Současnost i budoucnost
Umělá inteligence je již dnes nedílnou součástí mnoha aplikací. Výzkumníci a vývojáři v současné době intenzivně pracují na ještě lepším využití základních modelů.
Je umělá inteligence (AI) technologií vzdálené budoucnosti? Odpověď zní ano i ne. Ne, protože aplikace umělé inteligence se již dávno staly součástí našeho každodenního života. Vezměme si například rozpoznávání obličeje, které mnoho lidí používá k odemykání svých chytrých telefonů. Nebo překladatelské služby, které jsou dnes velmi zdatné v přesném překládání textů a dokonce celých dokumentů do mnoha jiných jazyků během několika sekund. Pak jsou tu systémy chatbotů, jako ChatGPT a Copilot, které dnešním studentům škol a univerzit poskytují zcela nový způsob tvoření písemných prací.
Toto jsou tři příklady IT aplikací, které nejsou založeny na tradičním programování if-then. Místo toho využívají obrovské množství tréninkových dat, pokročilé metody učení, jako je učení s dohledem nebo posilovací učení, a algoritmy, které často využívají velmi složité neuronové sítě. Výsledkem algoritmu umělé inteligence není nikdy hodnota „0“ nebo „1“. Namísto toho umělá inteligence vždy poskytuje jen pravděpodobnost, že matematicky vypočítaná předpověď je správná, a ta nikdy nebude stoprocentní. Umělá inteligence se vždy alespoň trochu mýlí. A právě tato vlastnost vyžaduje, aby byly výsledky pečlivě kontrolovány – i když to v žádném případě nepopírá obrovský potenciál této technologie. Umělá inteligence je totiž jediným způsobem, jak vypočítat prakticky použitelná řešení těch nejsložitějších korelací. Aplikace AI jsou spíše jako chytrý kolega, který má spoustu znalostí, ale občas se mýlí.
Umělá inteligence si našla cestu i do logistiky. Před více než šesti lety začala výzkumná laboratoř DACHSER Enterprise Lab při Fraunhoferově IML institutu vyvíjet algoritmy, které předpovídají množství tonáže v síti sběrné služby společnosti DACHSER na 25 týdnů dopředu. Vytvořila také systém rozpoznávání obrazu, který umožňuje v reálném čase identifikovat, lokalizovat a měřit zásilky v překládkových skladech. Základem strategie společnosti DACHSER v oblasti zavádění umělé inteligence je již několik let spolupráce logistických specialistů a odborníků na procesy s matematiky a vývojáři softwaru.
Nové, nečekané možnosti
Umělá inteligence nicméně zůstává technologií budoucnosti. Nové modely neustále otevírají nečekané možnosti. V popředí zde stojí základní modely generativní umělé inteligence, které k porozumění a vytváření textů a obrázků využívají pokročilé algoritmy trénované na množství dat shromážděných z internetu. Zejména ChatGPT a další velké jazykové modely (LLM) působí dojmem, že disponují „inteligencí“. V konečném důsledku se však jedná pouze o matematickou funkci, která předpovídá smysluplné pořadí slov.
Základní modely v umělé inteligenci: V umělé inteligenci je základním modelem rozsáhlý, předem natrénovaný model, který je založen na rozsáhlých souborech dat a je kompatibilní s širokou škálou aplikací. Existují různé typy základních modelů, včetně velkých jazykových modelů (LLM) a modelů vizuálního zpracování. Modely LLM, jako jsou „GPT-4“ od OpenAI, „Gemini“ (dříve Bard) a „Bert“ od společnosti Google nebo „Llama3“ od společnosti Meta, se specializují na porozumění a generování přirozeného jazyka. Vizuální modely, jako je Sora a DALL-E od OpenAI, jsou určeny ke generování videí a obrázků z volného textového vstupu (výzvy). Základní modely se často používají jako základ pro specializované aplikace, pro které jsou upraveny tak, aby zahrnovaly specifické úlohy nebo soubory dat.
Výsledky těchto modelů jsou však ohromující a mnohé možnosti ještě zdaleka nejsou vyčerpány. Například v robotice odborníci experimentují se základními modely jako prostředkem komunikace s autonomními vozidly a jejich řízením. To by zvýšilo schopnost robotů provádět složité úkoly, jako je zpracování přirozeného jazyka, rozpoznávání obrazu a objektů a autonomní navigace. Takové modely umožňují robotům učit se z velkého množství dat a přizpůsobovat se novým prostředím a úkolům, což rozvíjí jejich flexibilitu a možnosti použití. Už brzy se ukáže, zda to v budoucnu umožní intuitivnější a efektivnější ovládání autonomních voz ve skladech. Na celém světě v této oblasti probíhá intenzivní výzkum.
RAG: Lepší základ pro výzkum s pomocí AI
Mnoho vývojových projektů v oblasti umělé inteligence se zaměřuje na Retrieval-Augmented Generation (RAG), jež slibuje zvýšit kvalitu výsledků vytvořených rozsáhlými základními modely. RAG v podstatě vybavuje LLM kvalitnějšími zdroji dat a znalostí pro daný případ použití. Tím se zabrání tomu, aby LLM falšoval výsledky v případě, že není schopen přijít s řešením, které má vysokou pravděpodobnost správnosti. Takové chybné chování nástrojů LLM se označuje jako „halucinace“ a může často podkopat důvěru uživatelů v umělou inteligenci.
Další výzkum umělé inteligence přinese celou řadu nových možností využití. Společnosti jako DACHSER musí najít správnou kombinaci mezi využíváním standardizovaných aplikací umělé inteligence a vlastním vývojem. Modely AI musí být trénovány na základě specifických interních firemních dat, zejména pro speciální logistické procesy a řešení. Obecné informace dostupné na internetu nejsou jako základ pro trénink dostačující. Současně je třeba zohlednit náklady, zejména na modely AI, které vyžadují značný výpočetní výkon, a také soulad s novým právním rámcem EU pro aplikace AI, jak je stanoven v nařízení o AI (tzv. AI Act). Průmysl i společnost se teprve začínají hlouběji zabývat využíváním umělé inteligence – cestou, která jistě přinese nemalé výzvy.
Autor: Andre Kranke, Head of Corporate Research & Development skupiny DACHSER