Hoci by aktuálny mediálny povyk mohol naznačovať opačný dojem, neurónové siete v skutočnosti zatiaľ ovládli len časť nášho inteligenčného spektra. Áno, existujú oblasti, kde už dostávame na frak, ale naopak sú oblasti, kde schopnosti umelej inteligencie nestačia ani na úroveň osemročného dieťaťa, nieto ešte na úroveň vysokoškolsky vzdelaného jedinca. Poďme si teda rozobrať kategóriu po kategórii, kde sa AI nachádza. Pre lepšiu orientáciu čitateľa pridávam hodnotenie 0 až 10 bodov, pre ohodnotenie úrovne pokrytia danej témy. Uvedené hodnotenia sú mojim expertným hodnotením a nie sú doložené detailným výskumom témy.
Optické rozpoznanie objektov [8/10]
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.
Prepis hlasu do písaného slova [9/10]
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).
Porozumenie významu textu [6/10]
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 princíp učenia), ktoré treba sieti predložiť, aby sa naučila s textami pracovať. Vety ako „Tak Ti pekne ďakujem“ totiž môžu mať presne opačný význam a počítače zatiaľ len slabo dokážu rozoznať iróniu, vtip alebo iné emócie v našom verbálnom prejave. Koniec koncov ani my, ľudia, sme si niekedy nie úplne istí, či to ten druhý myslel vážne alebo to bola len nadsádzka.
Simulácia ľudského pohybu [3/10]
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).
Pochopenie ľudských emocií [2/10]
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.
Rozhodovacieho a odporúčacie algoritmy [9/10]
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.
V seriály neurónových sietí si prečítajte aj ďalej:
Ako začali neurónové siete a prečo fungujú?
Akú máme vlastne alternatívu voči umelej inteligencii?
Koľko rôznych druhov neurónových sietí vlastne poznáme? [coming soon]
Ak ste sa k našej sérii blogov o neurónových sieťach dostali neskôr a chceli by ste ju čítať od počiatku, začnite tu.
Publikované dňa 10. 1. 2018.
Späť na domovskú stránku
