Arhiiv

Archive for the ‘arvutuslik ajuteadus’ Category

Käitumisest ajurakkudeni ja ringiga tagasi

august 1, 2016 Lisa kommentaar

Horisondi kodulehel on nüüd vabalt kättesaadav ka meie ajuteaduse seeria teine lugu. Kopeerin teksti ka siia, aga piltidega on ilusam (vt lk 52)

 

Kui küsida, mis on aju põhiliseks ülesandeks, vastab valdav enamus, et aju tegeleb mõtlemisega. Üllataval kombel on see, mida me igapäevakeeles mõtlemiseks nimetame, pigemini aju põhitöö kõrvalnäht. Aju peamine ülesanne on käitumise orkestreerimine. Võib-olla tundub see väide oma igavuses pisut sensatsiooniline. Kaalume tõendusmaterjali:

Tõendusmaterjal 1: ajud on olemas ka väga lihtsates organismides nagu meriteod, millimallikad ja ümarussid ehk olendites, kes oma mõttetarkuse poolest just ei hiilga. Primitiivsete olendite ajud kordineerivad väga lihtsaid kaitse-, liikumise ja põgenemise reflekse. Kui tigu tokiga torkimise järel kerra tõmbub, olete tunnistajaks teo aju arvutuste tulemusele.

Tõendusmaterjal 2: suurem osa imetajate (ja ka inimeste) ajus toimuvast on pühendatud erinevate teadvuseväliste baaskäitumiste kordineerimisele. Suur hulk inimeste igapäevasest käitumistest (hingamine, kõndimine, puudutusrefleksid, silmaliigutuste ja tasakaalu kontroll jne jne) saab alguse peaajust väljaspool. Bioloogiline aju ei ole suur ja ühtne mõtlemise masin. Pigem meenutab meie keha kontroll supertankeri juhtimist, kus spetsiifilised süsteemid töötavad kursi sättimiseks, süvise reguleerimiseks ja kajutite õhkjahutuseks. Kas teadsite, et meie soolestiku seinas on peidus omaette aju, mis on meie ellujäämiseks sama tähtis kui peaaju?

Tõendusmaterjal 3: ilma käitumisvabaduseta oleme äärmiselt viletsad õppijad. Tennisemängu omandamiseks on tarvis aastaid väljakul reketiga ringi joosta, niisama telekast tennist vahtides ei jõua kuigi kaugele. Isegi õigesti nägema õppimiseks on vaja maailmas ringi liikuda. Ajukahjustusega patsientide nägemismeele taastamine polnud pikka aega kuigi edukas, kuni viimaks uurijad taipasid, et inimestel on parem tehislikest nägemissensoritest passiivse vaatlemise asemel neid kandes maailmas ringi jalutada. Ilma aktiivse käitumiseta on aju omamine mõttetu. Kõrgete mõtete peamine kasu seisneb just tulevaste käitumiste paremas planeerimises.

Olles mõistnud aju peamist eesmärki, on meil võimalik paremini mõista ka aju tööd. Meie käitumine koosneb üle ruumi ja aja jaotunud tegevustest. Mõni tegevus on kiire ja lühike nagu eelsõitja pidurituledele reageerimine. Nii mõnigi teine käitumine aga kulgeb palju pikemal ajaskaalal. Näiteks kui avastate, et teie auto pidurituled enam ei põle, peate minema poodi või teenindusse ja see võtab tunde või päevi. Järelikult peab aju infot ühest ruumipunktist teise liigutama vajadusel välgukiirusel, vajadusel aga läbi pikatoimelise mälu. Selles kirjatükis vaatleme, kuidas aju mikroskoopiline struktuur sedasorti paindlikust võimadab.

Välgukiiruse aluseks on elektrilised signaalid

Võtame järgnevalt ette ühe lihtsa käitumise ja näitame, kuidas aju erinevad koostisosad selle käitumise koordineerimisel kokku tulevad. Käsitletavaks käitumiseks on kõige tavalisem silmakaitse refleks, mis toimub iga kord, kui teie silmalaug silmamuna kaitseks alla liigub. Silmamuna on vaja kaitsta putukate, tolmu, tugevate õhuvoolude ja igasuguse muu prahi eest. Silmamuna kaitseta jäämisel võib kergesti toimuda silma välispinna kahjustumine. Kuna keegi ei soovi maailma vaadata läbi kriimustunud ja musta klaasi, on silmakaitse reflekside näol tegemist lihtsa, kuid väga vajaliku käitumisega, mille toimimine väärib pikemat tähelepanu. Pealegi aitab antud käitumise aluseks olev masinavärk meil mugavalt ja lihtsustatud kujul tutvustada aju mehhaanikat.

Et efektiivselt toimida, peab segavate stiimulite vastane kaitse toimima kiiresti. Rünnaku algusest kaitsva silmaliigutuse alguseni kulub umbes 0.1 sekundit. Kuigi silm asub ajust vaid mõne sentimeetri kaugusel, nõuab lühike reaktsiooniaeg, et signaalid leviks aju ja silma vahel kiiremini kui 1 m/s. Seljaaju ja jalgade ühendamisel on suurema kauguse tõttu vajalik veelgi suurem kiirus (ligi 100 m/s). Ainult elektrilised signaalid suudavad sedavõrd kiiresti pikki distantse ületada. Ajurakke ühendavad omavahel pisikesed elektrikaablid, mida nimetatakse aksoniteks. Just aksoni abil saab informatsioon kiiresti ühest rakust teiseni liikuda.

Neuronitevahelised ühendused on vajalikud, sest erinevat tüüpi ajurakud sisaldavad erinevat informatsiooni, mida rakkudel on tarvis omavahel jagada. Silmakaitse refleksis on (pisut lihtsustades) vaja kolme erinevat tüüpi ajurakku. Esimest tüüpi ajurakk (niinimetatud sensoorne ajurakk) saadab oma kombitsad silmamuna pinnale, kus kombitsad registreerivad kriimustavaid või rõhuvaid stiimuleid, mille tuvastamisel saadavad nad koheselt teele signaalid kesknärvisüsteemi suunas. Kesknärvisüsteemis ühendub sensoorne ajurakk vaheneuroniga, mis saadab sensoorse raku signaalid edasi lihastega ühenduvasse (motoorsesse) närvirakku. Motoorne närvirakk omakorda stimuleerib kaitserefleksi aktiveerimiseks silmalaugude lihaseid, millele järgnebki koheselt silmapilgutus.

Tähelepanelik lugeja on hakanud ilmselt juurdlema vaheneuroni tähtsuse üle. Miks ei võiks sensoorne rakk otse motoorse rakuga ühenduda? Vaheneuron käitub refleksi ahelas vajaliku filtrina. Vaheneuron ühendub erinevate sensoorsete rakkudega, mis kannavad infot valguse, helide, puudutuste ja palju muu kohta (joonisel on näha, kuidas ta saab teavet heliinfot kandvatelt neuronitelt). Teie silmapilgutuse võib aktiveerida näiteks vali ja ehmatav hääletoon, üllatavalt ere valgus või valulik puudutus. Samuti võib juhtuda, et mõni puudutus on sedavõrd nõrk, et ta pole silmapilgutust väärtki. Vaheneuron hindab vahetpidamata erinevatest meeleelunditest saadetud signaale ja vallandab silmapilgutuse refleksi ainult siis, kui see tõepoolest vajalikuks osutub.

Õppimine muudab ühendusi ajus

Sensoorsete ja motoorsete rakkudega võrreldes on vaheneuroni ühendused äärmiselt paindlikud. Nende ühenduste paindlikkus pärineb keemilisest allikast. Kahe närvisüsteemi raku puutepunktis asub eriline struktuur, mida nimetatakse sünapsiks. Sünaps muudab esimese närviraku elektrisignaalid keemiliseteks signaalideks, mis omakorda stimuleerivad elektrilisi protsesse teises rakus. Kirjeldatud kaskaad, mis esmapilgul tarbetu tundub, lubab sünapsil käituda nagu programeeritav võimendi: muutes sünapsi suurust, saab kontrollida seda, mil määral esimene neuron teist mõjutab. Sarnane signaal esimeses neuronis viib erineva vastuseni teises sõltuvalt sünapsi tugevusest. Peamiselt sünapside tugevuse manipuleerimise kaudu kirjutab aju endasse mälestusi.

Aju mälu mehhanismi sobib illustreerima tingitud refleks. Tingitud refleks aitab muuhulgas silmi efektiivsemalt kahjustuste eest kaitsta. Kujutage ette, et töötate päevast päeva konditsioneeride parandajana. Konditsioneerid on kapriissed ja mõnikord sülitavad nad äkitselt välja suures koguses tolmu, just selle hetkel kui teie pilk parasjagu konditsioneeri sisemust puurib. Õnneks eelneb tolmu väljutamisele iga kord stereotüüpne krigin. Teie aju on taibukalt õppinud stereotüüpset kriginat ära tundma ja sulgeb krigina kuulmise järel ennetavalt teie silmad. Nii ei pea te enne silmade sulgemist ootama, kuni silmad poolenisti tolmu täis on, vaid saate tolmujoa ennetava käitumisega blokeerida.

Krigina ja tolmujoa vahel tekkinud seos kujutab endast teatud liiki ennustavat mälu, mille salvestamisel mängivad olulist rolli just vaheneuroni sünapsid. Vaheneuronil on võimalus korduvalt jälgida, kuidas kriginale järgneb silmamuna stimuleerimine (joonisel punane ja sinine ruut). Reaktsioonina kahe signaali korduvale paardumisele muudab vaheneuron tugevamaks oma helitundlike ühenduste sünapse. Helisignaale vahendavad tugevnenud sünapsid võimaldavad vaheneuronil hiljem silmapilgutusi aktiveerida juba enne, kui puutetundlikud neuronid silmamunalt halbu uudiseid toovad.

Sisuliselt on vaheneuron sünapside tugevndamise käigus muutnud närvisüsteemi sisemist struktuuri. Niisiis erinevalt arvutiprotsessorist muutub ajurakkude töö tulemusena tõepoolest aju ise. Pärast selle teksti lugemist ei ole teie aju enam samasugune. Ajus muutuvad iga päev miljardite ühenduste tugevused ja selles ühenduste tugevuste täpses mustris on kirjas see, kes me oleme, ja kõik, mis me teame. Näiteks kui kolite uude korterisse, muutub teie ajus ühenduste struktuur nii, et see ühenduste muster kajastab lisaks kõigele muule, mida te varem teadsite, ka seda, kuidas teie uues korteris mööbel paikneb. Seega pikemal ajaskaalal toimuvad käitumised vajavad struktuurseid muutusi ajus.

Aju muudab ühenduste tugevusi närvirakkude vahel kiiresti ja vahel meile soovimatultki. Nii võibki olla erinevate hirmude aluseks see, et vastavad ajupiirkonnad on saanud liiga tihedalt seotud aju hirmureaktsiooni keskustega. Näiteks on tüüpilised hirmutekitajad ämblikud, maod, koerad ja kõrguse kartus. Kui hirmu aluseks on aga ühendused ajus, siis on käes ka tee hirmude võitmiseks: need ühendused ajus tuleb ümber harjutada, ümber dresseerida. Just seda tehaksegi teatud käitumusliku teraapia vormides, kus näiteks ämblikke kartev inimene puutub järelvalve all järk-järgult kokku ämbliku pildi, klaasseina taga oleva ämbliku ja lõpuks ämbliku endaga. Terapeudi poolt pakutav turvaline keskkond aitab lõhkuda aju ühendustel põhinevat seost ämbliku ja hirmu vahel ja seega vähendada inimese kartust ämblike ees. Samuti on näidatud, kuidas sarnane aju-ühenduste ümberõppimine saab aidata posttraumaatilise stressihäirega inimesi. Seega põhimõtted ja teadmised ajuteadusest aitavad meil paremini mõista inimeste käitumist ja seda vajadusel ka muuta.

Kokkuvõtteks

Oleme näinud, kuidas meie aju struktuur peegeldab meie käitumist. Meil on tarvis eri liiki ajurakke, sest peame suutma analüüsida informatsiooni, mis pärineb paljudest erinevatest allikatest. Meil on tarvis nii stabiilseid keemilisi kui ka kiireid elektrilisi signaale, sest sõltuvalt olukorrast peame mõnikord reageerima ülikiiresti, kuid mõnikord peame hoopis väga pikalt planeerima. Paljudele käitumistele vastavad spetsiaalsed ajuvõrgustikud, mille mõistmine aitab meil paremini aru saada näiteks hirmust, mälutõbedest või hoopis halvatusest. Järgmises numbris uurimegi täpsemalt, kuidas ajuteaduse tarkusi patsientide elu parandamiseks rakendada.

 

Advertisements

Jälgi mängu: AlphaGO vs suurmeister

märts 5, 2016 2 kommentaari

Avaldasin loo sellest, et tehismõistus suudab nüüd mängida GOd paremini kui Euroopa meister. Seejärel jätkasime arutelu ja mõtlemist, uurides, kas vastav tehismõistus on pigem Reket või pigem inimesele sarnane.

Tambet viitas ühele vahvale postitusele, mis on tehniliselt kriitiline AlphaGO suhtes (ja võin tunnistada, et see postitus, vaidlus Ökuliga ja arutelu Kristjaniga aitasid mul endal ka entusiasmi AlphaGO suhtes vähendada).

Nii või naa, AlphaGO läheb nüüd, pärast Euroopa GO-meistri võitmist, vastamisi maailma parima GO mängija Lee Sedoliga.

Tahate mängu vaadata? Aga palun:

9. märtsil on esimene mäng (10, 12, 13, 15 on järgmised)

Algab kell 6:00 hommikul meie aja järgi

Reket või inimmõistus? Kui intelligentne on AlphaGO

veebruar 1, 2016 5 kommentaari

Kirjutasin reede hommikul kiiresti loo sellest, et tehismõistus suudab nüüd mängida GOd paremini kui Euroopa meister. Kommentaaridesse saabus peagi mõte:

Kas tennist mängib reket või reketit hoidev ja juhtiv inimene? Vastus on nii lihtne, et ei hakka seda siin välja kirjutamagi…. Inimest intellektuaalses mängus võitvat arvutit õpetas ja juhtis inimene. Seega ei võitnud inimest mitte arvuti, vaid inimeste kollektiiv, kasutades arvutit oma “käepikendusena”. Punkt.

Mind tegi see kommentaar pisut kurvaks: see teadlaste ja inseneride rühm oli just lahendanud probleemi – kuidas mängida GOd paremini kui inimene -, mida enamik teadlasi pidas praegu lahendamatuks. Arvati, et GOs inimese võitmine jääb aastate kui mitte dekaadi taha. Kuid teadlaste ja inseneride ühistöö AlphaGo suutis tõesti üllatada, võites esimest korda inimkonna ajaloos professionaalset GO mängijat. See teadustöö oli läbimurre, mis jõudis ajakirja Nature kaanele, kuid antud kommentaaris tituleeriti teda kõigest “reketiks” ja “käepikenduseks”.

Vaatame esiteks, miks minu arvates see kommentaar oli ebaõiglane ja eksitav. Seejärel uurime, kas selles kommentaaris oli iva ka.

Miks AlphaGo pole reket?

Kui Deep Blue võitis male suurmeistrit Garry Kasparovit aastal 1997, siis ma poleks selle reketi-võrdluse peale nina kirtsutanud: 1) Deep Blue ei õppinud malet mängima, talle oli kõik vajalik sisse kirjutatud, 2) ta kasutas järgmise käigu leidmiseks toorest jõudu: oma suure arvutusvõimsusega simuleeris ta läbi kõik erinevad käigud ja vaatas, kuhu need mängu edasisel kulgemisel viiksid – inimaju nii ei tee, 3) Deep Blue oskas vaid malet mängida, millegi muuga ta hakkama ei saaks.

Kuid AlphaGo on hoopis teine tera.

1) AlphaGo õppis GOd mängima. Erinevalt Deep Blue’st ei ole AlphaGole mäng sisse kirjutatud – ainus võimalus GOs inimesest paremaks saada, on õppida seda mängu mängima. AlphaGo’d ei instrueeritud, kuidas mängu mängida, ta õppis seda. Need õppimisalgoritmid AlphaGo sees sarnanevad õppimisalgoritmidega inimajus. Ka see, kuidas AlphaGo GO mängulauda tajuliselt töötles, on sarnane inimajule – laud ja sellel olevad nupud läbivad mitu (tehis)närvivõrgu kihti. Kui inimene õpiks GOd mängima, toimuks ka tema aju närvivõrkudes muutused nagu toimusid AlphaGo tehisnärvivõrgu struktuuris. Nende muutuste taga on sarnased õppimispõhimõtted. Ei programm ise ega ka tema tegijad ei oska selgitada, mis on parim GO strateegia, sest seda strateegiat pole kuskil eksplitsiitselt kirjas. Parim viis GOd mängida on õpitud ja on kirjutatud läbi õppimise suurmeistrite ajudesse ja nüüd ka AlphaGO tehismõistusesse.

2) AlphaGo ei kaalu kõiki käike ja ei ürita kümneid käike tulevikku simuleerida, vaid hindas erinevaid käike üsna sarnaselt suurmeistrite intuitsioonile. Mängu käikude etteaimamine ja läbimängimine poleks GO korral võimalik, sest erinevaid võimalusi on rohkem kui aatomeid universumis. Seetõttu peetigi GOd raskeks ja arvutile võimatuks – GOd pole võimalik võita, teades vaid reegleid; on vaja mängu tunnetada. GO mängu mängides treenitud tehisnärvivõrk pakkus AlphaGole vaid valiku võimalikest käikudest, mida ta siis teise närvivõrgu abil hindas. See on mõneti inimesele sarnane: me ei simuleeri tuhandeid käike, vaid suurmeistrid kaaluvad vaid paari käiku ja mõni käik lihtsalt “tundub õige”. Selle intuitsiooni taga on arvutused ajus, mis võivad olla üsna sarnased AlphaGo programmis toimuvatele arvutustele.

3) Deep Blue oskas vaid malet mängida. AlphaGo sarnased programmid suudavad õppida lugema välja mustreid kõiksugu andmetest ja võtavad varsti üle inimeste töö mitmetes valdkondades. Nendele inimestele, kes sääraste programmide tõttu oma töö kaotavad, ei maksa vist mainida, et tegu on vaid reketiga. Kummaline “käepikendus”, kui ta käe omajat asendab.

Kokkuvõttes ma loodan, et lugejad saavad aru mu frustratsioonist seoses tsiteeritud kommentaariga – AlphaGo pole reket. Aga eks igast arutelust võib iva ka leida, seega uurime edasi.

Miks AlphaGo pole inimese tasemel?

GOs on AlphaGo inimesest parem (ehk mitte suurmeistrist, aga olen kindel, et kõigist lugejatest). AlphaGo sarnased programmid suudavad muuhulgas meist paremini ka objekte tuvastada, üldjuhul paremini kõnet ühest keelest teise tõlkida ja suudavad varsti asendada inimesest häälassistente. Milles jääb inimene paremaks?

Eks ma oma eelmises postituses provotseerisin pisut ka, seda sama küsimust küsides. Vabandan selle eest. Ka mulle on selge, et inimene on hetkel veel tehismõistusest mitu sammu ees.

Samm 1: Teha samme. Deep Blue ajal oli see vahe eriti selge: arvuti võitis inimest males, kuid ei suutnud ise inimlapse sarnaselt malendit tõsta. Nüüd on robotid tunduvalt sujuvamate liigutustega, kuid AlphaGO istus kõigest arvutuspilves. AlphaGo sarnaste programmide lisamine robotitesse on aga juba käimas. Ja see, et AlphaGo ise samme ei tee, ei muuda teda vähem intelligentsemaks: ka Stephen Hawking ei tee ise samme.

Samm 2: Ise soovida, tahta, valida. Ilmselt on just antud punkt see, mida kasutaja Ökul edasises diskussioonis silmas pidas – AlphaGo ei tahtnud ise õppida GOd mängima; ei olnud tema soov hakata GOd mängima; ta ei läinud GOd õppima nagu laps, ta pandi õppima. AlphaGo tegi seda, mida inimesed tahtsid, et ta teeks, selles suhtes oli ta nagu käepikendus (mis sai GOs targemaks, kui inimeste kollektiiv, kelle kätt ta pikendas). Nagu eelnevalt kirjeldatud, siis AlphaGo õppis ise GOd mängima, kui ta mängima oli pandud, aga tõepoolest – ei mina ega keegi teine ei ütleks, et ta ise tahtis seda mängima hakata. Millegi soovi järgi õppimine on inimlik omadus ja ehk võiks tõesti selle järgi ka seada intelligentsuse kriteeriumeid või teste. (Aga kas depressioonis inimene, kes midagi ei taha ja ei soovi, siis pole (ajutiselt) inimlikult intelligentne?)

Samm 3: Õpitu põhjal teha adekvaatseid otsuseid päriselus. Kõlab lihtsalt, aga tegelikult pole ükski situatsioon täpselt eelmise koopia. Bussi astudes on vahel mõni inimene validaatoril ees, vahel on endal kilekott käes, vahel on bussikaart vales taskus, alati on meie keha pisut erineva nurga all … Restorani minnes näeme erinevaid inimesi, menüüsid, erinevat sisustust, inimesed ütlevad meile erinevaid asju erineva tooni, kiiruse ja väljenditega, aga ikka saame enam-vähem hakkama … ja isegi maal, kus me kohalikkku keelt ei valda! Ja vahel isegi siis, kui restoranis ka inglise keelt ei räägita! Inimesed on nii intelligentsed, kuna me suudame koheselt ja kiiresti mälust laadida õiged analoogsed olukorrad ja nende põhjal antud situatsioonis käituda. Me mõistame mingil määral, kuidas see ajudes toimub. Kuidas seda masinatesse panna?

Eks neid samme ja alasamme ole veel. Kas keegi tahaks veel mõne sammu kirja panna?

Aitäh diskussiooni eest. Arutluses selgub tõde, välja arvatud juhul, kui teda ei selgu.

Tehisintellekt, mis mängib GOd paremini kui Euroopa meister

jaanuar 28, 2016 7 kommentaari

Kui arvutiprogramm Deep Blue võitis Kasparovit males, öeldi kohe, et ega male ongi lihtne – arvuti ei saaks kunagi inimesest jagu GO mängus. Nojah, niipalju siis sellest 🙂

Sama idufirma, mis pani tehismõistuse Atari arvutimänge mängima, lahendas nüüd ka GO.

See tulemus pole sugugi tühine ja kutsub sõnastama seda, milles oleme me, inimesed, endiselt paremad?

Lugu ilmus ajakirja Nature kaaneloona. Ka toimetaja veerg oli talle pühendatud. Nature võttis kokku ka Go mängijate ja uurijate reaktsioonid.

Populaarteaduslik käsitlus Google blogis.

 

Paneme masinad mõtlema?

jaanuar 14, 2016 Lisa kommentaar

Tehisintellekt – masin, mis mõtleb ja on sama nupukas või isegi nupukam kui inimene. Mäletan, kuidas veel 5 aastat tagasi pidasin antud teemat pigem igavaks, sest tundus, et inimene jääb masinast ettepoole veel pikaks ajaks.

Ja siis järsku kõik muutus – tänu “sügavatele närvivõrkudele” on meil masinad, mis suudavad objekte ära tunda inimesest paremini; meil on isesõitvad autod; meil on oht, et tehismõistus võtab ära meie ja me laste töö.

Järsult on tehismõistus meile kannule jõudmas. Või mitte?

Ilmselt viimaste aastate kõige tähelepanuväärsem läbimurre on arvutiprogrammid, mis suudavad ise palju erinevaid arvutimänge mängima õppida. Kuid ärge muretsege – tegelikult on neid läbimurdeid olnud palju. Tambet võttis eelmise aasta läbimurded tehisintellekti vallas kokku Novaatori veergudel, Bloomberg kirjutas oma ülevaate ja MIT Technology Review ka. Pisut akadeemilisem ülevaade on Future of Life blogis. (Tänud Kristjanile ja Tambetile viidete eest!)

Sirvige pisut! Ilmselgelt oleme järsku inimkonnale tehisintellektile sammu lähemale astunud. Ka Eesti idufirmad on hakkamas aru saama, et kasutades tehisintellekti algoritme, on võimalik vähendada töökulusid ja pakkuda innovaatilisemaid tooteid. See on vahva! Eesti võikski ju olla üks tehisintellekti toodete inkubeerimise koht!

Meie Tartu väike labor on ka tegemas oma esimesi harjutusi tehisintellekti vallas, esimesest artiklist juba kirjutasin, sellest sai vorbitud ka populaarteaduslik artikkel Robohubi veergudele.

Ega meil illusioone pole – tehisintellekti valdkonnas on hetkel päris tihe rebimine! Iga nädal ilmub kümneid uusi olulisi artikleid, uued artiklid viitavad peamiselt sama aasta artiklitele. Ma pole nii tihedas valdkonnas veel töötanud!

Kas meil on ruumi, kas meil on võimalust kaasa lüüa? Miks üldse keskenduda sellisele tehismõistuse võistumõistmisele?

Minu motivatsioon on see, et uurides masinaid, mis on targad, mõistame rohkem ka aju kohta.

Näiteks sügavad närvivõrgud tulid arvutiteadusest, kuid nad on visuaalse taju mudelitena paremad kui need mudelid, mida ajuteadlased ja psühholoogid pool sajandit treinud on. Ma ei praali: Di Carlo grupi teadurid võrdlesid seda, kuivõrd hästi erinevad mudelid suudavad ennustada ahvikeste teatud ajupiirkondade aktiivsust ja polnud kahtlustki – sügavad närvivõrgud ületasid teiste mudelite täpsust, suurelt. Seda sama on näidatud ka fMRI andmete puhul, korduvalt.

Aga teistpidi on motivatsiooniks ka see, et kasutades teadmisi aju kohta, saame ehk luua veelgi intelligentsemaid masinaid. Praegused tehismõistuse saavutused on muljetavaldavad, kuid tehismõistusega vestlus on sama igav kui 13-aastase ukraina päritolu teismelisega. Tahaks, et see vestlus oleks põnev nagu mu kaheaastasega või nagu mõne haritud inimesega. Jällegi – olen teadlik, et konkurents on karm ja et eks teised üritavad ka ajust inspiratsiooni saada, et putitada tehisintellekti algoritme. Näiteks Prof. Gary Marcus on avalikult praalinud, et tal on inimmõistusele lähemale liikuvad algoritmid …

Aga no mis seal ikka, eks me üritada võime ju ikka.

Sõbralik tehisintellekt meie laboris

detsember 18, 2015 1 kommentaar

Tihti ähvardatakse tapjarobotitega, kuid Tartu Ülikooli arvutusliku ajuteaduse laboris mängivad meil täitsa koostööaltid tehismõistused.

Vähem kui aasta eest Nature’is ilmunud artikkel näitas, et tehismõistus suudab ise õppida arvutimänge mängima. Väikse idufirma DeepMind programm õppis ise, kuidas mängu mängida, ilma et keegi talle oleks reegleid öelnud. See tehismõistus saab sisendina ainult ekraanipilti ja punktide arvu. Kõik. Talle pole öeldud, mida selles mängus tegema peab.  See tehismõistus õpib kõik ise. See sama tehismõistus pandi mängima 49 erinevat mängu. Sama algoritm. Enam kui poolte mängude puhul suudab see tehismõistus lõpuks mängida paremini professionaalsest arvutimängijast. Mis sest, et igal juhul alustas see tehismõistus seda mängu üsna tuhmilt. Loogiline – keegi polnud ju talle öelnud, kuidas neid mänge mängida tuleb.

Kui Google ostis selle firma 2014. aasta alguses umbes poole miljardi dollari eest, jäi see silma ka mõnele Tartu Ülikooli Arvutiteaduse instituudi doktorandile. Meie labori poisid tuhnisid välja DeepMindi artikli 2013. aasta lõpust, kus kirjeldati tehissüsteemi, mis suutis õppida mängima käputäit Atari mänge. Kristjan, Ilya, Ardi, Taivo ja Tambet hakkasid umbes kaks aastat tagasi selle artikliga maadlema – kuidas DeepMind seda tegi? Kui sarnane see on ajule? Kas seda on võimalik järgi teha? Kui Nature’i artikliga sai üles ka kogu DeepMindi süsteemi kood, muutus ülesande püstitus – nüüd tuli lihtsalt leida viis, kuidas oma teadmiste abil seda süsteemi teistmoodi ja uutele probleemidele rakendada.

Meie uurimisgrupi juhil tuli üsna lihtne, aga huvitav idee – panna kaks tehismõistust teineteise vastu mängima. Põnevam pool on see, et me võisime neile tehismõistustele ka anda teistmoodi ülesande – teha koostööd!

Jällegi – me ei kirjutanud kuskile sisse, kuidas koostööd tegema peaks või et üldse koostööd tegema peaks. Me muutsime ainult seda, mille eest tehismõistus punkte saab – punkte ei saagi, aga neid kaotavad mõlemad tehisjumbud, kui pall mängust välja läheb. Vaadake (video vasakult ekraanilt), mis juhtub.

Alguses on nad päris juhmid, siis mängivad mõistlikult ja jõuavad kahe strateegiani: 1) ära üldse palli välja löö – siis ei saa seda ka kaotada, 2) leia parim viis teineteisele palle sööta – vaata videost ca 1:10 peal ja edasi.

Päris lahedad ja teineteise vastu sõbralikud sellid, eks 🙂 Meie neile ei öelnud, mida ja kuidas teha, nad ise õppisid selle strateegia.

Meie artikkel, mille esimesed autorid on Ardi ja Tambet, on üleval Arxivis.

Artikli kohta on tutvustus ka meie labori lehel. Oma loo tegi ka Novaator. Ardi ja Tambet rääkisid meie tehissellidest ka Vikerraadio teadussaates Labor.

 

Elagu algoritm, sayonara töötaja!

november 28, 2015 Lisa kommentaar

Andres Laan ja mina kirjutasime septembris Postimehe veergudel sellest, et tehisintellekti suurim oht on see, et arengud sügavate närvivõrkude vallas suudavad peagi automatiseerida palju elukutseid, kuid meie riik ja majandus ei ole selleks piisavalt valmistunud . Lugu oli Postimees Plussis, avaldame ta nüüd täies mahus siin:

1990ndate lõpus, kui Amazon.com tegeles veel peamiselt raamatute müügiga, hoidis Amazoni juhtkond palgal paarkümmend toimetajat ja raamatukriitikut. Nende ülesandeks oli koostada ostusoovituste nimekirju ja kirjutada raamatuarvustusi, mis pidi e-poe kasutajatele teoste valimise lihtsamaks ja mugavamaks muutma. Veel 1998. aastal nimetati Amazoni raamatukriitikuid selle firma kroonijuveeliks, kelle töö tagas internetipoe kasutajale unikaalselt meeldiva ostukogemuse. Paar aastat hiljem otsustas Amazon oma raamatukriitikud ilma erilise kahetsuseta lahti lasta. Nende töö võttis täielikult üle algoritm, mis kandis nime kollektiivne selekteerimine.

See algoritm peab arvet amazon.com kasutajate ostuajaloo üle. Näiteks selleks, et leida sobivaid ostusoovitusi Anna Karenina vastu huvi näidanud kliendile, leiab algoritm Amazoni andmebaasist kõik kasutajad, kes on varem teose „Anna Karenina“ ostnud. Järgmiseks otsib algoritm nende kasutajate ostuajalugude nimekirjast üles seal kõige populaarsemaks osutunud romaanid (näiteks „Sõda ja rahu“, „Kuritöö ja karistus“). Ja need romaanid sisestatakse seejärel antud kliendi ostusoovituste nimekirja.

Eksperimenteerimisel selgus, et niimoodi koostatud ostusoovitused tõid raamatukriitikute soovitustega võrreldes palju rohkem uusi raamatutellimusi. Lisaks oli antud algoritmi serveris jooksutamine raamatukriitiku palkamisega võrreldes oluliselt vähem kulukas. Tehisintellekti algoritm oli inimesega võrreldes odavam ja osavam.

Üha rohkem paistab, et pole vahet, kui keeruline on inimese elukutse või kui vaevaline on olnud vastav professionaalne treening – pole elukutset, mille tulevikku masinad ohtu ei seaks. Uue sajandi esimesel aastakümnel tõi Royal Bank of Canada müügile aktsiaportfelli haldava arvutiprogrammi, mis kandis oma sisemuses läbi instruktsioone, mille täideviimiseks oli eelmisel sajandil vaja palgata viieaastase ülikooliharidusega majanduseksperte.

2011. aastal alistas IBM arvutiprogramm Watson mälumängu Kuldvillak valitsevad maailmameistrid, kes olid oma hämmastavate mäluoskuste ja teadmistepagasi kogumiseks aastakümneid süstemaatiliselt trenni teinud. Lisame masinate saavutuste nimekirja ka sünkroontõlke primitiivse vormi. Microsoft demonstreeris 2012. aastal takvara, mis tõlgib reaalajas sujuvalt ingliskeelset inimkõnet hiina keelde. Masintõlke kvaliteet on endiselt inimtõlgi oskustest viletsam ja tõlkeäpardusi tuleb masinal ette ligikaudu iga kümnenda sõna juures, kuid see vigade tase on piisavalt madal, et jutust siiski aru saada.

Microsofti konkurent Google on oma laborites valmis meisterdanud isesõitvad autod. Need masinad panevad järgmise kümne aasta jooksul küsimärgi alla taksojuhtide, bussijuhtide ja veoautojuhtide palkamise vajalikkuse. 3D printerid aga muudavad kardinaalselt ehitustööliste ameti tulevikku – endiselt on tarvis progammeerijaid ja insenere, kuid mitte enam inimesi, kes ehitusmaterjale õigel viisil õigesse kohta paigutavad.

Tehnoloogia kiire areng toob varandusliku ebavõrdsuse ja tööpuuduse

Ja mis siis sellest? Tehnoloogia on igal aastal teatud osa inimülesandeid üle võtnud vähemalt kolmsada aastat järjest. Miks on meil tarvis järsku tehnoloogiliste uuenduste pärast muret tunda? Põhjuseks on eelkõige inimtööjõu asendamise kiirus.

Tüüpiline tehnoloogiline leiutis toob endaga lühemas perspektiivis kaasa produktiivsuse kasvu ja vähenenud vajaduse tööjõu järele. Kuna pikemas perspektiivis leiavad töö kaotanud inimesed endale ühiskonnas uue kasuliku rakenduse, viib tehnoloogiline progress kõigi inimeste elukvaliteedi paranemiseni.

Pahandused algavad siis, kui töökohtade kadumise kiirus ületab võime vabanenud töökätele järgmisi ülesandeid leida. Sellisel juhul leiab aset majandusliku ebavõrdsuse dramaatline kasv. Väga lihtsustatult rääkides koguvad innovatiivse majanduse juhtfiguurid enda kätesse tohutuid rikkusi, kuid ülejäänud jäävad ilma nii rahast kui tööst. Sellise protsessi käis tööstusrevolutsiooni algusaastatel (1770-1830) läbi Inglismaa ühiskond, kus keskmise töölise reaalpalk tervelt 60 aastat järjest paigal seisis, samas kui majanduse tootlikus kahekordistus.

Majandusstatistika viitab, et tööstusrevolutsiooniga analoogne protsess on läänemaailmas taas aset leidmas. Ameerika Ühendriikides on reaalne mediaanpalk 1980ndate algusest alates samal tasemel püsinud ja seda hoolimata sisemajanduse koguprodukti 150%sest kasvust. Keskmise töölise palgataseme seisak koos majanduse tootlikuse kasvuga viitab sellele, et praktiliselt kogu lisandunud rikkus on liikunud ühiskonna koorekihi taskusse.

Majanduslike protsesside tõukejõude ei ole tihti võimalik täpselt määratleda. Üks populaarne hüpotees väidab, et ebavõrdsus on kasvanud informatsiooni- ja kommunikatsioonitehnoloogiate kasutusvaldkonna lainemise käigus. Tehnoloogiagigandid Microsoft, Google, Amazon, Apple ja Facebook domineerivad maailma rikkaimate firmade nimistus samamoodi nagu 19. sajandi lõpus valitsesid turge hiigeltrustid Standard Oil, US Steel ja American Tobacco Company.

Infotehnoloogia asendab töökohti

Infotehnoloogiaid haldavad superettevõtted ei asunud vohama tühjale kohale, vaid muutsid ebavajalikuks terve hulga pika ajalooga tööstusi ja töökohti. Esimese põlvkonna internetitehnoloogiad panid surve alla valgekraelised elukutsed, mis tegelesid informatsiooni mehaanilise analüüsiga. Klassikalisteks näideteks on siinkohal reisiagendid ja keelekorrektuuriga tegelejad, kelle ülesanded võis üle võtta vastav programm. USA tööjõustatistika büroo andmetel on informatsioonitöötlusega tegelevas sektoris viimase kümnene aasta jooksul kadunud 10% töökohtadest.

Uuema põlvkonna intelligentsed leiutised ei ole piirdunud digi-maailmas tegutsemisega. Järjest võimsamate sensorite ja protsessoritega varustatud tehnoloogilised vidinad tungivad andmete maailmast füüsilisse sfääri. Lisaks artikli alguses mainitud isesõitvatele autodele ja sünkroontõlkidele on juba valmis meisterdatud robottolmuimejad, ladudes pakke kandvad automaattõstukid, iseseisvalt postipakke kohale toimetavad droonid, autonoomsed prügisorteerijad ja humanoidi välimusega robotid, kes mõistavad puu- ja juurviljadest salateid valmistada.

Automatiseerimisohus elukutsete nimistu koostamine on keeruline ülesanne, kuid isegi konservatiivsed eksperdid ennustavad, et nende elukutsete arv on pigem kõrge kui madal. Oxfordi ülikooli teadlaste hinnagul on järgmiste kümnendi jooksul kadumisohus ligikaudu 50% töökohtadest.

On kindlasti neid, kes peavad majandusstatistikat ebausaldusväärseks. Neid lugejaid võiks mõtlikuks teha järgmise põlvkonna tehnoloogilise innovatsiooni dramaatiliselt erinev karakter. 20. sajandi tehisintellekt oli oma võimetelt üsna piiratud ja suunatud eelkõige spetsiifiliste rakenduste lahendamiseks, kuid 21. sajandi tehisintellekt on hoopis teine tera.

Hiljutised teadusavastused on parktiliseks muutnud algoritmid, mille kasutusvaldkond on eelneva tehnoloogiaga võrreldes tunduvalt laiem. Ühe prominentse näitena toome siinkohal välja niinimetatud sügavad närvivõrgud. Sügavate närvivõrkude töö on sarnane inimese ajukoore tööga. Justnimelt see piirkond vastutab meie ajus kõige keerulisemate mõtteprotsesside täideviimise eest. Niisiis võib juhtuda, et masinad jõuavad inimvõimete piirile väga lähedale, mistõttu asenduselukutsete leidmine muutub järjest keerulisemaks.

Ajule sarnane tehisintellekt suudab lahendada ajule sarnaseid ülesandeid

Selleks, et aru saada sügavate närvivõrkude võimetest ja puudustest, on kõige parem uurida, missuguste probleemide lahendamiseks neid kasutatakse. Eelmise põlvkonna arvutirakendused haldasid probleeme, millel oli selge matemaatiline definitsioon. Tekstist „kasside“ leidmiseks pole vaja teha muud, kui otsida tähtede k, a, s ja s vastavat kombinatsiooni. Kuid kui üritada sama metoodikat rakendada digipildilt kasside otsimiseks, siis seisame silmitsi probleemiga, et me ei oska kassi kujutisele matemaatiliselt ranget definitsiooni anda. Pildil istuv kass võib olla pruuni või hoopis halli karvaga, ta võib istuda mõnusalt keras või tippida graatsiliselt tagajalgadel, tal võib olla suletud suu ja avatud silmad või vastupidi. Need pisikesed variatsioonid, mida on sisuliselt lõpmata palju, muudavad digipildilt kasside leidmise keeruliseks.

Sügavad närvivõrgud saavad sellest probleemist mööda, defineerides mõiste „kass“ mitte matemaatiliselt, vaid näidete abil. Selleks, et sügavat närvivõrku kassi tuvastama õpetada, on vaja talle sisse sööta paarkümmend miljonit näidispilti, mille hulgas paarsada näidispilti on defineeritud kui kassid. Selles mõttes on sügav närvivõrk inimese ajuga sarnane. Ka meie aju õpib pigem näidete kui definitsioonide kaudu. Kuna tehislik närvivõrk on bioloogilise närvivõrguga sarnane, siis kujuneb tal sellise treeningu järel välja inimeselegi omane võime üldistada. Üksikult üldisele üleminek lubab treenitud närvivõrgul kasse tuvastada ka piltidelt, mida ta kunagi varem kohanud ei ole.

Sügavaid närvivõrke saab tööle rakendada tüütute ja rutiinsete ülesannete lahendamiseks. Kui ettevõtjal on olemas suur andmebaas, mis dokumenteerib pisidetailideni välja seda, kuidas inimtööline mõnda ülesannet lahendab, siis on küllaltki suur tõenäosus, et inimeksperdi tööprotseduur on võimalik näidetepõhise treeningu kaudu sügavasse närvivõrku üle kanda. Kord treenitud närvivõrku on seejärel võimalik ühegi lisakuluta lõpmatult paljundada. Sügavaid närvivõrke ongi juba tööle rakendatud digitaalsete pildiarhiivide analüüsiks, sõiduautode juhtimiseks, lühikeste uudislugude kirjutamiseks ja inimkõne sünkroontõlkeks.

Kuidas valmistuda tehnoloogiliseks tööpuuduseks?

Eelpool kirjeldatud arengutega silmitsi seistes peame endalt küsima, kuivõrd oleme ühiskonnana valmis kiirenenud tehnoloogilise progressi tagajärgedeks. Kas meil on olemas plaan, mida teha nende inimestega, kelle töökohad kaovad? Võimalike lahenduste nimekiri on pikk, aga samas ka ebakindel. Keegi ei oska hetkel ette ennustada tehnoloogilise progressi kiirust ja seda, kui akuutselt tööjõu probleem ennast majanduses tunda annab.

Esimene võimalus lahenduste leidmiseks inspiratsiooni leida on ajalukku tagasi vaadata. Tööstusrevolutsiooni esimesele staadiumile järgnes terve seeria muutusi ühiskonnakorralduses. 1850ndatest 1950ndate suunas liikudes näeme järkjärgult tasuta põhi- ja keskhariduse esiletõusu, tööaja langemist 60 tunnilt nädalas 35ni ja riigisektori rolli kasvamist majanduselus. Äkki veedab tulevikus üle poole inimestest oma 15-tunnise tööpäeva riigisektoris töötades.

Teine võimalik lahendus puudutab majandusmõtlemise muutumist. Kuidas me saaksime samaaegselt saavutada innovatsiooni ilma töökohtade kadumiseta? Globaliseerumise ajastul tähendas äri-innovatsioon tihti seda, et leiti viise, kuidas toota sama kvaliteediga toodet odavamalt. Kuid tehnoloogilisi protsesse võib kasutada ka selleks, et pakkuda sama raha ja tööjõukulude juures kõrgema kvaliteediga lõpp-produkti. Eriti teenuste- ja riigisektoris tasuks kaaluda võimalust inimeste vallandamise asemel neile sarnases rollis uusi rakendusi leida.

Me kõik teame elukutseid, mille praktiseerijad on valdkonna alarahastuse tõttu krooniliselt üle töötanud. Olgu tegemist arstidega, kellel pole visiite täis pikitud töögraafiku tõttu piisavalt aega süveneda üksikute patsientide muredesse, või hoopis õpetajatega, kellel puuduvad ressursid probleemsete või andekate õpilaste vajadustega tegelemiseks – tehnoloogia võib neile anda tagasi aega selleks, et oma elukutse eesmärki täiuslikumalt täita.

Igapäevaste ülesannete muutunud vajadus inimliku vahelesegamise järele toob tõenäoliselt kaasa paratamatuid muutuseid haridussüsteemis. Kolmanda pääseteena tehnoloogia vohamisest tingitud probleemidele on paljud vaatlejad välja pakkunud tööjõu haridustaseme tõstmise. Elanikkonna ümberharimine on soovitus, mis on ühest küljest ilmselge, kuid teisest küljest ebamugavalt segane.

Kuna ligikaudu 80% elanikkonnast on keskharidus, siis peaks haridustaseme kasv ilmselt tulema kõrghariduse, kutsehariduse ja elukestva õppe arvelt. Teatud osa kõrghariduse kasvust peab pärinema infotehnoloogia hariduse mahu kasvust, kuid on ebaselge, kui suur peaks see kasv täpselt olema ja missugused peaksid olema infotehnoloogia ekspertide oskustele rakenduse leidmist toetavad elukutsed.

Teisest küljest valmistab ebamugavust paljude kunagi kõrgharidust vajanud elukutsete haprus tehisintellekti tehnoloogiate ees. Aktsiakauplejate, raamatupidjate, laboritehnikute ja tõlkide jätkuv tarkvara ja riistvaraga asendamine annab tunnistust kõigi erialade potentsiaalsest haavatavusest. Need faktid viitavad sellele, et kui lahendus peitub hariduses, siis peab seda haridust olema mitte lihtsalt rohkem, vaid ta peab olema senisest teistsugune. Keegi ei tea täpselt, missugune.

Majandus on keerukas süsteem ja väikesed variatsioonid sündmuste käigus võivad kogu protsessi järsku ühelt rajalt teisele kallutada. Seepärast on kõige tähtsam tehnoloogilise tööpuuduse probleemi pidevalt ühises teadvuses hoida, kuid samaaegselt vältida liiga varajast pühendumist ühele lahendusele. Me täpselt ei tea, mida tulevik toob, kuid loodetavasti on seal sobiv (töö)koht nii meile kui ka tarkadele masinatele.