Posted by W poprzednim wpisie poruszyłem temat, który budzi wiele pytań, czyli kiedy i jakie zawody zostaną zastąpione przez sztuczną inteligencję. Jest to wyścig człowieka z praktycznie nieograniczonymi możliwościami komputerów, które potrafią wykonywać operacje logiczne i matematyczne (czyli w zasadzie prawie wszystkie operacje kognitywne) nieporównanie szybciej niż człowiek. Jeśli do tego dodamy, że potrafią się uczyć wykorzystując mechanizmy deep learning oraz że mogą pracować równolegle nad danym zadaniem, które jest złożone i skomplikowane, to człowiek jest bez szans.
Jest jednak jeden obszar problemów, w tym problemów organizatorskich, które pozostają poza zasięgiem prostego zastosowania np. Chata GPT. Są nimi problemy, których rozwiązanie nie jest prostą funkcją logiczną elementów składowych. Podam teraz dwa przykłady, pierwszy ściśle określony, gdzie efekt końcowy jest łatwy do obliczenia, i drugi, w którym liczba efektów końcowych jest praktycznie nieograniczona.
Przykład 1 – razem ze znajomymi idziemy do kina
Pewnie nie raz byłeś w sytuacji, gdy próbowałeś zorganizować ze znajomi wyjście do kina lub na imprezę. Przyjmijmy, że jest was 4 przyjaciół. Każdy może iść (stan 1) lub nie iść (stan 0) do kina. Gdy jest tylko jedna osoba – Adam – decyzja jest prosta, może iść albo nie iść. Jeśli ma iść z osobą o imieniu Eva, pojawiają już w wyniki 4 możliwości, z których tylko jedna oznacza, że pójdą do kina. Dzieje się to wtedy, gdy Adam i Eve chcą iść do kina jednocześnie. Gdy są 3 osoby, możliwości jest już 8, gdy są 4 osoby, opcji mamy aż 16. I tak dalej. Sytuację decyzyjną i wynik – pójdziemy lub nie pójdziemy do kina – zobacz na Rysunku 1.
Rysunek 1. Możliwości pójścia do kina z przyjaciółmi
Pomimo, że liczba opcji rośnie w tempie 2 do n-tej potęgi, to jednak wszystkie wyniki są łatwe do określenia, wiemy, jakie mogą nastąpić i kiedy. Pytanie tylko kto chce iść i kto nie chce iść do kina, czyli jakie są stabilne dane wejściowe.
Ten rodzaj problemu jest bardzo łatwy do rozwiązania dla sztucznej inteligencji, można nawet powiedzieć, że banalny, nawet przy dużej liczbie zmiennych wejściowych.
Przykład 2 – jak czujesz się w zespole, w którym pracujesz
Przyjmijmy, że pracujesz w zespole 3 osobowym. Ty i dwójka współpracowników. Musicie określić, czy odpowiada wam atmosfera pracy waszego zespołu. Mam nadzieję, że po przeczytaniu Przykładu 1 domyślasz się, jak bardzo skomplikowane zadanie jest przed wami… I to z kilku przyczyn.
Po pierwsze, waszego samopoczucia nie zmierzymy w skali nominalnej 0/1 (nie/tak). Można odczuwać satysfakcję z pracy, ale… Albo satysfakcja może nie być pełna, bo… Albo nie lubisz pracy w zespole, jednak jeden element jest pozytywny, który…
Po drugie, wynik „czy odpowiada wam atmosfera pracy waszego zespołu” wcale nie musi być obliczony w oparciu o logikę formalną, czyli jak w Przykładzie 1, w oparciu o iloczyn logiczny. Właściwie nie wiadomo co miałoby być mechanizmem obliczeń i jakie działania należałoby wykonać… Nie ma więc „wzoru”, który pozwoli nam obliczyć wynik.
Po trzecie, pojawia się pytanie, jakie wartości ma przyjmować taki wynik? Czy tylko 0/1? A może całe spektrum wartości od pełnej satysfakcji do pełnego sfrustrowania pracą w tym zespole?
Jak widzisz, problem ten jest bardzo trudny do opisania, a co dopiero do zastosowania jakiegoś mechanizmu wnioskowania. W tym miejscu można mówić jedynie o rozkładzie prawdopodobieństwa wyników, jeśli w jakiś sposób uporamy się z pierwszą przyczyną powyżej.
Tego typu zadania są dla sztucznej inteligencji nie do rozwiązania bez pewnych przybliżeń i operowania na rozkładzie prawdopodobieństwa możliwych wyników. I dlatego rozwiązania te nie zawsze muszą być trafne.
Dlatego ludzie, którzy wykonując jakiś zawód, ciągle mierzą się z problemami, jak w Przykładzie 2, mogą być (na razie) spokojni, że sztuczna inteligencja nie zajmie im stanowiska pracy. Na razie…
Zobacz więcej na YT: Polski twórca ChatGPT o jego kolejnej wersji | Szymon Sidor