Osmička

OSMIČKA / MĚSÍČNÍK MĚSTSKÉ ČÁSTI PRAHA 8 / srpen 2018

www.praha8.cz

vyjadřování jako: když je

hodnota vstupu taková, udělej

toto, jinak udělej něco jiného.

Když jsem začínal, tak jsem

programoval v jazyce Fortran na

děrné štítky – a když jsem někde

zapomněl středník, byl to den

zdržení. Dnes je to pár vteřin.“

...a jako pedagog za katedrou Matematicko-fyzikální fakulty.

opět k autonomním autům –

Google dříve testoval svoje vozy

v Kalifornii. Tam je pořád hezké

počasí a vše probíhalo báječně.

Najednou začalo pršet a program nevěděl, co má dělat.

Změnily se totiž podmínky,

na které algoritmus vůbec nebyl

připravený.“

Funguje lidský mozek jako

počítač, resp. počítač jako lidský

mozek?

„Mozek má obrovské množství

neuronových spojů a my si

myslíme, že se to dá matematicky vyjádřit. Popis toho, jak

funguje jeden neuron, je,

řekněme, středoškolská úroveň

matematiky – neuron má nějaké

vstupy, přikládá jim nějaké váhy,

odborně se jim říká synaptické

váhy a spojům synapse,

a spočítá svůj výstup. Učení

spočívá v tom, že se tyto váhy

upravují podle toho, co se daný

neuron má naučit. Složitost to

získá až tím, že se spojí spousta

neuronů dohromady, které

vytvoří neuronovou síť.“

Co dokáže jeden neuron?

„Nic moc. Představte si, že

neuron má dva vstupy a tohle

(ukazuje na stolek s čokoládovými a žlutými sušenkami) je jeho

vstupní prostor. Neuron mi

dokáže nakreslit čáru a něco

oddělit. Bude mi odpovídat,

tohle je nula a tohle jednička, a já

si řeknu fajn, mám rozpoznávač

čokoládových sušenek. Když

jsou neuronů tisíce a v několika

vrstvách, najednou dokáže

z obrázku rozpoznat například

písmena.“

To přece nemůže být žádný

problém.

„Pro lidský mozek ne. Ale pro

počítač ano. Když něco vyfotím,

vidím na záběru spoustu detailů,

že po silnici mezi poli s kvetoucími slunečnicemi jede auto,

v dálce jsou hory a na nebi

mráčky. Pro počítač je to jen

shluk pixelů. Až specializovaný

software vám dokáže přečíst

písmena. Toho využívají už teď

například kamery u dálnice,

které přečtou vaši SPZ a upozorní vás, že jedete příliš rychle. Říká

se tomu optické rozpoznávání

znaků a je to veliký úspěch

strojového učení, nebo chcete-li

umělé inteligence. A za tím je

právě umělá neuronová síť.“

Kvůli programátorovým

chybám padají aplikace

ve vašem telefonu,

ale někdy i letadla.

Jak se to počítač naučí?

„Většina takového učení je

takzvané učení s učitelem. To

znamená, že počítači připravíme

obrovské množství příkladů,

kterými dokážeme říct, jak má

odpovědět. Na spoustě obrázků

bude písmeno A v nejrůznějších

podobách a my mu to A vždycky

ukážeme. A tím ten software

naučíme to A rozeznávat.“

Když ale uděláte v zadávání

programu chybu, tak se stane co?

„Dneska se programuje ve

vyšších programovacích

jazycích, ke kterým existují

překladače, které naše zadání

převádějí do systému nul

a jedniček, strojového kódu,

který pak počítač vykonává.

Programátor to píše zhruba

stejně jako ve wordu a používá

Takže pozice čárky je stejně

důležitá jako v běžném psaném

textu? Příklad: Věta „Jezte, děti.“

má zcela jiný význam s čárkou než

bez čárky.

„Přesně. Programátor píše svůj

program, pak zmáčkne zelenou

šipku, program to přeloží

a případně řekne – tady vám

něco chybí. Syntaktické chyby

jsou tedy jednoduché na

odhalení, software má svou

vlastní velmi přísnou gramatiku.

Horší jsou logické chyby, když

programátor opomene nějakou

možnost, anebo naučí model

umělé inteligence něco špatně.

Kvůli takovým chybám vám pak

padají aplikace ve vašem

telefonu, ale někdy i letadla.“

A dokáže umělá inteligence sama

sebe někam posunout?

„To je hluboká otázka. My máme

dva přístupy k umělé inteligenci

a neznáme, co je nejlepší řešení.

Tradičnější přístup už z 50. let se

nazývá „shora“ a trošku to

odpovídá programování.

Snažíme se popsat naše znalosti

pravidly a vztahy mezi nimi, aby

tomu ten druhý, a také počítač

rozuměl. Třeba popsat rodinu

– ta jako celek sestává z lidí, kteří

mají mezi sebou nějaké vztahy.

Že Lenka má za manžela Karla

a mají děti Karlíka, Pepíka

a Aničku. A když to dobře

popíšu, tak umělé inteligenci

můžu zadat: Karlík a Pepík, jaký

je mezi nimi vztah? A ona

odpoví, že jsou bráchové.

Algoritmy používají matematickou logiku a umí uvažovat

v rámci tvrzení pravda – nepravda. Nefunguje to tak dobře

u otázek typu: Jak to děláte, že

řídíte auto? Člověk by odpověděl, že udržuje nějakou rychlost,

točí volantem, ale počítač

s neurčitými informacemi moc

pracovat neumí.“

Vybrat z nějaké množiny jen velké

lidi by neuměl?

„Kdo je velký? V Holandsku jsou

velcí lidé dvoumetroví, v Japonsku jsou jako velcí braní dejme

tomu metr osmdesát a výš.

Každý z nás těm pojmům rozumí

a běžně je používá, ale jsou

neurčité a algoritmus s přístupem shora s nimi neumí dost

dobře pracovat, i když existují

metody jako fuzzy logika, které

se o to snaží. Naopak výhodou

přístupu shora je exaktnost.

Firma IBM udělala program

Watson, který načetl do

strukturovaných databází

všechny dosažitelné encyklopedie a vyhrál v americké znalostní soutěži Jeopardy, obdobě

našeho Riskuj, dnes pomáhá

lékařům například při diagnostice nádorů.“

A ten druhý přístup?

„To je metoda zdola, aby se to

nepletlo. Inspirujeme se tu

přírodou – typickým představitelem jsou umělé neuronové sítě.

Stejně jako novorozenec i nová

neuronová síť nic neumí, je jen

náhodně inicializovaná. A stejně

jako malé dítě se vše musí naučit

– třeba zvířata. Já jsem učitel

a ukazuji systému tisíce obrázků

psů a koček v nejrůznějších

podobách… Síť mi odpovídá

jednička pejsek, nula kočička.

Když je to špatně, síť si na

základě své chyby upraví

synapse tak, aby příště to bylo

lépe. Toto učení samozřejmě

trvá hodiny a hodiny.“

Takže je to učení na základě

zkušenosti?

„Když se učíte malou násobilku,

nejdřív vůbec nevíte, co to je, ale

po nějaké době vám docvakne

systém a pak už dokážete

odvodit další vztahy a odpovědět i na složitější příklady. Tomu

se říká systém generalizace.

Když učíme systém rozpoznávat

kočičku, věříme, že na základě

desetitisíců obrázků kočiček pak

rozpozná podle charakteristických znaků i kočičku, kterou ve

skutečnosti nikdy neviděl.

Problém je v tom, že je to pro nás

tak trochu černá skříňka, uvnitř

které jsou statisíce neuronů,

a my už nevíme, proč reagují

zrovna takhle. Algoritmus učení

chápeme, matematicky víme, co

se děje, ale úloha je už tak

složitá, obsahuje miliony čísel

a do těch milionů už nikdo

pořádně nevidí.“

Třeba tam běhají nějací permoníci

a přehazují bity vidlemi?

(smích) „Přesně tohle o tom ví

i odborník, akorát se to snažil

zakamuflovat do učených slov.“

Vladimír Slabý

celý rozhovor

najdete na