Naratyvas, kad dirbtinis intelektas užvaldo žmoniją, yra gajus Holivude nuo žemiausios meninės vertės filmų iki pasaulinių šedevrų kaip Stanley’o Kubricko „2001: Kosminės odisėja“ ar Andy ir Larry’o Wachowskių „Matrica“. Šio naratyvo populiarumas kelia nemažai diskusijų – ar toks scenarijus išties įmanomas ir kokios aplinkybės leistų dirbtiniam intelektui užvaldyti pasaulį. Šiuo tekstu mėginsiu įrodyti gan prieštaringą mintį: žvelgiant iš socialinės perspektyvos, žmoniją jau seniai užvaldė dirbtinis intelektas.
Kaip žinia, svarbiausias tikslas taikyti dirbtinį intelektą – optimizuoti įvairius procesus. Tad laikysime, kad dirbtinis intelektas valdo pasaulį, jei bendrasis dirbtinio intelekto naudingumas žmonijai yra mažesnis nei į jį investuotas energijos ir išteklių kiekis, kitaip tariant, jei žmogus dirbtiniam intelektui tarnauja labiau nei jis žmogui.
Apskaičiuoti dirbtinio intelekto naudingumą konkrečiame procese gan paprasta, tačiau absoliutinti jo naudą – daug sudėtingiau. Šiame tekste bus siekiama išnagrinėti tris socialinius procesus ir įrodyti, kad jie taip stipriai mažina bendrąjį dirbtinio intelekto naudingumą žmonijai, kad žmogaus investicija į dirbtinį intelektą vis dar neatsiperka.
Stasio Povilaičio nuotrauka iš LM archyvo
Arklio paradoksas
Pirmasis socialinis procesas, gerokai sumažinantis dirbtinio intelekto efektyvumą, – perdėtas pasitikėjimas juo. Švedų mokslininkas Bobas L. Sturmas, nagrinėjantis dirbtinio intelekto panaudojimą muzikoje, straipsnyje „Paprastas metodas nustatyti, ar muzikinės informacijos informacijos gavimo sistema yra arklys“ („A Simple Method to Determine if a Music Information Retrieval System is a „Horse“, 2014) pastebi, kad mokslininkai pernelyg dažnai pasitiki dirbtinio intelekto algoritmais, nors net iki galo nesupranta, kaip jie veikia. B. L. Sturmas pasakoja apie istorinį eksperimentą, atliktą su arkliu ir išryškinantį tokio aklo pasitikėjimo algoritmais beprasmybę.
XX a. Vokietijoje gyveno arklys Protingasis Hansas. Kurį laiką atrodė, kad jis gali teisingai atsakinėti į paprastus matematinius klausimus – sutrepsėdavo atitinkamą kartų skaičių. Vis dėlto po kurio laiko, atliekant ypač akylai kontroliuojamus eksperimentus, paaiškėjo, kad Protingasis Hansas paprasčiausiai reaguoja į klausėjo kūno kalbą, o ne pats teisingai išsprendžia uždavinius. Klausėjas beveik visuomet trepsintį arklį stebėdavo kiek pasilenkęs ir išsitiesdavo vos arklys sutrepsėdavo teisingą kartų skaičių. Kitaip tariant, ilgą laiką atliekant eksperimentus su arkliu, dėl kontrolės stygiaus nenustatyta tokio parametro, kaip kūno kalba, svarba arklio atsakymams.
B. L. Sturmas pastebi, jog ir šiais laikais begalės mokslininkų aklai pasitiki dirbtiniu intelektu giliau jo nesuprasdami. Kaip ir arkliui, algoritmui mokslininkai nurodo apdoroti konkrečius duomenis ir gauna galutinį rezultatą. Vis dėlto labai dažnai visiškai nesigilinama, kuri dirbtinio intelekto algoritmo dalis ir kaip veikia galutinį rezultatą. Potencialus rezultatas, kaip ir Protingojo Hanso istoriniame kontekste, – absoliučiai klaidinga hipotezė apie algoritmo veikimą, drastiškai mažinanti dirbtinio intelekto naudingumą.
Žmogiškųjų išteklių specialistai
Būtų galima teigti, kad egzistuojantys žmogiškieji ištekliai tarsi ir apsaugo nuo „arklio paradokso“. Žmogiškųjų išteklių specialistų darbas – ieškoti ir atrinkti kandidatus į konkrečias pozicijas. Taigi teoriškai žmogiškųjų išteklių specialistai per darbo pokalbius gali išsiaiškinti, kad kandidatai į poziciją, susijusią su dirbtiniu intelektu, aklai juo nepasitikės ir kaskart jį taikydami bus pakankamai įgudę suprasti esmines jo veikimo dalis.
Tačiau bendra žmogiškųjų išteklių personalo kompetencija naudojantis technologijomis yra reliatyviai per žema, o tai trukdo šią problemą užkardyti ir apskritai kokybiškai atrinkti kandidatus į pozicijas, susijusias su dirbtiniu intelektu. Mokslininkai Leanne Mcdonnell ir Arifas Sikanderis atliko tyrimą „Šių laikų žmogiškųjų išteklių specialistų įgūdžiai ir kompetencijos“ („Skills and Competencies for the Contemporary Human Resource Practitioner“, 2017) – nagrinėjo, kurių įgūdžių labiausiai trūksta žmogiškųjų išteklių darbuotojams. Tyrime atsižvelgė į tris skirtingas nuomones: akademikų, žmogiškųjų išteklių specialistų ir darbdavių, kurie samdo šiuos specialistus savo tikslams pasiekti. Susisteminus tris skirtingas perspektyvas, paaiškėjo, kad vienas kertinių įgūdžių, kurių labiausiai pasigendama, yra informacinių technologijų žinios.
Negana to, žmogiškųjų išteklių specialistai ne tik neužkardo „perdėto pasitikėjimo dirbtiniu intelektu“ problemos, bet ir dar labiau mažina į jį investuoto laiko atsiperkamumą. Straipsnyje „DI įgūdžių paklausa darbo rinkoje“ („The demand for AI skills in the labor market“), išspausdintame mokslo žurnale „Labour Economics“ (2021 m. rugpjūtis), mokslininkų grupė nagrinėja JAV darbo rinką. Remiantis jų duomenimis, darbo su dirbtiniu intelektu pozicijų 2010–2019 m. JAV padaugėjo daugiau nei 10 kartų – nuo 20,6 tūkst. iki 219,7 tūkstančio. O dirbtinio intelekto specialistų pasiūla nespėjo vytis taip sparčiai augančių rinkos poreikių – 2019 m. JAV buvo tik apie 30 tūkst. specialistų. Taigi paklausa apie 7 kartus viršijo pasiūlą. Galima daryti prielaidą: įmonės, norėdamos optimizuoti procesus dirbtiniu intelektu, samdė vis daugiau žmogiškųjų išteklių personalo tam, kad pritrauktų itin retus specialistus. Taip įmonės investavo pinigus į žmogiškųjų išteklių darbuotojus paslaugas, o šie investavo savąjį laiką, kad pritrauktų dirbtinio intelekto specialistus, tačiau efektyvumas siekė tik apytiksliai vieną septintąją. Neabejotinai tokia netiesioginė investicija į dirbtinį intelektą bendrame JAV rinkos darbo kontekste labai retai pasiteisindavo. Be to, tokia JAV darbo rinkos situacija su tam tikra paklaida regima ir viso pasaulio kontekste.
Specialistų išbalansavimas
Trečiąją socialinę problemą, susijusią su dirbtiniu intelektu, galima nesunkiai pamatyti didžiuosiuose akademinio ar industrinio darbo portaluose, pvz., academicpositions.com, jobs.ac.uk, indeed.co.uk. Nesvarbu, kurios konkrečios darbo srities skelbimus nagrinėtume, nemažoje dalyje egzistuoja reikalavimas turėti dirbtinio intelekto žinių pagrindus.
Tarkime, mus domina darbas garso mokslo srityje, kuri iš pirmo žvilgsnio niekaip nesisieja su dirbtiniu. Portale academicpositions.com įvedus į paiešką žodį „audio“, rodoma 12 skelbimų, tiesiogiai susijusių su garso mokslu. Net penkiuose paminėta, jog iš kandidatų tikimasi mašininio mokymo pagrindų (mašininis mokymas yra dirbtinio intelekto atšaka). Tad pretendentai į beveik pusę garso mokslo srities akademinių pozicijų, reklamuojamų academicpositions.com, turi būti susipažinę su dirbtiniu intelektu.
Įvairių sričių specialistai, matydami tokias darbo rinkos tendencijas, ima skirti nemažą laiko dalį dirbtinio intelekto kvalifikacijoms ir įgūdžiams įgyti. Kitaip tariant, specialistai elementariausiai ima tolti nuo savo specialybių. Žinoma, kai kuriais atvejais įgyta ir savo srityje pritaikyta tokia kvalifikacija leidžia žmonijai atrasti ir naudingų dalykų.
Beje, galima paminėti, kaip pritaikomas dirbtinis intelektas saugant privatumą garso įrašuose. Šiais laikais ne visi pastebi, kiek daug žmonių buityje naudoja savo balsą – kartais juo valdome mobilųjį telefoną ar kitą įrenginį, kartais savo balsą naudojame bankinėse sistemose, kad šios nustatytų mūsų tapatybę. Įmonės kartais naudojasi šiais garso įrašais ir renka duomenis apie žmones – iš jų galima nustatyti lytį, amžių ir dar keletą kitų duomenų. Dėl Europos Sąjungos 2016 m. išleisto Bendrojo duomenų apsaugos reglamento ypač padidėjo dėmesys šiai sričiai. Dabar įvairiose Europos šalyse skiriamas nemažas finansavimas moksliniams tyrimams, kad dirbtinis intelektas balso įrašuose „užmaskuotų“ visus šiuos duomenis ir taip apsaugotų žmogaus privatumą.
Visgi nemaža dalis bandymų įgyti dirbtinio intelekto kvalifikaciją baigiasi laiko švaistymu, nes dirbtinis intelektas yra gana sudėtinga, matematikos, statistikos, programavimo ir kitų įgūdžių reikalaujanti sritis.
Apibendrinimas
Dirbtinis intelektas tikrai gali būti naudingas konkrečiame projekte. Tačiau šis tekstas išskiria tris socialinius procesus, stipriai prisidedančius prie to, kad žmonijos investuojamas laikas į šią sritį paprasčiausiai neatsiperka. Visų pirma pernelyg pasitikima dirbtinio intelekto algoritmais, todėl žmogus ne iki galo įsigilina į jų prasmę. Tai ilgalaikėje perspektyvoje lemia didžiulę žmogaus lūkesčių algoritmams ir tikrojo galutinio rezultato neatitiktį, todėl drastiškai mažėja dirbtinio intelekto naudingumas. Antra, statistiškai didelis žmogiškųjų išteklių profesionalų kiekis, kurie turi reliatyviai menkus kompiuterinių technologijų įgūdžius, investuoja daugybę laiko ieškodami itin retų aukštos kvalifikacijos dirbtinio intelekto profesionalų, nors tokia investicija retai atsiperka. Galiausiai, nauja šių dienų darbo rinkos tendencija, kad darosi sudėtinga gauti gerai apmokamą darbą savo srityje neturint su dirbtiniu intelektu susijusių įgūdžių. Skatinami šios tendencijos žmonės tolsta nuo savųjų talentų ir sričių neefektyviai investuodami savo laiką į dirbtinio intelekto kvalifikaciją.
Andrius Romaška – akademikas, besidarbuojantis Europos universiteto institute, įsikūrusiame Florencijoje, Italijoje. Baigęs matematikos bakalauro bei kompiuterių muzikos magistro studijas pritaiko žinias inovatyvių technologinių sprendimų kūrimui akademiniame pasaulyje.