Dirbtinio intelekto (DI) sprendimai jau tapo reikšminga mūsų gyvenimo dalimi – naudojame juos atrakindami mobilųjį telefoną, DI pasitelkiamas ir vėžio diagnostikai. Tačiau DI technologijoms populiarėjant plinta ir įvairūs mitai, tampame vis jautresni asmeninių duomenų saugos klausimais.
Dirbtinio intelekto (DI) sprendimai jau tapo reikšminga mūsų gyvenimo dalimi – naudojame juos atrakindami mobilųjį telefoną, DI pasitelkiamas ir vėžio diagnostikai. Tačiau DI technologijoms populiarėjant plinta ir įvairūs mitai, tampame vis jautresni asmeninių duomenų saugos klausimais. Todėl apie tai, ar saugu naudoti biometrinių duomenų atpažinimą įrenginiuose, kokie iššūkiai kyla bandant reglamentuoti DI, ir apie pagrindinius šią sritį gaubiančius mitus pasakoja Vilniaus universiteto (VU) Matematikos ir informatikos fakulteto Informatikos instituto mokslininkas dr. Linas Petkevičius.
Asociatyvi „Pixabay“ nuotr.
Save apmokantys algoritmai
Daugelis šių dienų skaitmeninių produktų ir paslaugų yra grįsti duomenų analize arba išmaniaisiais algoritmais, analizuojančiais duomenis. Ilgą laiką tokia duomenų analizė buvo mechaninis ir kūrybinis procesas, grupuojant ir taip gaunant naudingos informacijos iš didelio kiekio sudėtingos struktūros duomenų. Tačiau šis procesas taip pat ribotas, nes visų gyvenimo atvejų suprogramuoti neįmanoma, tad pastaraisiais metais, atsiradus naujiems modeliams, dideliems atvirų duomenų kiekiams ir išaugus skaičiavimų našumui, įvyko proveržis kuriant save apmokančias sistemas.
„Visai neseniai, per pastaruosius penkerius metus, buvo sukurti matematiniai modeliai, leidžiantys ne tik lengviau apdoroti duomenis, bet ir gauti reikiamą informaciją, taikant save apmokančias sistemas, kurios vadinamos dirbtinio intelekto technologijomis, arba giliuoju mokymusi. Šie modeliai, naudodami išmoktas instrukcijas, gali iš palyginti nedaug turimų pavyzdžių surinkti daug reikalingos informacijos“, − pasakoja dr. L. Petkevičius.
Giliojo mokymosi pavyzdžiai jau plačiai naudojami mūsų kasdienybėje – nuo veido ar pirštų atspaudų atpažinimo funkcijos mūsų telefone, personalizuotų ir pagal mūsų pomėgius atrinktų reklamų internete ar net naujai sugeneruotų tekstų.
„Giliojo mokymosi modeliai taip pat taikomi identifikuojant ir prognozuojant elektromobilių energijos suvartojimą, analizuojant prognostinio modelio rezultatus siekiant diagnozuoti ligas ar rekonstruojant triukšmingus vaizdus kompiuterinės tomografijos ar kitame vaizdus kuriančiame įrenginyje“, − platų uždavinių, su kuriais dirba, pritaikymą pabrėžia mokslininkas.
Biometrinių duomenų technologijos ir su DI susiję mitai
Biometriniai duomenys apima daugybę charakteristikų, leidžiančių mus identifikuoti. IT srityje dažniausiai naudojami išorę nusakantys moduliai: veido duomenys, pirštų atspaudai, akių rainelės ar balso duomenys. Būtent pirštų atspaudai ir veido atpažinimas yra dažniausiai taikomi išmaniesiems įrenginiams atrakinti.
Biometriniai duomenys priklauso jautriems asmens duomenims ir yra saugomi Bendrojo duomenų apsaugos reglamento (BDAR). Kitaip tariant, sistemos, naudojančios biometrines technologijas, turi užtikrinti, kad jokia informacija apie asmenį nebus atkurta įvykus skaitmeniniam incidentui. Nepaisant to, duomenų apsaugos srityje vyrauja keli gajūs mitai.
„Pirmas mitas – pirštų atspaudų duomenys ir atrakinimui naudojamos asmenukės yra saugomos mūsų telefone. Taip tikrai nėra, nes biometrijos algoritmai apdoroja informaciją pirmo prisijungimo metu, kai prašoma save identifikuoti. Tada sukuriamas unikalus skaičių vektorius, kuris vėliau naudojamas norint verifikuoti asmenį, gavus kitą nuotrauką. Antras mitas – biometrinės technologijos yra labai brangios. Tai irgi nėra tiesa, nes šiandien sukurti biometrinę patikrą savo komerciniuose sprendiniuose ir įrenginiuose galite už mažiau nei tūkstantį eurų“, − atskleidžia mokslininkas.
DI technologijoms populiarėjant, mitų atsiranda vis daugiau. Pavyzdžiui, kad šios technologijos reikalauja milžiniško kiekio duomenų. Dr. L. Petkevičiaus paneigia šį mitą teigdamas, kad, norint sukurti konkretų uždavinį spendžiančios technologijos prototipą, gali pakakti ir keliasdešimt duomenų pavyzdžių. Tačiau dirbtiniu intelektu visų kylančių problemų neišspręsime.
„Labai dažnai giliojo mokymosi modeliai sugeba pasiūlyti sprendimą, jei yra aiškiai suformuluota problema. Pavyzdžiui, jie geba aptikti, kurioje vietoje yra gedimas, bet tam būtina sukonkretinti uždavinį iki minimalistinio matematinio uždavinio. Tad DI sistema savarankiškai visko neišspręs“, − teigia mokslininkas.
Dar vienas mitas − DI technologijoms reikia specialiai sužymėtų duomenų. „Yra nemažai matematinių sprendimų, tokių kaip neprižiūrimasis mokymas ar pusiau prižiūrimasis mokymas, kuriems duomenis reikia sužymėti. Bet kartais, norint sukurti DI sistemą, užtenka turėti tik taisyklę ir vertinimo matą“, − pasakoja dr. L. Petkevičius.
DI technologijos – platus pritaikymas, bet ir teisiniai iššūkiai
Dr. L. Petkevičiaus teigimu, DI technologijas galima taikyti praktiškai visose gyvenimo srityse. Jei kalbame apie teksto analizę, DI technologijos leidžia klasifikuoti tekstus, juos klasterizuoti pagal semantinę prasmę, atlikti vertimus, kurti tekstų santraukas ir net generuoti naujus tekstus automatiškai.
„Atlikome tyrimą, kurio metu buvo sukurtas modelis, skirtas prognozuoti ir vertinti įsidarbinimą pagal skirtingas profesijas, atsižvelgiant į tai, kokią studijų programą žmogus yra baigęs. Šiuo metu bendradarbiaujame bandydami sukurti medicininį kalbos modelį, kuris leistų atrinkti reikšmingą informaciją iš raportų ir išvadų, kurių paprastai apdoroti ir naudoti prognostiniuose modeliuose neįmanoma“, − pasakoja mokslininkas.
Kita aktuali DI naudojimo sritis – vaizdų analizė. Šioje srityje DI leidžia atlikti daugybę uždavinių: šalinti triukšmus iš turimų vaizdų, o tai leistų naudoti prastesnės kokybės vaizdus, ar net segmentuoti medicinines problemas aptinkant piktybinį auglį.
„Analogiškos DI technologijos pritaikomos ir bandant aptikti kokybinius neatitikimus. Čia turiu omenyje tam tikrą broką, kaip kad duobės keliuose ar kitokie įtrūkimai“, − teigia d. L. Petkevičius.
Vis dėlto nuo visų DI suteikiamų galimybių neatsiejami šių technologijų keliami teisiniai iššūkiai. Šiuo metu yra rengiama Europos Sąjungos (ES) direktyva, skirta DI klausimams, kurios tikslas – suvienodinti DI sampratą ir reguliaciją visoje ES.
„Viena vertus, šalys, kuriose nėra ribojimų DI tyrimams ir taikymui, turi laisvę greičiau vystyti produktus. Tuo tarpu mūsų aplinkoje atsiranda vis daugiau sričių, kuriose draudžiama kurti DI, arba šios sistemos yra priskiriamos didelės rizikos sistemų kategorijai ir turi griežtas taisykles bei sankcijas už reikalavimų nevykdymą.
Kita vertus, ši direktyva yra sveikintina, nes reikia suprasti, kad Europos Komisija, matydama DI technologijų proveržį, nori šią sritį labai intensyviai finansuoti. Tam reikalinga tvari ir vienoda teisinė bazė ES, taip pat instrumentai DI technologijoms testuoti ir sertifikuoti. Tad tokia direktyva ne tik reikš papildomas lėšas šiai sričiai, bet ir padės išvengti fragmentuotos vidinės Europos rinkos“, − teigia mokslininkas.
