Učiti AI onome što čovek ume rupa je bez dna: Ovo je problem o kojem mnogi nisu mislili

Veštačka inteligencija najbolje funkcioniše unutar kompanija kada poznaje kontekst u kojem operiše. Deo tog konteksta lako je kodifikovati unapred, kroz eksplicitna pravila i smernice. Deo se može zabeležiti analizom sirovih podataka: Celonis (Celonis), nemačka softverska firma, prikuplja informacije iz korporativnih sistema kako bi videla kako se procesi poput fakturisanja ili nabavke zapravo odvijaju unutar organizacija.

Međutim, neke informacije je teže preneti, a to se najviše odnosi na prećutno znanje (tacit knowledge) – umeće rođeno iz iskustva i intuicije. Filozof Majkl Polanji slavno je sažeo prećutno znanje sledećim rečima: "Možemo znati više nego što možemo reći". Kako AI može da uči o poslu kada čak ni ljudi ne mogu da artikulišu zašto određene stvari rade na baš određen način?

Jedan od odgovora jeste da im to nije ni potrebno. Prećutno znanje je već utkano u podatke na kojima se mašine obučavaju: na primer, korpus marketinških tekstova za određeni brend u sebi sažima organizacionu procenu i stručnost koje modeli mogu da upiju. Pored toga, jedna od ključnih karakteristika veštačke inteligencije, kaže Enrike Ide sa IESE, španske poslovne škole, jeste njena sposobnost da identifikuje obrasce u podacima koje ljudi ne mogu da opišu. Od prepoznavanja lica do šaha, AI se pokazao veoma korisnim u savladavanju aktivnosti kojima nikada nije eksplicitno podučavan.

Ponekad su, međutim, detalji nekog procesa itekako važni. Od opeke sazidan zid, na primer, u sebi nosi prećutno znanje zidara, ali samo gledanje u mnoštvo takvih zidova neće vam reći kako je najbolje sagraditi jedan. Monjumental AI (Monumental AI), holandski startap koji koristi robote pokretane veštačkom inteligencijom za polaganje cigli, intervjuisao je zidare u sklopu svog ranog istraživanja o tome kako da dizajnira svoje mašine. Ali njihovi odgovori su uglavnom bili izluđujuće neodređeni, poput: "Tako sam to oduvek radio". Zidari su znali više nego što su mogli da kažu.

Ono što sami nisu mogli da artikulišu, otkrili su sati video-snimaka. Monjumental je, na primer, uočio da zidari blago vibriraju rukama kada utiskuju ciglu u malter. Ovaj mali pokret pomaže da se malter utisne u pore cigle, stvarajući jaču vezu, zbog čega su roboti kompanije Monjumental potom dizajnirani tako da repliciraju taj potez.

Očigledan odgovor, stoga, jeste da se praćenje načina na koji ljudi rade podigne na još detaljniji nivo. Nekoliko funkcija se već pažljivo prati. Korisnički centar za podršku prirodno stvara mnoštvo relevantnih informacija: pozivi se po pravilu snimaju, a uobičajeno je i da se monitori agenata nadgledaju. AI bi mogao da se pusti na znatno veću količinu podataka. Anketa među američkim radnicima koju je sprovela Danijela Li sa Tehnološkog instituta u Masačusetsu (Massachusetts Institute of Technology - MIT) i njeni koautori, pokazala je da zaposleni veruju kako raspolažu velikom količinom nezapisanog znanja o svojim organizacijama.

Međutim, intenzivniji nadzor specifičnih akcija pojedinačnih radnika takođe je osetljiv teren. Zaposleni u kompaniji Meta burno su reagovali na Inicijativu za sposobnost modela (Model Capability Initiative), program te firme za praćenje pritiska na tastere i klikova mišem kako bi se obučavao AI. Anketa gospođe Li pokazala je da radnici smatraju da imaju moć da uskrate mnoštvo vrednih informacija radoznalim poslodavcima. I vrlo je moguće da će to i učiniti. U jednom eksperimentu, istraživači su ponudili da otkupe podatke iz ankete od učesnika; oni kojima je prethodno prikazan video o tome kako se podaci mogu koristiti za obuku veštačke inteligencije bili su manje voljni da ih prodaju.

Čak i najnapredniji sistem nadzora teško bi uspeo da zabeleži ono što se dešava u glavama ljudi: ono što znaju o preferencijama klijenata ili misaone procese koji stoje iza određenih odluka. Zato je druga opcija pokušaj da se znanje stručnjaka izvuče kroz procese evaluacije. Na nekim zadacima, AI model lako može da zna kako napreduje: kod ili radi ili ne radi. Drugi zadaci su znatno teži za proveru - na primer, procena da li je neki dizajn estetski privlačan ili koliko je dobro urađen nacrt istraživanja. Angažovanjem ljudskih stručnjaka da ocene kako AI funkcioniše prema ovim subjektivnijim kriterijumima, modeli se mogu postepeno usavršavati kako bi odgovarali njihovim standardima.

Nema ničeg lošeg u pokušaju da se zabeleži prećutno znanje. Organizacije već dugo brinu o gubitku stručnosti kada stari i iskusni radnici odu. Ali korišćenje veštačke inteligencije za rešavanje ovog problema pokreće niz škakljivih pitanja. Ko je vlasnik nezapisanog umeća? Koliko je nadzora prihvatljivo? I kako će to što mašine uče sve više i više uticati na način na koji ljudi stiču, praktikuju i prenose stručnost koja se ranije dobijala isključivo kroz iskustvo?

(Ubrzanje.rs/The Economist)