CyberForum.edu.pl

« powrót

Tekst pochodzi z serwisu CyberForum.edu.pl	http://www.cyberforum.edu.pl

Sztuczna inteligencja

Agata Błachnio, Piotr Filipkowski

1. Wprowadzenie

Sztuczna inteligencja (AI - ang. artificial inteligence) w ostatnich latach staje się coraz bardziej popularna i częściej stosowana przez przedsiębiorców. Szybki rozwój elektroniki oraz informatyki sprzyja rozwojowi tej dziedziny nauki. "Inteligentne maszyny" są potrzebne człowiekowi do tworzenia i odkrywania nowych zależności w świecie, więc AI zaczyna docierać w inne obszary nauki takie jak medycyna, ekonomia czy zarządzanie.
Sztuczna inteligencja jest jednym z bardziej interesujących kierunków rozwoju informatyki, która pochłania olbrzymią ilość ludzkiego zapału oraz najnowocześniejszych osiągnięć techniki komputerowej. Przed stworzeniem pierwszych "inteligentnych" maszyn idea tego osiągnięcia trwała w umysłach wielu ludzi. Filmy i książki science fiction przedstawiały przyszłość, w której człowiek był zastępowany maszyną a fenomenem tej rzeczywistości były roboty. Dziś dla człowieka współczesnego nie jest zaskoczeniem robot czy "inteligentny" program komputerowy. Dzięki szybkiemu rozwojowi elektroniki oraz informatyki jesteśmy w stanie stworzyć to, co kiedyś było jedynie tematem fantastyki.

Rys.1. Robot Hondy P2
Źródło: http://esperanto.busko-zdroj.com.pl

2. Elementy sztucznej inteligencji

W zakres sztucznej inteligencji wchodzą systemy ekspertowe, sztuczne sieci neuronowe oraz logika rozmyta. Często też zalicza się do AI zagadnienia systemów ewolucyjnych, które stanowią filar sztucznego życia.

a)		b)

Rys.2. Sztuczne organizmy powstałe w drodze ewolucji. a) celem ewolucji była maksymalizacja średniej prędkości poziomej w wodzie, b) celem ewolucji była maksymalizacja średniej prędkości poziomej na ziemi. Źródło: http://www.frams.poznan.pl

2.1. Algorytmy ewolucyjne (ang. Evolutionary Algorithms - EA)

Algorytmy ewolucyjne są techniką przeszukiwania i optymalizacji, opartą na zasadach przejętych z teorii ewolucji. Naturalność oraz prostota działania sprawiły, że są one chętnie wykorzystywane w naukach zarządzania do rozwiązywania problemów optymalizacji kombinatorycznej, a w szczególności - do szeroko rozumianych problemów alokacji zasobów.

Podczas rozwiązywania problemu nie gwarantują one znalezienia optimum globalnego, jednak generalnie zapewniają znalezienie rozwiązania wystarczająco dobrego w akceptowalnym przedziale czasu. Ta cecha determinuje zastosowanie tych algorytmów dla problemów, których nie można rozwiązać przy pomocy technik specjalizowanych. Można tworzyć hybrydy w przypadku, gdy techniki takie istnieją. Dzięki takim rozwiązaniom osiąga się poprawę ich działania.

Drogą rozwoju przyrody ożywionej jest ewolucja, czyli metoda prób i błędów oparta na doborze naturalnym. Najlepiej udokumentowanym mechanizmem doboru naturalnego jest proces genetyczny: można go postrzegać jako proces optymalizacyjny, w którym osobniki najlepiej dostosowane do środowiska mają największe szanse przeżycia i stworzenia potomków. Nośnikiem informacji o cechach indywidualnych osobnika jest kod genetyczny (chromosom). Determinuje on budowę osobnika i jego rozwój, a w szczególności - dopasowanie do środowiska naturalnego. Istnieje silna zależność między chromosomem osobnika a jego żywotnością i zdolnością do przekazywania genotypu kolejnym pokoleniom.

Ewolucyjny rozwój populacji chromosomów odbywa się poprzez mechanizm reprodukcji, na który składają się procesy krzyżowania (ang. crossover), mutacji (ang. mutation) i inwersji (ang. inversion). W procesie krzyżowania z dwóch chromosomów rodzicielskich wybierane są geny, które po zespoleniu tworzą jeden lub więcej chromosomów potomnych. W procesie mutacji dochodzi do przekłamania kodu poprzez zmianę jednego genu lub ich ciągu, natomiast inwersja odwraca fragment chromosomu. Przy pomocy tych mechanizmów tworzą się kolejne pokolenia (populacje chromosomów), zawierające coraz "doskonalsze" osobniki.

Rys. 3. Proces krzyżowania
Źródło: opracowanie własne na podstawie http://www.pi.zarz.agh.edu.pl

Ta ogólnie przedstawiona zasada działania jest wykorzystywana w różnych wariantach algorytmów ewolucyjnych. Wyróżnia się 4 typy EA, aczkolwiek podział ten nie jest ostry: algorytmy genetyczne (ang. Genetic Algorithms - GA), strategie ewolucyjne (ang. Evolution Strategies - ES), programowanie ewolucyjne (ang. Evolutionary Programming - EP), programowanie genetyczne (ang. Genetic Programming - GP).

Powyższe algorytmy, oprócz terminologii oraz operatorów przeniesionych z biologii, różnią się istotnie od innych technik przeszukiwania; wykorzystują operatory ewolucyjne, które działają na sprecyzowanych reprezentacjach rozwiązań (osobnikach), przetwarzają całą populację rozwiązań, badając przy tym przestrzeń przeszukiwania równocześnie z wielu punktów, do prawidłowego działania nie potrzebują żadnej szczegółowej wiedzy o charakterze problemu a jedynie - informacji o jakości rozwiązań. Zaletą algorytmów ewolucyjnych jest różnorodność zastosowań. Dobrze są przystosowane do przeszukiwania wielowymiarowej, złożonej przestrzeni rozwiązań a szczegółowa wiedza o problemie nie jest potrzebna.

2.2. Systemy ekspertowe

Nie jest łatwo zdefiniować system ekspertowy ze względu na ciągły rozwój tej dziedziny sztucznej inteligencji. Pierwszą definicję systemu ekspertowego podał Edward Feigenbaum z Uniwersytetu Stanford w 1977 roku brzmiącą: jest to inteligentny program komputerowy używający wiedzy oraz procedur wnioskowania do rozwiązywania problemów o wysokim stopniu złożoności, wskazującym na niezbędność eksperta danej dziedziny do jego rozwiązania. Obecnie można tę definicję uszczegółowić ze względu na znaczny rozwój form komunikacji, przechowywania danych oraz tworzenia procedur. Tak więc system ekspertowy jest systemem komputerowym, który symuluje procesy uczenia się, zapamiętywania, komunikacji, przyczynowości i realizacji działań ludzkiego eksperta w danej dziedzinie wiedzy, dzięki czemu człowiek może być zastąpiony przez komputer z gwarancją sukcesu w rozwiązywaniu problemu.

Przykładowy schemat budowy systemu ekspertowego został przedstawiony na rys. 4.

Rys. 4. Struktura systemu ekspertowego
Źródło: Inteligentne systemy w zarządzaniu - Teoria i praktyka , Red. J. S. Zieliński, PWN Warszawa 2000, str. 30.

Proces rozwojowy systemów ekspertowych jest bardzo dynamiczny (rys.5) i pomimo problemów socjologicznych (część ekspertów poczuła zagrożenie) trwa nadal. Główne przyczyny rozwoju tej dziedziny sztucznej inteligencji to: podnoszenie jakości i kwalifikacji przez ludzkich ekspertów, przetrwanie wiedzy i procesów wnioskowania w przypadku odejścia ludzkiego eksperta, zwiększenie liczby ekspertów na świecie, co stwarza większy dostęp do wiedzy i podniesie jakość ludzkiego życia, oraz obniży koszty wiedzy. Kolejne, niemniej ważne to: osoby nie będące ekspertami mogą rozwiązywać bardzo złożone problemy za pomocą systemów ekspertowych, czas rozwiązywania problemów jest krótszy, można otrzymać dużo możliwych rozwiązań, niski koszt rozwiązania problemu przy braku ludzkiego eksperta, eliminacja monotonnych i żmudnych operacji, szeroki dostęp do wiedzy.

Rys.5. Historia rozwoju systemów ekspertowych
Źródło: Castillo E., Alvarez E.,Expert System:Uncertainty and Laerning, New York 1991.

Systemy ekspertowe można podzielić według wielu kryteriów. Jeden z podziałów systemów ekspertowych przestawiony został w tabeli 1

Tabela 1. Rodzaje systemów ekspertowych.
Źródło: Mulawka J.J. Systemy ekspertowe, WNT Warszawa 1996, strona 26

Przewidywany jest dalszy wzrost zainteresowania tymi systemami na świecie. W Polsce, według przedstawiciela jednej z polskich firm dystrybucyjnych, zainteresowanie przedsiębiorców rok temu było bardzo niewielkie, co spowodowało wycofanie się tej firmy z sektora systemów ekspertowych. W naszym kraju nadal praca eksperta jest tańsza niż wdrożenie systemu ekspertowego. Mimo to istnieje szansa, że rynek ten w przyszłości rozwinie się również w Polsce.

2.3. Sztuczne sieci neuronowe

Sztuczne sieci neuronowe (SSN) stanowią intensywnie rozwijającą się dziedzinę informatyki stosowaną w wielu obszarach nauki. Podstawą działania sieci są algorytmy uczące, umożliwiające zaprojektowanie odpowiedniej struktury sieci i dobór jej parametrów, dopasowanych do problemu podlegającemu rozwiązaniu. SSN mają właściwości pożądane w wielu zastosowaniach praktycznych. Stanowią uniwersalny układ aproksymujący odwzorowujący wielowymiarowe zbiory danych, mają zdolność uczenia się i adaptacji do zmieniających się warunków środowiskowych, zdolność uogólniania nabytej wiedzy, stanowiąc pod tym względem system sztucznej inteligencji.

Badania systemów nerwowych istot żywych nadal stanowią istotny czynnik postępu w dziedzinie teorii systemów i ich zastosowań w praktyce. Już w roku 1943 McCulloch i Pitts opracowali model komórki nerwowej, którego idea przetrwała lata i stanowi do dzisiaj podstawowe ogniwo większości używanych modeli. Istotnym elementem tego modelu jest sumowanie sygnałów wejściowych z odpowiednią wagą i poddanie otrzymanej sumy działaniu nieliniowej funkcji aktywacji. W efekcie sygnał wyjściowy neuronu yi jest określony w postaci:

przy czym x_j (j=1, 2, ..., N) reprezentują sygnały wejściowe, a W_ij - odpowiednie współczynniki wagowe, zwane wagami synaptycznymi lub po prostu wagami. Przy dodatniej wartości waga przekazuje sygnał pobudzający, przy ujemnej - gaszący. Funkcja aktywacji f może mieć różną postać ( w modelu pierwotnym McCullocla-Pittsa jest to funkcja skoku jednostkowego). Model neuronu przedstawić można więc jak na rysunku poniżej:

Rys. 6. Model neuronu.
Źródło: opracowanie własne

W kilka lat później Hebb zaprezentował teorię uczenia (doboru wag Wij neuronów) w zastosowaniu do pamięci asocjacyjnych. Wykorzystał przy tym obserwacje, że waga połączeń międzyneuronowych jest wzmacniana przy stanach uaktywnienia neuronów. W modelu Hebba przyrost wagi Wij w procesie uczenia jest proporcjonalny do iloczynu sygnałów wyjściowych neuronów połączonych wagą Wij, w którym k oznacza kolejny cykl, a h jest współczynnikiem uczenia.

Na początku lat 60-tych Widrow opracował postawy teoretyczne i podstawowe implementacje techniczne adaptacyjnych układów przetwarzających, stanowiące istotny wkład w rozwój sieci neuronowych. W latach 80-tych rozwój teorii sieci neuronowych odbywa się w zawrotnym tempie, a liczba ośrodków uprawiających tę interdyscyplinarną dziedzinę nauki jest ogromna. Ogromny wzrost finansowania tej dziedziny nauki spowodował istotny postęp zarówno w teorii jak i zastosowaniach praktycznych. W połączeniu z gwałtownym rozwojem systemów komputerowych dało to podstawę opracowania nowych rozwiązań technologicznych, dotyczących percepcji oraz sztucznego postrzegania i świadomości, sterowania skomplikowanymi systemami, przetwarzania sygnałów mowy itp.

Sztuczne sieci neuronowe stanowią zwykle część sterującą procesem, bądź część decyzyjną, przekazującą sygnał wykonawczy innym elementom urządzenia nie związanym bezpośrednio z sieciami neuronowymi. Funkcje pełnione przez sieć można sklasyfikować w kilku podstawowych grupach: aproksymacji, klasyfikacji i rozpoznawania wzorców, predykcji, sterowania oraz asocjacji. Istotną zaletą sieci jest możliwość jej realizacji w technice o wielkim stopniu scalenia. Zróżnicowanie elementów sieci jest niewielkie a ich powtarzalność ogromna. Stwarza to perspektywę zbudowania uniwersalnego procesora, który (być może) w przyszłości zastąpi klasyczne procesory sterujące pracą komputerów (tzw. neurokomputery). Możliwości zastosowań sieci neuronowych w przetwarzaniu sygnałów są ciągle jeszcze nie do końca zbadane i wydaje się, że będą one jeszcze przez wiele lat stanowić o postępie w technice informacyjnej.

Sposoby połączenia neuronów między sobą i ich wzajemnego współdziałania spowodowały powstanie różnych typów sieci. Każdy typ sieci jest z kolei ściśle związany z odpowiednią metodą doboru wag (uczenia). Dwa najczęściej stosowane rodzaje sieci to sieć jednokierunkowa jednowarstwowa oraz sieć jednokierunkowa wielowarstwowa.

(a)		(b)

Rys.7. Schemat sieci (a) jednokierunkowej jednowarstwowej, (b) jednokierunkowej wielowarstwowej. Źródło: opracowanie własne

2.4. Logika rozmyta

Metody sztucznej inteligencji dużą próbie opisywania rzeczywistości w sposób naśladujący rozumowanie człowieka. Ich celem jest przezwyciężenie wad tradycyjnych algorytmów komputerowych, które zawodzą zwłaszcza w sytuacjach, w których człowiek jest w stanie rozwiązać postawiony problem bez większych trudności. W świecie wiele zjawisk jest bardzo nieprecyzyjnych, nieprecyzyjność ta może być związana z kształtem, położeniem, kolorem, powierzchnią lub semantyką opisu. Są to takie stwierdzenia jak znacznie, dużo, większość itd., w zdaniach takich jak: Koszt naprawy znacznie przekracza 50 zł. Stan zapasów magazynowych jest prawie zerowy. Te określenia jest bardzo trudno zdefiniować. Ludzie są jednak w stanie interpretować takie stwierdzenia i wykorzystywać tak sformułowaną wiedzę do rozwiązywania stawianych przed nimi problemów. Nieprecyzyjność polega na trudności dostatecznie dokładnego określenia wartości wszystkich występujących w nim zmiennych. Problem polega na ustaleniu, co to właściwie znaczy tu prawie czy znacznie. Taki rodzaj braku precyzji nazywany jest zwykle rozmyciem.

Pojęcie zbioru rozmytego wprowadził w 1965 r. Lotfi A. Zadeh. Niech X będzie pewną przestrzenią rozważanych obiektów.

Zbiory rozmyte definiowane są przez funkcje przynależności.

Pojęcie zbioru rozmytego jest więc uogólnieniem pojęcia zbioru ostrego, pole-gającym na dopuszczeniu, aby funkcja charakterystyczna (przynależności) zbioru przyjmowała obok stanów krańcowych 0 i 1 również wartości pośrednie. Umożli-wia to odejście od arystotelesowskiego, binarnego widzenia świata.

W przeciwieństwie do zbiorów ostrych, stanowiących jedynie pewne przy-bliżeniem zjawisk rzeczywistego świata, zbiory rozmyte modelują owe zjawiska wierniej i dokładniej.

Zbiór konwencjonalny B (nierozmyty) można określić jako zbiór par:

gdzie: :X®{0,1} jest zwane funkcją charakterystyczną, która przypisuje każdemu elementowi przestrzeni X liczbę 0 (nieprzynależność) lub 1 (przynależność). Przejście od przynależności do zbioru do nieprzynależności jest skokowe, a zbiór ma ściśle określone granice.

Zbiór rozmyty A będący podzbiorem przestrzeni X={x} definiujemy jako następujący zbiór par:

gdzie: Î <0,1> jest stopniem przynależności elementu x Î X do zbioru rozmytego A.

Definicja zbioru rozmytego, w odróżnieniu od definicji konwencjonalnego zbioru, wprowadza pojęcie funkcji przynależności przyjmującej wartości z przedziału <0,1>. Jej wartość określa w jakim stopniu element należy do danego zbioru rozmytego: od 0, czyli pełnej nieprzynależności, przez stopnie pośrednie do 1, czyli pełnej przynależności. Przejście od przynależności do nie przynależności jest stopniowe, a granice zbioru są rozmyte (nieostre).

Liczbę rozmytą określa się jako zbiór rozmyty A Í R, gdzie R jest osią liczb rzeczywistych, o wypukłej funkcji przynależności . Istnieje wiele konwencji opisu liczb rozmytych w zależności od kształtu funkcji przynależności (rys.8).

Rys. 8. Przykładowe kształty funkcji przynależności liczb rozmytych:
a) ogólna, b) trapezoidalna , c) trójkątna, d) symetryczna trójkątna.
Źródło: opracowanie własne

Liczby rozmyte typu trójkątnego można opisać parametrami: c₁, c₂, c₃, C = [c₁, c₂, c₃], (rys. 8c) lub przy kształcie symetrycznym: a_c i a_w, A = [a_c, a_w], (rys. 8d). Liczby typu trapezoidalnego można opisać czterema parametrami: b₁, b₂, b₃, b₄, B = [b₁, b₂, b₃, b₄], (rys. 8b). Dzięki takiej prezentacji wszystkie relacje między liczbami rozmytymi można przedstawić za pomocą działań na ich parametrach.
Ze względu na łatwość operacji matematycznych często używa się liczb typu trapezoidalnego. Ten typ liczby rozmytej można łatwo zmienić w typ liczby trójkątnej (b₂ = b₃) lub prostokątnej (b₁ = b₂ ¹ b₃ = b₄).
Definicja liczby trapezoidalnej jest następująca:

Istnieje wiele sposobów tworzenia funkcji przynależności

liczby rozmytej. Można oprzeć się na doświadczeniu ekspertów i zdefiniować parametry liczby A (trapezoidalnej) za pomocą zmiennych lingwistycznych:
- wartość A jest często między a₂ i a₃,
- wartość A nigdy nie jest większa od a₄,
- wartość A nigdy nie jest mniejsza od a₁.
Sposób ten może służyć np. do opisu mocy szczytowej odbieranej w węźle odbiorczym sieci, o którym nie mamy dokładnych danych lub wiemy, że należy do pewnej grupy odbiorców o znanych parametrach granicznych.
Innym sposobem opisu funkcji przynależności może być wykorzystanie danych o wartości przeciętnej b₀ i maksymalnym błędzie d wielkości wejściowej. W tym przypadku parametry liczby A będą wynosiły:

Do tworzenia liczb rozmytych można użyć także wartości średniej z kilku pomiarów (jeżeli liczba pomiarów nie pozwala na określenie parametrów rozkładu zmiennej).

3. Aspekt psychologiczny AI

Inteligencja jest zdolnością jednostki do celowego działania, racjonalnego myślenia oraz radzenia sobie z trudnościami. Hebb (1949) mówił o inteligencji jako o łącznym efekcie oddziaływania biologicznego wyposażenia (potencjału) oraz oddziaływaniu środowiska, uczenia się i aktywności własnej. Większość badaczy twierdzi, że w inteligencji jest jakiś pierwiastek wrodzony. Od kilku lat mówi się w psychologii o inteligencji emocjonalnej, która (czemu trudno zaprzeczyć) jest bardzo ważna w radzeniu sobie w życiu. Jest to miedzy innymi umiejętność kontroli emocjonalnej, co nie jest cechą wrodzoną. Kiedy Cyceron po raz pierwszy użył słowa inteligencja (intelligentia - łac.), z całą pewnością nie przypuszczał, że kiedyś powstanie pojęcie sztucznej inteligencji przypisywane nie ludziom a maszynom.

Wydaje się, że nigdy maszyna nie będzie mogła w pełni naśladować człowieka. Człowiek jest istotą bardzo złożoną, a specyficzne dla niego funkcje psychiczne to: intelekt, wola i emocje - o czym mówił już Platon. Człowiek myśli, ma potrzeby, może skierować swoje działania ku wyznaczonemu celowi, a także odczuwa; potrafi kochać, bać się. Łatwo sobie wyobrazić urządzenie, które myśli na nasz wzór, które rozwiązuje jakiś problem, ale czy można uwierzyć, że "coś" sztucznego może odczuwać emocje, nie mówiąc już o uczuciach wyższych.

Wykorzystując informacje na temat umysłu człowieka naukowcy próbują stworzyć umysł sztuczny. Z pewnością nie będzie to umysł ludzki, może go jedynie naśladować, a w wielu kwestiach przewyższać człowieka w szybkości i skuteczności działania. Nie jest to jednak powód do zmartwienia, bowiem sztuczna inteligencja powinna pomóc człowiekowi, a nie utrudniać jego funkcjonowanie. AI może być pomocna w wielu dziedzinach życia. Wykorzystanie systemów ekspertowych w medycynie ułatwia pracę lekarzy. Można też będzie wykorzystać takie systemy w psychologii, np. do leczenia lęków czy psychoz, skuteczne zwłaszcza dla osób, u których sama osoba psychoterapeuty wywołuje lęk. Nie można jednak zapominać, że kontakt z drugim człowiekiem - psychologiem często pomaga w terapii.

Sztuczna inteligencja pomaga ludziom w podejmowaniu decyzji w wielu dziedzinach życia. Człowiek podejmując decyzje, poddaje się emocjom (Tyszka, 1999), a komputer postępuje według określonego algorytmu. Dzisiejsza psychologia poznając człowieka, nie oddziela myślenia i emocji (Damasio, 1999), które mają wpływ na siebie nawzajem. Maszyna może okazać się lepsza w podejmowaniu takich decyzji, gdzie trzeba postępować z tak zwaną "zimną krwią", czyli bez udziału emocji.

Sztuczna inteligencja, czyli maszyny z umiejętnością wnioskowania i uczenia, daje perspektywę uwolnienia ludzi od prostych, uciążliwych prac, ale też od takich, które wymagają dużej wiedzy. To do czego dążą twórcy AI, to stworzenie maszyny, która wykonuje jedną czynność np. gra w szachy. Jednak to o czym marzą, a w co nie wierzy wielu sceptyków, to stworzenie maszyny, która będzie w pełni naśladować inteligencję człowieka, a wręcz będzie ją przewyższać.

Zastępując programowanie systemów sztucznej inteligencji uczeniem, możemy stracić stuprocentową pewność poprawności wykonanego zadania, bowiem taki system przestanie działać według algorytmów. Nie dyskwalifikuje to takich systemów, zwłaszcza tam "gdzie zmysły i rozum człowieka są jeszcze mniej wiarygodne lub w ogóle bezradne ", jak pisze Buller (1998, s. 39),.

Największym problemem jest to, aby przez cały czas zachować kontrolę nad maszyną, którą chce się stworzyć, aby nie doprowadzić do zagłady ludzkości. Maszyna mająca władzę nad człowiekiem może brzmieć trochę jak temat z filmu science fiction, ale nie można zapominać, że temat filmów z przed kilku lat teraz stał się rzeczywistością. Nie można zapomnieć, że to sztuczna inteligencja ma służyć nam, a nie my jej.

Komputery działają zupełnie inaczej niż ludzie zajmujący się rozwiązywaniem jakiegoś problemu. Elektroniczne maszyny niewątpliwie mają duże znaczenie w wyjaśnianiu wielu zagadnień związanych z procesami umysłowymi i stanowią bezcenną pomoc w rozwoju nauki, techniki i instytucji społecznych. Wielu naukowców twierdzi, że program budowy robotów kierowanych elektro-nicznymi komputerami nie doprowadzi do skonstruowania sztucznej, naprawdę inteligentnej maszyny - to znaczy takiej, która rozumie, co robi i może wykorzystać to w działaniu. Takie urzą-dzenie mogłoby działać, gdyby w jego konstrukcji został wykorzystany ten sam proces fizyczny, który stanowi podstawę istnienia ludzkiej świadomości. Na obecnym etapie rozwoju techniki przemysł nie jest w stanie skonstruować maszyny zaprogramowanej w sposób niealgorytmiczny. Ludzie jako istoty świadome mają przewagę w każdej sytuacji, gdy mogą bezpośrednio "wyczuwać" różne rzeczy i to właśnie tego - wg R. Penrose - systemy czysto obliczeniowe nigdy nie będą potrafiły. Człowiek dostosowuje drogę działania do każdej sytuacji i tylko on potrafi wychwycić niuanse społeczne.

Pomimo oparcia sztucznej inteligencji na systemach obliczeniowych, jest ona w stanie tworzyć sztukę. Może same urządzenia nie zdają sobie sprawy z tworzonego piękna, to jednak człowiek, programujący maszynę, jest w stanie docenić efekt końcowy. Komputery "inteligentne" mają służyć człowiekowi, a nie sobie samym. Christopher Longuet-Higgins z Univer-sity of Sussex skonstruował różne układy komputerowe, komponujące muzykę według dostarczonych przez niego kryteriów.

4. Zagrożenia płynące ze stosowania sztucznej inteligencji

Każda dziedzina techniki, mająca wiele zastosowań, przysparza korzyści, ale również stwarza pewne zagrożenia. Wszelkie zagrożenia, na tym etapie prac nad AI, mogą być jedynie spekulacjami i prognozami. Komputery są bardzo użyteczne, lecz szybki rozwój techniki komputerowej jest źródłem pewnych niebezpieczeństw dla społeczeństwa. Jednym z głównych problemów wydaje się niezwykła złożoność systemów z licznymi połączeniami wewnętrznymi, do której doprowadziło powstanie komputerów. Nie ma żadnych szans, aby ktokolwiek w pełni zrozumiał wszystkie konsekwencje ich działania. Jest bardzo prawdopodobne, że inne niestabilności i zagrożenia powstaną wskutek samej złożoności całego systemu. Nad tworzeniem systemów komputerowych pracują zespoły ludzi, tworząc "coś", czego jeden człowiek nie byłby w stanie odtworzyć. W przyszłości powstaną układy informatyczne tak złożone, że praktycznie nikt nie będzie w stanie ich zrozumieć. Komputery nie są zdolne do rozumienia czegokolwiek, a zatem w tej sprawie nie można na nie liczyć.

Dodatkowe problemy związane są z samą szybkością rozwoju techniki, która sprawia, że komputery stają się bardzo szybko "przestarzałe" po pojawieniu się na rynku. Powoduje to konieczność ciągłego modernizowania różnych układów, które z uwagi na presję konkurencji są często niedostatecznie sprawdzone, a tendencja ta będzie się zaostrzać. Szybkość zmian oraz głębokie problemy towarzyszące AI, które podlegają początkowej analizie, są bardzo liczne i nie można ich w żaden sposób podsumować. Pojawia się problem zagwarantowania prywatności, szpiegostwa przemysłowego i sabotażu komputerowego. Inną alarmującą perspektywą jest możliwość wyprodukowania fałszywego obrazu danej osoby, który następnie może pojawić się na ekranie telewizora i wyrazić poglądy sprzeczne z poglądami prawdziwej osoby.

Istnieją problemy społeczne, które nie wynikają wprawdzie z istnienia komputerów, ale są z nimi związa-ne. Przykładem jest możliwość nadzwyczaj dokładnego odtworzenia muzyki lub obrazu która sprawia, że dzieła bardzo nielicznej grupki najbardziej popularnych twórców mogą być rozpowszechniane na całym świecie kosztem tych lokalnych, którzy nie są tak uprzywilejowani. Podob-ne problemy dotyczą powstających systemów ekspertowych, umożliwiają-cych sformułowanie doświadczenia i wiedzy nielicznych ekspertów np.: prawników lub lekarzy - w postaci odpowiedniego pro-gramu komputerowego, który można następnie powszechnie stosować. Zaszkodziłoby to lokalnym lekarzom i prawnikom. Trzeba się zastanowić, czy takie systemy ekspertowe nie wyeliminują z rynku pracy specjalistów, którzy zdobywają swoją wiedzę przez wiedzę przez wiele lat. Taniej będzie skontaktować się ze sztucznym lekarzem, który szybko zapisze nam leki potrzebne, aby wrócić do zdrowia. Mogłaby tu dojść kwestia zaufania, czy człowiek jest w stanie zaufać i oddać swe zdrowie w "ręce" maszyny? Lokalne rozumienie zagadnień rozwoju AI jest bardzo ważne. Systemy ekspertowe powinny służyć pomocą lokalnym ekspertom. Dzięki nim znacznie więcej osób może korzystać z doświadczenia i wiedzy wybitnych specjalistów.

Wirusy komputerowe są kolejnym zagrożeniem wynikającym z zastosowania AI. Mogą one w wyznaczonym dniu zniszczyć wszystkie dane w "zarażonym" komputerze. Dane zapisane na dysku są bezpowrotnie stracone, a każda dyskietka używana na danym komputerze zostaje zarażona i następnie może przenieść wirus na kolejny komputer. Można stosować programy antywirusowe, wykrywające i niszczące wirusy, ale tylko pod warunkiem, że z góry znamy naturę wirusa. Takie wirusy najczęściej konstruują amatorzy, sfrust-rowani programiści, którzy chcą wyrządzić komuś szkodę. Człon-kowie organizacji przestępczych nie są amatorami, lecz sowicie wynagradzanymi specjalistami. Wirusów specjalistycznych nie można wykryć za pomocą standardowych programów antywirusowych. Mają one uderzyć w ściśle wyznaczonym dniu i po wykonaniu zadania wirus niszczy sam siebie, dzięki czemu nie pozostaje po nim żaden ślad.

Należy uświadomić społeczeństwu konieczność stałego nadzoru ludzi, mających prawo podej-mowania decyzji sprzecznych z autorytetem komputerów. Nie chodzi o to, że komputery niczego nie rozumieją, ale o to, że są one niezwykle podatne na manipulacje nielicznych specjalistów, którzy dokładnie rozumieją sposób ich zaprogramowania.

Artykuł opracowano w ramach pracy W/IZM/1/99.

Literatura:
Balagurusamy E., Howe J.A.M. Expert systems for management and engeneering, NY Ellis Horwood 1990
Buller, A., Sztuczny mózg. To już nie fantazje. Warszawa (1998), Pruszyński i S-ka.
Castillo E., Alvarez E., Expert System:Uncertainty and Learning, Southampton; Boston; London; New York: Computational Mechanics Publ.: Elsevier,1991.
Damasio, A. R., Błąd Kartezjusza. Emocje, rozum i ludzki mózg., Poznań (1999), Rebis.
Goldberg, D. E., Algorytmy genetyczne i ich zastosowania, WNT, Warszawa, 1995.
Goleman, D., Inteligencja emocjonalna. Poznań (1997), Media Rodzina.
Harmon P., Maus R., Morrissey W. Expert systems tools and applications NY John Wiley, 1988.
Hebb, D. O., The organization of behavior., New York (1949), Wiley.
Inteligentne systemy w zarządzaniu - Teoria i praktyka , Red. J. S. Zieliński, PWN Warszawa 2000
Kacprzyk J. Zbiory rozmyte w analizie systemowej. Analiza systemowa i jej zastosowania. PWN, Warszawa 1996.
Masters T., Sieci neuronowe w praktyce. Programowanie w języku C++, WNT, Warszawa 1996.
Michalewicz, Z., Algorytmy genetyczne + struktury danych = programy ewolucyjne, WNT, Warszawa, 1996.
Mulawka J.J. Systemy ekspertowe, WNT Warszawa 1996
Osowski S., Sieci neuronowe w ujęciu algorytmicznym, Warszawa 1996, WNT.
Penrose R., Cienie Umysłu, Zysk i S-ka Wydawnictwo s.c., Poznań 2000
Strelau, J. Inteligencja, 83 - 152. W: Tomaszewski, T. (Ed). Psychologia ogólna. Temperament i inteligencja., Warszawa (1995), PWN.
Tyszka, T., Psychologiczne pułapki oceniania i podejmowania decyzji., GWP, Gdańsk (1999),.

mgr inż. Piotr Filipkowski
Katedra Informatyki Gospodarczej i Logistyki
Wydział Zarządzania
Politechnika Białostocka
15-351 Białystok, ul. Wiejska 45A
tel. (085) 663 26 83
e-mail: piotrph@cksr.ac.bialystok.pl

mgr Agata Błachnio
Katedra Psychologii Emocji i Motywacji
KUL