Sztuczna inteligencja to algorytm, czyli skończony ciąg jasno zdefiniowanych przez człowieka czynności koniecznych do wykonania pewnego rodzaju zadań. Może on się jednak uczyć. Jak? Wyjaśniają to: dr Agnieszka Zbrzezny i mgr inż. Tomasz Krzywicki z Katedry Metod Matematycznych Informatyki na Wydziale Matematyki i Informatyki UWM. Młodzi naukowcy współpracują m.in. z prof. Andrzejem Grzybowskim, kierownikiem Katedry Okulistyki na Wydziale Lekarskim UWM, prezydentem Europejskiego Stowarzyszenia Badań Wzrokowych i Okulistycznych.

Sztuczna inteligencja uczy się jak dziecko 

Sztuczna inteligencja to nie dla każdego to samo. Co innego pod tym pojęciem rozumieją biolog, psycholog lub chemik, a już zupełnie odmienne postrzegają ją informatyk czy matematyk. Dla nich sztuczna inteligencja to model podejmujący decyzje wyuczony za pomocą algorytmów.

Żeby powstała sztuczna inteligencja, najpierw musimy mieć dane – na przykład jakiś obraz. Dla lepszego zrozumienia niech to będzie obraz słonia. Temu obrazowi przypisujemy jakąś wartość, np. 1. Wszystko, co nie jest słoniem, oznaczmy np. zerem. Potem uczymy model, który będzie rozpoznawać słonia według pewnych cech. Ten model za każdym razem, gdy na obrazie znajdzie słonia, oznaczy go jako 1. Wszystko, co nie będzie słoniem, oznaczy jako 0. 

Musimy zatem mieć obraz bardzo dobrej jakości, aby algorytm dostrzegł istotne cechy słonia służące mu do jego identyfikacji. Teraz musimy nauczyć model rozpoznawania słonia na różnych obrazach. W tym celu przedstawiamy mu różne obrazy różnych słoni w różnych ujęciach. Tę czynność powtarzamy tak długo, aż model nauczy się rozpoznawać wszystkie słonie na wszystkich obrazach, które mu pokażemy. Potem inny algorytm sprawdza, czy ten pierwszy się nie pomylił.

Atak zwodniczy

Okazuje się, że sztuczna inteligencja wcale nie jest taka inteligentna i zdaniem informatyków 100-procentowej skuteczności nigdy nie osiągnie. Słoń to prosty podręcznikowy przykład, potrzebny do zrozumienia zagadnienia. Prawdziwe trudności pojawiają się wtedy, gdy sztuczna inteligencja ma rozpoznać skomplikowane obrazy i na ich podstawie coś zakomunikować. Dr Agnieszka Zbrzezny i mgr inż. Tomasz Krzywicki uczą algorytm rozpoznawania, czy pacjent ma retinopatię cukrzycową, czyli bardzo rozpowszechnioną chorobę oczu, która prof. Grzybowski chce diagnozować przy pomocy sztucznej inteligencji. Podstawą do tego mają być analizy zdjęć dna ludzkiego oka. To trudne zadanie.

Każdy obraz to zbiór wielu zmiennych. Obrazy zapisujemy w pamięci komputerów w postaci pikseli, czyli małych punktów. Każdemu pikselowi program do utrwalania obrazu przypisał jakąś liczbową wartość. Dla algorytmu piksele o tej samej barwie będą mieć tę samą wartość liczbową. Załóżmy, że algorytm z powodu np. niewielkiego defektu zdjęcia jeden z pikseli rozpozna błędnie lub wcale nie rozpozna. Co wtedy? Wtedy słoń, którego rozpozna nawet trzyletnie dziecko, dla algorytmu nie będzie słoniem. Informatycy na takie zjawisko mają już nazwę: atak zwodniczy. 

Albo inny przykład: polećmy komputerowi sprawdzenie, czy angielskojęzyczna recenzja filmu np. „Dom na wzgórzu” jest recenzją pozytywną. Dla komputera słowa „good” i „great” to nienacechowane emocjonalnie słowa, a ciągi liczb, więc może się zdarzyć, że recenzja ze słowem „great” dla sztucznej inteligencji będzie recenzją negatywną. Taka to inteligencja.

Dobra technika

Wróćmy jednak do siatkówki. Nieco inne odcienie na dnie oka mają Europejczycy, inne Afrykanie, a inne Azjaci. Wpływ na wygląd siatkówki mają także choroby. 

W procesie uczenia sztucznej inteligencji, czyli modelu, można się natknąć na różne przeszkody. O różnorodności obrazu siatkówki już wspominaliśmy, ale na tym nie koniec.

Bardzo ważna jest jakość i wielkość zdjęcia i sposób jego zapisania na jakimś nośniku. Najlepiej, aby wszystkie zdjęcia oczu były zrobione w ten sam sposób, przy użyciu takiego samego sprzętu i zapisane jednakowo.

Im lepsze zdjęcia, tym model się lepiej nauczy wskazywać retinopatię. A uczy się, oglądając zdjęcia, rozpoznając ją lub nie. Potem jego decyzje są porównywanie z decyzjami eksperta. I tak w kółko, aż do uzyskania zadowalającego wyniku. Jaki to będzie wynik – to już sprawa lekarzy. Człowiek też nie jest nieomylny. 

I jeszcze to RODO!

Wynik pracy algorytmu to przybliżenie, którego wynik powinien być zawsze jak najbliższy temu, co ustala ekspert. No dobrze, ale ile czasu potrzebuje algorytm, aby nauczyć się rozpoznawać retinopatię cukrzycowa? Powinien w tym celu przeanalizować przynajmniej 10 tys. zdjęć.

Od jakiegoś czasu informatycy muszą się zmagać z jeszcze jedną przeszkodą, której dotychczas nie uwzględniali. Mają dostęp do bazy zdjęciowej, ale korzystania z niej broni przed nimi z uporem RODO. Ono nic nie rozumie. 

Spisał: Lech Kryszałowicz

Dr Agnieszka Zbrzezny - absolwentka interdyscyplinarnych studiów doktoranckich w Instytucie Podstaw Informatyki PAN. Informatyczka, programistka i naukowczyni. Specjalizuje się w opracowywaniu metod zapewniających bezpieczeństwo systemom informatycznym, w szczególności systemom czasu rzeczywistego, oraz weryfikacji i wyjaśnialności modeli sztucznej inteligencji.

Mgr Tomasz Krzywicki - jego zainteresowania naukowe dotyczą analizy i rozpoznawania obrazu. Pracuje także jako programista w firmach zewnętrznych. W grudniu 2022 r. Wydawnictwo UWM wydało jego książkę pt. „Systemy uczące się. Sztuczne sieci neuronowe i uczenie głębokie”. Obecnie przygotowuje się do obrony doktoratu.