Projekt kierowany przez prof. Jacka Tabora uzyskał finansowanie w konkursie TEAM-NET
Sztuczna inteligencja i możliwości jej zastosowania to temat, który coraz bardziej rozbudza wyobraźnię. Prace nad sztuczną inteligencją (SI) trwają od lat 50. ubiegłego wieku. Początkową inspiracją dla informatyków były neurony, czyli komórki nerwowe, zdolne do zbierania, agregowania i przekazywania dalej wielu różnych informacji. W toku dalszych badań nad SI naukowcy nieco odeszli od prób naśladowania neuronów, obecnie jednak obserwujemy wielki powrót do tej idei. Z tym, że teraz tworzy się nie modele pojedynczych neuronów, ale całe sztuczne sieci neuronowe, na wzór układów funkcjonujących w siatkówce oka czy w mózgu.
„W terminologii informacyjnej, sieci neuronowe to struktury i systemy programowe, których działanie jest podobne do procesów zachodzących w ludzkim mózgu. Obecnie mamy coraz większy wgląd w to, jak funkcjonuje nasz mózg, a zatem możemy przekładać tę wiedzę i udoskonalać systemy sztucznej inteligencji, eliminując wiele z dotychczasowych ograniczeń występujących w klasycznym uczeniu maszynowym” – mówi prof. Jacek Tabor.
Żmudne uczenie się maszyn
Wśród tych ograniczeń profesor wymienia powolne, bardzo czasochłonne, a więc też i energochłonne, uczenie się maszyn oraz fakt, że do tego, aby maszyna nauczyła się np. właściwie rozpoznawać i opisywać zdjęcia, potrzebuje ogromnego zbioru treningowego. „Aby człowiek nauczył się poprawnie klasyfikować zdjęcia (na przykład rentgenowskie) często wystarczy, by zapoznał się z kilkudziesięcioma przykładowymi zdjęciami, podczas gdy komputer wymaga do analogicznego zadania nawet miliona zdjęć. To kolosalna różnica i spory problem, bo nie zawsze dysponujemy tak dużymi zasobami danych treningowych. Oczywiście, gdy komputer nauczy się już rozpoznawać zdjęcia, staje się w tej materii zazwyczaj wydajniejszy i skuteczniejszy niż człowiek, jednak barierę stanowi sam proces uczenia maszynowego” – tłumaczy prof. Tabor. Długi czas uczenia maszynowego wynika z kolei z faktu, że komputer uczy się w sposób bardzo skomplikowany, w pełni analizując wszystkie dostarczane mu dane. W przeciwieństwie do tego, ludzki mózg w sposób naturalny upraszcza dane i wybiera tylko te istotne dla procesu uczenia się. Kolejnym problemem związanym z uczeniem maszynowym jest podatność komputera na błędne przykłady. Ludzki mózg ze zbioru zdjęć rentgenowskich dłoni, automatycznie odrzuci zdjęcie kota, podczas gdy komputer będzie to zdjęcie analizował z równą uwagą jak zdjęcia RTG dłoni.
Na podobieństwo mózgu
„Z tych powodów, naukowcy na całym świecie, zajmujący się sztuczną inteligencją, wracają do inspiracji procesami poznawczymi zachodzącymi w ludzkim mózgu. Nasze badania doskonale wpisują się w ten światowy trend. Chcemy stworzyć sztuczne sieci neuronalne, które będą służyć lokalnym odbiorcom, czyli polskim firmom czy tzw. start-upom” – przekonuje prof. Tabor. A potencjalne możliwości zastosowania sieci neuronalnych, lub mówiąc szerzej – sztucznej inteligencji, są w zasadzie nieograniczone. Już teraz SI jest powszechnie używana, m.in. w programach rozpoznawania mowy, tłumaczeniach tekstów i przetwarzaniu obrazów. Przewiduje się, że w najbliższej przyszłości zostanie wykorzystana w precyzyjnej diagnostyce medycznej, samosterujących się samochodach, czy w kryminalistyce do automatycznego opisywania zdjęć oraz identyfikacji osób lub scen.
Kompleksowe prace nad budową polskich sieci neuronalnych, pod kierunkiem prof. Jacka Tabora, będzie prowadzić sześć grup badawczych z Uniwersytetu Jagiellońskiego: z Wydziału Matematyki i Informatyki, Wydział Fizyki, Astronomii i Informatyki Stosowanej oraz Wydziału Zarządzania i Komunikacji Społecznej. W skład zespołu będą wchodzić informatycy, programiści, statystycy, biostatystycy oraz neurokognitywiści. Na badania te otrzymają od Fundacji na rzecz Nauki Polskiej ponad 19 mln zł w ramach programu TEAM-NET.