IBM Watson
Šobrīd viens no gudrākajiem pasaules superdatoriem ir IBM Watson. Mēs sakām viens no, jo neviens īsti nezina, kas ir pieejams militārajam sektoram. Šim IBM superdatoram ir sena un godpilna vēsture, īpaši uzsverot vēsturisku faktu: jau 1997. gadā – pirms astoņpadsmit gadiem! – vecākais superdators Deep Blue šaha spēlē uzvarēja pasaules lielmeistaru Gariju Kasparovu. Šis notikums pasaules vēsturē iezīmēja pagrieziena punktu un izraisīja neskaitāmas bažīgas diskusijas, uzsverot tematu Cilvēks pret mašīnu.
Tomēr mākslīgā intelekta strauja pašizaugsme un dumpis pret cilvēci nenotika, un dažādu Holivudas filmu prognozētie mākslīgā intelekta revolūcijas un cilvēces apokalipses scenāriji joprojām tiek uztverti nākotnes formā. Šahs ir loģiska, analītiska un matemātiska spēle, kas balstās uz spēju ātri izskaitļot visus iespējamos gājienus un izvēlēties stratēģiski pareizāko. Protams, mašīna to spēj nesalīdzināmi ātrāk, un mūsu spējas programmēt šādus uzdevumus vainagojās ar panākumiem jau 1997. gadā. Faktiski arī šodien superdators tiek izmantots liela datu apjoma analīzei, dažādu likumsakarību un iespējamo scenāriju atlasei un lēmumu
pieņemšanas asistēšanai.
Big data (angļu val. ‘lielie dati’) ir mūsu gadu desmita fenomens un uzdevums. Ar katru gadu arvien pieaug to datu apjoms, ko esam uzkrājuši, savstarpēji savienojuši un padarījuši pieejamu analīzei, kam ir nepieciešami ievērojami skaitļošanas resursi un jauna veida pieeja. 89 % ārvalstu lielo uzņēmumu līderu piekrīt apgalvojumam, ka lielie dati biznesā veiks tādu pašu revolūciju, kā savulaik ir panācis internets. Uzņēmumu Wikibon, IBM un Salesforce tirgus analītiķi prognozē lielo datu apstrādes un analīzes biznesam vismaz 17 % apgrozījuma pieaugumu gadā.
Bizness šajā gadījumā nav tikai datu apstrādē un likumsakarību atrašanā, bet gan t. s. predictive analytics (angļu val. ‘paredzošā analīze’), kad šo datu apstrādes rezultāti paredz nākotnes scenārijus. Lai šo izskaidrotu, ņemsim talkā piemēru, kas tiek realizēts ASV un ir saistīts ar iedzīvotāju drošību. Vienuviet nonāk un diennakts laika kontekstā tiek apstrādāti drošības kameru, satiksmes intensitātes, sabiedriskā transporta sarakstu, laikapstākļu u. c. dati. Sistēma, balstoties uz šiem un iepriekšakumulētajiem datiem, apvienojot tos ar datiem par noziedzīga rakstura gadījumiem adresēs, spēj visai precīzi paredzēt, kur un cikos ir lielāks huligānisma vai laupīšanas gadījumu risks, un preventīvi policijas patruļauto saņem norādījumus, kur kurā laikā būtu lietderīgāk atrasties, lai kādam nerastos kārdinājums. Šis piemērs ir saistīts ar patiešām ievērojama datu apjoma analīzi reāllaikā.
Cits piemērs ir saistīts ar medicīnu jeb, precīzāk, ar pacientu slimības diagnozi. Tradicionāli medicīnas speciālistu spēja noteikt pacienta diagnozi ir saistīta ar speciālista pieredzi un pacienta medicīnisko vēsturi. Tomēr ārsti nespēj ievērot visu informāciju par to, kur šis pacients ir dzīvojis iepriekš, ar kādiem putekļiem un slimībām ir saskāries, mainot dzīvesvietu, kurā rajonā un pilsētā ir bijis vairāk dažādu slimību gadījumu, radiācijas, izplūdes gāzu intensitātes, kā arī informāciju par klimata īpatnībām, pacientu ģenētiku un statistisku dzimuma un vecuma uzņēmību pret dažādiem baciļiem, saslimšanas varbūtībām un simtiem dažādu citu
Lielie datibiznesā veiks tādu pašu revolūciju,kā savulaik ir panācis internets
faktoru. Šo kā asistējošu funkciju uzņemas datu apstrādes datori, ārstam trūkstošo informāciju saņemot lēmuma pieņemšanā. Lēmumu un statistikas datu kopums, savukārt, ir nepieciešams valstij, pašvaldībām un visai medicīnas nozarei, lai veiktu preventīvas darbības un pieņemtu lēmumus par nākotnē nepieciešamajiem speciālistiem, investīcijām infrastruktūrā, medikamentu izpētē utt. Šādu risinājumu īstenotāji radīs miljardu biznesu.
Ir arī vienkāršāki piemēri, kur paredzošā analīze tiek veiksmīgi lietota, – vērtspapīru u. c. aktīvu tirgus, kur tiek analizēta vēsturiska tirgus reakcija koherentā skatījumā kopā ar ekonomikas, politikas un dažādu dabas katastrofu ziņām no visas pasaules, lai precīzi un sekundes tūkstošdaļās – ātrāk nekā pārējie tirgus dalībnieki – saņemtu prognozes un izpildītu lēmumus par vērtspapīru u. c. aktīvu pirkšanu un pārdošanu biržās.
Vai tas ir mākslīgais intelekts? Drīzāk gan attīstīta kreisā smadzeņu puslode, kompensējot cilvēka, organizāciju un dažādu valsts un pašvaldību institūciju analītisko darbu datu apstrādē jeb faktiski asistējot lēmumu pieņemšanā. Viena no mākslīgā intelekta atslēgas sastāvdaļām ir tā algoritmu spēja pašpilnveidoties. Šobrīd Watson u. c. līdzīgu superdatoru spēja vairāk ir saistīta ar to ātrumu un datu masu, ko tie spēj caurskatīt, atrodot likumsakarības
un prognozējot iespējamos iznākuma scenārijus, līdzīgi kā šaha spēlē – ātrāk un precīzāk par cilvēku. Savukārt zinātnieki izstrādā dažādus jaunus algoritmus, bet bizness – to lietojumu.
IBM šogad ir sniedzis iespēju ikvienam, kam ir pieejams interneta savienojums, reģistrēties Watson mājaslapā un saņemt saskarni datu ielādei, analīzei un sarunai ar superdatoru. Šis ir lielisks pārbaudījums biznesa vadītāju spējai, redzeslokam un ambīcijām. Raksta autors, piemēram, ielādēja tabulas ar viedā elektroenerģijas skaitītāja datiem pa dienām un āra temperatūras mērījumus, lai Watson pats atrastu un parādītu likumsakarības.
Latvijas biznesa vadītājam ir citi uzdevumi: jums ir pieejami dažādi apgrozījuma dati, atsevišķu produktu pārdošanas apjoms dažādos gadalaikos, klientu apkalpošanas kanālu caurlaidības un pieprasījuma dati. Ir pieejamas arī dažādas publiskas datubāzes, kaut vai tie paši pieminētie vēsturiskie laikapstākļu dati. Ko jūs vēlētos noskaidrot un paredzēt? Cik tālu sniedzas jūsu redzējums un iztēle? Ierakstiet meklētājā Watson Analytics un izmēģiniet paši!
Robotu attīstības nākotnes tendences
Nenoliedzami, dzinējspēka nozares ir industriālā ražošana un militārais segments, seko transporta un medicīnas industrija. Ir divi galvenie virzieni, kuros tiek attīstītas robotu spējas: pirmkārt, to apkārtējās vides uztvere un fiziskās prasmes; otrkārt, mākslīgais intelekts.
Vienas no interesantākajām izstrādēm tiek veiktas kolektīvā saprāta izveidē, attīstot nevis indivīda (tehnikas vienības) intelektu, bet to kopdarbu. Zinātnieki daudz mācās no klasiskiem kolektīvā saprāta modeļiem, kas ir pieejami dabā, – no bišu stropa vai skudrupūžņa, kur vienības nodod informāciju viena otrai, funkcionē bez individuāliem rīkojumiem un nepieņem individuālus lēmumus. Līdzīgi kā brētliņu bars, autonomu transportlīdzekļu vai lidojošu dronu kopums spēj koordinēt kolektīvas kustības un izpildīt nesalīdzināmi augstākas pakāpes uzdevumus nekā individuālas vienības, piemēram, droni, lidojot grupās, spēj pārkārtoties, lai apietu šķērsli, aizvietot viens otru vai kolektīvi veikt smagu priekšmetu transportu. Nesenā demonstrācijā tie, savstarpēji koordinējot darbības, spēja saskaņoti pārvietoties un tīklā, kas starp tiem izkārts, notvert gaisā mestus priekšmetus. Nākotnē šīs prasmes noderēs cilvēku glābšanā un priekšmetu, kas pārsniedz individuālu vienību nestspēju, pārvietošanā.
Savukārt autonomā transporta uzdevums ir veiksmīgi, bez sadursmēm un sastrēgumiem, savstarpēji koordinēti pārvietot ievērojamu pasažieru daudzumu bez kļūmēm, ko ikdienā pieļauj cilvēks, nestrādājot koordinēti un izraisot avārijas vai kavējot transporta plūsmas caurlaidību.
Militārais sektors ir aktualizējis risinājumu darbības koordinācijas jautājumu, vai šīm iekārtām ir jāstrādā decentralizēti vai tās ir vienlaikus jāvada no kāda galvenā datora, kas pārzinātu plašāku ainu kontekstā ar citiem vides sensoru datiem. Šis jautājums ir mūsu drošība. Sakaru pārtraukuma vai bloķēšanas gadījumā centralizēts vadības mehānisms nespēs funkcionēt un mēs paliksim ne tikai bez sakariem, bet arī ar nestrādājošu infrastruktūru. Nākotnes viedā pilsēta, kas reāllaikā adaptē savas transporta un enerģijas plūsmas, var tikt apdraudēta ievainojamu bezvadu sakaru frekvenču dēļ, karastāvokļa vai terorisma gadījumos.
Autonomais transports
Tehnoloģiju ziņās šodien varam lasīt par Google sasniegumiem autonomu automašīnu braucienos ikdienas satiksmē, bet pionieri ir japāņi vēl 1977. gadā. Tomēr par autonomā transporta attīstības sākumu mēs varam runāt, sākot ar 2004. gadu, kad norisinājās pirmās DARPA sacensības, kas notiek sarežģītā apvidū, kur ir gan ceļi, gan kalni, gan tuksneša pārbraucieni. Tajās piedalās universitātes sadarbībā ar auto ražotājiem. Šie auto ir modificēti klasiskas pilnpiedziņas auto modeļi, aprīkoti ar GPS iekārtu, datoriem, dažādiem sensoriem, kamerām un lāzera skeneriem. Mērķis – pilnībā autonomi, bez jebkādas cilvēka vadības līdzdalības, izbraukt iepriekšnoteiktu maršrutu.
Toreiz, 2004. gadā, neviens nesasniedza galamērķi un garākais brauciens, ko izdevās pievarēt, bija 11,8 kilometri, ko veica Kārnegī-Melona Universitātes pilnveidotais Humvee. Tālākā attīstība bija visai strauja, jo 2005. gadā krietni sarežģītākos apstākļos aptuveni 12 kilometru trasē vairāk nekā 20 auto konkurencē jau pieci auto sasniedza galamērķi, tomēr ātrākajam tam bija nepieciešamas gandrīz septiņas stundas.
2007. gadā tika organizētas pirmās sacensības Urban Challenge, kur tuksnešainu vidi bez citiem satiksmes dalībniekiem vai gājējiem nomaina pilsētvides apstākļi. Trases garums un uzdevums arī iespaidīgāki – 96 kilometri, kas ir jāpieveic mazāk nekā sešās stundās. Sacensību organizatori nenovērtēja straujo tehnoloģiju attīstību, un trīs no komandām – Kārnegī-Melona, Stenforda un Virdžīnijas Tehnoloģiju universitātes – uzdevumu paveica bez skrāpējuma un mazāk nekā četrarpus stundās.
Kopš 2007. gada notikumi ir attīstījušies strauji – un šodien jau ir valstis un pavalstis, kur ir sakārtota likumdošana, lai autonomais transports varētu piedalīties ielas satiksmē. Šīs pilsētas un pavalstis ir pionieri, kas attīsta savu nākotnes infrastruktūru, radot jaunas darba vietas nākotnes transporta biznesā, un saņem atgriezenisko saiti infrastruktūras attīstībai.
Papildus autonomām automašīnām, kuru dalība ikdienas satiksmē ir tehnoloģiski sarežģīts uzdevums, mums jau ir pieejami autonomi individuālā transporta risinājumi lidostās, transportējot pasažierus starp termināļiem, dažādas dzelzceļa līnijas, kur tehnikas vienības kursē bez mašīnista, un avionozare, kas ir motivēta ievērojami attīstīt autopilota risinājumus, lai arī aviopārvadājumi noritētu bez pilota līdzdalības. Cilvēki mēdz kļūdīties, piloti – streikot, operāciju izmaksas ir jāsamazina, tādēļ neatkarīgi no mūsu uzticības šādiem risinājumiem tie tiks ieviesti un parādīsies ikdienas satiksmē ātrāk, nekā mēs spējam iedomāties.
