Preuzeto sa: www.iso.org

Iako ne uvijek na očit način, vještačka inteligencija je posljednjih godina ušla u svakodnevni život miliona ljudi. Virtuelni asistenti, kao što su Siri i Aleksa, savršeni su primjeri kako vještačka inteligencija može pomoći ljudima na više načina, ako ništa drugo, onda da bi život učinila praktičnijim.

Međutim, s dolaskom generativne vještačke inteligencije, kao što je ChatGPT, njenom nevjerovatnom sposobnošću da imitira ljudsku reakciju i lakoćom pristupa s bilo kojeg računara povezanog na Internet, koncepti mašinskog učenja i etike su se iznenada pomjerili u prvi plan diskusija. Zaista, novi koncepti kao što su duboko učenje, NLP (obrada prirodnog jezika) i neuronske mreže se uvlače u svakodnevne profesionalne razgovore, pa čak i privatne diskusije.

Za one koji nisu dobro upoznati s računarima nije se lako nositi s višestrukim aspektima vještačke inteligencije i njihovim implikacijama. Također, ovaj članak ima za cilj da demistifikuje vještačku inteligenciju pokušavajući objasniti kako ona funkcioniše i razotkriti razlike između mašinskog učenja, dubokog učenja, obrade prirodnog jezika i drugih povezanih koncepata.

Sadržaj

·         Razumjeti osnove: šta je veštačka inteligencija?

·         Izgradnja odgovorne vještačke inteligencije

·         Šta je mašinsko učenje?

·         Šta je duboko učenje?

·         Šta je obrada prirodnog jezika?

·         Šta su neuronske mreže i kako one funkcionišu?

·         Šta je sistem upravljanja AI-jem?

·         Standardi i vještačka inteligencija

Razumjeti osnove: šta je vještačka inteligencija?

U suštini, AI se odnosi na sposobnost mašine ili računarskog sistema da obavlja zadatke koji obično zahtijevaju intervenciju ljudske inteligencije. Ova tehnologija se oslanja na sisteme programiranja za analizu podataka, učenje iz iskustva i donošenje inteligentnih odluka, a sve na osnovu informacija dobijenih od ljudi. Najpoznatiji oblik vještačke inteligencije je virtuelni asistent, kao što su Siri ili Aleksa, ali ova tehnologija se može višestruko upotrebljavati.

Zaista, vještačka inteligencija ima potencijal da napravi pravu revoluciju u različitim industrijama tako što će omogućiti mašinama da rješavaju složene probleme i intuitivno razmišljaju, i tako prevaziđu prostu automatizaciju. Ove aplikacije koriste različite poddomene i tehnologije, kao što su mašinsko učenje i obrada prirodnog jezika.

Za više informacija o ovoj temi pogledajte ISO kompletan vodič o tome šta je vještačka inteligencija.

Izgradnja odgovorne vještačke inteligencije

Sposobna da sintetiše, analizira i donosi odluke na osnovu ogromnih količina podataka koje se dobijaju u nekoliko sekundi, vještačka inteligencija je izuzetno moćno sredstvo. Kao i kod svake moćne tehnologije, od ključne važnosti je da budemo u mogućnosti da je odgovorno primijenimo kako bismo na najbolji mogući način iskoristili njen potencijal, a smanjili negativne efekte. 

Na primjer, ako je vještačka inteligencija trenirana na osnovu neprovjerenih podataka, ona može reproducirati rezultate sa štetnim predrasudama u pogledu etničkog porijekla, religije ili čak ljudskih karakteristika. Takva praksa se može pokazati katastrofalnom ako se vještačka inteligencija primjenjuje u oblastima koje su usmjerene na ljude, kao što su zdravlje, zapošljavanje ili čak zakoni.

Još jedno etičko pitanje vezano za AI odnosi se na poštovanje privatnosti. S obzirom na to da sistemi vještačke inteligencije prikupljaju ogromne količine podataka iz baza podataka širom svijeta, neophodno je osigurati da se ti lični podaci zaštite i koriste na odgovoran način. Na primjer, tehnologije za prepoznavanje lica, koje se često upotrebljavaju u sigurnosnim sistemima ili na društvenim platformama, postavljaju pitanja u pogledu saglasnosti o dijeljenju ličnih podataka i njihovoj potencijalnoj zloupotrebi.

Da bi se omogućio siguran i pouzdan tehnološki napredak zasnovan na etici neophodno je osigurati odgovoran razvoj vještačke inteligencije. Ali kako da razumijemo principe transparentnosti i objašnjivosti u kontekstu odgovorne vještačke inteligencije? Više o tim principima možete pročitati u ISO članku o izgradnji odgovorne vještačke inteligencije.

Šta je mašinsko učenje?

U suštini, mašinsko učenje se odnosi na sposobnost računarskog sistema da uči iz podataka, a da za to nije eksplicitno programiran. Dobar primjer ove vrste učenja je filtriranje neželjene pošte odnosno spama u e-mailovima. Otkrivanjem sličnosti obrazaca u neželjenim porukama, platforme za e-mailove mogu naučiti da razlikuju korisne poruke od onih koje treba isključiti iz vašeg inboksa. 

Dakle, kako mašinsko učenje funkcioniše? Sve počinje s podacima. I to podacima u velikim količinama. Algoritmi mašinskog učenja se treniraju uz pomoć ogromnih skupova podataka koje mašina uči analizirati da bi identifikovala obrasce, odnose i trendove. Ovi obrasci se zatim mogu koristiti za predviđanje ili donošenje odluka na osnovu novih ili ranije neviđenih podataka.

Mašinsko učenje ima ogromne prednosti i primjene u našem svakodnevnom životu. Sve što treba da znate o ovoj temi možete pročitati u ISO članku „Šta je mašinsko učenje?”.

Šta je duboko učenje?

Duboko učenje i mašinsko učenje su dva koncepta koji se ponekad koriste naizmjenično, ali razlika ipak postoji.

Duboko učenje je poseban tip mašinskog učenja. Duboko učenje može analizirati više različitih vrsta informacija i izvoditi složenije operacije. Proces koji stoji iza ove tehnologije inspirisan je strukturom i funkcionisanjem ljudskog mozga, konkretno načinom na koji su neuroni međusobno povezani i kako rade na procesuiranju informacija. Na taj način iz podataka dobijamo nijansiranija i preciznija predviđanja.

Na primjer, kroz osnovno mašinsko učenje računar može naučiti da na slikama prepoznaje ptice. Trenirana na slikama koje prikazuju ptice i druge životinje ili objekte, mašina uči da razlikuje ove elemente tako što je izložena karakteristikama specifičnim za ptice, kao što su krila ili kljunovi.

Duboko učenje ide i korak dalje s ovim procesom. Ostanimo na primjeru ptica. Duboko učenje može naučiti prepoznati mnogo više od osnovnih karakteristika ptica, uključujući složenije detalje kao što su tipovi perja, što omogućava tehnologiji da bude još preciznija u identifikaciji ptica, ili čak da može, na primjer, razlikovati orla i goluba.

Da biste saznali više o dubokom učenju i njegovoj primjeni pročitajte ISO članak o tome šta je duboko učenje.

Šta je obrada prirodnog jezika?

Obrada prirodnog jezika (Natural Language Processing ‒ NLP) je disciplina vještačke inteligencije koja se fokusira na to da omogući računaru da razumije ljudski jezik i da ga koristi.

NLP obuhvata širok spektar tehnologija koje omogućavaju računarima da razumiju strukturu i značenje ljudskog jezika. To uključuje zadatke poput prepoznavanja govora, razumijevanja prirodnog jezika i generisanja prirodnog jezika.

Analizom i tumačenjem jezika, NLP omogućava računarima da izvuku korisne informacije, odgovore na pitanja i vode diskusije. Na primjer, virtuelni asistenti poput Alekse mogu razumjeti i pružiti informacije o temperaturi napolju, naslovnim vijestima ili prosječnoj težini orke.

Želite saznati više o ovoj temi? Pročitajte ISO članak o tome šta je obrada prirodnog jezika i njena primjena.

Šta su neuronske mreže i kako one funkcionišu?

Zamislite ljudski mozak: mrežu od milijardi neurona koji primaju informacije iz vanjskog svijeta, koje potom šalju u druge dijelove mozga, formirajući značenje na osnovu prošlih iskustava i generišući reakciju kao odgovor.

Vještačke neuronske mreže su matematički modeli koji omogućavaju duboko učenje. U suštini, oni su imitacija ljudskog mozga. Sastoje se od slojeva međusobno povezanih čvorova – koji se nazivaju vještački neuroni ili perceptroni ‒ pri čemu svaki vještački neuron prima ulazne informacije, vrši izračunavanja i generiše izlaz odnosno rezultat. Ti izlazni rezultati se zatim prosljeđuju sljedećem sloju perceptrona, stvarajući hijerarhijsku strukturu.

Snaga neuronskih mreža leži u njihovoj sposobnosti da uče i prepoznaju obrasce među mnoštvom podataka. Da biste saznali više o neuronskim mrežama i kako one funkcionišu pogledajte ISO članak „Šta su neuronske mreže?”.

Šta je sistem upravljanja vještačkom inteligencijom?

Sistem upravljanja vještačkom inteligencijom funkcioniše kao mozak koji orkestrira to kako organizacija upravlja svojim AI projektima. Sve se svodi na pravila koja treba uspostaviti i metode koje treba slijediti kako bi se osigurala odgovorna i efikasna upotreba vještačke inteligencije. Takav sistem pomaže da se omogući cjelokupno upravljanje, od procjene rizika do implementacije AI-ja, na odgovoran način.

Može se posmatrati i kao putokaz koji treba pratiti kako bi se osigurala razumna upotreba AI-ja s obzirom na razvoj ove tehnologije. Okvir za upravljanje vještačkom inteligencijom pruža strukturiran način upravljanja rizicima i mogućnostima povezanim s vještačkom inteligencijom. On pokriva ključne aspekte, kao što su transparentnost, objašnjivost i autonomija, i pruža organizacijama jasne smjernice o tome kako da koriste vještačku inteligenciju dok se prilagođavaju promjenljivim propisima (npr. Evropska uredba o vještačkoj inteligenciji).

Odgovornim upravljanjem i nadzorom vještačka inteligencija može ostvariti puni potencijal zahvaljujući svom pozitivnom tehnološkom napretku.

Da biste saznali više o ovoj temi pogledajte ISO članak „Šta je sistem upravljanja vještačkom inteligencijom?”.

Standardi i vještačka inteligencija

ISO-ova misija je da izradi globalno priznate standarde u različitim industrijama, a ni AI nije izuzetak.

Međunarodni standardi za vještačku inteligenciju pružaju okvir za vođenje odgovorne i etičke upotrebe AI tehnologija. Ti standardi pokrivaju oblasti kao što su privatnost, pristrasnost, transparentnost i odgovornost. Pridržavajući se tih standarda, organizacije mogu raditi na tome da osiguraju da njihovi sistemi vještačke inteligencije budu pravedni, transparentni i da poštuju etičke principe.

Jedan od primjera međunarodnog standarda u oblasti vještačke inteligencije je ISO/IEC 23894, koji se fokusira na upravljanje rizikom u sistemima vještačke inteligencije. Ovaj standard ima za cilj da osigura da su AI algoritmi i modeli razumljivi i da se mogu revidirati u pogledu pristrasnosti i pravičnosti, čime se gradi povjerenje u sisteme vještačke inteligencije.

ISO/IEC 42001, Sistemi upravljanja vještačkom inteligencijom

ISO/IEC 23894, AI – Uputstvo za upravljanje rizikom

ISO/IEC 23053^[1], Okvir za AI sisteme koji koriste ML

ISO standardi se također bave pitanjima koja se odnose na interoperabilnost i kompatibilnost sistema vještačke inteligencije te omogućavaju da AI tehnologije nesmetano zajedno rade i efikasno razmjenjuju podatke. To je posebno važno s obzirom na to da se vještačka inteligencija sve više integriše u različite industrije i aplikacije.

S obzirom na to da se razvoj i usvajanje vještačke inteligencije i dalje ubrzava, izrada rigoroznih standarda će biti ključna kako bi se omogućilo da vještačka inteligencija postane tehnologija koja će se zauvijek koristiti.