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

Tohtori Patrick M. Pilarski on Kanadan CIFAR-tekoälytuolin haltija, entinen Kanadan tutkimustuolin haltija koneälyssä kuntoutumisen parissa ja apulaisprofessori fysiikan ja lääketieteen laitoksen kuntoutuslääketieteen osastolla Albertan yliopistossa.

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

Tohtori Pilarski on palkittu yli 120 vertaisarvioitujen artikkeleiden kirjoittaja tai yhteiskirjoittaja, IEEE:n seniorijäsen ja on saanut maakunnallisia, kansallisia ja kansainvälisiä tutkimusapurahoja.

Haastattelimme häntä vuoden 2023 Upper Bound -tekoälykonferenssissa, joka järjestettiin Edmontonissa, Albertassa, ja jota isännöi Amii (Alberta Machine Intelligence Institute).

Miten löysit itsesi tekoälyyn? Mitä tekoälyssä viehätti sinua?

Nämä ovat kaksi erillistä kysymystä. Tekoälyyn viehätti minua se, että siinä on jotain kaunista siinä, miten monimutkaisuus voi syntyä ja miten rakenteita voi syntyä monimutkaisuudesta. Äly on vain yksi näistä upeista esimerkeistä, joko se tulee biologiasta tai siitä, miten näemme monimutkaisen käyttäytymisen syntyvän koneissa, luulen, että siinä on jotain kaunista. Se on aina kiehtonut minua hyvin pitkään, ja minun pitkä ja mutkikas polkuni tekoälyalueelle, jossa työskentelen nyt, joka on koneita, jotka oppivat koettujen asioiden kautta, vahvistusjärjestelmiä, jotka vuorovaikuttavat ihmisten kanssa heidän ollessaan molemmat upotettuina siihen, kokemuksen virtaan, ajan virtaan, tuli kaikenlaisia eri tasoja.

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

Katsoin, miten tekoälyä voidaan käyttää lääketieteellisen diagnostiikan tukemiseen, miten koneälyä voidaan käyttää ymmärtämään malleja, jotka johtavat sairauteen tai miten erilaiset sairaudet voivat ilmetä koneen merkinnöissä. Mutta se kaikki on osa tätä pitkää ja mutkikasta pyrkimystä ymmärtää, miten voidaan saada hyvin monimutkaisia käyttäytymisiä yksinkertaisista perustoista. Ja se on se, mitä rakastan erityisesti vahvistusoppimisesta, on se, että kone voi upottaa itsensä ajan virtaan ja oppia omasta kokemuksestaan ja havainnostaan ja saada aikaan hyvin monimutkaisia käyttäytymisiä ja havaita monimutkaiset ilmiöt maailmassa.

Mekaniikka, olen tehnyt paljon urheilulääketieteellistä koulutusta ja muita asioita lukiossa. Opiskelin urheilulääketiedettä ja nyt olen täällä työskentelemässä ympäristössä, jossa katselen, miten koneäly ja kuntoutusteknologia yhdistyvät tukemaan ihmisiä heidän päivittäisessä elämässään. Se on hyvin mielenkiintoinen matka, kuin sivuvietti monimutkaisten järjestelmien ja monimutkaisuuden kanssa, ja sitten hyvin käytännöllinen pragma, miten ihmiset voivat elää elämää, jota he haluavat elää.

Miten urheilu johti sinut alkujaan proteeseihin?

Mikä on todella mielenkiintoista urheilulääketieteen kaltaisilla aloilla on katsella ihmiskeho ja miten jonkun yksilölliset tarpeet, olkoon se urheilua tai muuta, voidaan tukemalla toisten ihmisten toiminnalla, menettelyillä ja prosesseilla. Bioniset raajat ja proteesiteknologia ovat rakentamisesta laitteita, järjestelmiä, teknologiaa, joka auttaa ihmisiä elämään elämää, jota he haluavat elää. Nämä kaksi asiaa ovat todella tiiviisti kytköksissä toisiinsa. Se on todella jännittävää päästä tulemaan täyteen tämmöisellä ympyrällä ja saada nähdä, miten nuo aiemmat kiinnostukseni tulevat toteutumaan, erityisesti johtamalla laboratoriota, jossa tutkimme…

Olet aikaisemmin puhunut proteesin sopeutumisesta ihmiseen sen sijaan, että ihminen sopeutuu proteesiin. Voitko puhua koneoppimisesta tässä?

Täysin. Perustana työkalujen historiassa ihmiset ovat sopeutuneet itse työkaluihinsa ja sitten sopeuttaneet työkalunsa tarpeidensa mukaan. Ja niin on tämä iteratiivinen prosessi, jossa sopeudumme työkaluihimme. Olemme nyt historiallisessa käänteessä, jossa voimme kuvitella rakentavamme työkaluja, jotka ottavat osaa ihmisen älymystä. Työkaluja, jotka todella sopeutuvat ja paranevat käytön aikana. Perusteknologiat tukkivat jatkuvaan oppimiseen. Järjestelmiä, jotka voivat jatkuvasti oppia jatkuvasta kokemuksesta. Tässä tapauksessa vahvistusoppiminen ja sen taustalla olevat mekanismit, kuten aikajaksoeron oppiminen, ovat erittäin tärkeitä rakentamisessa järjestelmiä, jotka voivat jatkuvasti sopeutua vuorovaikuttiessaan ihmisen kanssa ja ollessaan käytössä ihmisen päivittäisessä elämässä.

Voitko määritellä aikajaksoeron oppimisen?

Täysin, mitä pidän tästä on, että voimme ajatella perusteknologioita, aikajaksoeron oppimista ja perusoppi-algoritmeja, jotka muodostavat suuren osan siitä, mitä teemme laboratoriossa. Sinulla on järjestelmä, joka tekee samoin kuin me, eli se tekee ennusteen siitä, miltä tulevaisuus näyttää johonkin signaaliin nähden, kuten tuleva palkkio, jota yleensä näkee. Mutta mikä tahansa muu signaali, jonka voit kuvitella, kuten kuinka paljon voimaa olen käyttänyt juuri nyt, kuinka kuuma se on tuleva, kuinka monta donitsia minulla on huomenna, nämä ovat mahdollisia asioita, joita voit kuvitella ennustavan. Ja perusalgortimi on todella katselemassa eroa ennusteeni ja ennusteeni välillä siitä, mitä tapahtuu juuri nyt ja mitä tapahtuu tulevaisuudessa, sekä minkä tahansa signaalin, jonka saat juuri nyt.

Kuinka paljon voimaa olen käyttänyt, kun robotti käsivarsi nostaa ylös kupin kahvia tai kupin vettä, tämä voi olla katselemassa eroa ennusteen ja ennusteen välillä siitä, kuinka paljon voimaa se on käyttänyt juuri nyt tai kuinka paljon voimaa se käyttää tulevaisuudessa. Ja sitten vertaamalla niitä, saat tämän virheen, aikajaksoeron virheen. Se on kertymä ajan pidentyneestä ennustuksesta ja eroista niiden välillä, jonka voit käyttää päivittämään oppimiskoneen rakennetta itse.

Ja se, taas, perinteisessä vahvistusoppimisessa, joka perustuu palkkioon, se voi olla katselemassa, miten kone toimii palkkion perusteella, jonka se odottaa. Mutta paljon siitä, mitä teemme, on katselemassa muita signaaleja, käyttäen yleistettyjä arvoalueita, joka on vahvistusoppimisen sopeutuminen palkkio-signaaleista mihin tahansa signaaliin, joka on sovellettavissa koneen toimintaan.

Olet usein puhunut proteesista, jota kutsutaan Kairon varpaasta esitelmilläsi. Mitä se opettaa meille?

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

Pidän siitä, että käytän Kairon varpaan esimerkkiä, joka on 3000-vuotias proteesi. Työskentelen neuroproteesien alalla, ja nyt näemme hyvin edistyneitä robotti-järjestelmiä, jotka voivat joissakin tapauksissa olla samalla tasolla kuin biologiset kehon osat. Ja silti, palannut tähän yksinkertaiseen puiseen varpaaseen 3000 vuotta sitten. Luulen, että se on esimerkki siitä, miten ihmiset laajentavat itseään teknologian avulla. Se on jotain, mitä näemme juuri nyt neuroproteesien ja ihmisen ja koneen vuorovaikutuksessa, ei mikään outo, uusi tai outo asia. Olemme aina olleet työkalujen käyttäjiä, myös ei-ihmiset eläimet käyttävät työkaluja. On paljon hyviä kirjoja siitä, erityisesti Frans de Waal, “Olemmeko tarpeeksi älykkäitä tietääksemme, kuinka älykkäitä eläimet ovat?“

Tämä laajentuminen itseämme, parantaminen teknologian avulla, ei ole uusi asia, vaan se on tapahtunut aina, aikojen alusta, tämän maan päällä, jossa me nyt olemme, niiden ihmisten toiminnan kautta, jotka asuivat täällä. Toisaalta Kairon varpaasta on mielenkiintoista, että todisteet, ainakin tutkimusraporttien perusteella, osoittavat, että se sovitettiin useita kertoja sen käytön aikana. He menivät ja mukauttivat sitä, muuttivat sitä, 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, taas, ajatus siitä, että työkalut mukautuvat käytön aikana, ei ole uusi asia, vaan se on jotain, mitä on tapahtunut jo hyvin kauan.

Olet aikaisemmin maininnut palauteteiden välisen yhteyden proteesin ja ihmisen välillä. Voitko selventää palauteteiden yhteyttä?

Olemme erityisellä tavalla katselemassa suhdetta ihmisen ja koneen välillä, joka pyrkii tukemaan häntä päivittäisessä elämässään. Kun joku käyttää keinotekoista raajaa, esimerkiksi joku, jolla on raajan ero, joku, jolla on amputaatio, hän käyttää sitä hyvin paljon työkaluna, laajennuksena kehoonsa. Mutta me emme usein näe ihmisiä tutkivia tai tarkastelevia palauteteitä.

Monet keinotekoiset raajat, joita saatavilla on kaupallisesti, riippuvat paljon mekaanisesta kytkennästä, siitä, miten he tuntevat voimaa raajassa ja toimivat sen mukaan. Se voi olla myös se, että he kuulevat moottorien äänet tai he katsovat, kun he nostavat esineen tai ottavat sen toisesta paikasta työtilastaan. Ja niin edelleen. Nämä ovat perinteisiä tapoja tehdä se. On kuitenkin paljon mielenkiintoista tapahtumassa ympäri maailmaa, miten tietoa voidaan paremmin välittää keinotekoisesta raajasta henkilölle, joka sitä käyttää. Erityisesti täällä Edmontonissa on paljon mielenkiintoista työtä hermoston uudelleenjärjestelyssä, tarkoituksella tehdyn hermoston uudelleenjärjestelyssä ja muissa asioissa, jotka tukevat tätä reittiä.

Miten koneoppiminen voi tukea järjestelmää, joka havaitsee ja ennustaa paljon maailmastaan, ja miten se voi välittää tietoa selkeästi ja tehokkaasti takaisin henkilölle, joka sitä käyttää. Miten koneoppiminen voi tukea sitä. Luulen, että se on hyvin mielenkiintoinen aihe, koska jos sinulla on sekä palautereitti että ohjausreitti, molemmat järjestelmät rakentavat malleja toisistaan, sopeutuvat toisiinsa ja alkavat välittää tietoa kaksisuunnaisessa kanavassa. Voit tehdä jotain lähes ihmeellistä. Voit välittää tietoa “ilmaiseksi”. Jos sinulla on nämä kaksi järjestelmää, jotka ovat hyvin sopeutuneita toisiinsa, ne ovat rakentaneet voimakkaan mallin toisistaan, ja ne ovat sopeutuneet sekä ohjaus- että palautereiteille, voit muodostaa erittäin tiiviit yhteistyösuhteet ihmisen ja koneen välille, jotka voivat välittää valtavan määrän tietoa hyvin vähän vaivaa ja hyvin vähän kaistanleveyttä.

Ja se avaa uusia mahdollisuuksia ihmisen ja koneen väliselle yhteistyölle, erityisesti neuroproteesien alalla. Luulen, että se on todella ihmeellinen aika meille aloittaa tutkiminen tässä alalla.

Luuletko, että nämä valmistetaan 3D-tulostuksella tulevaisuudessa tai miten valmistus edetään?

En tunne, että olisin paras paikka spekuloida siitä, miten se tapahtuu. Voinkin sanoa, että näemme suuren kasvun kaupallisissa tarjoajissa, jotka käyttävät lisävalmistusta, 3D-tulostusta ja muita lisävalmistusmenetelmiä laitteidensa valmistamiseen. Se on myös hyvin mielenkiintoista nähdä, että se ei ole vain kokeellinen käyttö lisävalmistuksesta, vaan 3D-tulostus on osa laitteiden toimittamista yksilöille ja niiden mukauttamista juuri niille, jotka niitä käyttävät.

Lisävalmistus tai mukautettu valmistus, proteesin sovittaminen, tapahtuu sairaaloissa jatkuvasti. Se on osa hoitotoimintaa ihmisille, joilla on raajan ero ja jotka tarvitsevat avustavia teknologioita tai muita kuntoutusmenetelmiä. Luulen, että näemme, miten se mukautuminen alkaa yhdistyä laitteiden valmistukseen, eikä se jää vain hoitotoimijoille. Ja se on myös hyvin mielenkiintoista. Luulen, että on hyvä mahdollisuus laitteille, jotka eivät vain näytä käsiltä tai käytetä käsien tavoin, vaan laitteille, jotka vastaavat tarkasti henkilön tarpeita, jotka antavat heidän ilmaista itsensä tavalla, jolla he haluavat ilmaista itsensä, ja antavat heidän elää elämää, jota he haluavat elää, eivät vain sitä, miten me ajattelemme, että käsiä tulisi käyttää päivittäisessä elämässä.

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

On yksi äskettäin julkaistu artikkeli Neural Computing Applications -julkaisussa, joka edustaa ajattelun käännöstä, jonka olemme esittäneet yli kymmenen vuoden ajan, kehyksistä, joilla ihmiset ja koneet vuorovaikuttavat, erityisesti miten ihmiset ja proteesit vuorovaikuttavat. Se on ajatus “viestintäpääoma”. Ja se on artikkeli, jonka äskettäin julkaisimme.

Ja se esittää näkemyksemme siitä, miten ennustukset, jotka oppivat ja ylläpitävät reaaliajassa proteesin ja henkilön vuorovaikutuksessa, voivat muodostaa pääoman, voivat muodostaa resurssin, jota molemmat osapuolet voivat luottaa. Muistan, että aiemmin sanoin, että voimme tehdä jotain todella upeaa, kun meillä on sekä palautereitti että ohjausreitti, molemmat järjestelmät rakentavat malleja toisistaan, sopeutuvat toisiinsa ja alkavat välittää tietoa kaksisuunnaisessa kanavassa.

Se on kuin magia. Jos mennään takaisin ajattelijoihin kuten Ashby, W. Ross Ashby, 1960-luvulla ja hänen kirjassaan “Johdanto kybernetiikkaan” puhui siitä, miten voimme vahvistaa ihmisen älymystä. Ja hän sanoi, että se tulee ihmisen kyvystä valita yksi useista vaihtoehdoista. Ja se on mahdollista järjestelmissä, joissa ihminen vuorovaikuttaa koneen kanssa, jossa on avoin viestintäkanava heidän välillään.

Ja jos meillä on se viestintäkanava auki, jos se on kaksisuuntainen, ja jos molemmat järjestelmät rakentavat pääomaa ennustusten ja muiden asioiden muodossa, voit alkaa nähdä, miten ne alkavat sopeutua toisiinsa ja muodostaa yhteistyötä, joka on enemmän kuin yksittäisten osien summa. Voit saada enemmän ulos kuin mitä sinne panet. Ja luulen, että se on miksi pidän tätä yhtenä mielenkiintoisimmista artikkeleistamme, koska se edustaa ajattelun muutosta. Se edustaa ajattelun muutosta kohti näkemistä neuroproteesilaitteita järjestelminä, joilla on toimijuus, järjestelminä, joille emme vain anna toimijuutta, vaan järjestelminä, joista voimme riippua, jotta voimme sopeutua yhdessä ja rakentaa ylös näitä resursseja, viestintäpääomaa, joka antaa meille mahdollisuuden moninkertaistaa kykymme vuorovaikuttaa maailman kanssa ja antaa meille elää elämää, jonka haluamme elää, eikä vain laitteen avulla, joka auttaa meitä elämään elämäämme.

Mitkä ovat sovellukset aivo-kone-liittymille, mitä juuri mainitsit?

Yksi suosikeistani on jotain, mitä olemme esittäneet yli 10 vuoden ajan, on teknologia, jota kutsutaan sopeutuvaksi kytkennäksi. Soveltuva kytkentä perustuu tietoon, että monissa järjestelmissä, joilla vuorovaikutamme päivittäin, on useita tiloja tai toimintoja, joita me vaihdamme. Vaihdanko sovelluksia puhelimessani, yritänkö selvittää oikean asetuksen porakoneessani, vai yritänkö sovittaa muita työkaluja elämässäni, me vaihdamme usein tiloja tai toimintoja. Soveltuva kytkentä käyttää aikajaksoeron oppimista, jotta keinotekoinen raaja voi oppia, minkä toiminnon henkilö haluaa käyttää ja milloin. Se on hyvin yksinkertainen lähtökohta, eli vain se, että olen osoittamassa kuppiin ja sulken kätteni.

Hyvin yksinkertainen esimerkki siitä, miten voidaan rakentaa yhteistyötä, joka antaa meille mahdollisuuden muodostaa pääoman, jota molemmat osapuolet voivat luottaa. Voit nähdä, miten järjestelmä, joka on todella sopeutunut toisiinsa, voi antaa meille mahdollisuuden siirtyä nopeasti maailmassa ja vähentää kognitiivista kuormitusta, erityisesti yksikössä.

Kiitos tästä upeasta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla seuraavilla verkkosivuilla:

• Tohtori Patrick M. Pilarski Albertan yliopiston sivu.
• Upper Bound AI -konferenssi.
• Amii (Alberta Machine Intelligence Institute)