká (kto bude mať právo programovať hlavy iným), ale na druhej strane odvracia hrozbu nadvlády strojov nad človekom.
Ak by sme si dali dostatočný počet krokov späť a pozreli sa na oblasť dátových analýz (a predpovedí) naozaj zo široka, mohli by neurónové siete “splynúť v dave” s inými formami analytických postupov. Aby sme sa tejto začiatočníckej chybe vyhli hneď na začiatku, začneme tým, že vysvetlíme, čo oprávňuje neurónové siete mať vlastne miesto pod Slnkom. Cieľom neurónových sietí je na základe určitého množstva vstupných informácií dospieť k rozhodnutiu. (napríklad na základe informácií o novom, neznámom človeku rozhodnúť sa, či je chybou pozvať ho/ju na rande). Tento základný mód “daj mi vstupy, poviem Ti ako sa rozhodnúť” majú neurónové siete ešte spoločný s inými typmi data mining algoritmov ako sú rozhodovacie stromy, regresie či support vector machine. (súborne sa nazývajú aj strojové učenie alebo Machine Learning). Tou podstatnou deliacou čiarou je, že zakiaľ každý z postupov Machine Learningu si bude od vás pýtať zoznam kritérií, na základe ktorých chcete aby sa rozhodol, neurónové siete si vypýtajú len hrubé fakty a faktory rozhodovania si už vytvoria sami. Ak by sme to premietli do vyššie zmienenej analógie s rozhodovaním o rande, tak Machine learning (napr. rozhodovací strom) bude chcieť od vás, čo všetko (by) ste vy sami zohľadnili, keď sa rozhodujete medzi viacerými adeptmi na rande (napr. je vtipný, je mi vekom primeraný, máme spoločné hobby, má deti s inou, …). &neurónové siete si dokážu odvodiť takéto faktory rozhodovania, bez toho, že by ste ich museli pomenovať (napr. prídu na to, že muži po 50ke, žijúci na vidieku, veľmi často majú deti s inou. A to vám akosi nepasuje do schémy :).
Dôvodom, prečo sa neurónové siete tak volajú, je fakt, že v teoretickej podstate vychádzajú z modelu ľudskej neurónovej bunky. Aj keď v hlave máme rôzne typy neurónov, vo všeobecnosti možno o nich povedať, že každý neurón má jedno, či viac spojení, ktoré prinášajú vstupné vzruchy (v našej hlave sú to chemicko-elektrické signály) a jeden či viac výstupných spojení s ďalšími neurónmi (do ktorých sa prenáša výsledok “rozhodnutia” daného neurónu). Niekde v hlave teda máme aj neurón, ktorý zoberie do úvahy, či daný potenciálny partner na rande má “deti s inou” a zvýši alebo zníži tým šance daného jedinca byť pozvaným na rande. Počítačové neurónové siete fungujú podobne. Majú niekoľko vstupov, cez ktoré im pošleme informácie a jeden či viac výstupov, kam pošlú svoje rozhodnutie. Dôležité pritom je, že jeden neurón sa dlhodobo špecializuje len na jedno rozhodovanie. Teda ten istý neurón, ktorý zapracuje informáciu o iných harantoch potenciálneho partnera, nebude za hodinu rozhodovať o tom, či vonku sneží alebo prší.
Pred vynájdením spätnej distribúcie chyby (back propagation v angličtine) mali všetky siete vopred nastavené, pevné váhy medzi jednotlivými neurónmi. Sieť bola statická v čase. To spôsobovalo jav, ktorý by sme my ľudia nazvali asi tvrdohlavosť. Ak sa totiž o nejakom predloženom prípade rozhodla nesprávne, tým, že váhy boli konštantné, ak ste jej preložili ten istý prípad na opätovné posúdenie, opäť sa rozhodla rovnako nesprávne. To spôsobovalo, že tieto prapôvodné neurónové siete boli schopné sa rozhodovať len o veľmi primitívnych veciach, ktoré sa navyše nemenia v čase. Hintonova spätná distribúcie chyby umožnila presne to, čo mu mi ľudia hovoríme “poučiť sa na vlastných chybách”. Podstatou spätnej distribúcie chyby je totiž, že ak sa sieť pri učení pomýli, neurónová sieť prechádza spätne cez jednotlivé vrstvy a zistí, ktorá čiastková informácia spôsobila najviac odchýlenie sa od správneho rozhodnutia. Avšak nielen “vypátra vinníka”, ale na rozdiel od slovenskej justície, ho aj patrične potrestá. Upraví informačné váhy tak, aby tento čiastkový neurón mal väčší (alebo menší) vplyv na celkové rozhodnutie (niekedy môže totiž nastať chyba aj nedostatočným vypočutím niektorého neurónu, teda pre korekciu je potrebné zvýšiť jeho vplyv). Preto ak, napríklad, neurónovej sieti posunieme na posúdenie krásneho, bohatého a vtipného gay kandidáta na rande, ktorého sieť vehementne odporučí, ale my preferujeme heterosexuálne rande, tak vstupnému neurónu, ktorý nesie informáciu o sexuálnej orientácii, sa na základe spätnej distribúcie chyby upraví koeficient, tak aby zohrával významnú rolu v rozhodovaní.
Pre odborné dokreslenie problematiky, v neurónových sieťach sa rozlišujú zvyčajne tri druhy vrstiev: vstupná vrstva (to sú neuróny, ktorú nesú pôvodné vstupné informácie, napr. vek, sexuálne orientácia, telesná výška potenciálneho rande partnera a pod.), skrytá vrstva (kde sú neuróny, ktoré používajú dostupné vstupy pre vytvorenie čiastkových rozhodnutí. Kvalitné neurónové siete môžu maj niekoľko desiatok skrytých vrstiev, lebo musia zohľadniť veľa čiastkových vplyvov na celkové rozhodnutie. ), výstupná vrstva (ktorá obsahuje už neuróny dávajúce finálne rozhodnutie. Väčšina sietí je budovaná pre jedno výstupné rozhodnutie, ale neurónová sieť môže dodávať aj viac rozhodnutí naraz. Napr. či pozvať na rande a v ktorý deň v týždni pozvať na rande, do akého miesta rande situovať alebo akou formou komunikácie najlepšie pozvať daného človeka na rande)
