1. Mākslīgā intelekta iespējas

Mākslīgā intelekta (turpmāk – MI) piedāvātās iespējas ir ļoti plašas. MI var sniegt atbalstu finanšu plānošanā un prognozēšanā, komunikācijā ar klientiem (piemēram, izmantojot virtuālos asistentus), kas palīdz ērtā veidā atrast informāciju.

MI tehnoloģijas spēj ātri un precīzi identificēt personas, salīdzinot viņu sejas ar datubāzēs esošajiem attēliem, ko, piemēram, izmantoja arī Amazon Go³ veikali. Amazon norādīja, ka šī tehnoloģija un sensori ļāva klientiem iepirkties bez kases aparātiem un rindām – pircējs paņem preci un iziet no veikala, kamēr sistēma automātiski atpazīst klientu un veic maksājumu. Taču projekts neattaisnoja cerības, un pret Amazon tika uzsākta tiesvedība⁴ par biometrijas datu apstrādi bez brīdinājuma. Papildus tika atklāts, ka aptuveni 1000 nolīgto strādnieku no Indijas uzraudzīja risinājuma darbību, vēroja un marķēja video.⁵ Neskatoties uz to, šis piemērs apliecina MI iespējamo potenciālu. Atpazīšanas tehnoloģijas var izmantot mazumtirdzniecībā, lai sekotu preču krājumiem, un ražošanā, lai noteiktu defektus.

MI var palīdzēt efektīvāk analizēt datus un optimizēt procesus (piemēram, loģistikas uzņēmums var uzlabot un optimizēt maršrutus, ietaupot piegādes laiku un degvielas patēriņu). MI var sniegt atbalstu medicīnā, analizējot datus, lai ātrāk un precīzāk noteiktu diagnozi un piedāvātu efektīvāko ārstēšanas metodi. MI var palīdzēt personalizēt piedāvāto pakalpojumu, kā to dara Netflix⁶ un Spotify,⁷ sniedzot ieteikumus, kas balstīti uz lietotāja vēsturiskajām izvēlēm.

Tomēr, kā jau ikviena tehnoloģija, arī MI var ietekmēt cilvēkus. MI piemīt spēja apstrādāt liela apjoma informāciju, radot plašu ietekmi uz cilvēkiem. Jāņem vērā, ka MI risinājumi var pieļaut arī kļūdas. Piemēram, sejas atpazīšanas risinājumi pieļauj kļūdas, īpaši attiecībā uz tumšādainām sievietēm, jo MI modeļi pamatā tiek apmācīti ar gaišādaino cilvēku attēliem.⁸ MI kļūdu piedzīvoja arī Amazon, kas atteicās no MI darbinieku atlases projekta, jo tas diskriminēja sievietes. Iemesli bija saistīti ar to, ka MI tika apmācīts ar vēsturiskiem datiem un minētajās vakancēs šajā periodā dominēja vīrieši. Attiecīgi sievietes bija nelielā datu kopā, un risinājums iemācījās dot priekšroku vīriešiem.⁹

2. Mākslīgā intelekta modeļi

MI modeļi ir dažādi, piemēram:

a) lineārie un statistikas modeļi palīdz identificēt sakarības starp vienkāršiem objektiem, piemēram, prognozēt pirkumus vai ieteikt produktus, balstoties uz līdzīgu vēsturisko datu analīzi. Piemēram, ja pagājušā gada martā tika pārdotas 100 automašīnas, modelis var prognozēt līdzīgu pārdošanas apjomu arī šogad. Šie modeļi ir pārskatāmi, un tiem piemīt vienkārša un skaidra loģika;

b) “lēmumu koki” jeb “ja – tad” diagramma, kas palīdz pieņemt lēmumus, uzdodot vienkāršus “jā” vai “nē” jautājumus. Pietiekoši pārskatāmi, izskaidrojami ar samērā skaidru loģiku. Minēto modeli var izmantot jau sarežģītākiem lēmumiem. Piemēram, kredītreitinga aprēķiniem;

c) robotikas risinājumi ir MI, kas apmācīts veikt noteiktus uzdevumus saskarsmē ar apkārtējo vidi. Šie risinājumi var ietvert mašīnmācīšanās, dziļās mācīšanās un pastiprinātas mācīšanās metodes, lai uzlabotu robotu spējas. Piemēram, pašvadāmie automobiļi;

d) mašīnmācīšanās modeļi,¹⁰ no kuriem īpaši izceļami ir neironu tīkli. Tie ir sarežģītāki MI modeļi, kas paredzēti darbībai līdzīgi kā cilvēka smadzenes un nervu sistēma.¹¹ Neironu tīklos pastāv dziļā mācīšanās (jeb deep learning) metode, kas balstās uz bioloģisko neirozinātni un mākslīgo neironu izvietošanu vairākos slāņos, lai “apmācītu” tos apstrādāt datus. Termins “dziļi” attiecas uz vairāku slāņu (no trim līdz pat vairākiem simtiem) izmantošanu tīklā.¹² Šī metode ir ļoti sarežģīta, ļoti grūti izskaidrojama un bieži vien rada “melnās kastes” efektu.