“Umjetna inteligencija, što mislite, što je to?” Radila sam anketu za jednu radijsku emisiju prije nekog vremena na Trgu bana Jelačića, postavljajući ovo pitanje slučajnim prolaznicima. “Umjetna inteligencija, to su oni političari koji prepisuju diplomske radove”, glasio je jedan od odgovora (imena nećemo spominjati). Umjetna inteligencija (AI) je dosta širok pojam koji se može interpretirati na mnoštvo načina, no u IT branši ipak poprima konkretnije značenje, što smo mogli i doznati u razgovoru s osnivačima i zaposlenicima firmi koje se bave AI-jem, odnosno najčešće granom strojnog učenja.
I njima nekad zasmetaju paušalni i netočni opisi struke na oglasima za posao te vrlo oprezno barataju terminologijom. A osim što smo doznali kako oni doživljavaju i opisuju AI, pitali smo ih kojom granom tog područja se bave te kakvu konkretnu ulogu ova disciplina zauzima u njihovu proizvodu.
Microblink
Računalni vid i strojno učenje područja su po kojima je domaća firma MicroBlink poznata kao jedan od globalnih lidera, s time da je računalni vid bio okosnica njihova proizvoda od početka, tj. Računi.hr startupa, a naknadno su se počeli baviti strojnim učenjem. Jurica Cerovec, direktor tehnologije i suosnivač MicroBlinka, naglašava da se nisu počeli baviti strojnim učenjem zato što je to “fora”, nego zato što daje najbolje rezultate u području skeniranja osobnih dokumenata. A jedan od njihovih proizvoda, Blink ID, bavi se upravo skeniranjem osobnih dokumenata preko kamere mobitela.
Provjera autentičnosti osobnih dokumenata i detekcija prijevara trenutačno je jedan od najvećih izazova s kojima se Microblinkov tim susreće u razvoju svog Blink ID proizvoda, s kojim se pomoću kamere mobitela može skenirati osobni dokument
“Najbolji user experience (UX) za krajnjeg korisnika je ako imamo metode koje brzo i točno mogu vratiti točan tekst koji piše na osobnom dokumentu. Možemo i vrlo točno na slici pronaći gdje se dokument nalazi, čak i ako je udaljen ili nije dobro pozicioniran”, Cerovec navodi neke od primjera kako im strojno učenje pomaže u razvoju proizvoda. Dodaje da im ova tehnologija pomaže i u klasifikaciji dokumenata, odnosno prepoznavanju toga pokušava li korisnik skenirati hrvatski, kineski ili američki dokument.
Jurica Cerovec, direktor tehnologije i suosnivač MicroBlinka, ističe Appleov Face ID kao dobar primjer iz industrije koji bitno može smanjiti mogućnost “fejkanja” i prijevare sustava
Cerovec smatra da MicroBlink na globalnom tržištu izdvaja to što imaju kompletno razvijenu infrastrukturu za razvoj modela strojnog učenja. Prvo, tu je tim od deset stručnjaka za machine learning research koji vodi Matija Ilijaš. Zatim, tu je cijela infrastruktura za obradu podataka na kojoj su radili posljednje tri godine, a koja im omogućuje obradu podataka, brzo označavanje, evaluaciju modela i sve što je potrebno da bi research engineer tim mogao raditi. I na kraju, imaju poseban tim koji se bavi označavanjem podataka, odnosno 35 ljudi koji prepravljaju greške modela strojnog učenja te tako čuvaju leđa machine learning research timu.
Ilijaš kaže da se većina toga što se danas svodi na pojam umjetne inteligencije zapravo odnosi na modele nadziranog učenja. “U našem slučaju, ako želite razviti model koji čita tekst, mi ćemo modelu dati velike količine slika na kojima je označen tekst i on će u najboljem slučaju moći prepoznati taj tekst jednako dobro kao osoba koja ga je označavala. Taj se model neće moći osamostaliti i preuzeti kontrolu nad nekim drugim procesom unutar aplikacije”, opisuje Ilijaš. Što više podataka firma ima, to će rezultati biti bolji.
Matija Ilijaš, voditelj research engineer tima u MicroBlinku, kaže da smo učinili veliki korak u razvijanju tzv. “slabe” umjetne inteligencije. Pritom slabu umjetnu inteligenciju karakterizira kao proces u kojem ljudi daju zadatak računalu, a “jaku” umjetnu inteligenciju kao sustav koji odrađuje zadani posao, a usto ima razinu slobode da bude kreativan i radi stvari na svoju ruku
Budući da konkretno rade na proizvodu za prepoznavanje i skeniranje osobnih dokumenata, suočavaju se s izazovom prijevare detekcije lica i ostalih informacija. Jedna od tehnika kojima se to želi postići zove se “deepfakes”, a Cerovec ističe da ona nameće probleme ne samo u pogledu njihovih proizvoda, nego u mnogo širem kontekstu, poput potencijalnog generiranja “fake newsa”. Cerovec kaže da su dobili projekt od Europske unije, sa zadatkom identificiranja lažnih osobnih dokumenata, i da je jedan od načina na koji rješavaju taj problem to što se stavljaju u poziciju maliciozne osobe koja pokušava prevariti sustav.
Ilijaš smatra da je to, iz aspekta strojnog učenja, postalo problem “kokoši i jajeta” te napominje da danas postoje modeli strojnog učenja koji generiraju te lažne slike, modele koji trebaju raspoznati te lažne slike te modele koji istovremeno rade i jedno i drugo. “Nama neuronske mreže već sada generiraju umjetne setove podataka koje mi koristimo za učenje i jako je zanimljivo vidjeti koliko ti dokumenti mogu izgledati realno”, kaže Ilijaš, dodavši da će u budućnosti sve veći problem predstavljati razlikovanje stvarnih od lažnih datoteka.
Umjetna inteligencija zvuči “fancy”, kažu iz MicroBlinka, ali je tu još uvijek mnogo ručnog rada i kodiranja. Od alata za razvoj modela nezaobilazan je TensorFlow, koji su dodatno customizirali vlastitim slojem koda, a koji im služi za specijaliziranu organizaciju te lakše kontroliranje i testiranje modela
Što se tiče razvoja nekog AI sustava koji bi bio dovoljno inteligentan da hakira zaštitu drugog AI obrambenog modela, Ilijaš kaže da je taj scenarij danas vrlo malo vjerojatan jer je potrebno mnogo više resursa da bi se razvio takav sustav, a oba su sugovornika istaknula da je pomalo zastrašujuća količina podataka koje o nama skupljaju velike kompanije i da su koncepti “fairnessa”, “interpretabilityja” i “democratizationa” danas vrlo konkretni problemi u sferi umjetne inteligencije.
Agrivi
Softverski poljoprivredni alat Agrivi koji pomaže poljoprivrednicima, između ostalog, optimizirati proizvodnju korištenjem preporučenih praksi uzgoja, udružio se s Fakultetom elektrotehnike i računarstva (FER) u sklopu projekta “Povećanje produktivnosti uzgoja krumpira uz pomoć algoritama strojnog učenja” da razvije Agrivi Smart, tj. samoučeći algoritam za upravljanje procesom uzgoja voća, povrća i žitarica.
Agrivi Smart: Cilj ovog projekta je, kako kaže Gebaei, napraviti rješenje koje će poljoprivrednicima pomoći u donošenju odluka. Trivijalno rečeno, uz Agrivi Smart svatko će se moći krenuti baviti poljoprivrednom proizvodnjom, čak i bez prethodnog poznavanja ikakvih praksi uzgoja neke kulture.
Direktor tehnologije (CTO) u Agriviju Darko Gebaei kaže da su u jednom trenu shvatili da njihov alat generira jako puno podataka - što samim unosom podataka i evidencijom aktivnosti poljoprivrednika, što s raznih senzora na vremenskim stanicama, koje postaju sve prisutnije u poljoprivredi. “Shvatili smo da je poljoprivredniku teško prožeti informacije iz mnoštva podataka i izvora te dobiti sliku što se s njegovom proizvodnjom događa, koji su ključni faktori koji utječu na profitabilnost njegove proizvodnje te kako on u svemu tome može izvući maksimum”, objašnjava Gebaei.
O ideji za algoritam počeli su razmišljati i razgovarati s kolegama na FER-u prije dvije godine, a nakon što su dobili potporu Operativnog programa “Konkurentnost i kohezija” Europskog strukturnog i investicijskog fonda (ESI fondovi) Europske unije (EU), počeli su zajedno i surađivati na trogodišnjem projektu. Suradnja se sastoji od toga da, s jedne strane, Agrivi uz pomoć agronoma opskrbljuje FER konkretnim znanjima vezanima za poljoprivredne procese, dok zaposlenici FER-a uzimaju te informacije kako bi razvili najbolji mogući model strojnog učenja.
Darko Gebaei, direktor tehnologije u Agriviju, kaže da su u razgovoru s velikim proizvođačima doznali da ulaganje u ovakve tehnologije štedi i do 70% godišnje
U tu svrhu koriste se Bayesovim mrežama da naprave model koji bi se kasnije mogao unaprijediti drugim metodama poput reinforcement learninga ili dubokih neuronskih mreža. “Ekspertna znanja agronoma već postoje te se ona a priori mogu ugraditi u model Bayesove mreže. Koristeći ta znanja i dostupne podatke, korisnici mogu dobiti kvalitetne preporuke. Kako će ta baza znanja rasti, to će model biti bolji”, objašnjava Fredi Šarić s FER-a zašto su se odlučili upravo za ovaj model. Za sada testiraju sustav u suradnji s desetak poljoprivrednika iz Hrvatske na čija polja će postaviti vremenske stanice, prikupljati podatke s istih te pratiti njihove unose što se tiče potrošnje pesticida i ostalih parametara.
Fredi Šarić s FER-a kaže da istrenirani model može davati dobre predikcije bez potrebe za ekspertom (agronomom) u stvarnom vremenu i bez potrebe za skupom opremom.
Krajnji cilj svega je napraviti sustav koji će korisniku predlagati najbolje prakse uzgoja voća, povrća i žitarica, tako da se i ljudi koji nemaju puno znanja u domeni poljoprivrede ili agronomije mogu logirati u sustav i od sutra početi, primjerice, s uzgojem oraha. “Općenito, cilj AI-ja i strojnog učenja je optimizirati proizvodne procese, uštedjeti vrijeme i financijske troškove, sve se radi u svrhu toga”, kaže Tomislav Kovačević s FER-a.
Gebaei dodaje da danas u poljoprivredi sve popularniji postaju savjetnici, odnosno eksperti, najčešće agronomi, koji poljoprivrednicima pomažu u donošenju odluka. “Ono što mi možemo napraviti s ovim produktom jest potpuno digitalizirati taj dio i ponuditi jednu kompletno novu digitalnu uslugu cijelom spektru poljoprivrednih proizvođača”, naglašava Gebaei.
ReversingLabs
“Trenutni trend u industriji je da ljudi pokušavaju naći rješenje s umjetnom inteligencijom koje može zamijeniti dosadašnja rješenja. Mi imamo malo drugačiji pristup po tome pitanju. Mi koristimo umjetnu inteligenciju kako bismo proširili dosadašnja rješenja”, kaže nam Fran Jurišić, voditelj odjela za data science u ReversingLabsu, firmi koja se bavi prikupljanjem i analizom digitalnih datoteka u svrhu traženja računalnih virusa. Jurišić tu napominje da se ne radi o antivirusnoj kompaniji, nego tvrtki koja se bavi dubinskom analizom malware datoteka.
Reinforcement learning jedna je od najuzbudljivijih grana AI-ja, slažu se stručnjaci iz ReversingLabsa (na slici, slijeva na desno dr. sc. Toni Gržinić, Fran Jurišić i Filip Čulinović)
“Nas zanima sve što možemo saznati o nečemu. S druge strane, želimo prikupiti što više toga, da vidimo trendove u cijelim skupovima podataka”, opisuje svoj posao Jurišić. Modeli strojnog učenja za statičku analizu u njihovim proizvodima donose odluke o naravi i svojstvima datoteka koje nije izvedivo raspoznavati izravnijim pristupom ili pak služe kao komplementarni sustavi drugima.
Oni izvlače podatke poput toga želi li neka potencijalno maliciozna datoteka komunicirati preko interneta, pokušava li izmijeniti sistemske datoteke ili pak kriptirati datoteke na računalu. “Na primjer, jedan od bitnih ciljeva prilikom analize teksta je prepoznati skripte koje uvijek svojim izvršavanjem predstavljaju rizik. Dio skripti se može prepoznati po tipičnom formatu, ali za količinu i raspon podataka koje primamo to obično nije dovoljno, čak i ne uzimajući u obzir da se maliciozne skripte često nastoje prikriti,” kaže Jurišić.
Fran Jurišić, voditelj odjela za data science u ReversingLabsu kaže da se danas AI najviše koristi za donošenje određenih odluka
Uz pomoć AI-ja, inženjeri u ReversingLabsu mogu provući ogromne količine podataka te pritom vrlo dobro prepoznati računalne viruse na način koji je komplementaran tradicionalnim metodama. Usto, ono im omogućuje jedan drugačiji pogled na problem, što im posljedično daje potpuniju sliku. AI štedi ogromne količine vremena analitičarima, no istovremeno im omogućava da prošire količine svojstava koje vade iz datoteka te da pronađu neka nova svojstva s kojima se dotad nisu susreli.
“S jedne strane poboljšavamo rad naše umjetne inteligencije, s druge strane povećavamo količinu informacija koju naši analitičari dobivaju za ručnu analizu, koja je i dalje neizbježna za potpunu sigurnost”, rekao nam je Jurišić, koji ne smatra da će AI tako skoro zamijeniti čovjeka.
Za najteže probleme još uvijek će se tražiti pomoć vrhunskih stručnjaka
Nadalje, Jurišić nas je uvjerio kako smo daleko od nekog potencijalnog apokaliptičnog scenarija gdje bi “negativci” stvorili AI koji napada drugi obrambeni AI sustav. Jurišić ističe i da analitičari trebaju dosta pomoći svojim modelima strojnog učenja da bolje procesuiraju informacije, a da “negativci” imaju pristup puno manje resursa da naprave tako nešto. “Ako govorimo o negativcima u malo široj slici, najčešće će AI koristiti za social engineering, za izvlačenje podataka kad se napada osoba”, Jurišić upozorava.
Interne reprezentacije neuronskih mreža: Jurišić kaže da još uvijek ne razumijemo 100% što rade neuronske mreže, pa mu je stoga vrlo zanimljivo područje i razvoj internih reprezentacija neuronskih mreža koja bi im omogućila da se pobliže upoznaju sa svojstvima podataka s kojima rade. “U našem kontekstu bi to bilo možemo li saznati jesu li nekakvi različiti malwarei ustvari slični”, rekao nam je Jurišić
Što se tiče alata, u ReversingLabsu za razvoj koriste TensorFlow i Keras za učenje modela, Jupyter Notebook za eksplorativni rad te PySpark za obradu podataka i ELK za vizualizaciju i kontinuirano praćenje rada modela. Jurišić smatra da AI ide polako prema zreloj fazi, što znači stvaranje okvira, procesa i alata za razvoj proizvoda sličnih onima u razvoju softvera. “Automatizacija, testiranje i verzioniranje su sve naslijeđene potrebe dodatno uvećane izmjenama skupa podataka i odabirom modela. Sa strane istraživanja, mislim da će nam rad na razumijevanju internih reprezentacija podataka u neuronskim mrežama otkriti nove uvide u svojstva velikih skupova podataka,” ističe Jurišić.
Rimac Automobili
Autonomna vožnja svakako je jedan od najvećih “buzzwordova” u polju umjetne inteligencije, pa zato nimalo ne čudi što su se Rimac Automobili također uhvatili u koštac s njom. “Pokrivamo gotovo sve aspekte AI-ja jer moramo razumjeti okoliš, procijeniti situacije i donijeti ispravne odluke. Stoga radimo s: logičkim AI-jem, prepoznavanjem uzoraka, reprezentacijom, zaključkom (inferencijom), zdravim smislom i rezoniranjem, učenjem iz iskustva, planiranja i heuristike”, rekao nam je Sacha Vražić, voditelj odjela za autonomnu vožnju u Rimac Automobilima.
Snimanje i bilježenje: Ovaj je automobil opremljen hrpom senzora i superračunalom koji prikupljaju veliku količinu podataka potrebnu za razvoj sustava autonomne vožnje
Cilj im je napraviti AI trenera koji poučava vozača kako voziti pri vrlo visokim brzinama, kako driftati i, općenito, pratiti napredak. U slučaju neočekivane putanje vozila, previsoke brzine za određenu situaciju ili da vozač izgubi pozornost, AI sustav je dizajniran da odmah podupre vozača korigiranjem upravljača i/ili kočenja dok vozilo ostaje stabilno čak i pri visokoj brzini. Rimac Automobili baziraju svoj AI sustav na četiri glavna područja: razumijevanju percepcije i scena, lokalizaciji i mapiranju, planiranju kretanja te nadgledanju vozača. Svi su ti sustavi međusobno povezani.
Sacha Vražić: voditelj odjela za autonomnu vožnju u Rimac Automobilima, kaže da se područjem umjetne inteligencije u firmi bave dvije godine, no da njihov tim ima više od 10 godina iskustva u tom polju
“Primjerice, u percepciji, cilj nije samo otkrivanje objekata / prepreka, već i razumijevanje situacije, uključujući razinu opasnosti, što znači kako ti objekti djeluju i predviđaju njihovo buduće ponašanje. To je duboko povezano s planiranjem gibanja, gdje je percepcija ograničena na vidljivost senzora, potrebno je planirati putanju vozila, izbjegavati prepreke i opasnosti, potrebno je znati što će se dogoditi za nekoliko sekundi”, objašnjava Vražić.
Mate Rimac: direktor i osnivač Rimac Automobila, misli da autonomna vozila imaju mogućnost spasiti na tisuće života
Dakako, uz autonomnu vožnju vežu se mnoge bojazni i etičke dileme. Je li ona dovoljno sigurna, tko će biti odgovoran u slučaju nesreće, što ako ih netko hakira?
Osim u automobilskoj industriji, Vražić predviđa da će AI biti prisutan na područjima poput komunikacije, bankarstva, transporta, medicine, obrazovanja, proizvodnje i drugih.
Tim za autonomnu vožnju Rimac automobila
Mate Rimac, direktor i osnivač Rimac Automobila, kojeg smo inače intervjuirali za našu temu o Epic F*ckups, smatra da na moralne dileme vezane uz autonomnu vožnju treba odgovoriti, ali je također naglasio da će autonomni automobili budućnosti, zahvaljujući raznim senzorima i kamerama, sigurno puno bolje vidjeti prostor ispred i oko sebe (u 360 stupnjeva), nikad neće biti ometani ili pijani te da imaju mogućnost spasiti tisuće života.
Trakbar
Igor Švehla, direktor i suosnivač Trakbara, od malena je bio okružen ugostiteljskim biznisom, kojim se bavi većina njegove obitelji i prijatelja. Kad je bio nešto mlađi, prisjeća se Švehla, popravljao im je računala i uklanjao viruse, ali ga je zanimalo može li im pomoći i više od toga. Da stvar bude “zeznutija”, Švehlina mlađa sestra, koja vodi lokal, nikad ga nije htjela slušati, pa joj je osobno želio dokazati da njegov softver može biti “pametniji” od njezina iskustva. Zato je napravio sustav koji predviđa promet i prodaju ugostitelja, pritom analizirajući trendove u poslovanju.
Pametno predviđanje nestašice piva: Trakbar je dizajniran da, između ostalog, upozori ugostitelje da naruče veću količinu alkohola za vikend tijekom kojeg se održava utakmica lokalnog nogometnog kluba te ih dodatno uputi da to naprave ranije, primjerice u srijedu navečer, kako bi se opskrbili dovoljnom količinom zaliha od dobavljača
Trakbar za svakog ugostitelja radi posebni model predikcija koji skuplja podatke s različitih strana, poput postojećih podataka iz lokala, osviješten je o važnim događajima (utakmice, koncerti, praznici) u blizini lokala te prati cjelokupno stanje i trendove na tržištu. Podaci su strogo anonimizirani i Trakbar ne čuva ni imena zaposlenika, nego samo šifru pod kojom se vode, no svejedno ugostiteljima daje informacije poput toga koliko je određeni lokal generalno uspješan u odnosu na druge lokale iz kvarta.
Švehla ističe da usto imaju feature pametnih prijedloga narudžbe, koji ugostitelju preporučuje kad i koje zalihe pića treba obnoviti, ne samo u odnosu na stanje “na lageru”, već s obzirom na sezonu ili nadolazeće događaje.
Igor Švehla, direktor i suosnivač Trakbara, radi na ovom sustavu već tri godine, a prvu instalaciju je odradio u sestrinom lokalu
Švehla objašnjava da AI sustav u pozadini samostalno uči i prilagođava se lokalu na temelju ulaznih podataka. “Cilj nam je da omogućimo svim ugostiteljima, čak i onima koji nisu toliko kompjuterski pismeni, da se samostalno mogu uključiti u sustav, odabrati softver koji koriste u redovnom poslovanju, a mi ćemo napraviti sve ostalo”, ukratko opisuje Švehla. Ciljani korisnici su im mali i srednji ugostitelji koji si ne mogu priuštiti vlastiti data science tim, ali bi željeli poboljšati promet.
Cijena mjesečne pretplate u većini europskih zemalja je 50 eura, a trenutno Trakbar koristi 200 lokala. Za razvoj softvera koriste Python i scikit-learn, a polagano se kreću prema Tensorflowu, Hadoopu i neuronskim mrežama. U sljedećih godinu-dvije planiraju napraviti neuronsku mrežu koja bi im davala točnije podatke te pokušala dokučiti kauzalnost između podataka.
