9. aprill toimus meie selle õppeaasta viimane üritus “Keskkond sümbioosis tehisaruga?”

Siin on väike ülevaade kõlama jäänud mõtetest.

 

☆Marko Saviauk – Leanest tegevjuht

 

Millega tegeleb? 

• tarkvara ettevõtte Leanest tegevjuht

• tegeleb igapäevaselt tehisaruga, luues mudeleid ning neid rakendades, et erinevaid probleeme lahendada

 

Kuidas saavad tänapäeval ettevõtted juba tehisaru praktiliselt rakendada?

Leanesti üks projektidest on jäätmete sorteerimine tehisaru abil. Inimeste sorteeritud prügist  jõuab ainult väike kogus ehk umbes 30% tegelikkuses taaskasutusse. Suur osa pakenditest lõpuks jõuab ikka suurtesse kuhjadesse prügikeskustesse, kust lähevad edasi põletamisele, mille käigus vabaneb atmosfääri suures koguses kasvuhoonegaase. Sellistes keskustes sorteeritakse jäätmete põhimassi käsitsi, mille käigus proovitakse selle hulgast eraldada suuremad tükid ja elemendid. Leanesti projekt arendas välja  tehisintellektil töötava prügisorteerimisroboti, vaatab pealt käsisorteerimisliine, oskab ära tunda kõva plastikut ning eraldab selle ülejäänud jäätmetest. Kõva plastik kogutakse kokku ning saadetakse ümbertöötlemisse. Roboti abil saab prügi sorteerida kiiremini ja ka täpsemalt ning läbi selle panustada puhtamasse ja rohelisemasse keskkonda ja tulevikku. Inimesed, nende hulgas ka noored, õpetavad robotit erinevaid kõvapakendeid ära tundma, mis näitab, et ka AI kõrval jääb inimesele töökohti.

 

Üks suurimatest valdkondadest, millega Leanest tegeleb on tehisaru rakendamine puidutööstuses. Puidutöötlemistehases kontrollib tehisintellekt puidu kvaliteeti inimese asemel palju kiiremini. Tehisaru töötab ka automaatliini peal, kust jooksevad läbi puidust klotsid, mis lõpuks liimitakse kokku ja millest moodustatakse puitpinnad. Seal keerab robot kõik klotsid ümber nii, et ilusaim külg oleks kõige peal enne liimimisele saatmist. Robot teeb seda tööd millisekundite jooksul. Tehisintellekti miinus on aga see, et ta suudab teha väga hästi seda ühte asja, mis talle õpetatud on, aga teisi ülesandeid täita ei suuda.

 

Kuidas veel saab tehisaru praktiliselt kasutada?

Näiteks liiklustiheduse, autode jm loendamine ning selle põhjal statistika tegemine, parklate tõkkepuud.

 

Küsimused ja vastused:

• Kui suurt andmestik oli vaja luua, et robot oskas kõva plastikut ära tunda?

“Tehisaru töötamiseks oli vaja sisestada paar tuhat pilti näiteks pudelitest. Jooksvalt õpetavad inimesed ka juurde.”

• Kui tihti tehisaru eksib?

“Siiani on sellel 99,7% juhtudest õigus olnud. Sellistel tootmisharudel on täpsus väga oluline, seega tuleb isegi sellist protsenti edasi arendada.”

• Kas hetkel sorteerib tehisaru välja ainult kõvapakendeid?

“Jah, hetkel küll. Kuna Eesti on oma jäätmete ja pakendite hulga poolest siiski päris väike riik, siis lõpuks muutuks iga pakendi tehisaruga sorteerimine tohutult kalliks. Hetkel on riigil ja suurfirmadel odavam lasta kodus sorteerida.”

• Mis osa protsessist on kõige kulukam?

“Need masinad, mis füüsiliselt tõstavad pakendeid teiste hulgast välja ja sorteerivad.”

• Kui suur osa meie prügist ei jõua taaskasutusse, siis mis tavaliselt meie sorteeritud prügist sinna jõuab ja mis mitte?

“Tavaliselt sorteeritud klaas, taara ja papp jõuavad peaaegu täielikult, puhtalt kogutud vanapaber ka. Ülejäänud sorteeritud jäätmetest jõuab keskmiselt kokku 30% tagasi ringlusesse, aga see varieerub olenevalt jäätmete sorteeritusest.”

• Millega tegeleb noorukitest tiim, kes masinaid õpetab?

“Võtavad ette pildid erinevatest jäätmetest ning näitavad robotile, mida oleks vaja eraldada ning mida mitte. Ühel hetkel läbi kogemuse suudab tehisaru ise sellest aru saada. Tehisaru eksib seega siis, kui eksib inimene.”

• Prügi sorteerimine on suures pildis üpris lihtne töö, aga mida tehisaruga töötavad masinad oleksid veel suutelised tegema? Kas inimesed üldse peaks tööd tegema?

“Üldiselt inimesed ise tahavad tööd teha. Tehisaru võimekuse kohta: kindlasti tuleb ajaga järjest rohkem juurde valdkondi, millega see tegeleda suudab. See muutub aina täpsemaks ning eksib enda vastustes järjest vähem. Sellele tuleb kasutusruumi oluliselt juurde, võtab suurel määral rutiinset tööd enda peale, aga sisuliselt pole olemas valdkonda, kus tehisaru ei saaks midagi teha.”

• Mis juhtub nende inimestega, keda asendatakse tehisaruga ning kes läbi selle kaotavad oma töökohad?

“Kui tehastes hakkavad töötama vaid masinad, siis saavad need inimesed teha paremat tööd. Näiteks prügi sorteerimise puhul, inimesi selle töö tegemiseks on juba päris vähe ehk masinate sinna viimine oleks kasulik.”

• Kas need inimesed, kes on madala haritusega ja teinud ainult lihtsat liinitööd, on pädevad paremat tööd leidma?

“Sama arutelu käis ka siis, kui hakati automatiseerima põllumajandust, aga see kogemus näitas, et kõik läks siis hästi. See ümberarenemine võtab lihtsalt ühe põlvkonna jagu aega.”

• Mis oleks vajalikud baasteadmised, et tegutseda masinaõppe maailmas?

“Kõige kasulikumad on praktilised kogemused, isegi Chat GPT-ga suhtlemine.”

• Kas tehisintellekt suudaks ka näiteks uusi füüsikaseadusi leiutada?

“Tõenäoliselt suudab seda teha 5-10 aasta jooksul, kui seda juba ei tee, kuid ta reegel on see, et tal on vaja suurt baaspinda enda all, näiteks füüsika põhiseadusi ta nullist ei suudaks välja mõelda.”

• Kui keeruline on tehisaru ümber õpetada? Ühte programmi teiseks teha?

“Tegelikult kulub kordades vähem ressurssi, aga tal peavad olema mustrid sees, mille jaoks ümber õpetada. Sa pead teda luues arvestama ta muutmisvõimalustega.”

• Kas pahatahtlikel inimesetel oleks lihtne omakasupüüdlikult näiteks Chat GPT-d ümber õpetada?

“Chat GPT töötamiseks ja õpetamiseks kuluvad igapäevaselt miljardid ehk isegi kui see tehniliselt võimalik oleks, peaks nendel inimestel väga suured rahakotid olema.”

• Mis on Chat GPT keskkonnamõju? Digiprügi?

“Serverite ülalpidamise küsimused – kui energiat selleks tuleb taastuvatest allikatest, siis loomulikult on see palju keskkonnasõbralikum. Arendame serverite efektiivsust.”

 

☆Andre Tättar – Impactly tehisintellekti valdkonna juht

 

Millega tegeleb?

• omandamisel doktorikraad arvutiteaduses
• tegelenud pikalt masintõlkega
• tehisintellekti valdkonna juht Imapctly’s

 

Tehisintellekt on masina võime simuleerida inimese kognitiivseid funktsioone. Masinõpe on masina võime õppida ja kohaneda andmete põhjal ilma programmeerimiseta. Tehisnärvivõrgud, nagu Chat GPT, kasvasid välja masinõppest ning suudavad imiteerida inimaju. Generatiivsed tehisintellektid suudavad luua uut sisu õpitud andmete põhjal. Tehisintellekt on nagu rakenduslikul matemaatikal ehitatud keelemudel, mis põhineb algoritmidel ja algebral. 

 

Masintõlge

Fraasipõhise masinõppe puhul aitasid keeletehnoloogid tõlkida sisendeid fraasideks.

 

Statistiline masinõpe – näiteks Google, tunneb ära selle, mida inimene soovib näha.

 

Neurotõlge – Google Translate

Treenimine suure andmekoguse peal.

Andmed antakse masinõppele sisse, treenib välja mudeli ja ennustab selle sisu.

 

Kuidas töötab Chat GPT?

Sõna-sõna haaval ennustab järgmist sõna ja lauset

Sisse võtnud tohutul määral andmeid

On käinud mitmeid kordi läbi kõik internetis saadaolevad andmestikud.

 

Tehisaru kasulikkus?

Tehisintellekti kasutajad töötavad efektiivsemalt, jõuavad oma tööga kiiremini lõpuni ja saavutavad paremaid tulemusi.

Tehisintellekti abil saame ühes ajaühikus läbi viia rohkem kasulikku tööd.

Suur produktiivsus.

 

Probleemid tehisintellektiga?

Valeinfo andmine ehk hallutsineerimine on tehisintellekti puhul suur probleem. Tehisintellekt on alati väga kindel selles, mida see räägib, ja on väga kindel ka enda valedes. Selle tõttu võib selle jutt kõlada väga usaldatavalt ning võib inimesi eksitada. Kui kasutada tehisintellekti, tuleb kindlasti informatsioon üle kontrollida.

Andmekaitset on raskem kontrollida, sest kogu info on tehisaru poolt ümber sõnastatud.

 

Millega tegeleb Impactly?

Impactly soovib teha jätkusuutlikusega seotud andmete platvormi. Nende eesmärk on raporteerida ettevõtete ja pankade ning muude asutuste energiakasutust, töötajate olukorda, kasvuhoonegaaside heidete kogust, ökoloogiliis mõjusid, ärieetikat ja tootekvaliteeti maailmale, et tõsta inimeste teadlikkust. Mitmed ettevõtted kasutavad “rohepesu” strateegiat. See on eksitav turustrateegia, kus näiteks erinevate siltide ja reklaamide kaudu ettevõtted müüvad enda tooteid kui eriti keskkonnasõbralikke lahendusi, kuigi tegelikkuses nende toodang ei ole eriliselt keskkonnale hea või on lausa kahjulik. Tavaliselt on iga ettevõtte andmete raporteerimine väga kulukas ja kui selle eriala inimene suudab aastas analüüsida kümmet ettevõtet, siis tehisintellekti abiga saaks kasvõi 100 aastas. Kui aastas valmib ainult 10 raportit, siis iga raport muutub väga kalliks. Impactly eesmärk on anda terviklikud jätkusuutlikkuse raportid ja tekitada majandus, kus on võimalik raporteerida enamik firmasid, mitte ainult käputäit kõige suuremaid.

 

Küsimused ja vastused:

• Kas teoorias Chat GPT suudaks leida lahenduse mulla viljakuse vähenemisele?

“Võiks aidata kindlasti probleemi lahendamisel- andmeid ja tegureid on inimese jaoks hoomamatu kogus ning tehisintellekt aitab neid kokku koguda ja üldistada.”

• Tehisaru ja inimaju erinevused? Inimaju eelis?

“Masinõpe üldiselt modelleerib meie endi uskumusi. Tehisintellekt võib teha süstemaatilisi vigu – näiteks Jeruusalemma probleem, see esines projekti käigus, mille eesmärgiks oli hästi paljude keelte kohta andmeid sisse võtta ja säilitada. Väikeste keelte kohta on infot ja nende kasutust leida ainult piiblitest. Kui info sai kogutud ning tehisaru pidi seda tõlkimisel rakendma, tõlkis see kõik külad ja linnad Jeruusalemmaks.”

• Kui tehisaru suudab 10 inimese töö korraga ära teha, siis mis nendest inimestest saab?

“Tööd tuleb kordades juurde, hetkel raporteerivad ainult 20 suuremat ettevõtet, lisaabiga saab minna rohkem süvitsi ja teha suurema mahuga tööd. Probleem tehisaruga on, et see ei võta vastutust, inimesed ikka vastutavad selle tegevuse eest.”

• Keelemudelite kvaliteet, kui suure kvaliteediga keeleteksti peab heaks tulemuseks talle sisse söötma?

“Andmete kvaliteet määrab ära, mis on mudeli maksimaalne potentsiaal. Andmete puhastamine on suurima mahuga tööülesanne tehisintellektiga tegelemise puhul.”

• Andmete puhastamine, kuidas see käib?

“Masintõlkes mitmes keeles tekstid tuleb välja võtta, võõrsõnadega jne, ilmselgelt katkiste ja kahes keeles mitte kattuvate andmete ära viskamine.”

• Kuidas masintõlge ennustab järgmisi sõnu, lauseid jne?

“Lähtuvalt statistikast, treenitud genereerima teksti, mis on seotud sellega, mida inimene tahab näha. Küsimuse-vastuse suhe.”

• Kuidas kõige paremini masinates karjääri teha?

“Kui alustada ükskõik millise STEM alaga, siis lõpuks saab lihtsalt jõuda tehisintellektini välja.”

• Kui me söödame tehisarule sisse kvaliteetset informatsiooni, aga ta ikka annab valed vastused, siis kuidas me saame tagada, et ta annaks meile õigeid vastuseid, kuidas saaks seda parandada?

“Soovitus küsida mõtteprotsessi, mitte konkreetselt õiget vastust. Ürita läbi mõelda protsessi, mille kaudu ta järelduseni jõudis, lisaks aitab sama küsimuse või käskluse pikamelt ja täpsemalt lahti seletamine. On palju ülesandeid, mida ta veel ei suuda täita. Peaks usaldama, aga kontrollima.”