Z tego artykułu dowiesz się:

• • czym są komputery kwantowe
  • w czym tkwi potencjał komputerów kwantowych w porównaniu do klasycznych maszyn
  • jak w praktyce zastosować moc komputerów kwantowych

Ray Kurzweil stworzył koncepcję krzywej, która pokazuje jak rośnie moc obliczeniowa w czasie. Przedstawione to jest w ten sposób, że zwiększa się ona w sposób wykładniczy i w pewnym momencie komputery stają się mądrzejsze lub chociażby posiadają większe możliwości obliczeniowe niż człowiek. Ten moment, tzw. one human brain ma nastąpić w 2023 roku, a już w 2050 komputer ma mieć większą moc obliczeniową niż cała ludzkość. Szacunki Kurzweila dotychczas się sprawdzają, zgodnie z prawem Moore’a mówiącym o tym, że co 2 lata moc obliczeniowa się podwaja. Niemniej obecnie możemy być przy granicach tych możliwości z uwagi na prawa natury, według których w ten sposób dalszy rozwój zwyczajnie nie będzie dalej możliwy.

Aby zapewnić dalszy wzrost, koniecznym jest znalezienie innego, nowego sposobu i takim rozwiązaniem prawdopodobnie będą komputery kwantowe. Dzięki temu krzywa Kurzweila wciąż będzie mieć swoje zastosowanie. Właśnie to jest tematem rozmowy z Pawłem Gorą, naukowcem z wieloma osiągnięciami obracającymi się wokół sztucznej inteligencji, komputerów kwantowych i nie tylko. To co Pawła wyróżnia to wyjście poza teorię nauki, ponieważ pracuje nad tym, aby swoje badania przełożyć na praktykę.

Cześć Paweł, przedstaw się: kim jesteś, czym się zajmujesz, gdzie mieszkasz?

Cześć Vladimir! Dzięki za zaproszenie. Jestem naukowcem z Wydziału Matematyki Informatyki i Mechaniki Uniwersytetu Warszawskiego. Wcześniej kończyłem tam studia magisterskie z matematyki i informatyki, a obecnie przygotowuję doktorat z informatyki, więc cały czas mieszkam w Warszawie. Sporo natomiast podróżuję po całym świecie, więc nie tak często można mnie w tej Warszawie spotkać, ale domyślnie jestem w Warszawie. W pracy naukowej zajmuję się przede wszystkim zagadnieniami związanymi ze sztuczną inteligencją i różnymi jej zastosowaniami, ale również innymi nowymi technologiami, między innymi informatyką kwantową. Interesują mnie zarówno kwestie teoretyczne związane z tymi technologiami, jak i ich praktyczne zastosowania w różnych dziedzinach.

W największym stopniu w tym momencie zajmuję się wykorzystaniem nowych technologii w transporcie i w medycynie. Współpracuję z kilkoma firmami i startupami działającymi głównie w obszarze transportu, między innymi zajmującymi się vanpoolingiem (przejazdami współdzielonymi), integracją transportu multimodalnego, czy inteligentnymi systemami rekomendacyjnymi.

Koordynuję pracę grupy badawczej TensorCell, w ramach której opracowujemy algorytmy optymalizacji ruchu drogowego poprzez sterowanie sygnalizacją świetlną, gdzie sztuczna inteligencja znajduje duże zastosowanie. Ostatnio opracowuję też program do symulacji ruchu drogowego. Na dużą skalę działa on na mapach Warszawy i też służy jako świetne narzędzie do generowania danych, czy testowania różnych algorytmów optymalizacyjnych zarówno na potrzeby systemów zarządzania ruchem, jak i w logistyce.

Obecnie zaczynam na uniwersytecie grant dotyczący optymalizacji logistyki ostatniej mili. Interesuję się też pojazdami autonomicznymi. Pracuję w tym zakresie z naukowcami z różnych krajów nad modelami ruchu pojazdów autonomicznych i komunikującą się między sobą infrastrukturą drogową. Jestem też przedstawicielem Polski w europejskiej akcji COST (Cooperation of Science and Technology), dotyczącej badania pojazdów autonomicznych i komunikujących się na dużą skalę. Całkiem spore, szerokie spektrum zainteresowań i tego, czym zajmuję się naukowo z tego wyszło. W przeszłości pracowałem też jako programista inżynier oprogramowania, naukowiec za granicą w takich firmach jak Microsoft, Google, CERN, IBM Research, więc zdobyłem już całkiem sporo doświadczenia zarówno naukowego jak i zawodowego.

Wiele ciekawych rzeczy powiedziałeś i właśnie dlatego Cię dzisiaj zaprosiłem. Chcę połączyć dwie rzeczy, które na pierwszy rzut oka się nie łączą aż tak prosto – sztuczna inteligencja i komputery kwantowe. Zanim do tego przejdziemy, podziel się tym, co ostatnio czytałeś?

Pytasz o książki, czy o artykuły naukowe? Bo ostatnio najczęściej czytam artykuły naukowe, zarówno takie ściśle naukowe, jak i bardziej popularnonaukowe. W tym momencie przygotowujemy pracę dotyczącą modeli ruchu pojazdów autonomicznych i komunikujących się. Czytałem na ten temat sporo prac, gdzie sztuczna inteligencja na pewno, a być może też komputery kwantowe mogą mieć zastosowanie. Czytuję także dosyć dużo artykułów popularnonaukowych. Przygotowując się do rozmowy z Tobą, czytałem ciekawy tekst dotyczący integracji kwantowych sieci neuronowych, które są dostępne lub będą tak naprawdę dostępne. Teraz właśnie dopiero pierwsze wersje zaczynają się pojawiać w takim ciekawym środowisku PennyLane wydanym nie tak dawno przez kanadyjską firmę Xanadu. Ta biblioteka jest przedstawiana jako pierwsza biblioteka do kwantowego uczenia maszynowego. Między innymi daje możliwości liczenia kwantowego gradientu, który potencjalnie być może mógłby być szybszy, skuteczniejszy niż gradient klasyczny. W sieciach neuronowych i ogólnie w uczeniu maszynowym gradienty czy spadek gradientowy to jest takie standardowe narzędzie stosowane właśnie w uczeniu różnych algorytmów.

To jest jedna z dziedzin technologii, którymi zacząłem się w ostatnim czasie interesować. Nie tylko sam, bo organizuję kilkuosobowy zespół naukowców z różnych krajów, którzy prawdopodobnie wspólnie ze mną będą startowali w konkursie organizowanym przez Xanadu dotyczącym właśnie wykorzystania tej biblioteki. Z bardziej klasycznych książek, jeżeli to by Cię interesowało, ostatnio czytałem “Ojca Chrzestnego”. Poza tym od czasu do czasu wracam do jednej z moich ulubionych książek popularnonaukowych, znakomitego brytyjskiego naukowca Rogera Penrose’a, “Nowy Umysł Cesarza”. Przy różnych okazjach ją polecam, chociaż nie wszystkie tezy stawiane w tej książce są w tym momencie aktualne, to jednak jest to znakomity przegląd i wprowadzenie do wielu dziedzin nauki, związanych z matematyką, informatyką, fizyką i mechaniką kwantową. Można się naprawdę sporo nauczyć.

Zapytałem o książkę, a już tyle opowiedziałeś też o komputerach kwantowych. Czy one zmieniają nasz świat szybciej niż myślimy?

To też zależy, jak myślimy. Może Ty powiesz, co Ty sądzisz? Jak szybko komputery kwantowe mogą zmienić świat?

Mój podcast tak się właśnie zaczyna – “świat zmienia się szybciej niż myślisz”. To zdanie jest też takie trochę rekurencyjne. Wtedy jak o tym myślisz, to zmienia się jeszcze szybciej. Zastanawiam się, czy też to dotyczy komputerów kwantowych?

To nie jest proste pytanie z tego powodu, że pomysł komputerów kwantowych pojawił się już dosyć dawno. Ma już ponad 30 lat i przez długi czas powstawało dużo koncepcji budowy komputerów kwantowych. Istnieją różne możliwe podejścia, które są obecnie testowane i wiele algorytmów, więc wydaje mi się, że trzeba by było rozdzielić dwie rzeczy: część algorytmiczną i tę dotyczącą budowy komputerów kwantowych. Pierwsza rozwija się rzeczywiście dosyć szybko. W tym momencie produkowanych jest dużo ciekawych artykułów, sporo algorytmów i prac naukowych pokazujących, że jeśli będziemy mieć komputery kwantowe, to pewne rzeczy będzie się dało zrobić lepiej niż na komputerach klasycznych. Tego się spodziewamy, a przynajmniej są szanse, że tak będzie. Nie do końca natomiast za tym idzie szybki rozwój budowy komputerów kwantowych. Uniwersalne komputery kwantowe mają kilkadziesiąt kubitów maksymalnie ogólnego przeznaczenia i to najczęściej są po prostu kubity fizyczne, czyli jeszcze to nie są takie kubity logiczne, na których można wykonywać operacje.

Tutaj używam sformułowania kubity, to pewnie będziemy za moment tłumaczyć. W klasycznych komputerach też istnieje coś takiego. Mamy pamięć logiczną i pamięć fizyczną, gdzie zapisujemy faktycznie dane. Mogą one być też w odpowiedni sposób reprezentowane w pamięci komputerów, ale też możemy mieć po prostu pewne kody korygujące błędy, czy chroniące nas przed tym, że pewne dane są źle zapisane. I podobnie wygląda sytuacja w przypadku komputerów kwantowych, gdzie ta korekcja błędów jest w tym momencie wąskim gardłem i to, ile mamy dostępnych kubitów fizycznych, niekoniecznie się przekłada na to, że faktycznie na takiej liczbie kubitów będziemy w stanie rzeczywistości wykonywać operacje.

Wracając do odpowiedzi na Twoje pytanie, informatyka kwantowa z jednej strony rozwija się na tyle szybko, aby brać ją pod uwagę jako pewien potencjalny przełom w informatyce, nauce, inżynierii i przemyśle. Natomiast z drugiej strony, nie rozwija się aż tak szybko, żeby spodziewać się jakichś olbrzymich przełomów i wielkiej rewolucji w najbliższym czasie. Raczej możemy tutaj mówić o oczekiwaniach, że jeżeli będą następowały przełomy i rzeczywiście takie bardzo poważne biznesowe, komercyjne zastosowania komputerów kwantowych, to jest to perspektywa przynajmniej kilku lat od teraz. Pamiętam jeszcze czasy, kilkanaście lat temu, kiedy mówiło się o tym, że posiadamy już komputery kwantowe, które mają kilka kubitów, lecz tak naprawdę nie za wiele byliśmy w stanie jeszcze na nich zrobić. W tej chwili stworzone zostały komputery kwantowe nawet dostępne w chmurze, które mają po kilkadziesiąt kubitów. Na przykład komputer Google, który ma 72 kubity, ale ostatecznie nie rozwija się aż tak szybko, żeby spodziewać się olbrzymich zastosowań w najbliższym czasie.

Spróbujmy to zrozumieć. Czy warto się zająć i dlaczego? Mamy tak komputery normalne, po co nam są kwantowe? Jaki problem staramy się rozwiązać?

Spodziewamy się, że komputery kwantowe mogą pomóc nam rozwiązywać pewne problemy obliczeniowe, które dla komputerów klasycznych w tym momencie są trudne. Jeżeli ktoś się zajmuje informatyką teoretyczną, to doskonale sobie z tego zdaje sprawę, a jak ktoś korzysta z rozwiązań informatycznych to pewnie też to wie. Mogą to być na przykład jakieś problemy optymalizacyjne, złożone symulacje, czy przetwarzanie tak dużych ilości danych, że trzeba faktycznie sprawdzić olbrzymie ilości możliwych stanów, konfiguracji. Spodziewamy się, że komputery kwantowe mogą przynieść przełom w szukaniu efektywnych rozwiązań. Są to m.in. problemy optymalizacji kombinatorycznej, czyli jakieś problemy NP-trudne. Na przykład problem komiwojażera, który chce odwiedzić określoną liczbę miast i wiedzieć w jakiej kolejności powinien te miasta odwiedzać, aby było to najbardziej optymalne. Znajdowanie globalnie optymalnego rozwiązania dla tego problemu jest to dla klasycznych komputerów trudne.

Mamy nadzieje, że komputery kwantowe będą w stanie tego typu problemy rozwiązywać szybciej, być może kwadratowo szybciej, a może jeszcze sprawniej. Innym przykładem zastosowania będzie symulacja różnych procesów, w szczególności kwantowych, kiedy chcemy projektować nowe związki chemiczne, leki, materiały. Znacznie łatwiej będzie liczyć tego typu symulacje kwantowe na nowych komputerach, ponieważ klasyczne czasami po prostu nie miały potrzebnej pamięci do tego, żeby rozważać wszystkie możliwe stany.

Innymi słowy, mamy pewne problemy, które na obecne czasy są albo trudne do rozwiązania, albo wręcz niemożliwe z uwagi na moc obliczeniową albo pamięć. Komputery kwantowe mają to zmienić, ponieważ zupełnie inaczej podchodzą do tematu, więc spróbujmy rozwinąć ten temat. Prawo natury klasycznej, prawo natury kwantowej – jakie są fundamentalne różnice?

W świecie klasycznym każdy obiekt ma jakiś określony stan taki jak prędkość czy położenie. To w pewnym sensie nie zależy od naszej obserwacji. Gdy robimy pomiar jakiegoś obiektu, to ma on określony stan, położenie. Robiąc pomiar zawartości danego rejestru w komputerze, otrzymujemy jakąś określoną wartość i to się w pewnym sensie nie zmienia. W informatyce kwantowej i mechanice kwantowej sytuacja wygląda trochę inaczej. Cząstki mają też pewne stany, ale to są stany kwantowe, które nie dają kompletnej informacji o tym, jaki dokładnie będzie wynik pomiaru, który dokonamy na tej cząstce. Może się też okazać, że jeżeli pewne eksperymenty wykonywalibyśmy, czy powtarzalibyśmy wielokrotnie, to otrzymywalibyśmy różne wyniki. Kubity to są kwantowe odpowiedniki bitów przechowujących po prostu informacje. W przypadku klasycznych bitów, mamy informacje reprezentowaną jako 0 i 1. Możemy mieć ciągi bitów, które mają zera i jedynki, na których możemy wykonywać operacje, zmieniać stan z 0 na 1 i odwrotnie, a następnie interpretować potem taki ciąg zer i jedynek tak, jak to chcemy rozumieć.

Natomiast w przypadku kubitów zero lub jedynkę możemy mieć wtedy, kiedy dokonamy pomiaru. Przed pomiarem, ten kubit jest w stanie superpozycji, gdzie jednak nie jest do końca określone, czy to jest stan 1 czy to jest stan 0. Tak naprawdę to może być coś pomiędzy, przy czym to, co jest pomiędzy, to tak naprawdę też jest czymś jeszcze bardziej skomplikowanym niż w takim świecie klasycznym. Pomiędzy 0 a 1 mielibyśmy jakiś przedział 0-1, natomiast w świecie kwantowym to są stany bardziej skomplikowane, gdzie tak naprawdę my mamy w pewnym sensie rozkład prawdopodobieństwa otrzymania tego, że dany kubit będzie w określonym stanie, jeżeli wykonamy na nim pomiar. Więc informatyka kwantowa w pewnym sensie to jest taki alternatywny model obliczeń. W informatyce klasycznej mamy maszyny Turinga. Przyjmujemy, że obliczenia, które możemy wykonywać na klasycznych komputerach, są równoważne takiej maszynie Turinga i mamy klasyczne bity, bramki logiczne, które otrzymują na wejściu konkretne bity, zwracają określone wyjście.

Oczywiście z punktu widzenia programisty mamy też języki programowania wysokiego poziomu, które umożliwiają pisanie programów korzystających z bardziej zaawansowanych funkcji, jakichś instrukcji warunkowych lub pętli. Jednak na niskim poziomie to się wszystko sprowadza do wykonywania elementarnych operacji na bitach. W komputerach kwantowych mamy właśnie te kwantowe bity, czyli kubity oraz kwantowe bramki. W mechanice klasycznej każdy obiekt jest w określonym stanie, gdzie ma określone położenie i prędkość, a w mechanice kwantowej stan cząstek takich jak elektron jest reprezentowany przez funkcję falową, która z grubsza opisuje rozkład prawdopodobieństwa, że cząstka jest w określonym stanie i nie wiemy dokładnie, w jakim stanie ta cząstka będzie, dopóki nie przeprowadzimy pomiaru.

W przypadku kubitów, mogą być one w stanie, który jest czymś pomiędzy stanem 0 i stanem 1. Formalnie mówimy, że jest to superpozycja tych stanów i dopiero, gdy wykonamy pomiar, to okaże się, że w wyniku otrzymamy 0 lub 1. Otrzymujemy ciekawy rozkład prawdopodobieństwa, że w wyniku pomiaru wystąpi 0 lub 1. Tak jak mówiłem o klasycznych bramkach logicznych, to istnieją też kwantowe bramki logiczne, które mogą po prostu zmodyfikować ten rozkład prawdopodobieństwa. Kluczowe przy tym jest to, że w przypadku klasycznym mielibyśmy klasyczne prawdopodobieństwo, natomiast w przypadku kwantowym bardziej to prawdopodobieństwo jest utożsamiane z wektorem tych zespolonych, w których tak naprawdę amplitudy muszą się sumować do jedynki. Więc jest to coś jeszcze bardziej skomplikowanego i przyjmujemy, że stany kwantowe to są takie wektory długości 1 (w dwuwymiarowej przestrzeni Hilberta nad ciałem liczb zespolonych).

Ugryźmy kubita trochę z innej strony. Wspomniałeś o klasycznych komputerach, gdzie operujemy bitami, czyli upraszczając to jest takie myślenie zero-jedynkowe, albo 0 albo jedynka, a mówiąc wprost: albo jest sygnał, albo nie ma. Więc możemy sobie wyobrazić, że jest jakiś pokój. W nim możemy sobie włączyć żarówkę albo wyłączyć, ale jest ten stan jednoznaczny – świeci lub nie. Tych pokoi mogą być miliony. Tworzymy kombinacje tych pokoi, możemy układać różne reguły logiczne i w ten sposób pojawi się to nasze klasyczne programowanie. W nawiązaniu do tej analogii jak to wygląda z kubitami i pokojami?

To by wyglądało w taki sposób, że mamy też pokoje, tylko są do nich zamknięte drzwi i my w pewnym sensie nie wiemy, co tam się w tych pokojach dzieje. Możemy, wykonywać jakieś operacje, mamy pewne prawdopodobieństwo tylko tego, że jeżeli otworzymy drzwi to się dowiemy dopiero, że światło było zapalone lub nie. Wykonując operacje dotyczące tego naszego światła możemy zmieniać rozkład prawdopodobieństwa, że jeżeli otworzymy te drzwi, to po prostu będzie światło zapalone. W przypadku takiego samego ciągu operacji (ponieważ to tylko rozkład prawdopodobieństwa) w klasycznych pokojach za każdym razem otrzymalibyśmy dokładnie taki sam wynik, natomiast w przypadku kwantowych pokoi mogłoby się okazać, że przy tych samych operacjach na końcu jednak otrzymamy zupełnie coś innego.

Można nawet powiedzieć, że w tym pokoju z zamkniętymi drzwiami siedzi pani Zosia i jak otwieram drzwi, to pani Zosia może włączyć to światło lub nie. Wyniki będą więc inne. To, że tam ktoś siedzi, to oczywiście żartuję, ale próbuję wyjaśnić, że jak mówisz o prawdopodobieństwie, to jest jeszcze dodatkowy czynnik, który może wpłynąć na to, co zobaczymy w efekcie, prawda?

W pewnym sensie tak. W momencie kiedy wykonujemy to działanie, to już dopiero zaczyna być określona wartość. Tak jak wspomniałem, gdybyśmy wykonywali taki sam ciąg operacji, mogłoby się wydawać, że zupełnie nic nie zmieniamy i spodziewaliśmy się takiego samego wyniku powtarzając eksperyment. W świecie klasycznym tak by pewnie było, a w świecie kwantowym może się okazać, że wynik będzie inny.

To akurat dotyka kolejnego pytania, bo generalnie w życiu jest tak, że coś za coś. Jeżeli chodzi o moc obliczeniową to komputery kwantowe wyglądają genialnie, po prostu rośnie ona wykładniczo i można robić przeróżne rzeczy, przynajmniej w teorii. Natomiast jak to wygląda w praktyce i jakie są ograniczenia? W teorii jest wszystko piękne. Potrafimy zrobić prawie wszystko, jednak jakie stoją przed nami wyzwania?

Jest ich kilka. Faktycznie tak jak powiedziałeś od strony takiej teoretycznej, naukowej nie ma poważnych powodów, a przynajmniej mi nie są znane, dla których duże komputery kwantowe mogłyby nie powstać. Natomiast w praktyce okazuje się, że są takie problemy. Jednym z nich jest dekoherencja, czyli możemy wykonywać operacje na tych kubitach, jeżeli one są w pewnym sensie odizolowane od świata klasycznego, rzeczywistego i są w tym stanie kwantowym. Jest to jednak bardzo trudne i często nie jesteśmy w stanie zapewnić, że przez odpowiednio długi czas taki stan zostanie utrzymany i jednak interakcja ze środowiskiem może nastąpić, co spowoduje zmiany.

Wracając do tej Twojej analogii z drzwiami: coś się za tymi drzwiami w pokoju dzieje, pani Zosia modyfikuje stany żarówki, ale nagle ktoś te drzwi uchyli i nastąpi załamanie. Tu może być podobnie, czyli kluczowa jest izolacja. Ważne też w niektórych typach komputerów jest zapewnienie odpowiednio niskiej temperatury. Są też błędy, jest szum.

Czasami się może okazać, że chociaż mamy kwantowe bramki logiczne, które teoretycznie powinny działać w określony sposób, czyli zmieniać szansę otrzymywania określonych wyników, to w praktyce one mogą działać inaczej niż teoria zakłada. Może się pojawiać jakiś szum, błędy nawet przy samym pomiarze. W związku z tym jest potrzeba bramek korygujących tego typu błędy. Im więcej jest bramek logicznych, tym trudniejsza robi się też korekcja błędów. W praktyce to są dwa główne zagadnienia, które od strony fizycznej i budowy samych komputerów kwantowych stanowią trudność i powodują, że rzeczywiście nie jest łatwo przeskalować to wszystko, czyli przechodzić z układu kilku czy kilkudziesięciu kubitów na większe układy.

Porozmawiajmy o przykładach. Kanadyjska firma D-Wave ma swój pierwszy komputer kwantowy wyprodukowany jeszcze w roku 2007, D-Wave Orion, 16 kubitów. W 2017 miał on już 2048 kubitów, który kupił też Google. Koszt to około $15 mln. Czytając takie wiadomości, zastanawiam się nad tym, czy to znaczy, że te komputery kwantowe już istnieją? Ktoś sprzedaje, kupuje, a nie do końca jest to prawda. Opowiedz, na czym polega algorytm Shora, taki bardzo wysokopoziomowy? Do czego służy, jakie zagrożenia są z nim związane i dlaczego akurat ten algorytm nie jest możliwy do przeprocesowania na maszynie D-Wave?

Zacznę od algorytmu Shora. Jest to algorytm rozkładu liczb na czynniki pierwsze, co jest dla komputerów klasycznych w tym momencie dosyć trudnym zagadnieniem. Mamy jakąś liczbę i chcielibyśmy znaleźć dwie liczby, które pomnożone dadzą nam tę naszą liczbę docelową. W jedną stronę jest bardzo łatwo wykonać mnożenie, ale w drugą stronę jeżeli mamy wynik, to znalezienie dwóch takich liczb, których przemnożenie da ten wynik, jest trudne dla komputerów klasycznych. Trzeba byłoby sprawdzić dużo możliwości i to jest jedna z podstaw wielu algorytmów w kryptografii. Natomiast faktycznie algorytm Shora jest algorytmem działającym na komputerach kwantowych, który potencjalnie byłby w stanie rzeczywiście ten problem rozwiązać, czyli dosyć szybko znaleźć rozkład danej liczby na czynniki pierwsze z pewnym prawdopodobieństwem.

Ale powtarzając eksperymenty wielokrotnie już można byłoby już z dużym prawdopodobieństwem znaleźć odpowiedni rozkład. I z jednej strony jest to pewne niebezpieczeństwo, pewne zagrożenie, że nagle komputery kwantowe mogą spowodować, że niektóre algorytmy klasyczne mogą przestać działać, a w związku z tym bazujące na nich metody kryptograficzne czy metody bezpieczeństwa. Z drugiej strony kryptografia kwantowa, która ciekawie się rozwija próbuje sobie radzić z takimi rzeczami i wymyślać alternatywne metody zabezpieczeń. Pytałeś o algorytm Shora w kontekście komputera kwantowego D-Wave, który jest dosyć specyficzny. To jest tak zwany komputer kwantowy adiabatyczny, przystosowany do rozwiązywania pewnej klasy problemów. To są tak zwane problemy optymalizacji kombinatorycznej, gdzie mamy dużą przestrzeń możliwości i chcemy w tej przestrzeni znaleźć rozwiązanie optymalne w określonym sensie.

Wykonywanie obliczeń na tym komputerze sprowadza się do tego, że nasz problem optymalizacyjny sprowadzamy do hamiltonianu, układu ferromagnetycznego. Formalnie nazywa się to modelem Isinga albo quadratic unconstrained binary optimization (problem optymalizacji binarnej). Jeżeli nasz problem optymalizacyjny jesteśmy w stanie do takiego problemu przetransferować, to w pewnym sensie potem natura, przyroda może wykonać obliczenia uruchamiając je za nas (przynajmniej teoretycznie). Jeżeli one trwałyby odpowiednio długo, taki układ ferromagnetyczny mógłby przejść do stanu, w którym jest na minimalnym poziomie energetycznym i po odkodowaniu tego stanu, tego układu otrzymalibyśmy rozwiązanie, które byłoby optimum globalnym w danym problemie optymalizacyjnym. Daje to pewien potencjał do rozwiązywania trudnych problemów optymalizacyjnych. Kluczowe natomiast jest to, że obliczenia kwantowe muszą być realizowane odpowiednio długo, żeby nie następowało przeskoczenie do innych stanów, do innych poziomów energetycznych, które niekoniecznie będą już optymalne.

W komputerze D-wave niekoniecznie tak jest, ale wspomniałeś o tym, że niektóre firmy ten komputer kupują i korzystają z niego, dlatego że w praktyce często jednak i tak taki komputer może znaleźć jakieś całkiem sensowne rozwiązanie. Nawet jeżeli to nie jest optimum globalne, to może się okazać, że jest to tak zwane rozwiązanie suboptymalne, czyli trochę gorsze od rozwiązania globalnego, np.: o 5-10% gorsze, ale za to potrafimy je znaleźć bardzo szybko – szybciej niż na komputerach klasycznych. Dzięki temu, że potrafimy je znaleźć szybko, to wykonując takie obliczenia wielokrotnie mamy coraz większe szanse na wypracowanie naprawdę dobrego rozwiązania. Teoretycznie takie algorytmy kwantowego wyżarzania mogłyby rozwiązywać problemy optymalizacji kombinatorycznej, w praktyce nie do końca.

2 lata temu przeprowadzony został ciekawy eksperyment przez D-Wave dla Volkswagena, gdzie rozwiązywany był problem optymalnej dystrybucji floty taksówek. Istniał pewien zbiór taksówek podróżujących z centrum Pekinu na lotnisko i te taksówki miały kilka możliwych tras przejazdu. Założono, że czas przejazdu przez dany odcinek jest proporcjonalny do kwadratu liczby pojazdów, która przez dany odcinek przejeżdża. Nie do końca jest to realistycznym założeniem, ale tylko przy takim założeniu można było łatwo ten problem sprowadzić do problemu binarnej optymalizacji kwadratowej. Udało się ten problem rozwiązać właśnie na komputerze kwantowym D-Wave. Jest to przykład dosyć ciekawego, potencjalnie praktycznego zastosowania tego typu komputerów kwantowych.

Z tego co wiem, Google też robi eksperymenty z tymi komputerami kwantowymi, więc to na ile te komputery mogą się przydać, jest cały czas badane. Jeżeli się nad tym zastanowimy, to okazuje się, że bardzo wiele problemów, z którymi się spotykamy, dotyczy optymalizacji, nawet właśnie w sztucznej inteligencji, w uczeniu maszynowym, do którego pewnie za moment przejdziemy. Większość problemów związanych na przykład z trenowaniem różnych modeli algorytmów uczenia maszynowego sprowadza się po prostu do rozwiązywania pewnych problemów optymalizacyjnych, na przykład znajdowania połączeń sieci neuronowej, które minimalizują funkcje straty. Tak więc pomimo tego, że maszyna D-Wave być może nie jest takim prawdziwym komputerem kwantowym, to potencjalnie może mieć praktyczne zastosowania. Wydaje mi się, że jeżeli mówilibyśmy o takich zastosowaniach w najbliższych latach, to potencjalnie może być to jedno z poważniejszych pierwszych zastosowań komputerów kwantowych szczególnie, że tu wspominałeś o komputerze kwantowym D-Wave, który ma 2048 kubitów, a dosłownie parę dni temu firma ogłosiła, że w przyszłym roku będą mieć już komputer kwantowy, który będzie miał 5000 kubitów. Do tego będzie miał też nową topologię połączeń między tymi kubitami, co daje jeszcze dodatkowe możliwości wykonywania obliczeń.

To już wszystko wiemy o D-Wave. Z jednej strony to nie jest teoretycznie czysty komputer kwantowy, z drugiej strony to też nie jest taki zwykły komputer klasyczny. Mamy więc do czynienia z pewnym stanem pośrednim. Czy to oznacza, że algorytmy, które używamy w uczeniu maszynowym, między innymi sieci neuronowe, możemy uruchomić na D-Wave i oczekiwać, że wynik dostaniemy znacznie szybciej niż chociażby używając GPU czy TPU?

Nie do końca. To będzie dotyczyło pewnie wszystkich typów komputerów kwantowych. Spodziewam się raczej, że zastosowanie komputerów kwantowych to będą takie rozwiązania hybrydowe, czyli że część obliczeń na przykład tych związanych z optymalizacją może być wykonywana na komputerach kwantowych, na przykład na komputerze D-Wave. Bardzo prosty przykład dotyczący sieci neuronowych jest taki, że po prostu ustalamy wagi praktycznie wszystkich połączeń poza kilkoma wagami, które po prostu chcemy dostosować do pozostałych, czyli znaleźć ich optymalne wartości przy założeniu, że pozostałych nie zmieniamy. To też jest jakaś forma optymalizacji.

Natomiast jest to tylko część obliczeń wykonywanych na komputerach kwantowych. Tak samo jest z kartami graficznymi. W tym momencie korzystamy z kart graficznych do tego, żeby trenować nasze algorytmy i głębokie sieci neuronowe i faktycznie karty graficzne przyspieszają pewne obliczenia, ale nie zastępują wszystkiego. Karty graficzne też są dedykowane do pewnego typu obliczeń i do pewnych typów obliczeń dobrze się nadają, ale do innych już niekoniecznie i nie ma sensu ich stosować do wszystkiego. Podobnie będzie z komputerami kwantowymi.

Wrócę na moment do D-Wave i algorytmu Shora. Pytałeś, dlaczego tego algorytmu nie można uruchomić na D-Wave. W nim faktycznie korzysta się z kwantowych bramek logicznych takich jak bramka Hadamarda, która tworzy daną superpozycję kubitów. Oznacza to, że kubity mogą być w wielu stanach jednocześnie i przez to sprawdzamy wiele możliwości. Nie możemy tego przeprowadzić w prosty sposób na D-Wave, ale słyszałem o pracach teoretycznych, które pokazują, że jednak te modele obliczeń dotyczące uniwersalnych komputerów kwantowych i komputerów adiabatycznych są równoważne w tym sensie, że jesteśmy w stanie potencjalnie policzyć to samo, natomiast tutaj efektywność obliczeń może być już zupełnie inna. W związku z tym w praktyce rzeczywiście te komputery D-Wave będą się pewnie nadawały tylko do konkretnych zastosowań w optymalizacji kombinatorycznej.

Komputery kwantowe wymagają trochę innego, może nawet znacznie większego podejścia algorytmicznego i czy to oznacza, że (zakładając, że w praktyce powstaną komputery kwantowe nie tylko takie ograniczone, ale bardziej teoretyczne) cały software, który został stworzony w te naście lat, trzeba przepisać od początku?

Nie, niekoniecznie. Właśnie dlatego z powodu, o którym mówiłem, w pewnym sensie to znaczy, że komputery kwantowe będą się nadawały tylko do niektórych zastosowań. Do wielu innych zastosowań cały czas prawdopodobnie będziemy stosowali komputery klasyczne. Natomiast w przypadku komputerów kwantowych w tej chwili już powstały środowiska programistyczne i biblioteki do tworzenia algorytmów, które mogłyby potencjalnie działać na komputerach kwantowych i być uruchamiane na komputerach kwantowych w chmurze. Te biblioteki też korzystają z klasycznych języków programowania takich jak Python, chociaż na przykład Microsoft stworzył swój własny, osobny język do programowania komputerów kwantowych, który nazywa się Q#, ale też bazuje on w pewnym sensie na doświadczeniach w tworzeniu języków programowania, czy takich języków jak C#.

Są inspiracje, pewne podobieństwa do istniejących rozwiązań, także absolutnie nie jest tak, że wszystko trzeba stworzyć zupełnie od nowa. Czasami po prostu zupełnie nie będzie sensu, żeby pewne rzeczy liczyć na komputerach kwantowych, a tam gdzie będzie sens liczyć na komputerach kwantowych, będzie po prostu interakcja komputerów kwantowych z klasycznymi i te programy pisane na komputery kwantowe też pewnie do pewnego stopnia będą korzystały z istniejących już języków programowania czy z istniejących bibliotek.

Ciężko mi jest wyobrazić sobie, żeby ktoś to przepisywał od nowa, bo trochę tego już powstało, natomiast obserwuję pewien trend. Generalnie to już staje się popularne, że cudzy komputer to jest taka normalność, tak zwana chmura, natomiast kwantowy komputer w chmurze to chyba nie jest aż taka popularna rzecz i pewnie wiele osób o tym jeszcze nie wie. Mało tego, to się udostępnia za darmo, bezpłatnie.

Jak zwykle to bywa, że coś się daje bezpłatnie, to chyba coś tam jest ciekawego, wartościowego. Tak się zastanawiałem, czy to chodzi o to, żeby właśnie teraz wykorzystać zaangażowanie tysięcy, a może nawet milionów ludzi, którzy z ciekawości tam będą próbować różnych rzeczy, żeby bardziej aktualizować software albo przygotować pewne narzędzia, które będą potrzebne jako most między klasycznym programowaniem i tym kwantowym, zbudować to całe otoczenie, taki ekosystem. Jak to widzisz, co o tym myślisz?

Trochę tak to widzę mniej więcej, jak powiedziałeś. To znaczy, z jednej strony budowa ekosystemu, ale też się wydaje mi się w dużym stopniu budowa know-how pod wieloma względami, ponieważ cały czas informatyka kwantowa się rozwija, cały czas dowiadujemy się o czymś nowym, są jakieś przełomowe odkrycia. Są to dosyć trudne zagadnienia i nie jest łatwo pozyskać potrzebny know-how w krótkim czasie.

Stąd firmy rozpoczynają budowę takiego know-how wcześniej i testują pewne rzeczy oczekując też feedbacku od użytkowników. Pomaga to rozwijać technologię we właściwym kierunku. Natomiast faktycznie w dużym stopniu chodzi też o promocję tej technologii, rozwiązań i ogólnie promocję informatyki kwantowej. Budowanie świadomości tego, że coś takiego jest, bo tak jak wspominałem wcześniej, spodziewamy się, że realne biznesowe zastosowanie, przełomowe może się pojawić dopiero za jakiś czas i może się okazać, że wówczas te wszystkie platformy, języki programowania, środowiska będą zupełnie inne i to co mamy w tym momencie być może nie będzie już wykorzystywane (przynajmniej tak jak obecnie). Mimo wszystko poprzez budowę takich narzędzi już teraz zbierany jest know-how, który może przyczynić się do powstania jeszcze lepszych narzędzi w przyszłości.

Porozmawiajmy teraz o wymiernych korzyściach. Być może nie na dzień dzisiejszy, jeżeli chodzi o komputery kwantowe tylko z pewnym wyprzedzeniem. Czego możemy się spodziewać od komputerów kwantowych za 5 lat (w szczególności jeżeli chodzi o uczenie maszynowe)?

Czy to już będzie na tyle korzystne, żeby zacząć to robić? Nie tylko jako taki projekt przyszłościowy, który kiedyś będzie dawać wymierne wyniki, tylko właśnie teraz już. Wiem, że prognozowanie jest trudnym tematem, ale załóżmy okres 5 lat. Nie jest to aż tak długo, a jednocześnie czy wszystko się zmieni na tyle, żeby te wymierne korzyści praktyczne się pojawiły?

Trudno powiedzieć. To zależy oczywiście od tego, jak szybko będą tworzone coraz większe komputery kwantowe, które będą miały więcej kubitów, nie tylko tych fizycznych, ale on również logicznych. Dotyczy to także postępu w dziedzinie korekcji błędów. To są takie rzeczy, które ciężko jest po prostu przewidzieć, dlatego że w tym momencie jest kilka możliwych podejść do budowania komputerów kwantowych. Na przykład Microsoft buduje topologiczne komputery kwantowe. Nie wiadomo w tym momencie, czy się uda. Jeżeli tak, to może być to przełom. Są pewne podejścia związane z nadprzewodnikami, z fotonowymi komputerami kwantowymi, z pułapkami jonowymi i w tym momencie trudno powiedzieć, które z tych podejść okaże się być dobre i czy którekolwiek właściwie przyniesie na tyle duży przełom, że będziemy mieć odpowiednio duże komputery kwantowe. Niestety nie można na ten moment tak jednoznacznie z całą pewnością powiedzieć, że już za 5 czy 10 lat będziemy mieć takie realne, biznesowe zastosowania, ale osoby które zajmują się informatyką kwantową i wiedzą o niej dużo więcej ode mnie od strony naukowej, uważają, że to faktycznie są po prostu problemy inżynierskie do rozwiązania.

Nie ma rzeczywiście podstaw naukowych, które spowodowałyby, że nie moglibyśmy tego faktycznie stworzyć, przynajmniej na ten moment. Wracając jeszcze do zastosowania w uczeniu maszynowym, do konkretnych zastosowań, to tak jak wspomniałem przy okazji D-Wave, wydaje mi się, że jednym z ciekawszych zastosowań będą problemy optymalizacji, ponieważ bardzo dużo rzeczy można wprowadzić do zagadnień optymalizacji dyskretnej czy ciągłej – sieci neuronowe chociażby, optymalizację funkcji straty przy różnych algorytmach uczenia maszynowego. Istnieje coś takiego jak ensemble learning, czyli uczenie maszynowe gdzie mamy wiele modeli, które chcemy połączyć z różnymi wagami, żeby dawały potencjalnie jakiś lepszy model. Jak odpowiednio dobrać wagi? To też jest problem optymalizacji dyskretnej, klastrowanie. Więc element uczenia bez nadzoru to też jest takie zagadnienie, gdzie w tym momencie w uczeniu maszynowym jest cały czas jeszcze dużo do zrobienia, a potencjalnie komputery kwantowe mogą sporo wnieść, bo to zagadnienie przypisywania elementów do odpowiednich klastrów żeby zminimalizować funkcję straty, to też jest zagadnienie optymalizacji dyskretnej.

Inne zagadnienia dotyczą losowania z pewnych trudnych rozkładów prawdopodobieństwa na przykład rozkład Boltzmanna, który jest rozkładem stosowanym czasami w uczeniu maszynowym, który bardzo trudno jest symulować, czy losować z niego na komputerach klasycznych, a można to bardzo ładnie zrobić na komputerach kwantowych. To są właśnie takie przykłady zagadnień, gdzie w tym momencie na komputerach klasycznych cały czas są jeszcze jakieś nisze, gdzie nie wszystko potrafimy zrobić dobrze, a potencjalnie komputery kwantowe rzeczywiście mogą przynieść przełom, jeżeli już będą odpowiednio duże. Bez tego prawdopodobnie cały czas te same problemy będziemy w stanie rozwiązać na komputerach klasycznych.

Poza algorytmem, komputerem D-Wave i kwantowym wyżarzaniem są też inne algorytmy optymalizacji. Jest taki dosyć ciekawy, popularny ostatnio QAOA (Quantum Approximate Optimisation Algorithm), trochę inspirowany kwantowym wyżarzaniem.

Powstają programy czy algorytmy kwantowe rozwiązujące pewne problemy optymalizacyjne, co pokazuje, że przy pewnych założeniach jesteśmy w stanie dane zagadnienie rozwiązywać trochę szybciej albo być może te rozwiązania mają szansę być lepsze, tylko czasami wymaga to założeń takich, że na przykład liczba kubitów jest kwadratową w porównaniu do rozmiaru wejścia, czy coś podobnego. Cały czas są pewne ograniczenia i z tego trzeba też sobie zdawać sprawę, natomiast ogólnie tych możliwych zastosowań jest dużo. Jeszcze jednym ciekawym zastosowaniem powszechnym w uczeniu maszynowym są różne zagadnienia związane z algebrą liniową, szczególnie gdy mamy duże zbiory i duże liczby – szukanie wartości własnych wektorów, własnych macierzach, odwracanie macierzy.

To też jest problem, który da się sprawdzić do poziomu optymalizacji, bo po prostu szukamy macierzy odwrotnej tak, że jeżeli pomnożymy dwie macierze, to jesteśmy bardzo blisko, czy najbliżej jak się da macierzy identycznościowej w pewnym sensie. Od strony teoretycznej powstało już naprawdę całkiem sporo kwantowych wersji różnych ciekawych algorytmów uczenia maszynowego. Mamy kwantowe algorytmy reinforcement learningu, kwantowe PCA, więc jest trochę tych ciekawych prac teoretycznych, natomiast praktyka jeszcze za tym nie do końca podąża. Jeżeli w pewnym momencie zacznie podążać, bo zaczną się pojawiać odpowiednio duże komputery kwantowe i będziemy w stanie takie rzeczy realizować na nich, to mogą być tutaj zastosowania czy to w kryptografii kwantowej, czy w logistyce, w transporcie, optymalizacji ścieżek, rozwiązaniu problemu komiwojażera, finansach, szacowaniu ryzyka, optymalizacji portfeli. To są takie typowe zagadnienia, w których potencjalnie komputery kwantowe mogą mieć zastosowanie.

Pozwolę sobie jeszcze wrócić do poprzedniego pytania, tylko może z drugiej strony jeśli chodzi o prognozowanie i wartości dodane. W przypadku komputerów kwantowych, jak duże są inwestycje na rozwój komputerów kwantowych i przez kogo są realizowane?

Wydaje mi się, że to są inwestycje pochodzące z trzech stron. Z jednej strony to są rządy niektórych państw, przede wszystkim potęg światowych jak Stany Zjednoczone czy Chiny. W USA funkcjonuje program rządowy inwestycji ponad miliarda dolarów na informatykę kwantową. Myślę, że w Chinach może być podobnie. W Wielkiej Brytanii jest program inwestycji rzędu £270 milionów, więc to jest trochę mniej, ale dużo jak na skalę Wielkiej Brytanii. Poza tym inwestują firmy takie jak Google, IBM, Microsoft. To są duzi gracze, którzy mają bardzo opasłe budżety, więc mogą sobie pozwolić na to, żeby takie badania przeprowadzać i właściwie w pewnym sensie jest to niemalże ich obowiązkiem, żeby takie badania realizować. Trzecia gałąź to są różne fundusze inwestycyjne, które zaczynają inwestować w startupy właśnie w branży informatyki kwantowej.

Dzięki temu ta dziedzina w pewnym sensie może się rozwijać, ponieważ i przede wszystkim od strony hardware’owej, to wydatki na stworzenie komputerów kwantowych są duże, więc potrzebne są duże inwestycje od strony samych algorytmów. Są też potrzebne zespoły wysoko wykwalifikowanych ludzi, specjalistów, aby takie badania przeprowadzać (m.in. w Kanadzie). W poprzednim roku wystartował pierwszy na świecie program akceleracyjny dla startupów zajmujących się kwantowym uczeniem maszynowym zorganizowany przez Creative Destruction Labs. W tym roku odbędzie się kolejna edycja. Są naukowcy, którzy zajmują się tym zagadnieniem na świecie na wysokim poziomie i są startupy, które szukają biznesowych zastosowań dla algorytmów i same tworzą nowe rozwiązania.

Czyli widać, że dzieje się, pieniądze są wydawane, więc jest duża szansa, że za te pięć lat wiele rzeczy może się pozmieniać. Jeżeli sobie przypomnimy lata 50-60 ubiegłego stulecia, to wtedy komputer wyglądał ja taka mała fabryka. Teraz już mamy laptopy, smartfony, które po pierwsze, mają znacznie większą moc obliczeniową, ale też są na tyle wygodne, że możemy nosić je w kieszeniach. Pytanie jest takie: kiedy możemy się spodziewać laptopów czy smartfonów kwantowych, i czy w ogóle jest sens, żeby takie rzeczy się pojawiły?

Trudno w tej chwili powiedzieć, czy jest sens. To też może trochę zależeć od tego, jakie ostatecznie będziemy znajdować zastosowania komputerów kwantowych. Natomiast od strony technologicznej na dziś jest to raczej niemożliwe, aby mieć taki uniwersalny komputer kwantowy w zegarku, czy w laptopie. Są po prostu potrzebne dosyć specyficzne warunki, które trzeba spełnić. Czasami wymagana jest bardzo niska temperatura, czy po prostu izolacja całego układu, aby utrzymać koherencję.

Nie jest łatwo to wszystko spełnić. Taki sprzęt jest dosyć skomplikowany, natomiast przyznam, że akurat na tych zagadnieniach dotyczących sprzętu nie znam się aż na tyle, żeby móc odpowiedź czy pojawi się coś takiego czy nie. Wydaje się, że to nie jest perspektywa najbliższych kilku lat. Raczej bym się spodziewał, tak jak tutaj robiłeś porównanie, że obecnie komputery kwantowe wyglądają trochę jak komputery klasyczne 50 lat temu, to spodziewałbym się że jeżeli już nawet byłaby możliwość fizycznie, aby komputery kwantowe wprowadzić do naszych smartfonów laptopów czy zegarków, to jest raczej perspektywa około 50 lat.

Jesteś jednym z promotorów komputerów kwantowych i informatyki kwantowej w Polsce. Organizujesz też spotkania i transmisje online. Jaka jest Twoja motywacja? Dlaczego tym się zajmujesz?

Ciekawe pytanie. Jest to dosyć interesująca dziedzina. Ja akurat jestem po stronie osób, które wierzą. Jest to raczej wiara, a nie wiedza, czyli coś co możemy udowodnić, że informatyka kwantowa może przynieść przełom, między innymi w branżach, którymi się zajmuję, czyli w transporcie i w sztucznej inteligencji. Warto się tego uczyć z takiego pragmatycznego punktu widzenia, że w pewnym momencie ten przełom może nadejść i warto być na to gotowym, bo już z takiego bardziej naukowego punktu widzenia jest to po prostu interesujące, bo wiemy od ponad 100 lat, że świat, w którym żyjemy, jest światem kwantowym, a nie klasycznym. Choć wydaje się klasyczny, ale pod spodem ukryte są jednak prawa mechaniki kwantowej, którą nie do końca rozumiemy. Jako naukowiec mam naturalną chęć odkrywania prawdy w tym świecie i zrozumienia zasad jego działania, co wydaje się niemożliwe bez mechaniki kwantowej.

Chęć uczenia się informatyki kwantowej jest związana w pewnym sensie z pasją dotyczącą odkrywania tego, jak ten nasz świat działa, jak jest tworzony i co tak naprawdę możemy w nim zrobić. Z bardziej pragmatycznego punktu widzenia, jest to obecnie dziedzina nauki, która bardzo szybko się rozwija. Pojawia się dużo prac naukowych i ciekawych algorytmów, więc jest to pewna nisza, w którą młodzi naukowcy mogą wejść i osiągnąć w nauce coś ważnego, na przykład stworzyć nowe algorytmy. Ja akurat już w nauce trochę osiągnąłem, całkiem dobrze sobie radzę z tym, co robię obecnie i mam dosyć dobre wyniki, więc jakby takie przekwalifikowanie się na informatykę kwantową nie jest potrzebne, ale jednak uważam, że naukowcy, innowatorzy zawsze powinni szukać nowych rozwiązań, nowych pomysłów i wychodzić ze swojej strefy komfortu, podejmować pewne ryzyko, aby próbować czegoś nowego, co potencjalnie może przynieść przełom. Oczywiście nie muszą.

To jest trochę tak, jak z inwestycją. Często w coś inwestujemy i często inwestycje się nie udają, ale czasami jest tak, że jeżeli akurat coś się uda, to może to przynieść olbrzymie korzyści. W tym przypadku w pewnym sensie jako naukowcy inwestujemy czas, ale tak czy inaczej jest to czas zamieniany przynajmniej na wiedzę, a czasami na jeszcze naukowe korzyści. Natomiast w pewnym momencie jeżeli faktycznie przyjdzie jakiś przełom, to już jako naukowcy, osoby z odpowiednimi kompetencjami z odpowiednim know-how będziemy na to gotowi i będzie można te wyniki naukowe, naszą wiedzę zamienić na konkretne zastosowanie biznesowe.

Dziękuję Ci bardzo Paweł za rozmowę. Wiem, że masz dużo inicjatyw na głowie i ten czas nie jest z gumy. Życzę Ci, żeby ten duch innowatora został u Ciebie tak długo, jak tylko jest to możliwe.

Dziękuję bardzo. Dzięki jeszcze raz zaproszenie i możliwość udziału w wywiadzie.

Artykuł Komputery kwantowe i sztuczna inteligencja pochodzi z serwisu Biznes Myśli.

Żyjemy w czasach, kiedy dzięki AI pojawia się coraz więcej możliwości, ale wraz z nimi rodzą się i zagrożenia. Prawda jest taka, że dojdzie do walki pomiędzy tymi, którzy chcą wykorzystać AI, by pomagać i tymi, którzy będą używać go do złych rzeczy, jak oszustwa, manipulacje i wiele innych szkodliwych dla ludzkości działań. Ostatnio trafił do mnie ciekawy raport (ma ponad 100 stron) pod tytułem „Złośliwe wykorzystywanie sztucznej inteligencji: prognozowanie, zapobieganie i łagodzenie”.

Z tego odcinka dowiesz się:

• jakie są różnice pomiędzy polską, brytyjską i francuską edukacją?
• czy są jakieś specjalne korzyści dla biznesu związane z prowadzeniem biznesu związanego ze sztuczną inteligencją?
• czym jest tak ogólna sztuczna inteligencja i czy kiedyś uda się ją stworzyć?
• jak można zastosować sztuczną inteligencję w naszym codziennym życiu?
  czym zajmuje się Ulam.ai?
• co to jest DeepAlgebra i czemu ma służyć?
• jaki problem rozwiązuje projekt Aimee?
• czy sztuczna inteligencja spowoduje, że modelki stracą pracę?
• czym są komputery kwantowe?
• czy zastosowanie komputerów kwantowych może wpłynąć na rozwój uczenia maszynowego?
• jak technologia może wpłynąć na życie ludzi w ciągu najbliższych 10-20 lat?

Kilka przykładów szkodliwych działań  w AI:

1. Zautomatyzowane wyłudzanie informacji lub tworzenie fałszywych wiadomości e-mail, witryn internetowych i linków prowadzących do kradzieży informacji,
2. Szybsze hackowanie dzięki automatycznemu wykrywaniu luk w oprogramowaniu,
3. Oszukiwanie systemów sztucznej inteligencji, korzystając z wad w tym tego, w jaki sposób AI widzi świat,
4. Automatyzacja terroryzmu za pomocą komercyjnych dronów lub autonomicznych pojazdów jako broni,
5. Zdalne ataki, ponieważ autonomiczne roboty nie musiałyby być kontrolowane w obrębie ustalonej odległości.

Również mogę wymienić tematy polityczne, takie jak:

1. Propaganda, dzięki łatwo generowanym fałszywym obrazom i wideo,
2. Automatyczne usuwanie niezgody przez automatyczne wyszukiwanie i usuwanie tekstu lub obrazów,
3. Spersonalizowana perswazja, wykorzystywanie publicznie dostępnych informacji do celowania w czyjeś opinie.

Zastanawiam się nad tym, żeby przygotować osobny odcinek, by lepiej uświadomić osoby decyzyjne o tym, jak można zminimalizować ryzyko. Proszę, daj mi znać, czy jest to dla Ciebie interesujące.

Dzisiejszym gościem jest Przemysław Chojecki, który przez dłuższy czas mieszkał za granicą, najpierw we Francji, potem w Anglii, gdzie uczył się oraz uczył na Oxfordzie. Następnie jednak zdecydował się wrócić do Polski. Napisał też 2 książki, w których dzieli się swoimi przemyśleniami. Ma ciekawe cele, chce zbudować ogólną sztuczną inteligencję. Jest współzałożycielem Ulam.ai. O tym wszystkim i nawet więcej będzie w tym odcinku. Zapraszam do wysłuchania.

Cześć Przemek, przedstaw się: kim jesteś, czym się zajmujesz, gdzie mieszkasz?

Cześć! Jestem matematykiem i przedsiębiorcą. Obecnie zajmuję się głównie sztuczną inteligencją i badaniami nad sztuczną inteligencją, prowadzeniem biznesu dookoła tego, jak również badaniami matematycznymi. Mieszkam w Warszawie, dokąd wróciłem po licznych wojażach i gdzie mieszkam na powrót od dwóch lat.

O tych podróżach i wojażach jeszcze porozmawiamy, bo ta historia jest ciekawa. Powiedz, co ostatnio czytałeś?

Całkiem niedawno skończyłem książkę „Bad Blood”. To jest ostatnia książka o Theranosie.

Opowiada historię wzrostu i upadku Theranosa, historię jego założycielki Elizabeth Holmes i tego co w startupach może nie wyjść, jak od zera zbudować firmę wartą dobrych kilka miliardów dolarów bez żadnego produktu działającego i tego, co w Dolinie Krzemowej nie działa. Bardzo ciekawe, polecam wszystkim.

Opowiedz teraz swoją historię od nauki do biznesu, bo to naprawdę jest inspirujące.

Ja od długiego czasu – chciałem powiedzieć od zawsze, ale to może nie jest prawda – na pewno gdzieś od podstawówki i gimnazjum bardzo mocno szedłem w kierunku matematyki. Później poszedłem do Staszica, to jest dość znane matematyczne liceum w Warszawie, potem na studia na wydział matematyki i informatyki, gdzie studiowałem na początku na jednoczesnych studiach informatyczno-matematycznych. Potem rzuciłem informatykę tylko dla matematyki i dość szybko kończyłem kolejne przedmioty.

Tak naprawdę już na pierwszym roku robiłem przedmioty z trzeciego, czwartego i piątego roku, a po drugim roku po licencjacie wyjechałem do Paryża. Tam skończyłem magisterkę i doktorat jednocześnie z matematyki, a po doktoracie pojechałem jeszcze na Oxford na Postdoca, czyli na taką pozycję badawczą, gdzie przez 2 lata także zajmowałem się czystą abstrakcyjną matematyką. Byłem również przez pół roku wykładowcą na Oxfordzie, ale to już z czystej ciekawości, jak to jest wykładać na Oxfordzie, bo moja pozycja tego nie wymagała. Stwierdziłem, że to będzie ciekawe doświadczenie, by porównać polską, brytyjską i francuską edukację. Właśnie po tym wszystkim wróciłem do Polski dwa lata temu.

Powiedziałeś ciekawe zdanie: „porównać edukację w Polsce, we Francji i Wielkiej Brytanii”. Czy jest jedna taka rzecz, która bardzo się rzuca w oczy i wyróżnia w wymienionych krajach?

Tak, taką jedną rzeczą na pewno jest specjalizacja. W Polsce jest tak, że mamy absolutnie fantastyczny system do licencjatu, gdzie te studia są bardzo ogólne i takie powinny być, żeby każdy student mógł zobaczyć różne fragmenty, czy to matematyki, czy informatyki. Ale potem to, co następuje na Zachodzie, a co nie następuje z kolei w Polsce, to specjalizacja w kierunku konkretnych badań. To jest bardzo wartościowe i dzięki temu te badania na Zachodzie idą znacznie szybciej, znacznie dalej, jest wyższy poziom, bo studenci już na magisterce podejmują proste problemy badawcze. To jest taka największa różnica, którą ja widziałem przez te wszystkie lata.

Powiedziałeś, że dwa lata temu wróciłeś do Polski i zastanawiam się, jaką miałeś motywację? Czy chodzi tylko o korzenie? Czy jest jeszcze coś więcej? Być może są jakieś specjalne korzyści dla biznesu, w szczególności, jeżeli chodzi o prowadzenie biznesu związanego ze sztuczną inteligencją?

Tutaj jest kilka powodów. Gdy wracałem, nie wiedziałem dokładnie, że będę prowadził Ulam. ai i prowadził firmę związaną ze sztuczną inteligencją, ona powstała dopiero rok po powrocie. Chciałem wrócić, dlatego że spędziłem już za granicą 7 lat. Stwierdziłem, że to jest najlepszy moment, żeby wrócić, żeby spróbować ponownie w Polsce, bo wiedziałem, że jeżeli zostanę to na kolejne lata i wrócić będzie coraz trudniej. Miałem taką perspektywę, że zawsze mogę wyjechać, bo na tym poziomie, na tym etapie w moim życiu, to nie będzie trudne.

Z drugiej strony widziałem też możliwości, które rzeczywiście kształtują się w Polsce, bo system grantowy jest coraz lepszy, tutaj mówię z perspektywy naukowca. Z perspektywy biznesmena, przedsiębiorcy widzę, że jest coraz większe wsparcie i od strony rządu, ale także od innych przedsiębiorców, powstają różne startupy i firmy, duże korporacje zaczynają myśleć o partnerstwie ze startupami, są coraz bardziej otwarte i jest coraz lepszy klimat na robienie innowacyjnego biznesu w Polsce. Przede wszystkim nie ma problemu z tym, żeby prowadząc firmę w Polsce, robić globalny biznes.

Przejdźmy teraz do najciekawszych rzeczy, na których teraz prawdopodobnie najbardziej się skupiasz, ale najpierw musimy zrobić wprowadzenie. Czym jest tak zwany General AI albo ogólna sztuczna inteligencja?

Dla mnie ogólna sztuczna inteligencja to jest taki koncept związany z tym, że maszyny dojdą w swojej kreatywności, inteligencji do poziomu porównywalnego z człowiekiem w każdej dziedzinie. Obecnie mówi się najczęściej o takiej wąskiej sztucznej inteligencji, którą stosuje się w konkretnych działach, czyli np. to jest gra w GO, gra w szachy, przetwarzanie obrazu, rozumienie tekstu, mówienie.

To są wszystko poszczególne działki, które człowiek jest w stanie wykonywać i maszyna także coraz lepiej. Różne startupy, firmy, naukowcy starają się osiągnąć to, żeby być w stanie automatyzować różne fragmenty tego, co robi człowiek. Ale jest jeszcze kolejny krok gdzieś dalej, żeby móc to wszystko połączyć, żeby rzeczywiście móc z maszyny zrobić takiego naturalnego partnera dla człowieka, który byłby w stanie rozumieć człowieka, odpowiadać na jego potrzeby, niezależnie od tego, w jakiej dziedzinie one się pojawiają. I to jest koncept, który jednocześnie może być przerażający, a może być bardzo ciekawy, w zależności od tego, czy jesteśmy optymistycznie, czy pesymistycznie nastawieni do tego, co z tego wyjdzie. Niemniej jednak, jeżeli uda się stworzyć ogólną sztuczną inteligencję, to świat już nie będzie taki, jaki był.

No właśnie. Ta końcówka brzmi ciekawie. Ta poprzeczka dla ogólnej inteligencji jest dość wysoka i teraz pytanie: czy jest to osiągalne i kiedy według Twoich szacunków? Bo już przed chwilą powiedziałeś: o ile uda się stworzyć, świat będzie wyglądać inaczej. Wiadomo, że ciężko przyjąć dokładną datę, ale być może jest jakiś trend albo Twoja intuicja Ci podpowiada, kiedy może nastąpić?

Taką datą, która często się pojawia jest rok 2040 albo 2045, czyli na dobrą sprawę za dwadzieścia parę lat. To jest realna data, jeśli to w ogóle jest możliwe. Ja jestem optymistą i wierzę, że jest. Dlatego też pracuję w tym kierunku. Ale tak naprawdę nie wiadomo, bo tutaj dochodzi wiele różnych problemów związanych zarówno z hardwarem, z samym zaawansowaniem algorytmów, jak i z tym, czy rzeczywiście te poszczególne wąskie sztuczne inteligencje złożą się w pewną w całość. To jest bardzo skomplikowany problem i trudno jest przewidywać dokładnie, co się wydarzy.

Na pewno dużo się jeszcze zmieni, bo ta technologia jeszcze nawet nie została zbudowana, jest dużo badań, które jeszcze nie zostały wdrożone, nie zostały aplikowane. Dobrym przykładem jest na przykład GAN czyli Generative Adversarial Networks, coś, co istnieje od kilku już lat, ale na dobrą sprawę nie ma komercyjnego zastosowania w większym zakresie mimo tego, że w samym środowisku ML, AI jest bardzo często używane. I takich przykładów jest więcej. Więc powstaje pytanie: na ile badania będą się razem spinały w coś większego?

Tutaj się zgadzam. Jeżeli chodzi o ten poziom, który mamy teraz, nawet jak nic nowego się nie pojawi, to już teraz potrafi to dość zauważalnie zmienić biznes. Czy możesz podać kilka mniej oczywistych przykładów, jeżeli nam uda się osiągnąć ten poziom ogólnej inteligencji, sztucznej inteligencji, to jak zmieni się obecny biznes? Czy on w ogóle zostanie, czy to będzie coś zupełnie innego? Czy masz jakieś przemyślenia na ten temat?

Mam o tyle problem z tym pytaniem, że moim zdaniem zmieni się absolutnie wszystko! Jeżeli wyobrażasz sobie pracowników, którzy siedzą przed komputerem w rozwiniętych krajach i dużych miastach, w Warszawie, w Krakowie czy innych miastach europejskich – to oni wszyscy stracą pracę. Ich praca, jaką teraz wykonują, nie będzie potrzebna, bo praca na zasadzie, że siedzisz przy komputerze, dokonujesz pewnych obliczeń, myślisz nad czymś, wysyłasz maile, praca, która zajmuje się kreatywnym przetwarzaniem danych, będzie wykonywana znacznie lepiej przez maszynę. To nie jest może mniej oczywisty przykład, ale to jest przykład, który będzie najbardziej widoczny, bo nagle się okaże, że te wszystkie prace analityków, konsultantów przestaną istnieć.

To czym będą się zajmować ludzie?

I tu jest ten mały problem w tym wszystkim! Są dwie strony, pierwsza: ludzie, którzy pokazują bardzo apokaliptyczne wizje, że stracimy pracę i będą tylko maszyny, będzie dosłownie niewiele jednostek, które będą posiadały i zarządzały tą technologią i tylko oni będą czerpali profity, a reszta będzie żyła na skraju nędzy z tak zwanego uniwersalnego dochodu. Jest też wersja optymistyczna, do której się skłaniam. Musimy pamiętać o tym, że to wszystko jednak tworzą ludzie, którzy myślą o całości społeczeństwa, większości, wobec czego wraz ze znikającymi pracami w jednym miejscu pojawią się totalnie nowe zawody.

Rewolucja przemysłowa była już w dziewiętnastym wieku, już wtedy się bano, że przez fabryki, potem traktory, ludzie stracą pracę. Okazało się że zmieniła się forma pracy, czasami bardzo drastycznie, ale ta praca dalej jest. Być może będzie bolesny okres przejściowy pomiędzy różnymi pracami, bo to będzie wymagało dużego przestawienia się, wiele nauki, ale myślę że człowiek jest w stanie tak bardzo adaptować się do środowiska, które spotyka, że nawet w tych nowych, nieprzewidywalnych warunkach, poradzimy sobie jako ludzkość.

Mam jeszcze kilka pytań wizjonerskich, które zadam na końcu, bo teraz chcę przejść do bardziej konkretnego tematu. Jesteś założycielem Ulam.ai. Jaki jest cel firmy?

Celem jest stworzenie ogólnej sztucznej inteligencji. To jest prawdziwy cel, tylko realizujemy go bardzo praktycznie, bo oczywiście to, o czym przed chwilą rozmawialiśmy, to jest szeroka wizja i tak naprawdę w tym momencie jest znacznie za wcześnie na to, żeby cokolwiek robić na takim ogólnym polu. Bierzemy konkretne branże, konkretne obszary zainteresowań: audio, przetwarzanie obrazu, analiza tekstu, ogólnie pojęta analityka i w obrębie tego znajdujemy konkretne zastosowania, jak na przykład analityka w logistyce.

Tutaj działamy przez spółkę Bohr Technology – osobny byt, osobny podmiot prawny, który zajmuje się tylko konkretnym zastosowaniem pewnego wycinka sztucznej inteligencji w bardzo konkretnej branży. Innym przykładem jest Aimee. Tutaj idziemy przez przetwarzanie obrazu i także stosujemy to tylko w konkretnej działce: w modzie. Więc generalnym celem jest rzeczywiście ogólna sztuczna inteligencja. Prowadzimy też własne badania i to nam przyświeca, ale robimy to od bardzo praktycznej strony.

Jak przygotowywałem się do wywiadu, to oczywiście wszedłem na stronę Ulam.ai. Są tam różne informacje o badaniach, ale znalazłem jedno takie zdanie, które pozwoliłem sobie przetłumaczyć, bo cała strona jest po angielsku. To zdanie brzmiało następująco: budujemy produkty, tworzymy firmy wokół nich i skalujemy je w sposób najbardziej korzystny dla ludzi.

To w całości brzmi ambitnie, bardzo nowocześnie, ale ta końcówka bardzo rezonuje z tym, co widzę, o czym próbuję mówić wprost, że technologie, wszystkie narzędzia są po to, żeby ostatecznie przynosić ludziom pewne korzyści, bo jeżeli tak nie jest, to gdzieś coś poszło nie tak. Z drugiej strony chciałbym zrozumieć lepiej Twoją interpretację tego zdania, bo zakładam, że masz całą wizję stojącą za tymi kilkoma słowami. Chciałbym to usłyszeć. Powiedz coś więcej.

Myślę że tutaj nasze wizje się pokrywają, bo dla mnie też jest ważne, żeby ta sztuczna inteligencja służyła człowiekowi, że to nie jest tak, że to jest człowiek kontra maszyna, tylko człowiek i maszyna. My w tym momencie już do jakiegoś stopnia jesteśmy cyborgami, bo jeżeli popatrzymy na siebie, to każdy z nas ma smartfona, z którego korzysta właściwie cały czas, jesteśmy podłączeni do maili, komunikatorów, mediów społecznościowych, do Internetu. To wszystko pokazuje, do jakiego stopnia człowiek jest zintegrowany z technologią.

Sztuczna inteligencja jest jeszcze poziom wyżej, korzystamy z niej na co dzień przez różne wyszukiwarki, Google, Google Maps. Takich zastosowań sztucznej inteligencji jest pełno w naszym codziennym życiu. To jest też nasz cel, chcemy budować produkty, które ostatecznie pomogą człowiekowi w wyzwoleniu jego kreatywności, a nie będą tej kreatywności hamować – automatyzują te czynności, które powinny być zautomatyzowane, dlatego że człowiek robiąc je, tak naprawdę zabija swoją kreatywność. To jest coś, co nam przyświeca. Szukamy takich nisz, takich zadań, które w tym momencie wykonuje człowiek, a które z powodzeniem mogłaby robić maszyna i nie będzie żadnej straty dla ludzkiej kreatywności.

Znalazłem u Was na stronie projekt o nazwie DeepAlgebra. Co to jest i czemu ma służyć?

Bardzo mi miło, że znalazłeś projekt DeepAlgebra, to tak naprawdę był start całego Ulam.ai i pomysł, od którego to się zaczęło. Tak jak mówiłem, moje wykształcenie jest czysto matematyczne i moja działka matematyki, program Langlandsa, czy trochę szerzej geometria arytmetyczna jest bardzo techniczna. Jest na tyle techniczna, że tych osób, które tym się zajmują na co dzień, nie jest zbyt wiele na świecie, globalnie pewnie tak 200-300 – z większością się kojarzymy i spotkamy na różnych konferencjach na świecie. Zacząłem myśleć o samej weryfikacji dowodu. To jest problem, który może nie jest oczywisty dla osób, które nie uczestniczą w matematycznych badaniach, ale matematyka jest nauką społeczną o tyle, że nie tylko trzeba coś udowodnić, nie tylko matematyk musi spisać dowód, ale także ten dowód powinien być zaakceptowany przez część ekspertów z danej dziedziny, czyli musi być przeczytany, zweryfikowany, czy jest poprawny i dopiero wtedy rzeczywiście jest publikowany w czasopiśmie.

Problem tylko polega na tym, że im bardziej sama matematyka staje się techniczna, tym jest to trudniejsze do weryfikacji. Czasami jest to trudne dlatego, że jest bardzo mało osób, które się dokładnie specjalizują w czymś jeszcze węższym. I stąd pojawia się pytanie: na ile to można zautomatyzować? Ta koncepcja automatyzacji matematyki i dowodzenia w matematyce to jest klucz do programu DeepAlgebra, który zainicjowałem, pracę o nim można znaleźć na arXiv.org. Głównie chodzi o to, żeby automatycznie formalizować dowody matematyczne, a potem je automatycznie weryfikować. To jest cała koncepcja i tak naprawdę wierzę też w to, że to jest klucz do ogólnej sztucznej inteligencji. Jednym z brakujących elementów jest zdecydowanie rozumowanie nad tekstem, wyciąganie wniosków z czytanego tekstu przez maszynę. To jest coś, co nam ludziom przychodzi w miarę naturalnie, ale co nie jest oczywiste, czyli jak poskładać kontekst. Matematyka jest takim wdzięcznym przykładem do analiz nad tym zagadnieniem, dlatego że język jest bardzo techniczny, więc nie ma niuansów językowych, a z kolei są czysto logiczne argumenty, które można testować, na ile maszyna rzeczywiście tę logikę jest w stanie zrozumieć.

Usłyszałem co najmniej kilka rzeczy. Jedna z nich to zrobienie, by ten świat był bardziej sprawiedliwy. Gdy ktoś zrobi dowód matematyczny to nie musi teraz stosować różnych zagrań społecznych, tylko jest obiektywne narzędzie, które jest w stanie w sposób jednoznaczny stwierdzić czy ten dowód jest prawidłowy, czy zawiera jakieś błędy.

Kiedyś zainteresowałem się historią matematyka z Rosji, Grigorija Perelmana. Myślę, że go znasz. Też miał dość ciekawą historię, bo udowodnił pewne rzeczy, a później spowodował zamieszanie. Jak ktoś lubi takie życiowe sprawy, to bardzo polecam. Pamiętam, gdy badałem, to co tam się działo, to czułem taką niesprawiedliwość. Nie wiem, czy dobrze odebrałem to, co mówiłeś, ale poczułem, że chyba to częściowo rozwiąże ten problem.

Tak, zdecydowanie. Może przytoczę tak szybko tę historię. Perelman udowodnił hipotezę Poincarégo, tak naprawdę jeszcze trudniejszą hipotezę geometryzacyjną Thurstona, za co później dostał medal Fieldsa. Za to zrobił to w sposób dość niestandardowy, bo normalnie robi się tak, że spisuje się ten dowód ze wszystkimi szczegółami, wysyła się do czasopisma i potem następuje proces weryfikacyjny.

Perelman wysłał tylko dwie krótkie prace na repozytorium internetowe arXiv.org, gdzie dowody były zarysowane, ale było im daleko do kompletności. No i tutaj pojawił się problem, bo matematycy w pewnym momencie, po tym, jak on zaczął dawać wykłady na ten temat, jednak uznali prawdziwość tego twierdzenia, ale dalej mieli poczucie, że tam jednak trzeba dużo więcej opisać, co zrobiły jednocześnie dwie inne ekipy matematyków.

Między innymi chińscy naukowcy, którzy te 30-50 stron Perelmana zamienili na 400-600 stron, o ile dobrze pamiętam. No i wyszła kwestia autorstwa, czy im się powinno należeć za ten dowód, czy nie. I tak, masz rację. Jeżeli udałoby się posunąć DeepAlgebrę do przodu, to zdecydowanie miałaby zastosowanie tutaj, bo można by znacznie szybciej zweryfikować dowód Perelmana, jeżeli by DeepAlgebra działała na odpowiednio wysokim poziomie.

To idziemy dalej. W odcinku 38 rozmawiałem z Martyną Czapską na temat sztucznej inteligencji, robotyki w kontekście prawa. Wiem, że też macie pewne pomysły, żeby dotknąć tego obszaru. Jest takie coś jak DeepLaw. Co to jest i jaki problem próbujecie rozwiązać?

Mój wspólnik Witek Kowalczyk z Ulam.ai jest z wykształcenia prawnikiem, kończy doktorat. DeepLaw powstał po pewnym czasie obok DeepAlgebry. Na dobrą sprawę jest coś takiego jak computational law, które łączy się z podobnymi rzeczami jak dowody w matematyce. W prawie też masz pewne uzasadnienia wyroków czy spraw i jest podobny tok rozumowania, tylko jest inny język, nie ma formuł matematycznych, nie ma równań, ale są pewne zdania, które wynikają z interpretacji prawa. Ten problem jest bardzo zbliżony do problemu, który stara się rozwiązać DeepAlgebra i to jest to, co robimy w ramach DeepLaw.

To zakłada, że prawo jest deterministyczne, tutaj mam pewne wątpliwości na poziomie intuicji, ale mogę się mylić.

Rozumiem, o co ci chodzi. Ja sam, jeżeli chodzi o DeepLaw, nie jestem ekspertem i oczywiście masz rację pod tym względem, że dużo zależy od interpretacji prawa. Dlatego to co się dzieje w DeepLaw, to jest tylko pewien wycinek tego prawa, bardziej chodzi o badanie spójności praw w obrębie Unii Europejskiej, niekoniecznie powinieneś o tym myśleć jak o bronieniu kogoś w sądzie, tylko bardziej jak o próbie zobaczenia, na ile prawo jest spójne w obrębie Unii Europejskiej na różnych poziomach.

Wspomniałeś już o projekcie Aimee. Powiedz coś więcej. Co to jest za projekt? Jaki problem próbujecie rozwiązać?

Aimee to jest projekt z dziedziny mody, z przetwarzania obrazu. Tutaj naszym celem jest głównie generowanie zdjęć do lookbooków dla sklepów e-commerce’owych. Bierzemy packshot, czyli takie zdjęcie, gdzie jest na przykład sama sukienka bez ciała, bo zostało zrobione na przykład na manekinie I z tego generujemy całe zdjęcie z naszą modelką wygenerowaną sztucznie, która wygląda jak prawdziwa. Jest to jednocześnie projekt, który jest dość zaawansowany technologicznie przez to przetwarzanie obrazu, a jednocześnie dotyka dziedziny, która jest bardzo wizualna, wszechobecna, dotyczy bardzo dużego rynku. Tu na dobrą sprawę startujemy i w tym momencie mamy już demo, rozmawiamy z pierwszymi klientami.

Aimee będzie projektem kanadyjsko-polskim, nasza trzecia co-founderka jest Kanadyjką, tak naprawdę pół Hinduską, pół Włoszką urodzoną w Kanadzie, więc jest to bardzo ciekawe połączenie. Na co dzień mieszka w Londynie. I ona do nas dołącza jako CEO, żeby pomóc nam prowadzić ten projekt, bo na domiar wszystkiego jest jeszcze byłą modelką, więc jest idealnie! W projekcie głównie chodzi o to, by rozwiązać problem, który mają szczególnie duże sklepy online typu Zalando, które agregują ubrania, ale za każdym razem wykonują własne sesje.

Gdy Nike, Puma, czy Adidas wysyłają im ubrania, nawet jeżeli wysyłają im własne zdjęcia, to oni i tak robią sesje od początku. I to zajmuje czas. Nawet jeżeli to jest dzień, dwa, trzy czy czasami więcej, bo jeszcze jest potrzebny retusz, to jest bardzo zauważalne, dlatego że mają tych ubrań tysiące, dlatego że są platformą agregującą ubrania. Z kolei zdjęcia, które oni mają na stronie, często są bardzo sztampowe, bo to jest: przód, tył, bok i tak dalej. To jest dokładnie problem, który rozwiązujemy dzięki Aimee.

Kiedy zamierzacie wypuścić wersję beta? Albo kiedy będzie bliżej produkcji?

Tak naprawdę taką małą alfę, którą pokazujemy na spotkaniach, to już mamy. Pewnie też w najbliższych kilku tygodniach powinniśmy mieć też coś na stronie aimee.vision.com.

OK! Nagrywamy to pod koniec sierpnia, więc pewnie jak już puścimy ten odcinek w świat, to już można będzie wejść i zobaczyć. Dobrze. Teraz pytałem bardziej o projekty. Zmieńmy trochę temat. Generalnie to jest tak, w szczególności, jeżeli chodzi o takie projekty jak Aimee, GAN, Deep Learning, że kluczowym elementem jest moc obliczeniowa.

Oczywiście jest duży postęp, prawo Moore’a robi swoje, co prawda mówi się, że prawo Moore’a albo już przestało działać, albo przestaje działać z powodu pewnych ograniczeń w fizyce. Z drugiej strony książka Raya Kurzweila czy inne trendy pokazują, że tam nie ma przerwy i ta moc obliczeniowa będzie ciągle rosła. Są też takie oczekiwania, jeżeli chodzi o rozwój i postęp technologiczny. Pojawia się logiczne pytanie: co wtedy?

Bo próba, która jest teraz, jest gdzieś tam dookoła CPU albo innego chipu, próbuje bardziej się wyspecjalizować pod konkretne zadanie, dzięki czemu zwiększa się prędkość działania. Ale generalnie to jest takie liniowe upiększanie. Mówi się, że komputery kwantowe mogą zrewolucjonizować ten rynek. Porozmawiamy o tym, ale najpierw powiedz, czym są komputery kwantowe?

Opowiem taką bajkę, żeby było prościej, co będzie pewnym nadużyciem, ale niewielkim. Komputery klasyczne działają na zasadzie bitów. Mamy bity, czyli 0 i 1. W większości modeluje się tak, że to jest albo światło włączone, albo wyłączone, albo ten prąd płynie przez daną bramkę, albo nie płynie. Ale możemy też to modelować trochę inaczej. Wyobraźmy sobie, że mamy elektron i pierścień. Puszczamy elektron w ten pierścień. I jeżeli on poleci w lewo, to będzie 0, a jeżeli poleci w prawo to mamy 1. I tak możemy modelować klasyczne komputery, składając razem te wszystkie pierścienie. To nie jest może najbardziej efektywne, bo przy komputerach klasycznych mamy lepsze metody.

Teraz wyobraźmy sobie, że ten pierścień, w który puszczamy ten elektron, jest nadprzewodnikiem, jest schłodzony do temperatury około zera absolutnego, jest odcięty od fal grawitacyjnych i spełnia jeszcze kilka innych kryteriów. Wtedy okazuje się, że możemy skorzystać z efektów kwantowych, bo ten elektron może polecieć w lewo i w prawo jednocześnie.

Tutaj nie będę wchodzić w szczegóły, jak to się dzieje, ale tak naprawdę wykorzystuje się dokładnie to i składa się takie pierścienie, które zamyka się w tubę, żeby je odciąć, schłodzić, podwiesza się pod sufit, dlatego też te komputery kwantowe wyglądają w tym momencie dość ciekawie, polecam zobaczyć zdjęcia w internecie. Po to właśnie, żeby móc ze sobą połączyć kilka takich pierścieni, przez które przepływają elektrony. I to co się dzieje, to mamy tzw. kwantowe bity, bo to, że może być 0 i 1 jednocześnie, czyli że elektron leci w lewo i prawo powoduje, że moc komputerów kwantowych rośnie wykładniczo w zależności od ilości tych pierścieni, od ilości kubitów, dlatego, że te pierścienie jeszcze między sobą interferują. Dlatego to jest takie ważne.

OK. Ciekawe wprowadzenie. Powiedz, gdzie jesteśmy teraz.

Na samym początku, ale już jesteśmy dalej niż byliśmy chociażby dwa lata temu. Dużo się rzeczywiście zmieniło przez dwa lata. Pewnie dużo ludzi słyszało o D-Wave, który działa już bodajże od 10 lat albo nawet od dwudziestu, bo w 1998 roku były chyba ich pierwsze próby. Na pewno już od dziesięciu lat działają bardzo aktywnie i mają te komputery, sprzedali już bodajże 2 czy 3 za kwoty rzędu dziesięciu milionów dolarów za jeden, więc nie jest to jeszcze użytek domowy. Jest znacznie więcej spółek: IBM, IBM-Q, Microsoft, Google i jest jeszcze kilka mniejszych spółek, które starają się robić hardware.

To jeszcze nie są tzw. uniwersalne komputery kwantowe, które będą w stanie rozwiązywać dużo problemów. To, co się obecnie buduje, to są komputery, które wykorzystują efekty kwantowe do konkretnych zadań, problemów, celów, typu rozwiązywanie problemów optymalizacyjnych czy kryptograficznych. Używa się do tego bardzo specjalnej architektury i tym też różnią się komputery tych wszystkich firm od siebie, są trochę inne, trochę do czegoś innego się ich używa, odrobinę inaczej się programuje. Nie ma jeszcze takiego ustalonego wzorca, czym jest dokładnie komputer kwantowy, jak powinien wyglądać, jak powinny działać pod tym programy. Jest trochę hardware’u i jest trochę software’u, to jest, to czym się zajmujemy w ramach Bohra.

Ale tak naprawdę to wszystko jest jeszcze na początku, chociaż są już rezultaty, które dość dobrze pokazują, że komputery kwantowe będą coraz lepsze. Tutaj wspomnę o takim dużym przypadku z 2017 roku, jakim była współpraca Volkswagena, D-wave’a i chińskiego rządu w Pekinie. Mianowicie Volkswagen na komputerach kwantowych D-wave’a zoptymalizował trasy taksówek z miasta na lotnisko w Pekinie, to oczywiście jest problem, który można rozwiązać klasycznie, ale już można zrobić to kwantowo. A docelowo idea jest taka, że komputery kwantowe dadzą znacznie większą moc, znacznie większe pole obliczeń do problemów, które obecnie są nierozwiązywalne za pomocą komputerów klasycznych lub liczą po prostu zbyt wolno.

Takie właśnie przykłady z życia wzięte są bardzo ciekawe. O komputerach kwantowych mówiło się już dawno, jak byłem na studiach. Natomiast mnie osobiście zawsze brakowało zastosowania w praktyce, żeby było to coś trochę więcej niż kolejna publikacja, która została stworzona na uczelni. Więc to jest inspirujący przykład.

Ostatnio czytałem artykuł o programowaniu właśnie, czytałem o takim języku, który się nazywa Q-sharp od pierwszej litery Q jak qubit. Ciekawie to wygląda. Ta wiedza jest inna od tej, która była na studiach i po studiach i trzeba przeprogramować swój mózg, żeby tego się nauczyć. Zastanawiam się, jak Wy to robicie, czego używacie pod spodem? Może wymień nazwy dla osób, które tym się interesują.

Jasne. My głównie operujemy na PyQuillu. PyQuill jest to pythonowskie środowisko dla maszyny Rigetti. Osoby, które znają Pythona, bardzo szybko mogą się w tym odnaleźć. To jest tak naprawdę Python, tylko że zawiera elementy fizyki kwantowej, które trzeba zrozumieć. Ale prawda jest taka, że jeżeli ktoś miał wcześniej do czynienia z data science, to jest w stanie dość szybko zrozumieć przynajmniej podstawy.

A jeżeli ktoś miał wcześniej do czynienia z fizyką kwantową, to nie ma żadnego problemu. Z drugiej strony jest też kilka innych języków. W tym momencie niestety jest tak, że każdy hardware wymaga innego języka programowania, ale prawda jest taka, że one wszystkie są oparte na Pythonie.

Jest na przykład taki mały, kanadyjski startup Xanadu, który robi jeszcze trochę inne komputery kwantowe, ale oni opierają właściwie cały swój sprzęt na TensorFlow, więc jeżeli ktoś wcześniej bawił się TensorFlow, to tutaj nie będzie miał najmniejszego problemu.

Dzięki wielkie za te polecenia. Już wspomniałem, że jeżeli chodzi o motywację zastosowania komputerów kwantowych, w szczególności w obszarze uczenia maszynowego, to jest zwiększanie mocy obliczeniowej. Jak myślisz, to jest takie pytanie trochę bardziej wizjonerskie, jak to może wpłynąć na rozwój ML, czyli uczenia maszynowego?

Ja na to patrzę tak, że jest to dodatkowa moc obliczeniowa, która przychodzi tam, gdzie tak naprawdę komputery klasyczne już nie są w stanie nic zrobić. To może znowu dam przykład z życia wzięty, który jest takim klasycznym przykładem tego, co chcemy zrobić i co będzie możliwe, jeżeli te komputery kwantowe będa lepsze, co w tym momencie tak naprawdę jest niemożliwe do rozwiązania przez komputery klasyczne na satysfakcjonującym poziomie. Wyobraź sobie, że masz linię lotniczą, zarządzasz samolotami, masz kilkadziesiąt samolotów, które są w różnych lokalizacjach na świecie. W większości linie lotnicze mają ustawiony bardzo ściśle plan dnia, jeżeli jakiś samolot wypada, to nagle zaczyna się takie wielkie domino.

Wyobraź sobie, że psuje Ci się samolot w Londynie, pasażerowie czekają. Jeżeli będą czekali dłużej niż 4 godziny, to będą nagle naliczane kary, wobec czego chcesz ten samolot uzupełnić innym samolotem, który jest może w innej lokalizacji. Wobec tego ten samolot powinieneś szybko przetransportować w ciągu tych 4 godzin. I nagle okazuje się, że musisz zorganizować załogę, bo chcesz samolot przenieść na przykład z Manchesteru do Londynu, musisz uzyskać pozwolenia od lotnisk, paliwo, policzyć, jakie będą koszty, może ci się opłaca ten samolot przenieść z innego miejsca. Potem okazuje się, że ten samolot z Manchesteru też był zajęty, musisz go zastąpić i zaczyna się takie domino. Szybko się okazuje, że masz setki tysięcy parametrów, które musisz wziąć pod uwagę i nie jesteś stanie tego policzyć. Nie jesteś w stanie tego policzyć w takim tempie, w jakim byś chciał, żeby było to do zastosowania.

Bo teoretycznie oczywiście zawsze możesz tutaj użyć Brute Force, jeżeli problem nie jest zbyt duży, a Ty akurat masz swój komputer, to może jesteś w stanie wyliczyć to w stosownym czasie, tylko problem polega na tym, że tutaj powinieneś podjąć decyzję w 15, 20, maksymalnie 30 minut, żeby być w stanie te wszystkie kroki zaaplikować. I tego w tym momencie nie da się zrobić. Linie lotnicze, z którymi rozmawialiśmy w Londynie czy w innych miejscach na świecie, mają planistów, którzy są bardzo doświadczeni i robią to ręcznie, używając intuicji.

I to jest przykład na to, jak komputery kwantowe wchodzą w sztuczną inteligencję, zapewniając dodatkową moc obliczeniową w problemach, które wcześniej były totalnie nierozwiązywalne. Może jeszcze wspomnę o tym, o czym mówiłem wcześniej, o Volkswagenie i zastosowaniu w Pekinie. To także było rozwiązanie hybrydowe. Teraz stosuje się właśnie rozwiązania hybrydowe, czyli część jest policzona na komputerze kwantowym, ale część to komponent AI, więc AI i komputery kwantowe idą obok siebie i się wspierają. Dla mnie są dla siebie uzupełnieniem.

Jaką widzisz przyszłość ludzi w najbliższych dziesięciu, dwudziestu latach?

To jest trudne pytanie. Do 10 lat myślę, że nie mam obaw, ale tak naprawdę w ciągu 20 lat może się wydarzyć wszystko. Rozumiem, że pytasz też o to, jak technologia może wpłynąć na ludzi? Trudno to przewidzieć, dlatego że to nie jest tylko postęp technologiczny, ale chodzi o regulacje, bo mimo tego, że technologia może się rozwijać i jestem przekonany, że będzie się rozwijała, to czym innym jest wdrożenie tej technologii na tyle, żeby była zauważalna w naszym życiu.

Myślę, że tutaj dobrym przykładem są samochody autonomiczne, które już w tym momencie są na tyle dobre, że na dobrą sprawę mogłyby jeździć po naszych drogach. Ale nie jeżdżą przez regulacje. Mimo tego, że na przykład Uber w Kalifornii już testuje samochody bez kierowcy. Sam mam znajomego, który zamówił Ubera i właśnie podjechał pod niego pusty samochód, otworzyły się drzwi, on wsiadł, a samochód go zawiózł. Więc to w Kalifornii już się dzieje. Mogłoby się dziać na większą skalę, ale nie dzieje się właśnie przez te regulacje. Dlatego to jest taki czynnik, który powoduje, że trudno jest przewidzieć, jaka będzie przyszłość ludzi. To, co robią firmy, to jest jedno, ale to co robią rządy na świecie, jak się rozwija społeczeństwo, to jest totalnie coś innego.

Zabrzmiało to tak, że regulator może wprowadzić pewne zamieszanie i pewne hamowanie. Nie wiem, czy to jest dobre słowo, bo tak naprawdę te hamulce wcześniej czy później trzeba odpuścić, bo ciężko jest powstrzymać ten napęd, tą energię, która się tworzy.

Tak, jest to hamowanie, ale jednocześnie też może być wspieranie. Nie chcę tutaj zabrzmieć, że to jest tylko pesymistyczne i niedobre, bo jest też wiele elementów, które są bardzo dobre. Przykładem może być Korea Południowa, Seul. Po wojnie koreańskiej w latach 50-tych rząd zadziałał bardzo sprytnie, ustawiając regulacje w taki sposób, żeby rozwijały się konkretne działki. Abstrahując od tego, że była to dość brutalna polityka i dyktatura wojskowa, ale to jak rząd myślał o ekonomii i jak wprowadził regulacje spowodowało, że w tym momencie Korea Południowa jest jednym z najbogatszych krajów na świecie.

Zadam ci jeszcze jedno pytanie, takie bardziej na myślenie. Jeśli miałbyś możliwość realizacji Twojego jednego dowolnego życzenia, to co by to było i dlaczego?

Chciałbym, żeby została stworzona ogólna sztuczna inteligencja. Dlaczego? Dlatego, że uważam, że to jest na tyle zmieniające doświadczenie i patrzę na to w sposób pozytywny. Myślę, że dużo problemów, które obecnie ma nasza planeta, związanych z klimatem, z przeludnieniem, głodem, różnymi takimi sytuacjami, które powodują, że myślimy negatywnie o przyszłości ziemi, może dzięki temu zostać rozwiązanych. To oczywiście jest tylko jeden ze scenariuszy, tutaj nie jestem całkowicie naiwny sądząc, że to jest absolutny środek na wszystko, ale wierzę, że to jest na tyle kluczowe rozwiązanie, które pozwoliłoby człowiekowi pójść znacznie dalej niż był dotychczas i zwiększyć ten ogólny poziom szczęścia. Chciałabym, żeby to się spełniło.

Przemek, jak można Ci pomóc?

Dobre pytanie. W tym momencie tak naprawde z jednej strony cały czas jestem otwarty na ludzi do współpracy, bo tych projektów w ramach grupy Ulam.ai jest naprawdę dużo, więc cały czas szukamy albo co-founderów, albo ludzi do pracy. Na ten moment najbardziej data scientistów, ale też business developerów, którzy szczególnie mają kontakty w tych niszach, w których my działamy jak logistyka, moda. To tak długofalowo. A z drugiej strony wspierając mnie na YouTubie, Facebooku, Instagramie, czy innych mediach społecznościowych.

Właśnie. I ostatnie pytanie. Gdzie Cię można znaleźć? Powiedziałeś już o mediach społecznościowych. Może jeszcze coś dodasz?

Tak naprawde najbardziej jestem aktywny na Facebooku, po pierwsze na profilu Ulama, po drugie staram się wrzucać te rzeczy, gdzie ja gdzieś występuję i i mam taki profil publiczny. Jeżeli ktoś chce się połączyć tak profesjonalnie i pomóc, jeżeli chodzi o rozwój sztucznej inteligencji to zdecydowanie Linkedin. Mam materiały na YouTubie, staram się od czasu do czasu prowadzić vloga, takiego niezobowiązującego, gdzie mówię o tym, co obecnie się dzieje w ramach mojego biznesu. To są bardzo krótkie filmiki po 2, 3 minuty publikowane średnio raz na 2 tygodnie.

Wielkie dzięki Przemek za tę rozmowę, za to że udało Ci się znaleźć czas, żeby podzielić się swoim doświadczeniem. Widać, że masz fajne talenty matematyczne, ścisłe. Próbujesz je aplikować, nie tylko tworzyć publikacje. Najbardziej inspiruje mnie w całej rozmowie to, że chcesz wykorzystać sztuczną inteligencję po to, żeby usprawnić życie ludzi, rozwiązać być może również te mniejsze problemy, ale kiedy zadałem tutaj pytanie wizjonerskie to argumentowałeś i wymieniałeś takie bardziej globalne problemy. Więc dziękuję. Trzymam kciuki, żeby udało Ci się zrealizować ten plan.

Dziękuję Ci bardzo za rozmowę.

Przemek również przygotował dla Ciebie prezent, a mianowicie listę 5 książek, które według niego warto przeczytać. Jeśli jesteś już zapisany na newsletter BiznesMyśli, to sprawdź swoją skrzynkę pocztową, a jeśli nie, to zapisz się na newsletter, bo wtedy będziesz regularnie dostawać różne ciekawe materiały.

Pierwszego września ruszył już DataWorkshop Tour. Kiedy nagrywam ten odcinek, szkolenia odbyły się już w Krakowie i Katowicach. Przygotowanie zajęło bardzo dużo czasu. Pod koniec kwietnia pojawił się pomysł i przez ten cały czas go rozwijałem. Dużo energii pochłonęły różne kwestie logistyczne. Prowadzenia szkolenia również było dość mocno wyczerpujące energetycznie, natomiast po rozmowie z ludźmi i analizie feedbacku, który był zbierany na różne sposoby, czuję, że było warto :).

W Tourze weźmie udział ponad 230 osób i będą to ludzie z różnych firm, takich większych jak Microsoft, Nokia, Intel, Gemius, Roche, Bayer, będzie również dużo software house’ów jak RTB house, startupów, sporo ludzi z uczelni, ale będą też między innymi ludzie z urzędu statystycznego. Mówiąc wprost, udało się zebrać ludzi z wielu firm i to szkolenie może wprowadzić pewne zmiany na rynku :).

Miałem też inne pomysły. Mimo tego, że cena biletu była naprawdę niska (podobne szkolenia, przy takiej logistyce, są warte 10 razy więcej i jeśli będzie druga edycja, to cena biletu będzie taka, żeby pokryć ten wysiłek), staram się też wspierać studentów, oferując dla nich zniżkę 50%. Wtedy koszt biletu wyniósł trochę ponad 100 zł. Z jednej strony to jest trochę słaba strategia, bo finansowo ledwie się spina. Natomiast myślę, że ostatecznie to ma sens… Kto wie, jak to zmieni życie młodych ludzi. Trzymam za nich kciuki :).

1 oraz 2 października 2018 roku w Warszawie odbędzie się konferencja Artificial Intelligence, na której również będę. Mam dobrą wiadomość, jeśli planujesz się tam wybrać, to specjalnie dla słuchaczy BiznesMyśli jest przygotowana zniżka 20% na hasło “BIZNESMYSLI”.

Teraz zapraszam do wysłuchania opinii absolwenta drugiej edycji online kursu „Praktyczne uczenie maszynowe„. Andrzej Steinder jest project managerem, ma duże doświadczenie PM, ponad 8 lat pracował w IBM, mniej więcej w trakcie kursu zmieniał pracę. Zapraszam do przeczytania. Uwaga! Specjalnie dla społeczności BiznesMyśli jest zniżka na kurs 20% – PRACTICAL_ML_BM20 (ważna do 1 października lub wyczerpania na pakiety Gold oraz Premium).

Cześć Andrzej, przedstaw się, kim jesteś, czym się zajmujesz, gdzie mieszkasz.

Cześć Vladimir. Nazywam się Andrzej Steinder, pracuję jako engineering manager, czyli menadżerem zarządzającym grupą developerów, mieszkam w Krakowie, pracuję teraz w firmie Relativity.

Co ostatnio czytałeś?

Z takich ciekawych rzeczy czytałem książkę „Release it!”. To jest bardzo fajna książka, która mówi o takich wymaganiach, ale także i patternach, dobrych praktykach, które trzeba spełnić przed wypuszczeniem oprogramowania na system produkcyjny. Dużo jest w tej książce mowy o takich rzeczach jak stabilność, skalowalność, odporność na błędy, monitoring. Zawiera dużo praktycznych przykładów z życia systemów, które już działają – jakie rzeczy mogą się zepsuć, bo czasem nawet najbardziej banalne problemy mogą spowodować wielkie awarie systemu, więc jeżeli ktoś jest zainteresowany tym tematem, to spokojnie mogę ją polecić.

Brzmi dość praktycznie. Rozmawialiśmy kiedyś ze sobą jakiś czas temu na temat uczenia maszynowego, że właśnie tym się zainteresowałeś, bo chciałeś rozwinąć swoją twórczą pasję w tym kierunku. Powiedz coś więcej. Jak to się stało, że się tym zainteresowałeś?

Machine learning jest obecnie popularnym czy nawet modnym tematem. Pracuję w firmie informatycznej, więc te tematy gdzieś dookoła mnie krążyły, nie zajmowałem się tym bezpośrednio, ale czułem zainteresowanie w tym kierunku z racji takich zainteresowań algorytmicznych, matematycznych i z tego powodu ten temat mnie zawsze intrygował. Natomiast wiadomo, że pracuję w ciągu dnia, a potem są obowiązki rodzinne, więc nie miałem za bardzo okazji się tym zająć i wtedy właśnie pojawił się temat Twojego kursu.

No właśnie, jesteś absolwentem drugiej edycji online kursu Praktyczne uczenie maszynowe na DataWorkshop. Powiedz, co Ci się najbardziej spodobało w kursie.

Parę kwestii – przede wszystkim to, że pomimo posiadania zupełnie pobieżnej wiedzy na temat machine learningu, mogłem wziąć udział w konkursie i relatywnie dobrze sobie poradzić. Ten materiał był bardzo dobrze przygotowany, tak że osoba zupełnie początkująca, tak jak ja, z praktycznie zerową znajomością języka Python, mogła przy odrobinie wysiłku zrealizować wszystkie zadania i skorzystać z tego kursu – to był jeden aspekt. Drugi aspekt to sposób przeprowadzenia i realizacji tego kursu: to że jest taki podstawowy wstęp teoretyczny, który daje wystarczającą ilość wiedzy, żeby potem realizować bardzo dobrze przygotowane praktyczne ćwiczenia.

Bardzo też pomógł mi fakt, że kurs nie zakładał dużego doświadczenia programistycznego w Pythonie. Ja mam doświadczenie programistyczne, ale w Javie, a Python jest oczywiście innym językiem. Bardzo mi się podobało zadanie konkursowe, które wprowadziło taki element zdrowej rywalizacji między uczestnikami kursu. Miałem taką chęć poprawienia własnego wyniku podczas tego zadania, do dziś wspominam tę adrenalinę – bardzo fajna rzecz. Wydaje mi się, że to są takie kluczowe elementy.

Powiedz, co planujesz dalej robić z tą wiedzą, bo Twoje życie zawodowe jest związane z troszkę innymi czynnościami, masz też obowiązki rodzinne i nie masz tak dużo czasu, ale może masz jakieś plany, żeby dalej się rozwijać w obszarze uczenia maszynowego?

Tak. Jest oczywiście to wyzwanie, o którym powiedziałeś, że mam wiele innych rzeczy na głowie, natomiast w takim średnim terminie chcę wziąć udział w zawodach w rozwiązywaniu problemów dla ludzi z całego świata na stronie Kaggle. Świetna sprawa, żeby sprawdzić siebie, także dzięki rywalizacji, jak najwięcej, jak najszybciej spróbować się dowiedzieć i porównać z innymi uczestnikami. W dłuższym terminie chciałbym na pewno tę wiedzę pogłębiać, czy to ucząc się samodzielnie, czy biorąc udział w kursach tak, żeby docelowo w przyszłości być może zająć się tym tematem zawodowo.

Myślę, że Kaggle może być całkiem ciekawym pomysłem w szczególności, jeżeli chodzi o zrozumienie algorytmów i różnych trików. Przy okazji polecam słuchaczom grupę na Facebooku Kaggle Polska, którą założyła Daria, absolwentka pierwszej edycji kursu. Bardzo staram się ją wspierać, bo widzę, że tam tworzy się pewna społeczność i można znaleźć chętnych, bo wiadomo, że lepiej jest działać w grupie, bo po pierwsze trudniej powiedzieć, że mi się nie chce, a po drugie osoby, które działają w grupie, nawzajem się nakręcają.

Komu polecasz przerobienie tego kursu, czy tylko programistom, czy dla jakiejś innej grupy?

Myślę, że podstawą jest zainteresowanie tematem, więc jeżeli ktoś jest nim zainteresowany i chciałby mieć bardzo efektywne i szybkie wprowadzenie do machine learning, które da mu taką bazę do tego, żeby dalej się rozwijać, poleciłbym mu to szkolenie. Przede wszystkim poleciłbym to tym wszystkim osobom, które tak ja, chciałyby się tym zająć, ale wiecznie nie mają czasu, a na pewno samodzielna nauka, żeby móc coś sensownego zrobić, zajęłaby mi dużo więcej czasu, o ile w ogóle byłbym w stanie dojść do tego momentu i nie zniechęcić się wcześniej. Na pewno jest to świetna sprawa na początek dla ludzi, którzy chcą w ten temat wejść, a potem już go móc w domu samodzielnie, czy na innych kursach, pogłębiać.

I ostatnie pytanie już na dzisiaj. Jak można się z Tobą skontaktować?

Asteinder (at) gmail.com albo LinkedIn. Jeżeli ktoś będzie miał jakieś pytania, to oczywiście bardzo chętnie odpowiem.

Super, dziękuję Ci bardzo Andrzej za Twój czas i chęć podzielenia się swoją opinią.

Vladimir, dzięki. Nie ma za co. Dziękuję za przygotowanie naprawdę fajnego kursu.

Artykuł Przemysław Chojecki – doktor po Oxfordzie pochodzi z serwisu Biznes Myśli.