Sztuczna inteligencja a doradztwo

Dysponując tylko smartfonem już korzystamy z niej nieco bezwiednie, jeżeli pomaga nam wirtualny asystent czy asystentka. Wyszukując w wyszukiwarkach interesujące nas treści, to SI podpowiada zakończenie wpisywanych fraz i daje odpowiedź, znając nasze wcześniejsze wyszukiwania. Użytkując różne aplikacje pomocne, np. w rozpoznawaniu roślin czy zwierząt, powszechnie i za darmo dostępne w sieci internetowej, też korzystamy z AI. Oprócz tego istnieją oprogramowania komercyjne i niekomercyjne pomocne w planowaniu i prowadzeniu np. gospodarstwa rolnego. 

Początki SI

Ojcem sztucznej inteligencji i jednym z twórców informatyki jest Alan Turing, który pracował nad stworzeniem maszyny potrafiącej myśleć i działać jak człowiek. Zajmował się procesami myślenia i inteligencją. Uważał, że wszystko, co da się obliczyć można zautomatyzować. Jednocześnie, jest to ten sam brytyjski kryptolog z czasów II wojny światowej, któremu przypisywano niesłusznie złamanie kodu niemieckiej maszyny szyfrującej Enigma. Jednak w końcu publicznie uznano, że złamał go Bydgoszczanin – Marian Rejewski wraz z kolegami matematykami Jerzym Różyckim i Henrykiem Zygalskim. W skład zespołu wchodzili także mjr Franciszek Pokorny, kpt. Maksymilian Ciężki, inż. Antoni Palluth. A więc i ci panowie położyli także podwaliny pod powstanie informatyki i jej praktyczne wykorzystanie.

Maszyny mogą uczyć się, jednak człowiek musi im pokazać początek takiej drogi uczenia się, w której do obliczeń wykorzystywana jest statystyka

Kółko i krzyżyk

Ta popularna gra dla dwóch osób znana jest zapewne wielu czytelnikom. Oczywiście można w nią zagrać także z komputerem. Jest ona przykładem gry logicznej, w której urządzenie korzysta z algorytmu. Trochę przypomina on przepis kulinarny. Algorytm, to instrukcja informatyczna o różnym stopniu skomplikowania, co zależy od liczby kroków, jakie algorytm musi wykonać, co z kolei zależy od stopnia trudności osiągnięcia celu.
Jednak algorytm dla gry w kółko i krzyżyk nie jest zbyt skomplikowany, ale należy przygotować tzw. drzewo gry, czyli wszystkie możliwości jej zagrania. Wiele algorytmów to formuła „jeśli x to y”. Jednak dla innych gier algorytmy są bardziej skomplikowane.

Przeprawa przez rzekę

To zadanie logiczne polegające na tym, że należy ustalić kolejność i rodzaj ładunku, który ma pasterz przewieźć łódką z lewego na prawy brzeg rzeki. Przeprawić należy: pasterza, lisa, królika i marchewkę. Są jednak pewne warunki: pasterz może zabrać za każdym razem tylko jeden ładunek, na brzegu nie mogą być razem lis i królik, gdyż ten pierwszy zje tego drugiego, a królik nie może sam zostać z marchewką, bo ją zje. Jedynie obecność pasterza zapobiega zjadaniu. Pasterz, lis, zając i marchewka mogą zmieniać brzeg dowolną liczbę razy.
Zadanie nie jest trudne i na pewno dość szybko czytelnik znajdzie rozwiązanie bez pomocy SI. Za każdym razem człowiek będzie jednak sprawdzać, kto/co znajdować się będzie na którym brzegu, gdy wykona jakiś ruch, aby nie wystąpiła sytuacja krytyczna – lis sam z królikiem lub królik sam z marchewką. Maszyna nie sprawdza, czy wystąpią stany krytyczne lis – królik czy królik – marchewka, bo takie stany zostały już odrzucone.

Królewska gra

W przypadku szachów czy warcabów nie robi się ich drzew, bo byłyby czasochłonne i bardzo rozbudowane. Tu wiodącą rolę mają algorytmy. Dzięki nim maszyna sprawdza wszystkie możliwości ruchów – wygranych i przegranych. Algorytm min.-max. szuka najkrótszej drogi do celu, ponieważ do wygranej musi dojść po jak najmniejszej liczbie ruchów. Pomocna w wyjaśnieniu okazuje się gra w kółko i krzyżyk. Jeżeli przy jakimś danym ułożeniu O i X na planszy zachodzi możliwość wygranej O, wartość tego węzła (ruchu) wynosi 1, jeżeli może wygrać X, wartość to –1, remis jest zerem. Dzięki temu komputer obliczy, które posunięcia doprowadzą do zwycięstwa przy jak najmniejszej liczbie ruchów.

Sieci neuronowe

Pierwszy program SI powstał w 1956 roku i okazał się lepszy od człowieka, gdyż „wymyślił” nowy i doskonalszy dowód jednego z twierdzeń matematycznych, a komputer, na którym był zainstalowany miał bardzo małą moc obliczeniową. Tymczasem podwojenie mocy komputerów następuje co 2 lata. Pierwszy amerykański komputer zajmujący wiele pomieszczeń i psujący się po 10 minutach działania miał moc jednego dzisiejszego taniego prostego kalkulatora, a w latach 50. ub. wieku moc wszystkich komputerów na świecie była kilka milionów razy mniejsza niż jednego dzisiejszego smartfona.

Rozwój SI nastąpił wraz z wymyśleniem i zbudowaniem pierwszych sieci neuronowych. Początkowo rozwijano je w kierunku upodobnienia do ludzkich zachowań. Potem przyszedł czas na stworzenie sieci neuronowej na podobieństwo ludzkiej sieci neuronów w mózgu. Neuronów mamy ok. 100 mld, a tylko 20% z nich jest w korze mózgowej odpowiedzialnej za myślenie. Połączeń między neuronami jest ok. 100 bilionów (100 tys. mld), a najbardziej skomplikowana sztuczna sieć neuronowa ma ich 1 mld, czyli jest 100 tys. razy mniej skomplikowana. Sieci neuronowe są obecnie wielopoziomowe. Każdy poziom odpowiada za rozpoznanie jakiejś części większego obiektu. Dopiero najniższy poziom, tzw. głęboki zespala wszystko w całość i rozpoznaje pokazany komputerowi obiekt. Mimo że pierwszy komputer działający podobnie jak sieć neuronowa powstał w 1956 roku, to dopiero po 30 latach ukazał się artykuł amerykańskich autorów, w którym pokazano, jak powinna sama uczyć się sieć wielopoziomowa, tzw. sieć głęboka.

Na razie żaden współczesny komputer nie ma świadomości człowieka. Może ją co najwyżej symulować.

Uczenie się maszynowe

Maszyny mogą uczyć się, dzięki czemu umieją lepiej i szybciej wykonywać coraz bardziej skomplikowane zadania. Jednak człowiek musi im pokazać początek takiej drogi uczenia się, w której do obliczeń wykorzystywana jest statystyka, jednak nie nadzoruje tego procesu na bieżąco. Pierwszy rodzaj uczenia się, to uczenie się nadzorowane, zaczynające się od treningu. Na przykład „pokazuje się” komputerowi szereg zdjęć, podając nazwę obiektu na zdjęciach, np. krowa, owca, świnia itp. Liczbę zdjęć zwiększa się, a obiekt widoczny na zdjęciu zaczyna mieć zróżnicowane cechy (np. umaszczenie, rogi), za pomocą których maszyna tworzy zbiory obiektów z tymi samymi cechami. Po wprowadzeniu danych należy wykonać test pokazując komputerowi zdjęcia bez nazw, na których widnieją różne obiekty, też te same, ale nie takie same, które wprowadzano podczas uczenia się. Jeżeli maszyna prawidłowo nazwie zdjęcia z pokazanymi jej obiektami, uznaje się, że nauczyła się je rozpoznawać.

Drugi rodzaj uczenia się, to uczenie się nienadzorowane, bliższe myśleniu. Do komputera wprowadza się zdjęcia z różnymi obiektami, np. z krowami i świniami, ale nie może on ich porównać z żadnym wzorcem, bo go nie posiada. Jego zadaniem jest pogrupowanie ich wg jakiejś ustalonej przez niego cechy lub cech charakterystycznych, które nadają im podobieństwo. Przy tym uczeniu się maszyna nie wie, czy zadanie wykonała dobrze, człowiek też nie zna prawidłowej odpowiedzi. Przykładem może być przewidywana cena nawozów czy cena za 1 kg wieprzowiny w skupie. Ostatnią wersję autor próbował sprawdzić – wynik przy końcu artykułu.
Podczas uczenia się maszynowego urządzenie wykorzystuje tzw. wsteczną propagację błędów, dzięki której potrafi rozpoznać obiekty lub wzory, ale też znajduje między nimi podobieństwa. Oznacza to, że poprzez informację o tym, czy zadanie zostało wykonane dobrze czy źle, system nieco modyfikuje poziomami swoje parametry cofając się, czyli ucząc się. A tych poziomów może być wiele. Na przykład sieć rozpoznająca obrazy ma ich 101.

Trzeci rodzaj uczenia się, to uczenie się ze wzmacnianiem albo inaczej metoda kija i marchewki. Sposób najtrudniejszy, podobny do uczenia się człowieka. Urządzeniu podaje się zestaw reguł i stwierdzeń, według których ma działać. Następnie rozwiązuje problem i „patrzy” na skutki swojego działania, za które jest nagradzany lub karany. Za prawidłowe rozwiązanie komputer dostaje np. +1 punkt, za złe rozwiązanie – zero. Celem jest zdobycie jak największej liczby punktów.

Należy pamiętać, że ucząc się maszyna zawsze wykonuje obliczenia posługując się np. najprostszym algorytmem KNS, czyli klasyfikatorem k najbliższych sąsiadów. Co to znaczy? Maszyna nauczyła się i zapamiętała obiekty na podstawie cech charakterystycznych, a gdy jej pokazano nowy obiekt, sprawdziła go pod kątem podobieństwa i przypisała stosowną nazwę.
A co z sąsiadem? Otóż, jeżeli maszynie pokaże się nowy obiekt, to ona szuka cech podobnych do obiektów już jej znanych, a w zasadzie będących w jej bazie. Jeżeli znajdzie dwie cechy podobne uznaje, że to może być obiekt podobny do jakiegoś już jej znanego i umieszcza go blisko niego. Im bliżej siebie obiekty są położone, tym są bardziej do siebie podobne i odwrotnie – im dalej, tym podobieństwo jest mniejsze. Jednak taki sposób może prowadzić do błędów, dlatego potrzebny jest klasyfikator k. Jest to liczba sąsiadów nowego obiektu, którą trzeba uwzględnić. Więc podobieństwo, to odległość lub liczba wspólnych cech bądź sprawdzenie, których obiektów jest najwięcej.
Z pozoru może to wydawać się skomplikowane, ale na pewno wszyscy czytelnicy spotkali się z takim denerwującym zjawiskiem „nachalnego wciskania” niechcianego towaru w sklepie internetowym. Zauważmy, że często jesteśmy pytani o wiek, płeć, wielkość miejscowości, w której mieszkamy i inne dane. Tak właśnie dzieje się dzięki algorytmowi KNS, z którego korzysta SI. To samo dotyczy oferowanej muzyki, filmów, książek, audiobooków itp. Nic nie stoi na przeszkodzie, aby AI dobierała np. nasienie buhaja, knura, tryka, kozła, ogiera, trutnia i in. do inseminacji określonej samicy.

Czy można odróżnić sztuczną inteligencję od prawdziwej?

Tak, ale przede wszystkim należy zdać sobie sprawę z tego, że maszyna nie jest mądrzejsza od nas, albo inaczej mówiąc jest tak „mądra” na ile ją wykształcimy, choć może ona też „kształcić się” sama.

Turing wymyślił test kontrolny, w którym jeden człowiek jest sędzią i zadaje pytania urządzeniu i drugiemu człowiekowi. Pamiętajmy, że autor pomysłu nie dysponował komputerem. Urządzenie nie zalicza testu, jeżeli sędzia rozpoznaje jego odpowiedzi. Według autora testu urządzenie jest inteligentne, jeżeli umie inteligentnie odpowiedzieć. Jednak co to znaczy? Zażartuje, zmieni temat rozmowy, zrobi błędy ortograficzne, rozwiąże test na IQ? W jednym z testów przeprowadzanych współcześnie aż 33% sędziów uznało, że rozmawiało z człowiekiem, a tymczasem był to chatbot umiejący żartować. 

Obecnie testy wykonuje się wg schematu Winograda. W rozmowie używa się zdań o określonej konstrukcji gramatycznej – dwa rzeczowniki tego samego rodzaju (męskiego, żeńskiego lub nijakiego), ożywione lub nieożywione. Okazuje się, że dla komputera taka treść może być trudna – Pies goni kota, który jest mały. Kto jest mały? Maszyna musi zidentyfikować jakie zwierzę opisuje użyty w drugiej części zdania przymiotnik. Człowiekowi nie sprawia to problemu – wskaże kota. Komputer może pomylić się i wówczas oczywiście nie zda testu. 

John Searle wymyślił eksperyment myślowy o nazwie chiński pokój przedstawiający sposób myślenia maszynowego. W jednym pokoju znajduje się osoba nie znająca języka chińskiego, ale mająca ze sobą zestaw odpowiednich reguł. W drugim pokoju znajduje się Chińczyk, który przez szparę w drzwiach podaje drugiej osobie kartkę z pytaniem zapisanym chińskimi znakami. Osoba z drugiej strony sprawdza, jaki znak należy napisać, aby odpowiedzieć na pytanie, które otrzymała, choć nie zna ani jego treści, ani odpowiedzi, ani nie wie, że to jest pytanie. Przesuwa swoją kartkę z odpowiedzią pod drzwiami. Chińczyk myśli, że jego „rozmówca” zna chiński. Jeżeli w drugim pokoju umieścić komputer i wyposażyć go w ten sam zestaw reguł, będzie prawidłowo odpowiadać na pytania, choć nie zna chińskiego, dodatkowo nie wie, że odpowiada na pytania, a i tak nie nauczy się chińskiego.

Wyżej wymienione testy sprawdzają dokładność i bezbłędność Al w przetwarzaniu mowy naturalnej przez komputer. Ale maszyna nie zna języka, działa tylko wg reguł określonych przez człowieka w formie algorytmu, choć on nie pisze go całego. Podaje tylko wiele różnych cząstkowych algorytmów, tworzących algorytm SI. To, czego komputer nauczył się wcześniej dzięki uczeniu się maszynowemu, da efekt końcowy na skutek łączenia przez urządzenie wielu algorytmów, które pozwolą mu osiągnąć cel. Mimo wielu użytkowników AI jest w stanie elastycznie dostosować istniejące algorytmy z posiadanej ich bazy, aby stworzyć oryginalny algorytm dostosowany do potrzeb danego użytkownika. Dzięki temu urządzenie też uczy się samo, przez co, gdy paru użytkowników będzie mieć te same preferencje, będzie miało już gotowy schemat działania, który będzie ciągle udoskonalany.

Projekt Debater IBM

Harish Natarajan, rekordzista świata w liczbie wygranych debat stanął w 2019 roku w szranki z SI w debacie na temat „Czy należy dofinansowywać przedszkola?” Przypadła mu rola bycia „przeciw”, a SI – „za”. Wystąpienia miały trwać po 4 minuty. Udział wzięło 700 osób – słuchaczy, którzy przed debatą w 75% byli za. Po debacie i 25-minutowym sporze ich liczba spadła do 62%. Czyli człowiek wygrał, bo przekonał ludzi do swojego zdania.
Dolina niesamowitości, czyli czy boimy się sztucznej inteligencji 
Tym terminem (ang. uncanny valley) określa się ludzki dyskomfort i strach w kontakcie z urządzeniem/maszyną imitującą zachowania ludzi w sposób niedoskonały.

Proste pytanie zadane maszynie prowadzi do celu – podania odpowiedzi. Natomiast pytanie skomplikowane, takie które jeszcze nigdy nie zostało zadane sprawia urządzeniu problem. Prosi wówczas o sprecyzowanie. Zadane pytanie nie jest przez urządzenie zapominane/wymazywane, lecz zasila jego bazę wiedzy, przez co komputer uczy się, staje się bardziej „ludzki”. Człowiek nabiera do niego zaufania, które nagle może zostać zburzone jedną nielogiczną odpowiedzią maszyny.

Sztuczna inteligencja w pracy doradcy rolniczego

Jedna z wyszukiwarek internetowych oferuje możliwość porozmawiania z chatbotem. Autor zadał następujące pytanie (zaczerpnięte z Internetu): Jeżeli trzymam krowy przez pół roku na pastwisku, czy mogę skorzystać z wariantu ściółka w ekoschemacie Dobrostan zwierząt? Chatbot nieco je zmodyfikował (pisownia oryginalna): Czy trzymanie krow przez pół roku na pastwisku umożliwia skorzystanie z wariantu ściółka w ekoschemacie Dobrostan zwierząt? Wygenerowana odpowiedź, to: Wariant ściółka w ekoschemacie Dobrostan zwierząt jest dostępny dla hodowców krów mlecznych, którzy wypasają swoje zwierzęta przez co najmniej 120 dni w okresie pastwiskowym1. Niestety nie udało mi się znaleźć informacji na temat hodowli krów mięsnych. Czy mógłbyś podać więcej szczegółów na temat swojej hodowli?
Kliknięcie na jedynkę (1) otworzyło link: https://www.gov.pl/web/arimr/dobrostan-23.

Odpowiedź nie do końca jest satysfakcjonująca, ale przecież urządzenie skorzystało z Internetu, a tam można np. znaleźć informację, że praktykę ściółka można realizować w przypadku opasów tylko wówczas, gdy zapewni się im zwiększoną o co najmniej 20 lub 50% powierzchnię bytową.
Urządzenie nie rozpozna wiadomości nieprawidłowej, choć może posłużyć się datami i wybrać najnowszą wersję, zakładając, że jest ona najbardziej aktualna. Oczywiście pytanie mogłoby zostać inaczej sformułowane.

Inne pytanie – raczej z zakresu wróżbiarstwa: Jakie przewidujesz ceny skupu żywca wieprzowego na najbliższe pół roku? Po modyfikacji przez usługę: Ceny skupu żywca wieprzowego na najbliższe pół roku. I odpowiedź (pisownia oryginalna): Ceny skupu żywca wieprzowego w Polsce wahają się w granicach od 6,30 zł/kg do 7,00 zł/kg w wadze żywej1. Według KZP-PTCh POLPIG średnia cena tuczników w klasie E wzrosła do 9,20 zł/kg1. Według danych Zintegrowanego Systemu Rolniczej Informacji Rynkowej MRiRW zakłady mięsne skupowały trzodę chlewną przeciętnie po 8,36 zł/kg1. Według raportu KOWR, cena żywca wieprzowego tej klasy w Polsce wyrażona w euro ukształtowała się na poziomie 230,78 euro za 100 kg (około 1 080 zł)1. Ceny skupu żywca wieprzowego wzrosły w notowaniach VEZG do poziomu 1,93 €/kg (+8 €)1. 
Według raportu KOWR, tendencja wzrostowa cen skupu żywca wieprzowego utrzymywała się również na rynku krajowym w ostatnim tygodniu lutego1.

Kliknięcie na jedynkę (1) spowodowało otwarcie linku: https://www.tygodnik-rolniczy.pl/rynki-rolne/ceny-tucznikow-wreszcie-rosna-ile-za-zywiec-wieprzowy-placa-aktualnie-zaklady-miesne-2388961.

Poza tym pojawiły się 3 pytania, w tym jedno brzmiało tak: Czy ceny żywca wieprzowego będą rosły?  Kliknięcie wygenerowało następującą odpowiedź (pisownia oryginalna): Według prognoz analityków z Banku PKO BP przeciętna cena skupu trzody chlewnej w Polsce wzrośnie o 28–36 proc. r/r w 2022 roku1. Dużym problemem rodzimych producentów wieprzowiny, realnie wpływającym na ceny tuczników w Polsce, jest ASF. W wyniku występowania choroby nasz kraj (jak i kilka innych krajów Europy) od lat odcięty jest od możliwości eksportu wieprzowiny na wiele intratnych rynków zbytu2.

Linki, to: https://www.agrofakt.pl/rynek-wieprzowiny-2022-ceny-i-prognozy-sprawdz/ i https://www.farmer.pl/agroskop/wieprzowina/.
Oprócz tego urządzenie zasugerowało kolejne 3 pytania: Jakie kraje są największymi importerami polskiej wieprzowiny? Czy ASF wpłynęło na ceny mięsa w innych krajach Europy? Jaka jest sytuacja hodowców trzody chlewnej w Polsce?

Odniesienia wskazane przez chatbota wyraźnie wymieniły jego źródła wiedzy. Maszyna niczego nie analizowała, ale można powiedzieć, że szybko przekazała odpowiedzi zadającemu pytania. Jaki on z nich zrobi użytek…? Trzeba jednak zwrócić uwagę, że prognoza dotyczyła roku ubiegłego, a nie aktualnego – 2023. Oferowana usługa jest bezpłatna i można zadać jedynie 5 pytań dziennie z jednego konta. Są także inne możliwości niż ta, z której skorzystał autor, w tym usługi komercyjne abonamentowe, ale nie ma konieczności wiązania się na dłuższy czas z danym dostawcą, przynajmniej na razie.

***
Sztuczna inteligencja na pewno jest już pomocna. Na razie żaden współczesny komputer nie ma świadomości człowieka. Może ją co najwyżej symulować. Jaką da nam odpowiedź, zależy od nas, od tego czego chcemy się dowiedzieć, jak sformułujemy pytanie, jakie informacje znajdzie urządzenie i, co ważne, jak będziemy umieli wykorzystać przekazane dane.