Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Seri Wawancara

Dr. Patrick M. Pilarski adalah Canada CIFAR Artificial Intelligence Chair, mantan Canada Research Chair in Machine Intelligence for Rehabilitation, dan Associate Professor di Divisi Physical Medicine and Rehabilitation, Departemen Medicine, University of Alberta.

Pada tahun 2017, Dr. Pilarski menjadi co-pendiri kantor penelitian internasional pertama DeepMind, yang terletak di Edmonton, Alberta, di mana ia menjabat sebagai co-lead dan Senior Staff Research Scientist hingga 2023. Ia adalah Fellow dan anggota Dewan Direksi di Alberta Machine Intelligence Institute (Amii), co-leads Laboratorium Bionic Limbs for Improved Natural Control (BLINC), dan merupakan peneliti utama di Laboratorium Reinforcement Learning and Artificial Intelligence (RLAI) dan Jaringan Sensory Motor Adaptive Rehabilitation Technology (SMART) di University of Alberta.

Dr. Pilarski adalah penulis atau co-penulis lebih dari 120 artikel peer-reviewed, Senior Member of the IEEE, dan telah didukung oleh hibah penelitian provinsi, nasional, dan internasional.

Kami duduk untuk wawancara di konferensi tahunan 2023 Upper Bound tentang AI yang diadakan di Edmonton, AB dan diselenggarakan oleh Amii (Alberta Machine Intelligence Institute).

Bagaimana Anda menemukan diri Anda di AI? Apa yang menarik Anda ke industri ini?

Itu adalah dua pertanyaan terpisah. Dalam hal apa yang menarik saya ke AI, ada sesuatu yang indah tentang bagaimana kompleksitas dapat muncul dan bagaimana struktur dapat muncul dari kompleksitas. Kecerdasan hanya salah satu contoh luar biasa dari itu, sehingga apakah itu berasal dari biologi atau apakah itu berasal dari bagaimana kita melihat perilaku yang rumit muncul di mesin, saya pikir ada sesuatu yang indah tentang itu. Itu selalu mempesona saya selama waktu yang sangat lama, dan trajektori saya yang panjang dan berliku-liku untuk bekerja di area AI yang saya kerjakan sekarang, yang merupakan mesin yang belajar melalui trial dan error, sistem penguatan yang berinteraksi dengan manusia sambil mereka berdua terendam dalam aliran pengalaman, aliran waktu, datang melalui semua jenis pelatihan yang berbeda.

Saya mempelajari bagaimana mesin dan manusia dapat berinteraksi dalam hal perangkat biomekatronik dan bioteknologi, hal-hal seperti anggota tubuh buatan dan prostesis.

Saya melihat bagaimana AI dapat digunakan untuk mendukung diagnosis medis, bagaimana kita dapat menggunakan kecerdasan mesin untuk memulai memahami pola yang menyebabkan penyakit atau bagaimana penyakit yang berbeda mungkin muncul dalam hal rekaman pada mesin. Tapi itu semua bagian dari dorongan panjang untuk benar-benar memulai menghargai bagaimana Anda mungkin dapat mendapatkan perilaku yang sangat kompleks dari fondasi yang sangat sederhana. Dan itu yang saya cintai, terutama tentang pembelajaran penguatan, adalah ide bahwa mesin dapat menyatu dalam aliran waktu dan belajar dari pengalaman mereka sendiri untuk menampilkan perilaku yang sangat kompleks dan menangkap baik fenomena kompleks, benar-benar, di dunia di sekitar mereka. Itu telah menjadi kekuatan pendorong.

Mekaniknya, saya sebenarnya melakukan banyak pelatihan kedokteran olahraga dan hal-hal seperti itu di sekolah menengah. Saya mempelajari kedokteran olahraga dan sekarang saya bekerja di lingkungan di mana saya melihat bagaimana kecerdasan mesin dan teknologi rehabilitasi datang bersama untuk mendukung orang dalam kehidupan sehari-hari mereka. Ini adalah perjalanan yang sangat menarik, seperti sisi yang mempesona dengan sistem kompleks dan kompleksitas, dan kemudian sangat praktis tentang bagaimana kita mulai memikirkan bagaimana manusia dapat didukung, hidup hidup yang mereka inginkan.

Bagaimana olahraga awalnya membawa Anda ke prostetik?

Apa yang sangat menarik tentang bidang seperti kedokteran olahraga adalah melihat tubuh manusia dan bagaimana kebutuhan unik seseorang, apakah itu olahraga atau lainnya, dapat sebenarnya didukung oleh orang lain, oleh prosedur dan proses. Anggota tubuh buatan dan teknologi prostetik adalah tentang membangun perangkat, membangun sistem, membangun teknologi yang membantu orang hidup hidup yang mereka inginkan. Kedua hal ini sangat terkait erat. Ini benar-benar sangat menyenangkan untuk dapat datang penuh lingkaran dan memiliki beberapa minat awal datang ke buah dalam, lagi, co-memimpin sebuah laboratorium di mana kita melihat… Dan terutama sistem pembelajaran mesin yang bekerja dengan cara yang sangat terkait, orang yang mereka desain untuk mendukung.

Anda sebelumnya membahas bagaimana prostetik beradaptasi dengan orang bukan sebaliknya. Bisakah Anda berbicara tentang pembelajaran mesin di balik ini?

Tentu. Sebagai dasar dalam sejarah penggunaan alat, manusia telah beradaptasi dengan alat mereka dan kemudian kita telah beradaptasi alat kita dengan kebutuhan yang kita miliki. Dan jadi ada proses iteratif dari kita beradaptasi dengan alat kita. Kita sekarang berada pada titik infleksi di mana untuk pertama kalinya, Anda mungkin telah mendengar saya mengatakan ini sebelumnya dalam ceramah jika Anda telah melihat beberapa ceramah yang saya berikan. Tapi benar-benar, kita sekarang berada pada titik penting dalam sejarah di mana kita dapat sekarang membayangkan membangun alat yang membawa beberapa tanda kecerdasan manusia. Alat yang sebenarnya akan beradaptasi dan meningkatkan kualitas sementara mereka digunakan oleh seseorang. Teknologi dasar mendukung pembelajaran terus menerus. Sistem yang dapat terus belajar dari aliran pengalaman yang berkelanjutan. Dalam hal ini, pembelajaran penguatan dan mekanisme yang mendasarinya, hal-hal seperti pembelajaran perbedaan waktu, sangat penting untuk membangun sistem yang dapat terus beradaptasi sementara mereka berinteraksi dengan seseorang dan sementara mereka digunakan oleh seseorang untuk mendukung mereka dalam kehidupan sehari-hari mereka.

Bisakah Anda mendefinisikan pembelajaran perbedaan waktu?

Tentu, apa yang saya sukai tentang ini adalah bahwa kita dapat memikirkan tentang teknologi inti, pembelajaran perbedaan waktu dan algoritma pembelajaran prediksi dasar yang mendasari banyak dari apa yang kita kerjakan di laboratorium. Anda memiliki sistem yang, sama seperti kita, membuat prediksi tentang apa yang akan terjadi di masa depan dengan menghormati beberapa sinyal, dengan menghormati sesuatu seperti penghargaan masa depan yang biasanya kita lihat. Tapi sinyal lain yang mungkin Anda bayangkan seperti, berapa banyak gaya yang saya terapkan sekarang? Berapa panas yang akan saya rasakan besok? Berapa banyak donat yang saya akan miliki besok? Ini adalah hal-hal yang mungkin Anda bayangkan untuk diprediksi.

Dan inti algoritma benar-benar melihat perbedaan antara tebakan saya tentang apa yang akan terjadi sekarang dan tebakan saya tentang apa yang akan terjadi di masa depan bersama dengan sinyal apa pun yang saya terima saat ini.

Berapa banyak gaya yang saya terapkan sebagai lengan robot yang mengangkat cangkir kopi atau cangkir air? Ini mungkin melihat perbedaan antara prediksi tentang jumlah gaya yang akan saya terapkan sekarang atau seberapa banyak gaya yang akan saya terapkan selama beberapa periode di masa depan. Dan kemudian membandingkannya dengan harapan saya tentang masa depan dan gaya yang sebenarnya saya terapkan. Letakkan semua itu bersama, dan Anda mendapatkan kesalahan ini, kesalahan perbedaan waktu. Ini adalah akumulasi yang bagus dari ramalan yang diperpanjang secara waktu dan perbedaan di antaranya, yang dapat Anda gunakan untuk memperbarui struktur mesin pembelajaran itu sendiri.

Dan jadi ini, lagi, untuk pembelajaran penguatan konvensional berdasarkan penghargaan, ini bisa melihat memperbarui cara mesin bertindak berdasarkan penghargaan masa depan yang diharapkan. Untuk banyak dari apa yang kita lakukan, itu melihat sinyal lain, menggunakan fungsi nilai umum, yang merupakan adaptasi dari proses pembelajaran penguatan, pembelajaran perbedaan waktu dari sinyal penghargaan ke sinyal apa pun yang mungkin relevan dengan operasi mesin.

Anda sering berbicara tentang prostetik yang disebut Cairo Toe dalam presentasi Anda. Apa yang dapat diajarkan kepada kita?

The Cairo Toe University of Basel, LHTT. Image: Matjaž Kačičnik

Saya suka menggunakan contoh Cairo Toe, prostetik 3000 tahun yang lalu. Saya bekerja di bidang neuroprostetik, kita sekarang melihat sistem robotik yang sangat maju yang dapat dalam beberapa kasus memiliki kontrol yang sama atau derajat kontrol yang sama dengan bagian tubuh biologis. Dan yet, saya kembali ke jari kaki kayu yang sangat stilised 3000 tahun yang lalu. Saya pikir apa yang keren adalah itu adalah contoh manusia yang memperluas diri dengan teknologi. Itu adalah apa yang kita lihat sekarang dalam hal neuroprostetik dan interaksi manusia-mesin adalah tidak sesuatu yang aneh, baru atau aneh. Kita telah selalu menjadi pengguna alat, hewan non-manusia juga menggunakan alat. Ada banyak buku hebat tentang ini, terutama oleh Frans de Waal, “Are We Smart Enough to Know How Smart Animals Are?”.

Pengembangan diri kita, peningkatan dan peningkatan diri kita melalui penggunaan alat bukanlah sesuatu yang baru, itu adalah sesuatu yang kuno. Itu adalah sesuatu yang telah terjadi sejak waktu dan memorial di tanah yang kita tempati sekarang oleh orang-orang yang tinggal di sini. Hal lain yang menarik tentang Cairo Toe adalah bahwa bukti, setidaknya dari laporan cendekiawan tentang itu, menunjukkan bahwa itu telah disesuaikan beberapa kali selama interaksinya dengan penggunanya. Mereka sebenarnya masuk dan menyesuaikan, mengubah dan memodifikasi selama penggunaannya.

Pemahaman saya, itu bukan hanya alat yang tetap yang dipasang pada seseorang selama hidup mereka, itu adalah alat yang tetap yang dipasang tetapi juga dimodifikasi. Ini adalah contoh tentang bagaimana, lagi, ide bahwa alat disesuaikan selama span penggunaan mereka dan span penggunaan yang berkelanjutan sebenarnya adalah sesuatu yang juga sangat kuno. Itu bukan sesuatu yang baru, dan ada banyak pelajaran yang dapat kita pelajari dari ko-adaptasi orang dan alat selama banyak, banyak tahun.

Anda sebelumnya menyebutkan jalur umpan balik antara prostetik dan manusia, bisakah Anda menjelaskan jalur umpan balik?

Kita juga berada dalam waktu khusus dalam hal bagaimana kita memandang hubungan antara seseorang dan mesin yang bertujuan untuk mendukung mereka dalam kehidupan sehari-hari mereka. Ketika seseorang menggunakan anggota tubuh buatan, katakanlah seseorang dengan perbedaan anggota tubuh, seseorang dengan amputasi menggunakan anggota tubuh buatan. Secara tradisional, mereka akan menggunakan itu sangat banyak seperti alat, seperti perpanjangan tubuh mereka, tetapi kita akan melihat mereka sangat bergantung pada apa yang kita anggap sebagai jalur kontrol. Bahwa beberapa indikasi dari roda atau niat mereka sedang dipindahkan ke perangkat, yang kemudian ditugaskan untuk memahami apa itu, dan kemudian melaksanakan, apakah itu membuka dan menutup tangan atau melipat siku atau membuat genggaman untuk mengambil kunci. Kita sering tidak melihat orang-orang yang mempelajari atau mempertimbangkan jalur umpan balik.

Jadi sejumlah besar anggota tubuh buatan yang mungkin Anda lihat diterapkan secara komersial, jalur informasi yang mengalir dari perangkat ke orang mungkin adalah penghubungan mekanis, cara mereka sebenarnya merasakan gaya-gaya anggota tubuh dan bertindak atas mereka. Mungkin mereka mendengar suara motor atau mereka menonton saat mereka mengambil penjepit dan memindahkannya di seberang meja atau mereka mengambilnya dari bagian lain ruang kerja mereka. Dan jadi, jalur-jalur itu adalah cara tradisional untuk melakukannya. Ada hal-hal yang luar biasa yang terjadi di seluruh dunia untuk melihat bagaimana informasi mungkin lebih baik diberikan kembali dari anggota tubuh buatan ke orang yang menggunakannya. Terutama bahkan di sini di Edmonton, ada banyak pekerjaan yang sangat keren yang menggunakan pengkabelan ulang sistem saraf, renovasi saraf yang ditargetkan dan hal-hal lain untuk mendukung jalur itu. Tapi itu masih merupakan area studi yang sangat baru dan berkembang untuk memikirkan bagaimana pembelajaran mesin dapat mendukung interaksi dengan menghormati jalur umpan balik.

Bagaimana pembelajaran mesin dapat mendukung sistem yang mungkin memperoleh dan memprediksi banyak hal tentang dunia mereka sebenarnya mengirimkan, memiliki informasi itu diteruskan dengan jelas dan efektif kembali ke orang yang menggunakannya. Bagaimana pembelajaran mesin dapat mendukung itu? Saya pikir ini adalah topik yang sangat baik, karena jika Anda memiliki kedua jalur umpan balik dan jalur kontrol, kedua jalur tersebut beradaptasi dan kedua perangkat yang digunakan oleh orang dan orang itu sendiri membangun model dari satu sama lain. Anda dapat melakukan sesuatu yang hampir ajaib. Anda dapat hampir mengirimkan informasi secara gratis. Jika Anda memiliki kedua sistem yang sebenarnya sangat terbiasa dengan satu sama lain, mereka telah membangun model yang sangat kuat dari satu sama lain dan mereka memiliki adaptasi baik untuk mengontrol jalur umpan balik, Anda dapat membentuk kemitraan yang sangat ketat antara manusia dan mesin yang dapat melewati sejumlah besar informasi dengan sangat sedikit upaya dan sangat sedikit bandwidth.

Dan itu membuka wilayah baru koordinasi manusia-mesin, terutama di bidang neuroprostetik. Saya benar-benar pikir ini adalah waktu yang sangat ajaib bagi kita untuk mulai mempelajari bidang ini.

Apakah Anda pikir ini akan dicetak 3D di masa depan atau bagaimana Anda pikir manufaktur akan berlanjut?

Saya tidak merasa seperti saya adalah tempat terbaik untuk berspekulasi tentang bagaimana itu mungkin terjadi. Saya bisa mengatakan, bagaimanapun, bahwa kita melihat peningkatan besar dalam penyedia komersial perangkat neuroprostetik yang menggunakan manufaktur aditif, pencetakan 3D, dan bentuk manufaktur aditif lainnya untuk membuat perangkat mereka. Ini juga sangat menyenangkan untuk dilihat, bahwa itu bukan hanya prototipe yang menggunakan manufaktur aditif atau pencetakan 3D, itu adalah pencetakan 3D yang menjadi bagian integral dari bagaimana kita menyediakan perangkat untuk individu dan bagaimana kita mengoptimalkan perangkat tersebut untuk orang-orang yang tepat yang menggunakannya.

Manufaktur aditif atau manufaktur khusus, penyesuaian prostetik terjadi di rumah sakit semua waktu. Ini adalah bagian alami dari penyediaan perawatan untuk orang-orang dengan perbedaan anggota tubuh yang membutuhkan teknologi bantu atau teknologi rehabilitasi lainnya. Saya pikir kita mulai melihat bahwa banyak penyesuaian itu mulai bergabung dengan produsen perangkat, dan tidak hanya ditinggalkan untuk penyedia perawatan. Dan itu juga sangat menyenangkan. Saya pikir ada kesempatan besar untuk perangkat yang tidak hanya terlihat seperti tangan atau digunakan tangan, tetapi perangkat yang sangat tepat memenuhi kebutuhan orang yang menggunakannya, yang memungkinkan mereka untuk mengekspresikan diri dengan cara yang mereka inginkan, dan membiarkan mereka hidup hidup yang mereka inginkan, tidak hanya cara kita pikir tangan harus digunakan dalam kehidupan sehari-hari.

Anda telah menulis lebih dari 120 makalah. Apakah ada satu yang menonjol bagi Anda yang harus kita ketahui?

Ada makalah yang baru saja diterbitkan di aplikasi komputasi saraf, tetapi itu mewakili puncak dari pemikiran yang telah kita ajukan selama hampir satu dekade sekarang, tentang kerangka kerja untuk bagaimana manusia dan mesin berinteraksi, terutama bagaimana manusia dan perangkat prostetik berinteraksi. Ini adalah gagasan tentang modal komunikatif. Dan jadi makalah ini adalah yang baru saja kita terbitkan.

Dan makalah ini memajukan pandangan kita tentang bagaimana prediksi yang dipelajari dan dipertahankan dalam waktu nyata oleh, katakanlah, perangkat prostetik yang berinteraksi dengan seseorang, orang itu sendiri dapat membentuk esensial, dapat membentuk sumber daya yang kedua pihak dapat bergantung. Ingat, sebelumnya saya mengatakan kita dapat melakukan sesuatu yang sangat spektakuler ketika kita memiliki manusia dan mesin yang keduanya membangun model dari satu sama lain, beradaptasi dalam waktu nyata berdasarkan pengalaman, dan mulai melewati informasi dalam saluran bidirectional. Sebagai catatan samping, karena kita hidup di dunia yang ajaib di mana ada rekaman dan Anda dapat memotong hal-hal dari itu.

Ini pada dasarnya seperti sihir.

Tepat. Ini terdengar seperti sihir. Jika kita kembali ke pemikir seperti Ashby, W. Ross Ashby, kembali di tahun 1960-an dan bukunya “Introduction of Cybernetics” berbicara tentang bagaimana kita mungkin memperkuat intelek manusia. Dan dia benar-benar mengatakan itu turun ke memperkuat kemampuan seseorang untuk memilih antara salah satu dari banyak pilihan. Dan ini dimungkinkan oleh sistem di mana seseorang berinteraksi dengan, katakanlah, mesin, di mana ada saluran komunikasi terbuka antara mereka. Jadi jika kita memiliki saluran komunikasi terbuka itu, jika itu bidirectional, dan jika kedua sistem membangun modal dalam bentuk prediksi dan hal-hal lain, maka Anda dapat mulai melihat mereka benar-benar menyelaraskan diri dan menjadi lebih dari jumlah bagian mereka. Anda dapat mendapatkan lebih dari apa yang mereka masukkan.

Dan saya pikir ini adalah mengapa saya menganggap ini sebagai salah satu makalah kami yang paling menarik, karena itu benar-benar mewakili pergeseran pemikiran. Ini mewakili pergeseran pemikiran menuju memikirkan perangkat neuroprostetik sebagai sistem dengan keagenan, sistem yang kita mungkin tidak hanya menggambarkan keagenan, tetapi bergantung pada untuk dapat beradaptasi dengan kita untuk membangun sumber daya ini. Modal komunikatif yang memungkinkan kita untuk mengalikan kemampuan kita untuk berinteraksi dengan dunia, memungkinkan kita untuk mendapatkan lebih dari apa yang kita masukkan dan memungkinkan orang untuk, saya akan mengatakan, dari lensa prostetik, berhenti memikirkan prostetik dalam kehidupan sehari-hari mereka dan mulai memikirkan hidup kehidupan sehari-hari mereka. Tidak perangkat yang membantu mereka hidup kehidupan sehari-hari mereka.

Apa aplikasi yang Anda lihat untuk antarmuka otak-mesin dengan apa yang baru saja Anda diskusikan?

Salah satu favorit saya adalah sesuatu yang kami ajukan, lagi, selama hampir 10 tahun sekarang, adalah teknologi yang disebut switching adaptif. Switching adaptif didasarkan pada pengetahuan bahwa banyak sistem yang kita interaksikan dalam kehidupan sehari-hari bergantung pada kita untuk beralih antara banyak mode atau fungsi. Apakah saya beralih antara aplikasi di ponsel saya atau saya mencoba menemukan pengaturan yang tepat di bor saya atau apakah saya menyesuaikan alat lain dalam hidup saya, kita beralih antara banyak mode atau fungsi semua waktu, berpikir kembali ke Ashby, kemampuan kita untuk memilih antara banyak pilihan. Jadi dalam switching adaptif, kita menggunakan pembelajaran perbedaan waktu untuk memungkinkan anggota tubuh buatan untuk mempelajari apa fungsi motor yang mungkin ingin digunakan seseorang dan kapan mereka ingin menggunakannya. Jadi benar-benar premis yang sangat sederhana adalah bahwa, hanya tindakan saya mencapai cangkir dan menutup tangan saya.

Baik, sistem harus dapat membangun prediksi melalui pengalaman bahwa dalam situasi ini, saya kemungkinan besar akan menggunakan fungsi buka-tutup tangan. Saya akan membuka dan menutup tangan saya. Dan kemudian di masa depan, dalam situasi yang serupa, untuk dapat memprediksi itu. Dan ketika saya menavigasi awan yang berputar-putar dari mode dan fungsi, memberi saya lebih atau kurang yang saya inginkan tanpa harus menyortir semua pilihan itu. Dan ini adalah contoh sederhana dari membangun modal komunikatif. Anda memiliki sistem yang sebenarnya membangun prediksi melalui interaksi, prediksi tentang orang itu, mesin itu, hubungan mereka dalam situasi itu pada waktu itu. Dan sumber daya bersama itu kemudian memungkinkan sistem untuk mengkonfigurasi ulang antarmuka kontrolnya di terbang, sehingga orang itu mendapatkan apa yang mereka inginkan dan kapan mereka inginkan. Dan benar-benar, dalam situasi di mana sistem sangat, sangat yakin tentang apa fungsi motor yang mungkin ingin digunakan seseorang, itu sebenarnya dapat hanya memilih itu untuk mereka saat mereka masuk.

Dan hal yang keren adalah, orang itu selalu memiliki kemampuan untuk mengatakan, “Ah, ini adalah apa yang saya benar-benar inginkan,” Dan beralih ke fungsi motor lain. Dalam lengan robot, itu mungkin berbagai jenis genggaman tangan, apakah itu membentuk genggaman untuk mengambil kenop pintu atau mengambil kunci atau untuk menjabat tangan seseorang. Itu adalah mode atau fungsi yang berbeda, pola genggaman yang berbeda. Ini sangat menarik bahwa sistem dapat mulai membangun apresiasi tentang apa yang tepat dalam situasi apa. Unit modal yang kedua pihak dapat bergantung untuk bergerak lebih cepat melalui dunia, dan dengan beban kognitif yang lebih sedikit, terutama dalam unit itu.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi sumber daya berikut:

• Dr. Patrick M. Pilarski Halaman University of Alberta.
• Konferensi AI Upper Bound.
• Amii (Alberta Machine Intelligence Institute)