Patrick M. Pilarski, FT, Kanadan CIFAR-tekoälytuoli (Amii) – Haastattelusarja

Tohtori Patrick M. Pilarski on Kanadan CIFAR-tekoälytuoli, entinen Kanadan tutkimustuoli koneälyä kuntoutumisen parissa, ja apulaisprofessori Fyysisen lääketieteen ja kuntoutumisen osastolla, Lääketieteen tiedekunnassa, Albertan yliopistossa.

Vuonna 2017 tohtori Pilarski perusti DeepMindin ensimmäisen kansainvälisen tutkimustoimiston, joka sijaitsee Edmontonissa, Albertassa, jossa hän toimi toimiston johtajana ja vanhempana tutkimustieteilijänä vuoteen 2023 asti. Hän on Alberta Machine Intelligence Instituten (Amii) jäsen ja hallituksen jäsen, johtaa Bionic Limbs for Improved Natural Control (BLINC) -laboratoriota ja on päätutkija Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) – ja Sensory Motor Adaptive Rehabilitation Technology (SMART) -verkostossa Albertan yliopistossa.

Tohtori Pilarski on palkittu yli 120 tieteellisen artikkelin kirjoittaja tai yhteiskirjoittaja, IEEE:n seniorjäsen ja on saanut tukea maakunnallisista, kansallisista ja kansainvälisistä tutkimusapurahoista.

Haastattelimme häntä vuoden 2023 Upper Bound -konferenssissa tekoälystä, joka järjestetään Edmontonissa, AB, ja jota isännöi Amii (Alberta Machine Intelligence Institute).

Miten löysit itsesi tekoälyyn? Mikä veti sinut tämän alan pariin?

Nuo ovat kaksi eri kysymystä. Mitä minua tekoälyyn vetoaa, on se, että kompleksisuudesta voi syntyä kauneus ja kompleksisuudesta voi syntyä rakenne. Älykkyys on vain yksi näistä upeista esimerkeistä, joko se tulee biologiasta tai siitä, miten me näemme monimutkaisen käyttäytymisen syntyvän koneissa, luulen, että siinä on jotain kaunista. Se on aina kiehtonut minua hyvin pitkään, ja minun pitkä ja mutkikas polkuni alalle, jolla työskentelen nyt, joka on koneita, jotka oppivat koettujen asioiden kautta, vahvistusjärjestelmiä, jotka vuorovaikuttavat ihmisten kanssa, kun molemmat ovat upotettuina kokemusvirran, ajan virtaukseen, tuli kaikenlaisia eri tasoja.

Opiskelin, miten koneet ja ihmiset voivat vuorovaikuttaa biomekaanisten laitteiden ja bioteknologian kanssa, kuten keinotekoiset raajat ja proteesit.

Tutkin, miten tekoälyä voidaan käyttää lääketieteellisen diagnostiikan tueksi, miten koneälyä voidaan käyttää ymmärtämään kuviota, jotka johtavat sairauteen tai miten eri sairaudet voivat ilmetä koneen merkinnöissä. Mutta se kaikki on osa tätä pitkää ja mutkikasta matkaa, jolla yritän ymmärtää, miten kompleksisia käyttäytymisiä voidaan saada aikaan yksinkertaisista perustoista. Ja se on se, mitä erityisesti vahvistusoppimisessa rakastan, se, että kone voi upottaa itsensä ajan virtaukseen ja oppia omasta kokemuksestaan ja osoittaa hyvin monimutkaisia käyttäytymisiä ja kaapata sekä monimutkaiset ilmiöt maailmassa ympärillämme. Se on ollut voimavaikutus.

Mekaniikka, olen todella tehnyt paljon urheilulääketieteen koulutusta ja asioita. Opiskelin urheilulääketiedettä ja nyt olen täällä työskentelemässä ympäristössä, jossa tutkin, miten koneäly ja kuntoutusteknologia kohtaavat tukeakseen ihmisiä päivittäisissä elämissään. Se on hyvin mielenkiintoinen matka, kuin sivuvetoinen kompleksisten järjestelmien ja kompleksisuuden kanssa, ja sitten hyvin käytännöllinen pragma, miten ihmiset voivat paremmin tukea, elää elämää, jonka he haluavat elää.

Miten urheilu johti sinut alkujaan proteesiin?

Mitä on todella mielenkiintoista urheilulääketieteessä on katsella ihmiskeho ja miten jonkun yksilölliset tarpeet, olkoon se urheilu tai muu, voidaan todella tukea muilla ihmisillä, menettelyillä ja prosesseilla. Bioniset raajat ja proteesiteknologia ovat rakennetta, joka auttaa ihmisiä elämään elämää, jonka he haluavat elää. Nämä kaksi asiaa ovat todella tiiviisti kytköksissä. On todella jännittävää päästä tulemaan täyteen pyöreään ja nähdä, miten nuo aiemmat kiinnostukset tulevat toteutumaan, ja johtaa laboratoriota, jossa tutkimme… ja erityisesti koneoppimisjärjestelmiä, jotka toimivat tiiviissä yhteyskunnassa, henkilön kanssa, jota se on tarkoitettu tukemaan.

Olet aikaisemmin keskustellut siitä, miten proteesi mukautuu henkilöön sen sijaan, että henkilö mukautuu proteesiin. Voitko puhua koneoppimisesta tässä?

Toki. Perustana välineiden historiassa ihmiset ovat sopeutuneet välineisiinsä ja sitten sopeuttaneet välineensä tarpeisiinsa. Ja niin on tämä iteratiivinen prosessi, jossa sopeudumme välineisiimme. Olemme nyt historiallisessa käänteessä, jossa voimme kuvitella rakentavamme välineitä, jotka sisältävät jotkut ihmisen älykkyyden piirteitä. Välineitä, jotka todella mukautuvat ja paranevat, kun niitä käytetään. Perusteknologiat tukevat jatkuvaan oppimiseen. Järjestelmiä, jotka voivat jatkuvasti oppia jatkuvasta kokemusvirrasta. Tässä tapauksessa vahvistusoppiminen ja sen taustalla olevat mekanismit, kuten aikamuutosoppiminen, ovat erittäin tärkeitä rakentamaan järjestelmiä, jotka voivat jatkuvasti mukautua, kun ne vuorovaikuttavat henkilön kanssa ja kun ne ovat käytössä henkilön elämässä.

Voitko määritellä aikamuutosoppimisen?

Toki, mitä minua miellyttää tässä, on se, että voimme ajatella perusteknologioita, aikamuutosoppimista ja perusoppi-algoritmeja, jotka muodostavat suurimman osan siitä, mihin laboratoriossamme panostamme. Sinulla on järjestelmä, joka, niin kuin mekin, tekee ennusteen siitä, miltä tulevaisuus näyttää jonkin signaalin suhteen, kuten tulevan palkkion, mitä yleensä näemme. Mutta mikä tahansa muu signaali, jonka voit kuvitella, kuten kuinka paljon voimaa olen käyttänyt, kuinka kuuma se on huomenna, kuinka monta donitsia minulla on huomenna. Nämä ovat mahdollisia asioita, joita voit kuvitella ennustavan. Ja perusalgortimi on todella katselemassa eroa välillä ennusteeni siitä, mitä tapahtuu juuri nyt, ja ennusteeni siitä, mitä tapahtuu tulevaisuudessa, sekä minkä tahansa signaalin, jonka vastaanotan juuri nyt.

Kuinka paljon voimaa minä olen käyttänyt, kun robottikäsi nostaa ylös kupin kahvia tai vettä. Tämä saattaa olla katselemassa eroa ennusteen ja odotuksien välillä siitä, kuinka paljon voimaa minä olen käyttänyt juuri nyt tai kuinka paljon aikaa tulevaisuudessa. Ja vertaamalla ne toisiinsa, saat tämän virheen, aikamuutosvirheen. Se on kaunis kertymä ajallisesti laajennetusta ennustetta ja eroa niiden välillä, jonka voit käyttää päivittämään oppimiskoneen rakennetta itse.

Ja näin, taas perinteisessä vahvistusoppimisessa, joka perustuu palkkioon, tämä voi olla katselemassa, miten kone toimii tulevaisuuden odotetun palkkion perusteella. Monissa asioissa, joissa työskentelemme, se on katselemassa muidenkin signaaleja, käyttäen yleistettyjä arvo-funktioita, jotka ovat vahvistusoppimisprosessin sovittamista palkkio-signaaleista mihin tahansa signaaliin, joka on sovellettavissa koneen toimintaan.

Usein puhut proteesista, jota kutsutaan Kairon varpaaksi esitelmässäsi. Mitä se opettaa meille?

Kairon varpas University of Basel, LHTT. Kuva: Matjaž Kačičnik

Pidän siitä, että käytän Kairon varpaan esimerkkiä, 3000-vuotiaasta proteesista. Työskentelen neuroproteesien alalla, ja nyt näemme hyvin edistyneitä robottijärjestelmiä, jotka voivat joissakin tapauksissa olla yhtä tarkkoja kuin biologiset kehon osat. Ja silti palannut takaisin hyvin yksinkertaiseen puiseen varpaaseen 3000 vuotta sitten. Luulen, että se on mielenkiintoinen esimerkki siitä, miten ihmiset laajentavat itseään teknologian avulla. Se on sitä, mitä näemme tällä hetkellä neuroproteesien ja ihmisen ja koneen vuorovaikutuksen alalla, se ei ole outoa, uutta tai outoa. Olemme aina olleet välineiden käyttäjiä, myös ei-ihmisset eläimet käyttävät välineitä. On paljon hyviä kirjoja aiheesta, erityisesti Frans de Waal, “Olemmeko tarpeeksi älykkäitä tietääksemme, kuinka älykkäitä eläimet ovat?“.

Tämä itsemme laajentaminen, parantaminen ja täydentäminen välineiden avulla ei ole uutta, se on jotain, mikä on tapahtunut aikojen alusta lähtien, tämän maan asukkaiden toimesta. Toinen mielenkiintoinen asia Kairon varpaasta on, että todisteet, ainakin tutkijoiden raporteista, osoittavat, että sitä muokattiin useita kertoja sen käytön aikana. He menivät ja mukauttivat sitä, muuttivat sitä ja muokkasivat sitä käytön aikana.

Ymmärrykseni mukaan se ei ollut vain kiinteä työkalu, joka oli kiinnitetty henkilöön heidän elämänsä aikana, vaan kiinteä työkalu, joka oli kiinnitetty, mutta myös muokattu. Se on esimerkki siitä, miten ajatus siitä, että työkalut mukautuvat käytön aikana, ei ole uusi asia, vaan se on jotain, mikä on tapahtunut vuosisatojen ajan. Siinä on paljon opittavaa, miten ihmiset ja työkalut mukautuvat toisiinsa vuosien varrella.

Olet aikaisemmin maininnut palautteen välitystien välillä proteesi ja ihminen, voitko selventää palautteen välitystiestä?

Olemme myös erityisellä tavalla katselemassa suhdetta henkilön ja koneen välillä, joka pyrkii tukemaan heitä päivittäisissä elämissään. Kun joku käyttää keinotekoista raajaa, sanotaan, joku, jolla on raajan puutos, joku amputoitu, käyttää keinotekoista raajaa. Perinteisesti he käyttävät sitä hyvin paljon työkaluna, laajennuksena kehoonsa, mutta usein he riippuvat vain ohjausväylästä. Jotkut heidän pyrkimyksensä tai aikomustensa siirtyy alas laitteeseen, joka on tehtäväksi ymmärtää, mitä se on, ja sitten suorittaa sen, avaamalla ja sulkemalla käden, taivuttamalla kyynärpäätä, luomalla pihdin otteen, jotta voi tarttua avaimeseen. Usein emme tutki tai huomioi palautteen väylää.

Monet keinotekoiset raajat, joita saatetaan nähdä kaupallisesti, tietyn laitteen tietojen siirtoväylä takaisin henkilölle voi olla mekaaninen kytkentä, tapa, jolla he todella tuntevat voimat raajassa ja toimivat niiden mukaan. Se voi olla heidän kuulemansa moottorien hurinaa tai heidän katsomaansa, kun he nostavat kupin tai liikuttavat sitä työpöydällä tai ottavat sen toisesta työtilastaan. Ja niin, ne väylät ovat perinteinen tapa tehdä se. On upeita asioita tapahtumassa ympäri maailmaa, joissa tutkitaan, miten tietoja voidaan paremmin siirtää keinotekoisesta raajasta henkilölle, joka sitä käyttää. Erityisesti täällä Edmontonissa on paljon mielenkiintoista työtä, jossa tutkitaan hermoston uudelleenjärjestelyä, kohdennettua hermoston järjestelyä ja muita asioita, jotka tukevat tätä väylää. Mutta se on edelleen hyvin uusi ja nousussa oleva tutkimuksen ala, jossa tutkitaan, miten koneoppiminen tukee vuorovaikutusta palautteen väylän suhteen.

Miten koneoppiminen voi tukea järjestelmää, joka havaitsee ja ennustaa paljon maailmastaan, ja miten se voi siirtää tiedon selkeästi ja tehokkaasti takaisin henkilölle, joka sitä käyttää. Miten koneoppiminen voi tukea sitä. Luulen, että se on hyvä aihe, koska jos sinulla on sekä palautteen väylä että ohjausväylä, molemmat väylät mukautuvat, ja sekä laite, jota henkilö käyttää, että henkilö itse rakentavat malleja toisistaan. Voit tehdä jotain lähes ihmeellistä. Voit siirtää tiedon ilmaiseksi. Jos sinulla on molemmat järjestelmät, jotka ovat todella hyvin sopeutuneet toisiinsa, ne ovat rakentaneet hyvin voimakkaan mallin toisistaan, ja ne ovat sopeutuneet toisiinsa, voit muodostaa erittäin tiiviit kumppanuudet ihmisten ja koneiden välille, jotka voivat siirtää valtavan määrän tietoa hyvin vähän vaivaa ja hyvin vähän kaistanleveyttä.

Ja se avaa kokonaisia uusia valtavirtaisia ihmisen ja koneen koordinoinnin alueita, erityisesti neuroproteesien alalla. Olen todella sitä mieltä, että tämä on erittäin ihmeellinen aika meille aloittaa tämän alan tutkiminen.

Luuletko, että nämä tulevat olemaan 3D-tulostettuja tulevaisuudessa tai miten luulet valmistuksen etenevän?

En tunne, että olisin paras paikka spekuloida, miten se tapahtuu. Voin sanoa, että näemme suuren nousun kaupallisissa tarjoajissa, jotka tarjoavat neuroproteesilaitteita käyttäen lisävalmistusta, 3D-tulostusta ja muita lisävalmistusmenetelmiä laitteidensa valmistamiseen. Se on myös erittäin mielenkiintoista nähdä, että se ei ole vain prototyyppi, joka käyttää lisävalmistusta tai 3D-tulostusta, vaan 3D-tulostus on tulossa oleelliseksi osaksi siitä, miten tarjoamme laitteita yksilöille, ja miten optimoimme niitä juuri niille, jotka niitä käyttävät.

Lisävalmistus tai räätälöity valmistus, räätälöity proteesiasennus tapahtuu sairaaloissa jatkuvasti. Se on luonnollinen osa hoitopalveluja, jotka tarjoamme ihmisille, joilla on raajan puutos, jotka tarvitsevat avustavia teknologioita tai muita kuntoutusmenetelmiä. Luulen, että näemme, miten paljon räätälöinti alkaa sulautua laitteiden valmistukseen, eikä se jää vain hoitopalvelujen tarjoajien tehtäväksi. Ja se on myös erittäin jännittävää. Luulen, että on erinomainen mahdollisuus laitteille, jotka eivät vain näytä käsiltä tai joita käytetään käsien tapaan, vaan laitteille, jotka täsmäävät tarkasti henkilön tarpeisiin, jotka sallivat heidän ilmaista itsensä haluamallaan tavalla, ja antavat heidän elää elämää, jonka he haluavat elää, eivät vain sitä, mitä me ajattelemme, miten käsiä tulisi käyttää päivittäisissä elämissä.

Olet kirjoittanut yli 120 tutkimusartikkelia. Onko yksi, joka erottuu sinulle, jonka meidän tulisi tietää?

On yksi äskettäin julkaistu tutkimusartikkeli Neural Computing -sovelluksissa, mutta se edustaa jäävuoren huippua ajattelussa, jonka olemme esittäneet yli vuosikymmenen ajan, siitä, miten ihmiset ja koneet vuorovaikuttavat, erityisesti miten ihmiset ja proteesilaitteet vuorovaikuttavat. Se on kommunikaatiopääoman idea. Ja tämä on artikkeli, jonka äskettäin julkaisimme.

Ja tämä artikkeli esittää näkemyksemme siitä, miten ennustukset, jotka oppiva laite oppii ja ylläpitää reaaliajassa, voivat muodostaa pääoman, voivat muodostaa resurssin, jota molemmat osapuolet voivat luottaa. Muistathan, aiemmin sanoin, että voimme tehdä jotain erittäin upeaa, kun meillä on ihminen ja kone, jotka molemmat rakentavat malleja toisistaan, sopeutuvat reaaliajassa kokemuksen perusteella ja alkavat siirtää tietoa kahdessa suunnassa. Sivuhuomautuksena, koska elämme maagisessa maailmassa, jossa on tallenteita ja voit leikata asioita siitä.

Se on kuin magia.

Täsmälleen. Se kuulostaa magialta. Jos mennään takaisin ajattelijoihin, kuten Ashby, W. Ross Ashby, takaisin 1960-luvulle ja hänen kirjaansa “Johdatus kybernetiikkaan“, jossa hän puhui siitä, miten voimme amplifoida ihmisen älykkyyttä. Ja hän todella sanoi, että se tulee älykkyyden amplifioimisesta, valitsemalla yhden useista vaihtoehdoista. Ja tämä on mahdollista, jos meillä on järjestelmä, joka vuorovaikuttaa ihmisen kanssa, jossa on avoin viestintäkanava heidän välillään. Jos meillä on se kanava, ja se on kahdessa suunnassa, ja molemmat järjestelmät rakentavat pääomaa ennustusten ja muiden asioiden muodossa, voit alkaa nähdä, miten ne todella sopeutuvat toisiinsa ja tulevat enemmän kuin yhteenlaskettuna. Voit saada enemmän kuin mitä sinne panet, ja se on se, miksi luulen, että tämä on yksi meidän jännittävimmistä tutkimuksistamme, koska se edustaa ajattelun muutosta. Se edustaa ajattelun muutosta kohti sitä, että neuroproteesilaitteet ovat järjestelmiä, joilla on toimijuus, järjestelmiä, joille voidaan luottaa, jotka voivat sopeutua meidän kanssamme, rakentaa nämä resurssit, kommunikaatiopääoman, joka antaa meille mahdollisuuden liikkua nopeammin maailmassa ja vähentää kognitiivista taakkaa, erityisesti yksikössä.

Mitkä ovat sovellukset, joita näet aivo-kone-liittymille, mitä juuri keskustelimme?

Yksi suosikeistani on teknologia, jota olemme esittäneet yli 10 vuoden ajan, ja se on sopeutuva kytkentä. Soveluva kytkentä perustuu tietoon, että monissa järjestelmissä, joilla vuorovaikumme päivittäin, on kytkentä, jossa meidän on valittava useista tiloista tai toiminnoista. Onko kytkentä, joka perustuu siihen, mitä haluan tehdä, ja milloin haluan tehdä sen. Ja tosiaan, sopeutuva kytkentä käyttää aikamuutosoppimista, jotta keinotekoinen raaja voi oppia, minkä moottoritoiminnon henkilö haluaa käyttää ja milloin. Se on hyvin yksinkertainen esimerkki siitä, miten voidaan rakentaa pääomaa, miten voidaan muodostaa yhteinen resurssi, jota molemmat osapuolet voivat luottaa. Ja kun sinulla on molemmat väylät, ohjausväylä ja palautteen väylä, ja molemmat järjestelmät rakentavat malleja toisistaan, voit tehdä jotain lähes ihmeellistä. Voit siirtää tiedon ilmaiseksi, ja se avaa uusia mahdollisuuksia ihmisen ja koneen koordinoinnille, erityisesti neuroproteesien alalla.