Читати книгу - "Пришестя роботів: техніка і загроза майбутнього безробіття"

з таким же успіхом ви могли б просто вдрукувати запитання в пошуковий двигун Google [17]. Щоразу, коли команда Феруччі намагалася створити прототип системи для гри «Ризикуй!» на основі проекту Piquant, результати незмінно були невтішні. Сама думка про те, що одного дня Piquant зможе успішно виступити у фіналі «Ризикуй!» проти Кена Дженнінґса, видавалася просто сміховинною. Феруччі усвідомив, що має розпочати з нуля — і запустити великий проект, на реалізацію якого піде щонайменше п’ять років. Від керівництва ІВМ 2007 року він отримав «добро» і заходився створювати, за його ж словами, «найскладнішу інтелектуальну архітектуру за всю світову історію» [18]. Для цього він залучив ресурси з усієї компанії і зібрав команду, яка складалася з експертів штучного інтелекту як з компанії ІВМ, так і з провідних ВНЗ, зокрема Массачусетського технологічного інституту й Університету Карнеґі-Меллон [19].

Група під керівництвом Девіда Феруччі, що, в підсумку, розрослася аж до двадцяти спеціалістів, почала зі створення масштабного збірника довідкової інформації, який мав стати основою для відповідей Watson. До цього масиву даних увійшло близько 200 млн сторінок інформації, включно зі словниками й довідниками, літературними творами, газетними архівами, веб-сторінками та майже всім вмістом Вікіпедії. Потім члени команди зібрали докупи конкретні дані з історії вікторини «Ризикуй!». Понад 180 тисяч ключових фраз із попередніх телевізійних матчів стали поживою для навчальних машинних алгоритмів Watson, тимчасом як статистичні дані виступів найкращих учасників-людей використовувалися для вдосконалення ігрових прийомів, до яких мав вдаватися комп’ютер [20]. Для розробки Watson знадобилися тисячі окремих алгоритмів, які були налаштовані на виконання конкретного завдання: пошук у тексті; порівняння дат, часу й місця розташування; аналіз граматики в ключових фразах; а також перетворення сирої інформації на правильно відформатовані відповіді претендента.

Watson починає з того, що дезінтегрує ключову фразу, а потім аналізує слова і намагається зрозуміти, що конкретно йому слід шукати. Навіть цей начебто простий крок здатен, вже сам по собі, перетворитися для комп’ютера на величезну проблему. Візьмімо, приміром, ключову фразу, яка з’явилася в категорії «Блоґи Лінкольна» і використовувалася для навчання системи Watson. «Міністр Чейз подав мені це вже втретє; друже, як ти гадаєш, що саме? І цього разу я дам свою згоду». Для того, щоб мати хоч якийсь шанс на правильну відповідь, машина повинна спершу зрозуміти, що початковий варіант слова «це» відіграє роль інструкції-заповнювача для відповіді, яку вона має шукати [21].

Зрозумівши ключову фразу на базовому рівні, Watson одночасно запускає сотні алгоритмів, які використовують різні принципи, за яким намагаються видобути потенційну відповідь із великого масиву довідкового матеріалу, завантаженого до пам’яті комп’ютера. У вищенаведеному прикладі Watson дізнає́ться з категорії, що «важливим» словом є «Лінкольн», але слово «блоґи» неминуче відіграватиме роль окозамилювального чинника: на відміну від людей, машина не зрозуміє, що автори шоу уявляли Лінкольна таким собі блоґером.

Із тим, як пошукові алгоритми нишпорять у сотнях можливих відповідей, Watson починає розташовувати їх за ранжиром і порівнювати. Ось один із прийомів, яким користувався комп’ютер у конкретному випадку: він вставляв потенційну відповідь у початкову ключову фразу, щоб сформулювати твердження, а потім звертався до довідкового матеріалу й шукав там текст на підтвердження формулювання відповіді. Тож якщо одному з пошукових алгоритмів вдасться віднайти правильну відповідь «відставка», то тоді Watson матиме змогу пошукати в своєму масиві даних фразу на кшталт «Міністр Чейз щойно подав Лінкольну прохання про відставку вже втретє». Він знайде багато дуже схожих варіантів, і впевненість комп’ютера у правильності такої відповіді зросте. Складаючи пріоритетний список відповідей свого кандидата, Watson покладається також на цілу купу історичних даних; він чітко знає, які алгоритми найчастіше давали правильні відповіді на різноманітні запитання, і тому частіше дослухається саме до цих «рекордсменів». Здатність Watson класифікувати правильно сформульовані відповіді, дані природною мовою, а потім визначати, чи має він достатньо впевненості, щоб натиснути зумер «Ризикуй!», є однією з визначальних характеристик цієї системи і тією властивістю, яка виводить її на передній край штучного інтелекту. Машина ІВМ «знає те, що знає» — ця властивість є для людей чимось абсолютно природним і легким, однак недоступним для більшості комп’ютерів, що занурюються в масиви неструктурованої інформації, призначеної людям, а не машинам.

Watson переміг чемпіонів телегри «Ризикуй!» Кена Дженнінґса та Бреда Рутера у двох матчах, які транслювалися по телевізору в лютому 2011 року, і ця перемога забезпечила ІВМ той величезний рекламний галас, на який вона й розраховувала. Іще задовго до того, як стихло мас-медійне шаленство довкола цього неабиякого досягнення, почала розгортатися вагоміша за своїми наслідками історія: ІВМ розпочала кампанію з метою використання здібностей Watson у реальному світі. Однією з найперспективніших галузей стала медицина. Перепрограмований як діагностичний інструмент, Watson дає змогу видобувати правильні відповіді із неймовірно величезного обсягу медичної інформації, до якої можуть входити підручники, наукові журнали, результати клінічних досліджень і навіть нотатки лікарів і медсестер про конкретних пацієнтів. Жоден лікар неспроможний навіть наблизитися до здатності Watson обробляти величезні добірки даних і віднаходити в них закономірності, які можуть і не впадати в око — особливо в тому разі, коли інформація надходить із джерел на межі різних галузей медицини.[21] Станом на 2013 рік Watson уже займався тим, що допомагав діагностувати проблеми та поліпшувати курс лікування пацієнтів в основних лікувальних закладах, зокрема й у Клівлендській клініці та Протираковому центрі Андерсона в Техаському університеті.

Намагаючись перетворити Watson на практичний інструмент, дослідники з ІВМ поставили під сумнів один з головних постулатів революції «великих даних»: ту ідею, що прогноз, здійснений на основі кореляційного зв’язку, є цілком достатнім, і що глибоке розуміння причинно-наслідкового зв’язку є, зазвичай,