Patrick M. Pilarski, Ph.D. Kanadischer CIFAR-KI-Stuhl (Amii) – Interviewreihe

Dr. Patrick M. Pilarski ist ein kanadischer CIFAR-KI-Stuhl, ehemaliger kanadischer Forschungsstuhl für Maschinenintelligenz in der Rehabilitation und außerordentlicher Professor in der Abteilung für Physikalische Medizin und Rehabilitation, Medizinische Fakultät, University of Alberta.

Im Jahr 2017 gründete Dr. Pilarski das erste internationale Forschungsbüro von DeepMind, das sich in Edmonton, Alberta, befindet, wo er bis 2023 als Büroleiter und Senior Staff Research Scientist tätig war. Er ist Fellow und Mitglied des Vorstands des Alberta Machine Intelligence Institute (Amii), leitet das Labor für Bionic Limbs for Improved Natural Control (BLINC) und ist Hauptforscher im Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) und im Sensory Motor Adaptive Rehabilitation Technology (SMART) Network an der University of Alberta.

Dr. Pilarski ist der preisgekrönte Autor oder Co-Autor von über 120 begutachteten Artikeln, Senior Member des IEEE und wurde von Forschungsgrants auf Provinz-, Bundes- und internationalem Level unterstützt.

Wir führten ein Interview auf der jährlichen Upper Bound-Konferenz 2023 über KI, die in Edmonton, AB, stattfand und von Amii (Alberta Machine Intelligence Institute) ausgerichtet wurde.

Wie kamen Sie zur KI? Was zog Sie in die Branche?

Das sind zwei separate Fragen. Was mich zur KI zieht, ist die Tatsache, dass Komplexität entstehen und Struktur aus Komplexität entstehen kann. Intelligenz ist nur eines dieser erstaunlichen Beispiele, sodass es egal ist, ob sie aus der Biologie kommt oder aus dem Verhalten von Maschinen, die sich in einem komplexen Verhalten manifestieren. Ich finde das faszinierend und es hat mich schon sehr lange interessiert. Mein langer, gewundener Weg in den Bereich, in dem ich jetzt arbeite, der Maschinen betrifft, die durch Trial und Error lernen, Belohnungssysteme, die mit Menschen interagieren, während beide in einem Erlebnisstrom, einem Zeitfluss, sind, kam durch verschiedene Stationen.

Ich studierte, wie Maschinen und Menschen interagieren können, insbesondere im Bereich der Biomechatronik und Biotechnologie, wie künstliche Gliedmaßen und Prothesen.

Ich untersuchte, wie KI zur Unterstützung medizinischer Diagnosen eingesetzt werden kann, wie wir maschinelle Intelligenz nutzen können, um Muster zu verstehen, die zu Krankheiten führen, oder wie verschiedene Krankheiten in maschinellen Aufzeichnungen erscheinen. All dies ist Teil meines langen, gewundenen Weges, um wirklich zu verstehen, wie man sehr komplexe Verhaltensweisen aus sehr einfachen Grundlagen erhält. Und das ist es, was ich besonders an maschinellem Lernen liebe, insbesondere am Reinforcement Learning, die Idee, dass eine Maschine sich in den Zeitfluss einbetten und aus ihrer eigenen Erfahrung lernen kann, um sehr komplexe Verhaltensweisen zu zeigen und komplexe Phänomene in der Welt um sie herum zu erfassen.

Die Mechanik dahinter, ich habe tatsächlich eine Menge Ausbildung in Sportmedizin und ähnlichen Dingen gemacht. Ich studierte Sportmedizin und jetzt arbeite ich in einer Umgebung, in der ich untersuche, wie maschinelle Intelligenz und Rehabilitationstechnologien zusammenkommen, um Menschen in ihrem täglichen Leben zu unterstützen. Es ist eine sehr interessante Reise, wie die Seite der Faszination für komplexe Systeme und Komplexität und dann die sehr praktischen Aspekte, wie wir überlegen, wie Menschen besser unterstützt werden können, um das Leben zu leben, das sie leben möchten.

Wie führten Sie ursprünglich Sport zu Prothesen?

Was wirklich interessant an Feldern wie der Sportmedizin ist, ist die Betrachtung des menschlichen Körpers und wie die einzigartigen Bedürfnisse einer Person, sei es im Sport oder anders, tatsächlich durch andere Menschen, durch Verfahren und Prozesse unterstützt werden können. Die bionischen Gliedmaßen und Prothesentechnologien sind dabei, Geräte zu bauen, Systeme zu bauen, Technologie zu entwickeln, die Menschen hilft, das Leben zu leben, das sie leben möchten. Diese beiden Dinge sind wirklich eng miteinander verbunden. Es ist wirklich aufregend, dass ich mich vollkreisen lassen und einige dieser viel früheren Interessen in Frucht setzen lassen kann, insbesondere indem ich ein Labor leite, in dem wir uns mit… und insbesondere mit maschinellen Lernsystemen beschäftigen, die auf engste Weise mit der Person zusammenarbeiten, die sie unterstützen sollen.

Sie haben vorher darüber gesprochen, wie eine Prothese sich an die Person anpasst, anstatt die Person sich an die Prothese anzupassen. Können Sie über die maschinelle Lerntheorie dahinter sprechen?

Absolut. Als Grundlage in der Geschichte der Werkzeugnutzung haben Menschen sich an ihre Werkzeuge angepasst und dann haben sie ihre Werkzeuge an die Bedürfnisse angepasst, die sie haben. Und so gibt es diesen iterativen Prozess, bei dem wir uns an unsere Werkzeuge anpassen. Wir sind gerade an einem Wendepunkt, an dem wir uns vorstellen können, Werkzeuge zu bauen, die einige der Merkmale der menschlichen Intelligenz aufweisen. Werkzeuge, die tatsächlich anpassen und verbessern, während sie von einer Person genutzt werden. Die zugrunde liegenden Technologien unterstützen kontinuierliches Lernen. Systeme, die kontinuierlich aus einem laufenden Erlebnisstrom lernen können. In diesem Fall sind Reinforcement Learning und die Mechanismen, die es untermauern, wie temporale Differenzlernen, wirklich entscheidend für den Bau von Systemen, die kontinuierlich anpassen können, während sie mit einer Person interagieren und während sie von einer Person in ihrem täglichen Leben genutzt werden.

Können Sie temporales Differenzlernen definieren?

Absolut, was ich wirklich an diesem Thema mag, ist, dass wir über die Kerntechnologien nachdenken können, temporales Differenzlernen und die grundlegenden Prädiktlehr-Algorithmen, die viel von dem untermauern, an dem wir in unserem Labor arbeiten. Sie haben ein System, das, ähnlich wie wir, eine Vorhersage über die Zukunft macht, bezogen auf ein Signal, bezogen auf etwas wie die zukünftige Belohnung, die wir normalerweise sehen. Aber jedes andere Signal, das Sie sich vorstellen können, wie viel Kraft ich gerade ausübe? Wie heiß wird es morgen sein? Wie viele Donuts werde ich morgen haben? Diese sind die möglichen Dinge, die Sie sich vorstellen können, um vorherzusagen. Und so ist der Kernalgorithmus wirklich daran interessiert, den Unterschied zwischen meiner Schätzung darüber, was gerade passieren wird, und meiner Schätzung darüber, was in der Zukunft passieren wird, zusammen mit jedem Signal, das ich gerade empfange.

Wie viel Kraft ich als Roboterarm ausübe, wenn ich einen Kaffee oder ein Glas Wasser hebe? Dies könnte daran interessiert sein, den Unterschied zwischen meiner Vorhersage über die Kraft, die ich gerade ausübe, oder der Kraft, die ich über einen bestimmten Zeitraum in der Zukunft ausüben werde, zu berechnen. Und dann vergleiche ich dies mit meinen Erwartungen über die Zukunft und der Kraft, die ich tatsächlich ausübe. Wenn ich all dies zusammenfüge, erhalte ich diesen Fehler, den temporalen Differenzfehler. Es ist diese schöne Ansammlung der zeitlich erweiterten Vorhersage in der Zukunft und der Unterschiede zwischen ihnen, die ich dann verwenden kann, um die Struktur der Lernmaschine selbst zu aktualisieren.

Und so ist dies, wiederum, für konventionelles Reinforcement Learning, das auf Belohnung basiert, dies könnte daran interessiert sein, die Art und Weise, wie die Maschine handelt, basierend auf der zukünftigen erwarteten Belohnung, zu aktualisieren, die sie wahrnimmt. Für viel von dem, was wir tun, ist es daran interessiert, andere Arten von Signalen zu verwenden, wie verallgemeinerte Wertfunktionen, die die Anpassung des Reinforcement-Learnings an Belohnungssignale an jedes Signal von Interesse anwenden, das für den Betrieb der Maschine anwendbar sein könnte.

Sie sprechen oft über eine Prothese namens Kairo-Zeh in Ihren Präsentationen. Was kann uns diese Prothese beibringen?

Der Kairo-Zeh, Universität Basel, LHTT. Bild: Matjaž Kačičnik

Ich mag das Beispiel des Kairo-Zehs, einer 3000 Jahre alten Prothese. Ich arbeite im Bereich der Neuroprothetik, und wir sehen jetzt sehr fortschrittliche Roboter-Systeme, die in einigen Fällen das gleiche Maß an Kontrolle oder die gleichen Grade an Kontrolle wie biologische Körperteile haben. Und dennoch gehe ich zurück zu einem sehr stilisierten hölzernen Zeh vor 3000 Jahren. Ich denke, was nett ist, ist, dass es ein Beispiel für die Erweiterung des Menschen durch Technologie ist. Das ist genau das, was wir jetzt im Bereich der Neuroprothetik und der Mensch-Maschine-Interaktion sehen, ist nicht etwas, das seltsam, neu oder verrückt ist. Wir haben immer Werkzeugnutzer gewesen, und nicht-menschliche Tiere nutzen auch Werkzeuge. Es gibt viele großartige Bücher darüber, insbesondere von Frans de Waal, “Sind wir clever genug, um zu wissen, wie clever Tiere sind?“.

Diese Erweiterung von uns selbst, die Aufwertung und Verbesserung von uns durch die Nutzung von Werkzeugen ist nicht etwas Neues, es ist etwas, das seit Urzeiten passiert, auf dem Land, auf dem wir jetzt sind, durch die Menschen, die hier gelebt haben. Das andere Interessante am Kairo-Zeh ist, dass die Beweise, zumindest aus den wissenschaftlichen Berichten darüber, zeigen, dass er mehrmals über den Zeitraum seiner Interaktion mit seinen Nutzern angepasst wurde. Sie gingen tatsächlich hinein und passten ihn an, änderten ihn, modifizierten ihn während seiner Nutzung.

Mein Verständnis ist, dass es nicht nur ein festes Werkzeug war, das an einer Person während ihres Lebens angebracht war, es war ein festes Werkzeug, das angebracht, aber auch modifiziert wurde. Es ist ein Beispiel dafür, wie die Idee, dass Werkzeuge während ihrer Nutzung angepasst werden, tatsächlich auch etwas sehr Altes ist. Es ist nicht etwas Neues, und es gibt viele Lektionen, die wir daraus lernen können, aus der Koanpassung von Menschen und Werkzeugen über viele, viele Jahre.

Sie haben vorher erwähnt, dass es einen Rückkopplungsweg zwischen Prothesen und Mensch gibt, können Sie den Rückkopplungsweg erläutern?

Wir sind auch in einer besonderen Zeit, was unsere Sicht auf die Beziehung zwischen einer Person und der Maschine betrifft, die darauf abzielt, sie in ihrem täglichen Leben zu unterstützen. Wenn jemand eine künstliche Gliedmaße verwendet, sagen wir, jemand mit Gliedmaßenunterschied, jemand mit einer Amputation, der eine künstliche Gliedmaße verwendet. Traditionell werden sie diese sehr viel wie ein Werkzeug verwenden, wie eine Erweiterung ihres Körpers, aber wir sehen sie größtenteils auf dem Kontrollweg angewiesen. Dass irgendeine Art von ihrem Willen oder ihrer Absicht an das Gerät weitergeleitet wird, das dann damit beauftragt ist, zu verstehen, was es ist, und dann darauf zu handeln, ob es darum geht, eine Hand zu öffnen und zu schließen oder einen Ellenbogen zu beugen oder einen Pinzgriff zu erstellen, um einen Schlüssel zu greifen. Wir sehen oft nicht, dass Menschen den Rückkopplungsweg studieren oder in Betracht ziehen.

Also sehen wir eine große Anzahl von künstlichen Gliedmaßen, die Sie vielleicht kommerziell einsetzen, der Informationsfluss vom Gerät zurück zur Person kann die mechanische Kopplung sein, die Art und Weise, wie sie tatsächlich die Kräfte der Gliedmaße spüren und darauf reagieren. Es kann sein, dass sie das Summen der Motoren hören oder dass sie beobachten, wie sie einen Kragen aufheben und über einen Schreibtisch bewegen oder dass sie ihn von einem anderen Teil ihres Arbeitsbereichs aufheben. Und so sind diese Wege die traditionelle Art, es zu tun. Es gibt erstaunliche Dinge, die auf der ganzen Welt passieren, um zu sehen, wie Informationen besser vom künstlichen Gliedmaße an die Person, die es verwendet, weitergeleitet werden können. Insbesondere hier in Edmonton gibt es eine Menge wirklich cooler Arbeit, die darauf abzielt, die Nervensysteme umzuschalten, gezielte Nervenregeneration und andere Dinge, um diesen Weg zu unterstützen. Aber es ist immer noch ein sehr heißes, aufkommendes Forschungsgebiet, um über die Art nachzudenken, wie maschinelles Lernen die Interaktionen in Bezug auf diesen Rückkopplungsweg unterstützen kann.

Wie kann maschinelles Lernen ein System unterstützen, das tatsächlich viel über seine Welt lernt und vorhersagt, und wie kann es diese Information effektiv und klar an die Person, die es verwendet, weiterleiten? Wie kann maschinelles Lernen diesen Prozess unterstützen? Ich denke, das ist ein großartiges Thema, weil wenn Sie sowohl den Rückkopplungsweg als auch den Kontrollweg haben, und beide Systeme bauen Modelle voneinander auf und passen sich in Echtzeit an, basierend auf Erfahrung, können Sie etwas fast Wunderbares tun. Sie können fast Informationen kostenlos übertragen. Wenn Sie beide Systeme haben, die tatsächlich gut aufeinander abgestimmt sind, haben sie ein sehr starkes Modell voneinander aufgebaut und haben eine Anpassung sowohl des Kontrollwegs als auch des Rückkopplungswegs, können Sie sehr enge Partnerschaften zwischen Menschen und Maschinen bilden, die eine enorme Menge an Informationen mit sehr wenig Aufwand und sehr wenig Bandbreite übertragen können.

Und das öffnet ganze neue Bereiche der Mensch-Maschine-Koordination, insbesondere im Bereich der Neuroprothetik. Ich denke wirklich, dass dies eine sehr wunderbare Zeit für uns ist, um dieses Gebiet zu studieren.

Denken Sie, dass diese in Zukunft in 3D gedruckt werden oder wie denken Sie, dass die Fertigung voranschreiten wird?

Ich fühle mich nicht wie der beste Platz, um zu spekulieren, wie das passieren könnte. Ich kann sagen, dass wir eine große Zunahme an kommerziellen Anbietern von Neuroprothesegeräten sehen, die additive Fertigung, 3D-Drucken und andere Formen der additiven Fertigung auf der Stelle nutzen, um ihre Geräte herzustellen. Dies ist auch wirklich nett zu sehen, dass es nicht nur ein Prototyp ist, der additive Fertigung oder 3D-Drucken nutzt, sondern dass 3D-Drucken ein integraler Bestandteil davon wird, wie wir Geräte für Einzelpersonen bereitstellen und wie wir diese Geräte für die genaue Person, die sie verwendet, optimieren.

Additive Fertigung oder maßgeschneiderte Fertigung, die Anpassung von Prothesen, passiert in Krankenhäusern immer wieder. Dies ist ein natürlicher Teil der Versorgung von Menschen mit Gliedmaßenunterschieden, die assistive Technologien oder andere Arten von Rehabilitationstechnologien benötigen. Ich denke, wir beginnen zu sehen, dass viel von dieser Anpassung in die Herstellung der Geräte einfließt und nicht nur bei den Pflegedienstleistern bleibt. Und das ist auch wirklich aufregend. Ich denke, es gibt eine großartige Gelegenheit für Geräte, die nicht nur wie Hände aussehen oder als Hände verwendet werden, sondern Geräte, die sehr genau den Bedürfnissen der Person entsprechen, die sie verwenden, und es ihnen ermöglichen, sich so auszudrücken, wie sie es möchten, und ihr Leben so zu leben, wie sie es leben möchten, und nicht nur so, wie wir denken, dass eine Hand in ihrem täglichen Leben verwendet werden sollte.

Sie haben über 120 Artikel geschrieben. Gibt es einen, der Ihnen besonders auffällt, den wir kennen sollten?

Es gibt einen kürzlich veröffentlichten Artikel in Neural Computing Applications, aber er repräsentiert die Spitze eines Eisbergs an Denkweise, die wir über mehr als ein Jahrzehnt hinweg vorgetragen haben, über Rahmenwerke für die Interaktion zwischen Menschen und Maschinen, insbesondere wie Menschen und Prothesegeräte interagieren. Es ist die Idee des kommunikativen Kapitals. Und so ist dies der Artikel, den wir kürzlich veröffentlichten.

Und dieser Artikel legt unsere Sicht auf die Art und Weise dar, wie Vorhersagen, die in Echtzeit von einem Prothesegerät gelernt und aufrechterhalten werden, das mit einer Person interagiert, von der Person selbst gebildet werden können. Erinnern Sie sich, ich sagte vorher, dass wir etwas wirklich Spektakuläres tun können, wenn wir einen Menschen und eine Maschine haben, die beide Modelle voneinander aufbauen und sich in Echtzeit anpassen, basierend auf Erfahrung, und beginnen, Informationen in einem bidirektionalen Kanal zu übertragen. Als Seitenbemerkung, weil wir in einer magischen Welt leben, in der es Aufzeichnungen gibt und Sie Dinge daraus herausschneiden können.

Es ist im Grunde wie Magie.

Genau. Es klingt wie Magie. Wenn wir zurück zu Denkern wie Ashby, W. Ross Ashby, in den 1960er Jahren und seinem Buch “Einführung in die Kybernetik” gehen, sprach er darüber, wie wir die menschliche Intelligenz verstärken können. Und er sagte wirklich, dass es darauf hinauskommt, die Fähigkeit einer Person zu verstärken, zwischen einer der vielen Optionen zu wählen. Und dies wird ermöglicht durch Systeme, in denen eine Person mit einer Maschine interagiert, bei der ein Kommunikationskanal zwischen ihnen geöffnet ist. Also, wenn wir diesen Kommunikationskanal haben, wenn er bidirektional ist und wenn beide Systeme Kapital in Form von Vorhersagen und anderen Dingen aufbauen, können wir beginnen zu sehen, wie sie sich wirklich aufeinander abstimmen und mehr als die Summe ihrer Teile werden. Sie können mehr herausbekommen, als sie hineinstecken.

Und ich denke, das ist warum ich dies als einen unserer aufregendsten Artikel betrachte, weil es tatsächlich eine Denkweise-Veränderung darstellt. Es darstellt eine Veränderung in der Art und Weise, wie wir über Neuroprothesegeräte nachdenken, als Systeme mit Agency, Systeme, denen wir nicht nur Agency zuschreiben, sondern auf die wir uns verlassen können, um mit uns zu kooperieren, um diese Ressourcen aufzubauen, das kommunikative Kapital, das es uns ermöglicht, unsere Fähigkeit, mit der Welt zu interagieren, zu multiplizieren, uns weniger kognitive Belastung zu geben, insbesondere im Teil der Einheit.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten die folgenden Ressourcen besuchen:

• Dr. Patrick M. Pilarski University of Alberta-Seite.
• Upper Bound AI-Konferenz.
• Amii (Alberta Machine Intelligence Institute)