Czy sztuczna inteligencja ma intuicję?

Opowiem Ci dwie ciekawostki, nad którymi ostatnio się zastanawiałem.

Pierwsza, to odczytywanie naszych emocji z twarzy. Mam na myślę zwykłą kamerę, która nagrywa ludzi np. na ulicy czy w tramwaju. Mając zwykłe zdjęcie z twarzą człowieka, przy pomocy uczenia maszynowego, można próbować zgadnąć jak ten człowiek teraz się czuje. Techniczne, jest to możliwe już dzisiaj (i wiem, że podobne rozwiązania są stosowane, np. na konferencjach, ulicach czy w innych miejscach, tu między innymi pojawia się koncepcja “audience measurement” lub “crow measurement”).

Co prawda, na dużą skalę, to wymaga większej próbki danych, ale w naszych czasach mamy tak dużo nagrań z ludźmi, że da się to zrobić. Dlaczego o tym myślałem? Kiedyś, wyczytałem w książkach, że król to była taka osoba, która potrafi odczytać lub wyczuć nastrój ludzi „z powietrza”, i na podstawie tego podejmować te czy inne decyzji. Ten, kto robił to najlepiej, był sławny przez długi czas…

Warto powiedzieć wprost, bo czasem wydaje się, że bycie królem, czy używając bardziej nowoczesnego słowa – prezydentem, jest bardzo łatwe. Zwykle regulacje na takim poziomie muszą być ostrożne, bo nawet minimalne wahnięcie w lewo czy w prawo może doprowadzić do różnych skutków, czyli tak zwanego efektu motyla. Myślałem nad tym, a co jeśli już ktoś pracuje nad rozwiązaniem i mierzy jakie jest napięcie ludzi na dużą skalę? Również próbuje zrozumieć, jak to zmienia się z czasem, od czego to zależy. Jeśli pomyśleć jeszcze szerzej, to w ten sposób, można zbudować narzędzie które może mieć potężną siłę, żeby manipulować ludźmi. Na przykład, stworzyć sztuczną euforię wśród ludzi, wtedy kiedy jest taka potrzeba. Podobnie jak to było w książce braci Strugackich. Oczywiście, możesz powiedzieć, że już teraz sporo jest manipulacji, ale obawiam się, że to z czym mamy do czynienia teraz jest jak zabawka… Ciekawy jestem co o tym myślisz?

Druga historia, też powiązana ze zdjęciami i rozpoznawaniem po twarzy człowieka. Jeśli podróżujesz do większych miast, albo chociażby biorąc pod uwagę pewne dzielnice Warszawy, np. tak zwany Mordor (kto mieszka lub pracuje tam, wie o czym mówię). To pewnie wiesz jak dużo ludzi może pojawić się w jednym miejscu. Teraz jeśli to jest metro, czy inne miejsce, gdzie jest specjalna bramka, w którą trzeba wrzucić monetę czy bilet, to nagle staje się ono wąskim gardłem. Pojawia się gigantyczny korek, złożony tylko z ludzi.

Jak można to rozwiązać? Amerykańska firma Cubic Transportation Systems chce zrobić rewolucję w transporcie w Londynie. Zamiast użycia Oyster Card, będą… skanować twarze. Mówiąc wprost, po twarzy można będzie rozpoznać kto jedzie na gapę i to dosłownie! :). Jako wizja, brzmi to jak najbardziej możliwe. Myślę, że jeszcze będzie trochę wyzwań na poziomie technicznym, żeby osiągnąć skuteczność bliską 100%, a z drugiej strony być może to nie jest takie ważne. Pewnie firmie bardziej będzie się opłacać znacznie zwiększenie przepustowości bramki i incydentalne przepuszczanie ludzi bez biletu, niż zablokowanie tych, którzy mają bilet. Kontynuując tę myśl, po co nam dowód czy paszport w przyszłości? Co o tym sądzisz?

Łukasz Kuncewicz
Łukasz Kuncewicz

Już nie przedłużam, dzisiejszym gościem jest  Łukasz Kuncewicz. Cieszę się, że Łukasz znalazł czas, bo wiem, że jest mocno zapracowany. Ma sporo doświadczenia w IT, pracuje z dużymi danymi, czyli tak zwanym Big Data, jak i uczeniem maszynowym. Jest praktykiem, przez co bardzo z nim sympatyzuję, ale coś innego przykuło moją szczególną uwagę, on lubi myśleć dalej… Wiem, brzmi trochę dziwnie, ale to dość rzadka cecha w naszych czasach. Zastanawiać się nad procesami. Wyciągać z tego samodzielne wnioski.

Czuć, że Łukasz lubi zadawać pytania, przede wszystkim do samego siebie, ale nawet podczas wywiadu, też pytał mnie 🙂 Ciekawy jestem, czy odniesiesz to samo wrażenia.  Zapraszam do wysłuchania.

 

Czytaj dalej Czy sztuczna inteligencja ma intuicję?

Share

10 praktycznych porad jak uczenie maszynowe może usprawnić Twój biznes

Każdy przedsiębiorca bardzo się cieszy, kiedy działalność firmy zaczyna nabierać tempa. Ale czy to naprawdę jest miernikiem sukcesu? A może jednak w naszych czasach to porażka, która tylko potrzebuje czasu, aby się ujawnić. Byłem lojalnym klientem firmy, która, można powiedzieć, jest liderem w swojej branży, ale jednak mnie zawiodła. Co takiego mogło się wydarzyć, że jeden przypadek zrujnował budowane przez kilka lat zaufanie?

10 praktycznych porad
10 praktycznych porad

Jak machine learning, czyli uczenie maszynowe mogłoby uratować tę sytuację. Dzisiaj opowiem o tym, jak uczenie maszynowe może pomóc Ci w jak najlepszy sposób dostarczać bardziej wartościowe produkty lub usługi, a przede wszystkim jak może ono wspomóc twoją pracę, gdy biznes się rozrasta.

Coraz częściej dostaję od Was informację, że poruszam wraz z gośćmi wiele ciekawych tematów dotyczących sztucznej inteligencji. Jest to często inspirujące lub nawet wręcz pouczające, jednak dość ciężko jest zmapować to doświadczenie na konkretne przypadki własnego biznesu. Jak się mówi, dobrze wiedzieć, że istnieją duzi gracze jak Google, Microsoft czy Amazon, którzy inwestują miliardy w sztuczną inteligencję.

Ale z drugiej strony, pewnie masz firmę w Polsce, w której pracuje kilkudziesięciu czy kilkuset pracowników, ale wciąż trochę brakuje do miliardowych budżetów. Pojawia się pytanie i co wtedy? Czy uczenie maszynowe może w tym pomóc? Odpowiedź jest krótka – tak, może pomóc. A jeśli chcesz się dowiedzieć więcej, to przeczytaj (posłuchaj) do końca 🙂 Również na końcu czeka na Ciebie kilka miłych niespodzianek.

Czytaj dalej 10 praktycznych porad jak uczenie maszynowe może usprawnić Twój biznes

Share

Naukowiec Computer Vision z DeepMind – Mateusz Malinowski

Gartner opublikowała tak zwany hype cycle 2017, po polsku pewnie to brzmi jako cykl szumu albo cykl dojrzałości technologii. Hype cycle został wymyślony przez Gartner w 1995 roku i składa się z pięciu faz: najpierw pierwsze informacje na temat technologii, druga faza to dużo szumu i wielkie oczekiwania, trzecia faza rozczarowania, bo wykrywają się pewne ograniczenia, czwarta faza naprawa tych ograniczeń i znów oczekiwania. Piąta i ostatnia faza stabilizacja. Mówi się, że wtedy technologia dojrzała i oczekiwania są połączone z możliwościami.

Cycle Hype | Gartner | 2017
Cycle Hype | Gartner | 2017

Dla przykładu, na samym początku, czyli w fazie jeden jest tak zwany smartdust, po polsku to zabrzmi jako “inteligentny kurz”. W dużym uproszczeniu, wobraź sobie ziarno piasku, a teraz pomyśl, że tam jest mini-procesor, bateria i sensory. Bateria jest ładowana poprzez słońce lub inne naturalne źródła energie. Takie cząstki mogą robić wiele różnych rzeczy, obserwować otoczenia, mierzyć różne parametry i nawet szpiegować. Stanisław Lem, jeszcze w roku 1964, pisał w “Niezwyciężony” podobną wizję. Teraz o tym mało się mówi, ale wiele się robi w miejscach, o których też mało się mówi :).

Dla przykładu. Pamiętasz o swoich uczuciach kilka czy kilkanaście lat temu, kiedy po raz pierwszy wyszedł w publiczność ekran dotykowy. Wtedy to zrobiło wrażenie. Natomiast jest stosunkowa stara technologia, która już była znana co najmniej w latach 70-tych. ubiegłego stulecia. Podobnie do smartdust jest 4D printing, który też jest w pierwszej fazie. Jednym słowem 4D printing można wytłumaczyć jako – “transformer”. Wyobraź sobie, że został wydrukowany jakiś obiekt, który może transformować w inny obiekt z czasem. To ma wiele obszarów zastosowań w biznesie. Ale temat rzeka, podziel się swoją opinią czy chcesz więcej dowiedzieć się na temat technologii przyszłości jak smartdust lub 4D Printing?

Wracając do cyklu dojrzałości (hype cycle). Zwykle technologia przesuwa się w czasie od lewej strony do prawej, czyli od fazy numer 1 do fazy numer 5. Dla każdej technologii to potrzebuję różną ilość czasu od kilka lat do 10 (czy nawet więcej). Machine learning po raz pierwszy pojawił się w cyklu dojrzałości 3 lata temu (przed tym były tematy powiązane takie jak data science lub bigdata). Przez trzy lata (włączając rok 2017) machine learning jest cały czas jest w fazie numer 2 (czyli dużo szumu). Ciekawostką jest, że 3 lata temu machine learning był bliżej fazy trzeciej niż w roku 2017.

A co to oznacza w praktyce? Kilka wniosków. To, że jesteśmy na etapie, kiedy ilość szumu rośnie. Temat jest bardzo nagrzany i zawiera sporo magii. Kolejny wniosek jest taki, że oczekiwania rosną znacznie szybciej niż biznes jest gotów je wykorzystać. Stąd płynie kolejny wniosek, że po fazie drugiej jest faza trzecia – czyli rozczarowania wynikające z błędnego rozumienia możliwości. Postaram się pomóc Ci przejść z fazy drugiej w fazę trzecią z najmniejszą stratą jak materialną tak i moralną i przygotuję na to osobny odcinek. Już mam kilka pomysłów jak to można zrobić, ale chętnie posłucham Twoje przemyślenia na ten temat.

Naukowiec Computer Vision

Gościem dzisiejszego odcinku jest naukowiec z DeepMind – Mateusz Malinowski. W drugim odcinku podcastu już wspomniałem o turing test, również o tym rozmawialiśmy w innych odcinkach podcastu, np. w 10-ym z Aleksandrą Przegalińską. Natomiast Mateusz kilka lat temu zdefiniował Visual Turing Test, który nabiera coraz większą popularność i ważność.

Mateusz Malinowski | Naukowiec Computer Vision
Mateusz Malinowski

Czytaj dalej Naukowiec Computer Vision z DeepMind – Mateusz Malinowski

Share