Artificial Intelligence Entry-level Course 2019/20 spring

Enne kui hakkame rääkima tehislikult loodud intellektist, võiksime korraks mõelda, mis asi see intellekt üldse on? Intellekt on argisemas keeles öeldes lihtsalt mõistus või aru, mõtlemisvõime. Ning tehisintellekt (ingl artificial intelligence) või kui siin meelevaldselt arusaamise edendamiseks paralleelseid termineid tekitada, siis kunstlik aru, on loomuliku intellekti jäljendamine.

Praeguses maailmas käib see jäljendamine arvutite abil, mis suudavad täita funktsioone, mida üldiselt seostatakse inimmõistusega, näiteks võime õppida ja arutleda (arutlemiseni küll veel üldjuhul jõutud ei ole). Praegust teksti mõtestades jõuab hea lugeja kindlasti äratundmisele, et ka tema omab intellekti, mõtlemisvõimet.

Intellekti omamist võime kutsuda intelligentsuseks ning ennast alati teistega võrdlevate inimestena oleme ehk isegi juba harjunud mõtlema, et kes on rohkem ja kes vähem intelligentne. Tehisintellekti arukuse kohta võib tegelikult mõelda täpselt samamoodi nagu inimeste kohta. Praegused arvutiprogrammid, mis jäljendavad intellekti, on inimintellektiga võrreldes ikka väga vähe intelligentsed. Järgmistes peatükkides räägime lähemalt, millise intelligentsuse skaala ulatuses on toimumas praegune tehisintellekti areng ja mida me suudame endale ette kujutada tuleviku futuristlikust tehisintellektist.

Intelligentsust võib defineerida erinevalt ja masinate kaasamisel muutub see veelgi keerulisemaks. Lisaks muutuvad asjad veelgi keerukamaks, kui soovime intelligentsust kuidagi mõõta. Inimeste intelligentsust mõõdetakse tavaliselt testidega, kuid arvutitega pole see nii lihtne.

Inimese intelligentsus on mõistuse omadus, mis võimaldab inimesel kasutada teadmisi, mis on saadud elukogemusest ning abstraktsetest kontseptsioonidest, mis on loodud kogetud olukordi üldistades. Kõige tähtsam on see, et inimmõistus suudab kasutada ning töödelda erinevat sorti informatsiooni ning lahendada lugematul hulgal erinevaid ülesandeid. Näiteks oskab inimene soovitada filmi või sõita iga päev hommikul tööle ning samal ajal võib ta anda väärtusliku ülevaate oma õppevaldkonnast või tööst. Inimene suudab eristada, kas ta räägib telefoni kaudu tuttava või võõra inimesega ning oskab teiste inimeste hulgast oma sõpru ära tunda. Selline võime saada hakkama paljude erinevate ülesannetega ja kohaneda uute olukordadega (näiteks harjuda kodukontoriga) on haruldane ja ongi üheks oluliseks omaduseks, mille järgi tehisintellekti eri vorme klassifitseeritakse. Tehisintellekti võib kohanemisvõime ja intelligentsuse taseme järgi jagada kolme kategooriasse: kitsas tehisintellekt, üldine tehisintellekt ja superintelligentsus.

Kitsas tehisintellekt (ingl Artificial Narrow Intelligence (ANI)) on “nõrk” tehisintellekt, mis suudab lahendada üht kitsast ülesannet. Näiteks suudab rämpsposti filtreeriv arvutiprogramm ainult e-kirju sorteerida ning tal ei ole õrna aimugi, kuidas fotolt nägusid tuvastada. Samas suudab näotuvastusprogramm just seda teha, kuid ei tea jällegi rämpspostist midagi. Isegi isejuhtiv auto oskab ainult sõita, ning kuigi see tundub juba oluliselt keerulisem oskus, oskab isesõitev auto just ainult seda. Praegu olemasolevad arvutiprogrammid, mis intellekti jäljendavad, kuuluvad siia kitsasse kategooriasse, sest üks programm suudab lahendada ainult ühte ülesannet. Isegi kui mitu mudelit kombineerida, siis inimintellektiga võrdsele tasemele need ei küündi. Oskused, mida kitsas tehisintellekt omandada suudab, on tavaliselt väga spetsiifilised (nt näo tuvastamine pildilt) ja mitte üldised (kogu pildil oleva info mõistmine, näiteks kus kohas pilt oli tehtud). Üksikud kitsa tehisintellekti kategooriasse kuuluvad programmid ei moodusta ka kokku pannes midagi targemat.

Järgmine tehisintellekti kategooria on üldine tehisintellekt (ingl Artificial General Intelligence (AGI)) ehk “tugev” tehisintellekt, mis on suuteline lahendama suvalist ülesannet, millega inimene hakkama saaks. Üldine tehisintellekt peaks suutma mõelda abstraktselt, õppida kogemustest, kanda lahendust üle ühelt probleemilt teisele, järeldada, planeerida. Sellisel tasemel tehisintellekt oleks võrreldav inimese intelligentsusega ning võib juhtuda, et tal on teadvus, objektiivsed mõtted, aistmisvõime, jne. Sellist tehisintellekti muidugi praegu veel ei eksisteeri ning raske on ette kujutada, kas üldse ja millal sellise tasemeni jõuda võiks. Praegu eksisteerivate tehnoloogiate ja meetoditega ei ole see võimalik, kuigi töö selles suunas käib juba aastakümneid.

Kolmas ja kõige ulmelisem tehisintellekti tase on superintelligentsus (ingl Artificial Superintelligence (ASI)), mis on võrreldamatult targem kui parimad inimintellektuaalid praktiliselt igas valdkonnas, sealhulgas teaduslikus loomingulisuses, üldises tarkuses ning sotsiaalsetes aspektides. Superintelligentsus on kindlasti kõige muljetavaldavam aga ilmselt ka hirmuäratavam tasand. Küll aga võib muretsejaid rahustada ja tehisintellekti ülemvõimu soovivad inimesi kurvastada see, et nii üldine tehisintellekt kui ka superintelligentsus on hetkel vaid teoreetilised kategooriaid ning praeguses maailmas võime kohata vaid kitsast tehisintellekti.

Hetkel võivad tehisintellekti arvutiprogrammid või robotid inimeste intelligentsuse omadust mingil moel matkida, kuid on vara rääkida, et nende intelligentsus on võrdne inimese intelligentsusega. Selleks, et aru saada, kui kõrgelt on tehisintellekt arenenud, on teadlased ja filosoofid välja pakkunud lihtsalt mõistetavaid teste, millega tehisintellekti algoritm või robot peaks kindlasti ise hakkama saama, enne kui teda intelligentseks pidada võime. Näiteks Turingi test, kohvivalmistamise test ning ülikooli lõpetamise test.

Turingi testi jooksul suhtlevad robot ja inimene inimkohtunikuga. Kohtunik ei näe robotit ega teist inimest. Pärast suhtlemist peab kohtunik tuvastama, kumb suhtluspartner oli robot. Kui see ebaõnnestub, läbis robot testi.

Kohvivalmistamise test näitab, kui hästi tehisintellekt saab hakkama inimeste jaoks nii lihtsa ülesandega nagu kohvi valmistamine. Et testi läbida, peab robot sisenema majja, leidma iseseisvalt kõik vajalikud asjad ja ise kohvi valmistama. Selle ülesande lahendamiseks on vaja planeerimisvõimet, talupojamõistuslikku arusaama, kus vajalikud esemed köögis asuda võiksid, ja palju muud.

Kolmas ning kõige keerulisem test on ülikooli lõpetamise test. Tehisintellekt läbiks selle testi, kui ta astuks ülikooli, osaleks tundides, sooritaks klassikaaslastega samad eksamid, ning lõpetaks ülikooli koos inimestega.

Et mõista, kuidas tehisintellekti programmid suudavad erinevaid ülesandeid täita, peame natukene uurima, millised need programmid on. Tehisintellekti valdkonna võib jagada mitmeks alamvaldkonnaks (Joonis 2) - inimese koostatud reeglipõhised süsteemid (ingl rule-based systems) ning masinõpe (ingl machine learning).

Masinõpe võib omakorda jagada juhendamata masinõppeks (ingl unsupervised machine learning), juhendatud masinõppeks (ingl supervised machine learning) ning stiimulõppeks (ingl reinforcement learning). Masinõppe jaotamine nendesse kategooriatesse põhineb sellel, kuidas masinõppe programm andmetest mustreid õpib.

Kuna sellest enam hiljem juttu ei tule, siis siinkohal paar sõna tehisintellekti kõige lihtsama vormi, inimese koostatud reeglipõhise süsteemi kohta. Põhiidee on esitada mingi kindla valdkonna inimeksperdi teadmisi loogikareeglite vormis ning rakendada neid arvutisüsteemis automaatsete järelduste tegemiseks. Loogikareeglite abil saab kirjutada väga keerulisi programme ja suuri süsteeme, kuid need koosnevad siiski konkreetsetest juhistest ning arvutiprogramm ise midagi õppima ega avastama ei pea. Sellised arvutiprogrammid täidavad täpseid käsklusi, mis järgivad mingeid inimeksperdi teadmisi ja seega programmid võivad näida kasutajatele intelligentsena. Seda tehes jäljendab reeglipõhine tehisintellekt inimese intelligentsust. Need reeglid kirjeldavad päästikuid (ingl triggers) ja toiminguid (ingl actions), mis peaksid järgnema. Päästik võib olla näiteks e-kiri, mis sisaldab sõna „arve”. Seejärel võib toiminguks olla e-kirja edastamine finantsosakonnale. Selline lähenemine töötab mõnes ülesandes, aga ei suuda lahendada ülesandeid nagu näiteks inimeste nägude tuvastamine piltidel. Seega on reeglitel põhineva süsteemi võime inimintelligentsust simuleerida väga piiratud.

Tehisintellekti rakenduste kiire levik ja areng on muutunud võimalikuks tänu tehisintellekti alamvaldkonna - masinõppe - kiirele kasvule. Tänapäevases maailmas kasutatakse tihti termineid masinõpe ja tehisintellekt käsikäes. Seega edaspidi materjalides hakkame neid võrdselt kasutama, kui ei ole märgitud teisiti. Masinõppesüsteemide ehitamine põhineb ideel, et süsteem saab näidete põhjal ise õppida teatud ülesannet täitma või korduva kogemusega oma tulemusi parandada. Võrreldes reeglipõhise süsteemiga, mis jäljendab inimeksperdi teadmisi, oskab masinõppesüsteem või -programm neid teadmisi ise etteantud andmetest ammutada. Näiteks ülaltoodud e-kirja näites, võrreldes inimese koostatud reeglipõhise süsteemiga, võib masinõppe meetod vanade e-kirjade pealt otsida ise sobivaid päästik-sõnu ning need ei pea olema inimese (nt eksperdi või programmeerija) poolt ette fikseeritud.

Masinõpet kasutatakse sageli robootikas, finantstehingutes, kõnetuvastussüsteemides, rämpspostifiltrites, pettuste tuvastamise veebisüsteemides, tootesoovitussüsteemides jms. Tehisintellekti programmide koostamisel kasutatakse vähesel või suuremal määral masinõpet. Kõige üldisemalt öeldes tähendab masinõpe, et programmeerija annab arvutile ette hulga andmeid ning õppimisjuhised, kuidas nendest õppida ning antud õppimisjuhiste põhjal õpibki programm tegema, mida paluti. Näiteks võib anda programmile ette paljude inimeste erinevaid terviseandmed (nt veresuhkur, kolesterooli tase jne) ning iga inimese kohta info, kas tal on olnud mingi haigus (nt infarkt). Siis saame lasta programmil endal leida seoseid terviseandmete ja haiguse esinemise vahel. Lõpuks saab programm selle põhjal koostada mudeli, kuhu saame anda ka uue inimese terviseandmed ning mudel ennustab, kas sellel inimesel võib olla infarktirisk. Masinõppe võib jaotada kolmeks alamvaldkonnaks sõltuvalt sellest, kuidas programm või algoritm õpib:

• Juhendatud masinõpe
• Juhendamata masinõpe
• Stiimulõpe

Juhendatud õpe on protsess, kus programm või algoritm õpib etteantud andmetest (Joonis 3A) ja nendega seotud siltidest (masinõppe terminoloogias väljund või märgend, ingl target response; Joonis 3B). Näiteks võivad andmeteks olla inimese terviseandmed (vererõhk, kolesterool, kehamassiindeks, vanus) ning sildiks info, kas inimesel on diabeet. Joonisel 3B haigusega seos on näidatud värvidega. Selliste andmete ja siltide põhjal saab programm luua mudeli, mis uute inimeste terviseandmete põhjal suudaks ennustada nende kohta käivat silti, diabeedi esinemist. Eesmärk on suure hulga etteantud andmete ja siltide põhjal ära õppida seosed, et tulevikus saaks uute andmete põhjal ennustusi teha. Näiteks Joonisel 3B “x” tähega on märgitud uus inimene ja me tahame oma mudelit kasutades ennustada kas tal on diabeet või mitte.

Juhendatud õpe on sarnane inimese õppimisprotsessiga õpetaja juhendamisel. Õpetaja näitab õpilasele näited ja õpilane jätab need meelde. Hiljem formuleerib õpilane nendest konkreetsetest näidetest üldreeglid. Kui õpetaja näitab pildil tähte “A" ja iga kord ütleb juurde “aa”, siis lõpuks jääb see lapsele meelde ja järgmine kord kui õpetaja näitab pildil “A”-d suudab laps juba ise seose luua ja ütleb “aa”.

Juhendatud õppe võib vastavalt ennustatava sildi tüübile jagada kahte gruppi: klassifitseerimine ja regressioon. Enne tõime näite, et juhendatud õppega saaks ennustada terviseandmetelt diabeedi esinemist. Sellest sildist võib mõelda kui inimeste klassifitseerimisest kahte gruppi: diabeediga ja diabeedita. Selliseid juhendatud õppe ülesandeid, kus sildid tekitavad erinevaid gruppe, nimetatakse klassifitseerimisülesanneteks. Teine juhendatud õppe tüüp on regressiooniülesanded, kus sildiks on mingi arvuline väärtus (näiteks hind, kogus, suurus, pikkus, jne). Näiteks tahame erinevate kinnisvaraobjektide andmete (näiteks ruutmeetrid, kaugus kesklinnast, sisustuse olemasolu) põhjal ennustada kinnisvara hinda, mis on arvuline väärtus.

Juhendamata õpe on protsess, kus algoritm õpib andmetest (Joonis 3A), ilma seotud siltideta. See tähendab, et algoritm ei tea, mis gruppidesse objektid kuuluvad. Juhendamata masinõppe põhiülesanne on leida andmetest (Joonis 3A) peidetud struktuure, mustreid ning gruppe (Joonis 3C) kasutades selleks objektide sarnasust. Sellised algoritmid on üsna kasulikud, sest aitavad leida uusi teadmisi ning juhendatavate masinõppealgoritmide jaoks kasulike sisendeid. Juhendamata õpe on sarnane inimese õppimisprotsessiga, kus inimene sorteerib objekte või sündmusi sarnasuse põhjal. Üks intuitiivne näide, mis kirjeldab juhendamata õppe protsessi, on kuidas beebi õpib erinevate inimeste nägusid eristama. Beebile ei pea ütlema, et see on 'isa' ja see on 'ema', beebi õpib neid ise eristama oskamata küll neile nimesid anda. Juhendamata masinõppe algoritme kasutavad näiteks pangad, et jaotada kliente gruppidesse, kasutades selleks informatsiooni klientide vajadustest, huvidest, harjumustest, eelistustest, jne. Selle jaotuse põhjal saavad nad pakkuda klientidele personaalsemaid tooteid, näiteks kodulaenu lastega perele või mootorrattaliisingut noortele.

Stiimulõpe on protsess, kus algoritm õpib andmetest ilma seotud väljundita nagu juhendamata õppe korral, aga saab positiivset või negatiivset tagasisidet vastavalt pakutud lahendusele. Algoritm peab tegema otsuseid ning otsused kannavad tagajärgi. Stiimulõpe on sarnane inimese õppimisprotsessiga, kus inimene õpib kasutades katse-eksituse meetodit. Vead aitavad inimestel õppida, kuna nendega on seostatud karistus (nt kulud, ajakaotus, kahetsus, valu, jne). Seda tagasisidet kasutades õpib inimene, millised tema tegevused õnnestuvad ja millised mitte. Üheks näiteks on jalgrattaga sõitma õppimine. Inimene üritab rattaga sõita, aga kukub ja saab haiget (negatiivne tagasiside), järelikult tegi ta midagi valesti ja peab oma tegevusi muutma. Kui rattasõit õnnestub probleemideta (positiivne tagasiside), siis tuleb meelde jätta millised liigutused viisid selle tegevuse õnnestumiseni. Üks huvitav stiimulõppe rakenduse näide on arvutid, mis õpivad ise videomänge mängima. 2013. aastal õppis Suurbritannia firma DeepMind loodud tehisintellekt ATARI mänge mängima paremini kui inimesed. Õppeprotsessis nägi algoritm ainult ekraanipilti ja skoori ning ei teadnud reeglitest midagi. Samal viisil on võimalik katse-eksitus meetodil õpetada arvuteid näiteks malet, kabet, pokkerit ja go-d mängima.

Tehisnärvivõrgud ja sügavõpe
Sügavõpe (ingl deep learning) on masinõppe algoritm, mis kasutab inimese ajust inspireeritud tehisnärvivõrke, et õppida suurest hulgast andmetest. Sügavõppe meetodid ja tehisnärvivõrgud on kõige kiiremini arenevamad ja populaarseimad masinõppe meetodid, mis pakuvad parimaid lahendusi objekti- (Joonis 4) ja kõnetuvastuses, loomuliku keele töötlemises, soovitussüsteemides, jne. Sügavõpe on lähenemine, mida saab kasutada nii juhendatud, juhendamata kui ka stiimulõppes. Sügavõpe on kasutusel paljudes rakendustes (nt Google Assistant, Siri, Google Translate, Facebooki piltide märkimise rakendus) ja kõigis parimates isejuhtivate autode süsteemides. Sügavõppe algoritmid on näidanud lubavaid tulemusi ka meditsiini- ning finantsvaldkonnas.

Järgmises loengu osas toome tehisintellekti rakenduste näiteid erinevatest eluvaldkondadest.

Materjalide kasutamise kohta konsulteerige palun Korduma kippuvad küsimused sektsioonis.