Z dr hab. Piotrem Sankowskim, profesorem Uniwersytetu Warszawskiego, prezesem IDEAS NCBR powołanego przez Narodowe Centrum Badań i Rozwoju i członkiem jego Rady, a także CSO w firmie MIM Solutions rozmawiamy o największych, naukowych osiągnięciach w kontekście rozwoju sztucznej inteligencji; polskich badaniach na tym polu; najciekawszych zastosowaniach AI; granicach wykorzystania algorytmów sztucznej inteligencji i roli w tym regulacji; a także wspieraniu prac nad AI w Polsce.
Jakie, najważniejsze osiągnięcia naukowe w kontekście rozwoju sztucznej inteligencji można wyróżnić w roku 2021? Co oznaczają dla dalszego rozwoju algorytmów Machine Learning? Jak na niego wpłyną?
Fascynują mnie coraz większe postępy w uzyskiwaniu uniwersalnych metod uczenia maszynowego (ML). Metod pozwalających na działania oparte o koncepcje Zero-Shot, czy Few-Shot Learning. Jednym z bardzo ciekawych wyników jest tutaj sieć neuronowa CLIP (openai.com/blog/clip/) stworzona przez OpenAI. Pozwala ona na wyszukiwanie obrazów na podstawie dowolnych ich opisów.
Tego typu sukcesy wskazują, że algorytmy uczenia maszynowego przestaną wymagać ogromnych zbiorów danych. Odejdziemy tym samym od utartego twierdzenia, że dane są paliwem sztucznej inteligencji, bo aktualnie tworzone rozwiązania pozwalają na ich wykorzystanie bez konieczności zasilania ich ogromnymi zbiorami danych. Kilka lat temu nauczenie algorytmu sztucznej inteligencji wymagało pokazania mu rozwiązańmilionów przykładów, a dzięki coraz większej uniwersalności teraz zaczyna wystarczać ich kilka.
Czy Polska ma się w tym obszarze czym pochwalić?
Myślę, że jesteśmy na dobrej drodze, aby niedługo tak było. Polskie badania dopiero w ostatnich latach zaczęły wchodzić do mainstreamu badań nad uczeniem maszynowym. To stwierdzenie może być zaskakujące, biorąc pod uwagę fakt, że Polska ma wyraźne osiągnięcia w badaniach nad szeroko pojętą sztuczną inteligencją (AI). Jednakże w tej poddziedzinie AI, która odnosi w ostatnich latach ogromne sukcesy, nie byliśmy dotąd zauważalni. Dopiero niedawno, w roku 2021, może 2020, naukowcy pracujący w Polsce zaczęli prezentować osiągnięcia na flagowych konferencjach w tej dziedzinie takich jak: ICML, KDD, NeurIPS/NIPS, czy CVPR. Pokazuje to, że zaczęliśmy dokładać nasze małe cegiełki tworzenia przełomowych rozwiązań uczenia maszynowego.
Jednym z priorytetów Ideas NCBR jest kształcenie nowego pokolenia specjalistów, którzy będą dzielić się wiedzą. Ważne jest dla nas również to, aby realizowane w IDEAS NCBR projekty badawcze miały praktyczne zastosowanie w różnych sektorach gospodarki. Obecnie mamy powołane dwie grupy badawcze, jedna z nich zajmuje się inteligentnymi algorytmami oraz wyuczonymi strukturami danych, druga Blockchainem i smart contracts. Wkrótce powołane zostaną kolejne, które wyłonione zostaną przez naszą Radę Naukową w otwartym konkursie.
Nasz pracownik w IDEAS NCBR, Sebastian Jaszczur, niedawno prezentował na konferencji NeurIPS, jak znacząco przyśpieszyć inferencję transformerów, które królują teraz w zastosowaniach NLP. Z kolei w naszej pracy na ICML pokazaliśmy, jak przyśpieszyć rozwiązywanie separowalnych problemów submodularnych. Te przykłady na pewno brzmią bardzo egzotycznie, ale wskazują pewien trend, na który chciałem zwrócić uwagę. Warto pamiętać, że w dzisiejszych czasach prowadzenie badań na światowym poziomie wymaga ogromnej specjalizacji. Ważne, aby stworzyć specjalistom najlepsze możliwe środowisko do prowadzenia takich badań.
Jakie – z perspektywy minionego roku – zastosowanie AI wydaje się najciekawsze? Czy przyspieszy ono rozwój algorytmów AI w kolejnych latach? Czy polskie dokonania się czymś wyróżniły?
Najciekawsze wydają mi się dwa zastosowania. Po pierwsze, niedawno dokonał się ogromny przełom w analizie języka naturalnego (NLP). Wiele firm i badaczy twierdzi, że na ten moment – w wielu zastosowaniach – komputery lepiej rozumieją język ludzki od ludzi. Ta możliwość w przyszłości otworzy drzwi do wielu, różnych zastosowań, np. analizy dokumentów prawnych, czy analizy dokumentacji medycznej oraz coraz lepszego przeciwdziałania dezinformacji.
Po drugie, uczenie maszynowe znajduje coraz szersze zastosowania w medycynie. Możemy się spodziewać rosnącej dostępności mechanizmów, które pozwalają na przeprowadzanie badań samodzielnie. Przykładem jest polskie rozwiązanie StethoMe. Coraz szersze wsparcie będzie dawało AI także w wykonywaniu specjalistycznych badań medycznych. Roboty będą pozwalały także na automatyzację niektórych procedur medycznych, czy diagnostycznych.
Sieć neuronowa CLIP stworzona przez OpenAI pokazuje, że algorytmy uczenia maszynowego przestaną wymagać ogromnych zbiorów danych. Odejdziemy tym samym od utartego twierdzenia, że dane są paliwem sztucznej inteligencji, bo aktualnie tworzone rozwiązania pozwalają na ich wykorzystanie bez konieczności zasilania ich ogromnymi zbiorami danych. Kilka lat temu nauczenie algorytmu sztucznej inteligencji wymagało pokazania mu rozwiązań milionów przykładów, a dzięki coraz większej uniwersalności teraz zaczyna wystarczać ich kilka.
Ostatnio rozmawiałem ze znajomym, który stwierdził, że stoimy przed ogromnym przełomem w zakresie algorytmów AI. AI rozwiązuje zadania z olimpiad matematycznych (choć na razie tylko niektóre i tylko czasem), rozumie ich treść i pisze dowody twierdzeń ludzkim językiem. AI rozwiązuje też zadania rekrutacyjne do Google i Facebooka (ponownie na razie tylko niektóre i tylko czasem), rozumie ich treść i pisze kod rozwiązań w wielu językach programowania. Docelowo zaś idea jest taka, aby AI było w stanie – z lekkimi wskazówkami – tworzyć kod źródłowy nowych modeli AI, czyli aby AI poproszone o wykonanie zadania wzięło własny kod źródłowy i poprawiło go, by był jeszcze lepszy. Gdzie jest granica wykorzystania algorytmów AI?
Nie widać tutaj jakiejś granicy dla zastosowań AI i rzeczywiście badacze dostarczają nam ciągle coraz więcej przykładów obszarów, w których sztuczna inteligencja radzi sobie lepiej od człowieka. Na pewno ten trend się utrzyma i będzie przyśpieszał. Jednakże pewnym aktualnym ograniczeniem jest to, że współcześnie tworzona AI myśli w zupełnie inny sposób niż człowiek. A co za tym idzie, człowiek często nie umie jej zrozumieć, czy przeprowadzić audytu i sprawdzić czy jej rozumowanie było słuszne. Stworzenie wyjaśnialnej, sztucznej inteligencji jest wyzwaniem i ma coraz większe znaczenie w dzisiejszych badaniach.
Czy przyszłość AI będą tworzyć tylko informatycy lub matematycy? Jak wspierać interdyscyplinarne podejście do prowadzonych prac badawczych i kształcenia odpowiednich kard?
Przyszłość sztucznej inteligencji to przede wszystkim coraz szersza gama jej zastosowań. A te wymagają z założenia pracy zespołów interdyscyplinarnych. W zastosowaniach w medycynie musimy tworzyć zespoły, w skład których wchodzą zarówno Data Scientists, jak i lekarze. Podobnie jest również w przypadku innych zastosowań.
Czy powstają tego typu zespoły w Polsce?
Po pierwsze to interdyscyplinarne podejście widać już na etapie kształcenia przyszłych specjalistów. Coraz częściej obserwujemy to, że np. wyższe uczelnie techniczne nawiązują współpracę z uniwersytetami medycznymi. Przed kilkoma dniami taka kooperacja została nawiązana w Białymstoku. Ta praktyka widoczna jest również w biznesie.
Polskie badania dopiero w ostatnich latach zaczęły wchodzić do mainstreamu badań nad uczeniem maszynowym. To stwierdzenie może być zaskakujące, biorąc pod uwagę fakt, że Polska ma wyraźne osiągnięcia w badaniach nad szeroko pojętą sztuczną inteligencją (AI). Jednakże w tej poddziedzinie AI, nie byliśmy dotąd zauważalni. Dopiero niedawno, w roku 2021, może 2020, naukowcy pracujący w Polsce zaczęli prezentować osiągnięcia na flagowych konferencjach w tej dziedzinie takich jak: ICML, KDD, NeurIPS/NIPS, czy CVPR.
Zróżnicowane zespoły projektowe powoływane są w przedsiębiorstwach, które prowadzą prace badawczo rozwojowe. W szczególności, w biznesowych zastosowaniach, które realizujemy w MIM Solutions tworzenie interdyscyplinarnych zespołów jest normą, a nie wyjątkiem. Są to zespoły łączące różnorakie kompetencje w zależności od zastosowań, np. informatycy z marketingowcami, czy PR, zespoły wspólne z prawnikami, oraz oczywiście zespoły współpracujące z lekarzami.
W jaki sposób IDEAS NCBR wspiera naukowców rozwijających w Polsce rozwiązania oparte na algorytmach AI/ML?
Jednym z naszych priorytetów jest kształcenie nowego pokolenia specjalistów, którzy będą dzielić się wiedzą. Ważne jest dla nas również to, aby realizowane w IDEAS NCBR projekty badawcze miały praktyczne zastosowanie w różnych sektorach gospodarki. Obecnie mamy powołane dwie grupy badawcze, jedna z nich zajmuje się inteligentnymi algorytmami oraz wyuczonymi strukturami danych, druga Blockchainem i smart contracts. Wkrótce powołane zostaną kolejne, które wyłonione zostaną przez naszą Radę Naukową w otwartym konkursie, który przeprowadzamy. W każdym z zespołów zatrudnionych będzie do dwudziestu naukowców z różnym doświadczeniem, począwszy od doktorantów, postdoców, aż po specjalistów światowej klasy, którzy pełnią funkcję mentorów dla młodszych stażem pracowników.
W jaki sposób ocenia Pan działania Unii Europejskiej zmierzające do uregulowania kwestii wykorzystania algorytmów AI? W przygotowywanych aktach prawnych pojawiają się sformułowania o „systemach sztucznej inteligencji wysokiego ryzyka”, czy „zabronione technologie AI”.
Moim zdaniem musimy pracować nad stworzeniem reguł, które ograniczą wykorzystywanie algorytmów AI. Wydaje się, że w tym momencie rozwoju tej technologii obydwa scenariusze od lat przewidywane w literaturze SF mogą się ziścić. Z jednej strony może nas czekać czarny scenariusz rodem z “Terminatora”. Jednak ja osobiście liczę na ten scenariusz z Isaaka Asimova, gdzie rzeczywiście zakodowanie pewnych praw jest konieczne, aby roboty były przydatne dla człowieka.
Czego można życzyć specjalistom pracującym w obszarze AI w 2022 roku? Co mogliby uznać za sukces?
Przede wszystkim przyjemności w pracy nad tymi zagadnieniem, ale także integracji środowiska naukowego z biznesowym, bo taka współpraca otwiera przed nami zupełnie nowe perspektywy. Właśnie to były powody powołania IDEAS NCBR. Celem było stworzenie ośrodka, w którym osoby z ambitnymi pomysłami będą wstanie je skutecznie realizować. Pozytywne byłoby również zwiększenie się liczby specjalistów na rynku.
Badacze dostarczają nam ciągle coraz więcej przykładów obszarów, w których sztuczna inteligencja radzi sobie lepiej od człowieka. Na pewno ten trend się utrzyma i będzie przyśpieszał. Jednakże pewnym aktualnym ograniczeniem jest to, że współcześnie tworzona AI myśli w zupełnie inny sposób niż człowiek. A co za tym idzie, człowiek często nie umie jej zrozumieć, czy przeprowadzić audytu i sprawdzić czy jej rozumowanie było słuszne. Stworzenie wyjaśnialnej, sztucznej inteligencji jest wyzwaniem i ma coraz większe znaczenie w dzisiejszych badaniach.
W jaki sposób można by zwiększać liczbę specjalistów od AI w Polsce? Czy pojawiają się dedykowane kierunki na polskich uczelniach? Czy są w ogóle konieczne?
Dedykowane kierunki na pewno są ważne. Natomiast, warto sobie uświadomić, że informatycy to nie są już ci chłopcy w kraciastych koszulach, którzy robią jakieś dziwne rzeczy z komputerami. Wizerunek, który kojarzymy z internetowych memów jest już nieaktualny. Obecnie, praca informatyka, czy specjalisty od AI, staje się coraz bardziej fascynująca, a wyzwania z jakimi się mierzymy coraz bardziej interdyscyplinarne i dotykające różnych aspektów życia, które tradycyjnie kojarzą się z zupełnie innymi specjalizacjami. Informatycy są w dzisiejszych czasach niezbędni w wielu branżach: mogą sprawić, że statek kosmiczny wystartuje, stworzyć dedykowane rozwiązanie dla eCommerce albo wspierające diagnostykę medyczną. To naprawdę jest teraz świetna praca, która w dodatku jest jeszcze bardzo dobrze płatna.
