Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Intervista di Serie

Dr. Patrick M. Pilarski è un Canada CIFAR Artificial Intelligence Chair, ex Canada Research Chair in Machine Intelligence for Rehabilitation e Associate Professor nel Dipartimento di Medicina dell’Università dell’Alberta.

Nel 2017, il Dr. Pilarski ha co-fondato il primo ufficio di ricerca internazionale di DeepMind, situato a Edmonton, Alberta, dove ha lavorato come co-lead e Senior Staff Research Scientist fino al 2023. È un Fellow e membro del consiglio di amministrazione dell’Alberta Machine Intelligence Institute (Amii), co-leader del laboratorio Bionic Limbs for Improved Natural Control (BLINC) e principale investigatore del Reinforcement Learning and Artificial Intelligence Laboratory (RLAI) e del Sensory Motor Adaptive Rehabilitation Technology (SMART) Network all’Università dell’Alberta.

Il Dr. Pilarski è l’autore o co-autore di oltre 120 articoli peer-reviewed, Senior Member dell’IEEE e ha ricevuto sostegno da parte di finanziamenti di ricerca provinciali, nazionali e internazionali.

Ci siamo seduti per un’intervista alla conferenza annuale 2023 Upper Bound su AI, che si tiene a Edmonton, AB e viene ospitata da Amii (Alberta Machine Intelligence Institute).

Come sei arrivato a lavorare nell’ambito dell’AI? Cosa ti ha attirato verso questo settore?

Queste sono due domande separate. In termini di cosa mi attrae verso l’AI, c’è qualcosa di bello nel modo in cui la complessità può emergere e come la struttura può emergere dalla complessità. L’intelligenza è solo uno di questi esempi incredibili, quindi sia che provenga dalla biologia o dal modo in cui vediamo comportamenti elaborati emergere nelle macchine, credo che ci sia qualcosa di bello in questo. Questo mi ha sempre affascinato per molto tempo e il mio percorso tortuoso per lavorare nell’area dell’AI in cui lavoro ora, che è quella delle macchine che imparano attraverso la prova e l’errore, sistemi di rinforzo che interagiscono con gli esseri umani mentre sono immersi in esso, il flusso dell’esperienza, il flusso del tempo, è passato attraverso molti piatti diversi.

Ho studiato come le macchine e gli esseri umani possano interagire in termini di dispositivi biomeccanici e biotecnologia, cose come arti artificiali e protesi.

Ho guardato come l’AI possa essere utilizzata per supportare la diagnostica medica, come possiamo utilizzare l’intelligenza macchina per iniziare a capire i modelli che portano alla malattia o come diverse malattie potrebbero presentarsi in termini di registrazioni su una macchina. Ma tutto questo fa parte di questo lungo e tortuoso percorso per iniziare a capire come sia possibile ottenere comportamenti molto complessi da fondamenti molto semplici. E questo è ciò che amo, specialmente dell’apprendimento per rinforzo, l’idea che la macchina possa immergersi nel flusso del tempo e imparare dalla propria esperienza per esibire comportamenti molto complessi e catturare sia i fenomeni complessi, veramente, nel mondo che li circonda.

La meccanica di questo, in realtà ho fatto molto addestramento in medicina sportiva e cose del genere alle scuole superiori. Ho studiato medicina sportiva e adesso sono qui a lavorare in un ambiente in cui guardo come l’intelligenza macchina e le tecnologie di riabilitazione si incontrano per supportare le persone nella loro vita quotidiana. È un percorso molto interessante, come la fascinazione laterale per i sistemi complessi e la complessità, e poi la pragmatica molto pratica di come possiamo iniziare a pensare a come gli esseri umani possano essere meglio supportati, vivere le vite che vogliono vivere.

Come hai iniziato a lavorare con le protesi?

Cosa è veramente interessante nei campi come la medicina sportiva è guardare il corpo umano e come le esigenze uniche di una persona, che siano sportive o meno, possano in realtà essere supportate da altre persone, da procedure e processi. Le gambe bioniche e le tecnologie protesiche sono sulla costruzione di dispositivi, sistemi, tecnologie che aiutano le persone a vivere le vite che vogliono vivere. Queste due cose sono veramente strettamente collegate. È veramente emozionante poter tornare indietro e vedere che alcune di quelle prime passioni sono diventate realtà, di nuovo, co-leader di un laboratorio in cui guardiamo… E specialmente sistemi di apprendimento macchina che lavorano in un modo strettamente accoppiato, la persona che è progettata per supportare.

Hai discusso in precedenza come una protesi si adatti alla persona invece della persona che si adatta alla protesi. Potresti parlare del machine learning dietro questo?

Absolutamente. Come fondamento nella storia dell’uso degli strumenti, gli esseri umani si sono adattati ai loro strumenti e poi abbiamo adattato i nostri strumenti alle esigenze che abbiamo. E quindi c’è questo processo iterativo di adattamento ai nostri strumenti. Siamo, adesso, a un punto di svolta nella storia in cui per la prima volta, potremmo immaginare di costruire strumenti che portino alcuni di quei tratti dell’intelligenza umana. Strumenti che in realtà si adatteranno e miglioreranno mentre sono utilizzati da una persona. Le tecnologie sottostanti supportano l’apprendimento continuo. Sistemi che possono imparare continuamente da un flusso di esperienza in corso. In questo caso, l’apprendimento per rinforzo e i meccanismi che lo sostengono, cose come l’apprendimento della differenza temporale, sono veramente critici per costruire sistemi che possano continuamente adattarsi mentre interagiscono con una persona e mentre sono utilizzati da una persona che li supporta nella loro vita quotidiana.

Potresti definire l’apprendimento della differenza temporale?

Absolutamente, cosa mi piace di questo è che possiamo pensare alle tecnologie di base, l’apprendimento della differenza temporale e gli algoritmi di apprendimento della previsione fondamentali che sostengono gran parte di ciò su cui lavoriamo nel laboratorio. Avete un sistema che, molto come noi, sta facendo una previsione su cosa sarà il futuro con rispetto a un segnale, con rispetto a qualcosa come la ricompensa futura è ciò che di solito vediamo. Ma qualsiasi altro segnale potreste immaginare come, quanto forza sto esercitando in questo momento? Quanto sarà caldo domani? Quanti dolci avrò domani? Queste sono le cose possibili che potreste immaginare di prevedere. E quindi l’algoritmo di base è veramente alla ricerca della differenza tra la mia ipotesi su cosa accadrà adesso e la mia ipotesi su cosa accadrà nel futuro insieme a qualsiasi segnale che sto attualmente ricevendo.

Quanto forza sto esercitando come braccio robotico che solleva una tazza di caffè o una tazza d’acqua? Questo potrebbe essere alla ricerca della differenza tra la previsione sulla quantità di forza che sto esercitando adesso o la quantità che eserciterò su un periodo di tempo nel futuro. E poi confrontare questo con le mie aspettative sul futuro e la forza che sto effettivamente esercitando. Mettete tutto questo insieme, e ottenete questo errore, l’errore della differenza temporale. È questo accumulo di previsioni estese nel tempo e delle differenze tra loro, che potete utilizzare per aggiornare la struttura della macchina di apprendimento stessa.

E quindi, di nuovo, per l’apprendimento per rinforzo convenzionale basato sulla ricompensa, questo potrebbe essere alla ricerca di aggiornare il modo in cui la macchina agisce in base alla ricompensa futura prevista. Per molte delle cose che facciamo, è alla ricerca di altri tipi di segnali, utilizzando funzioni di valore generalizzate, che è l’adattamento del processo di apprendimento per rinforzo, apprendimento della differenza temporale dei segnali di ricompensa a qualsiasi tipo di segnale di interesse che potrebbe essere applicabile all’operazione della macchina.

Hai spesso parlato di una protesi chiamata Cairo Toe nelle tue presentazioni. Cosa ha da insegnarci?

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

Mi piace usare l’esempio del Cairo Toe, una protesi di 3000 anni fa. Lavoro nell’area delle protesi neurologiche, adesso vediamo sistemi robotici avanzati che possono avere lo stesso livello di controllo o i gradi di controllo delle parti del corpo biologico. Eppure, torno a una protesi di legno stilizzata di 3000 anni fa. Credo che ciò che è divertente è che è un esempio di come gli esseri umani si estendono con la tecnologia. Quello che stiamo vedendo adesso in termini di interazione uomo-macchina e protesi neurologiche non è qualcosa di strano, nuovo o strambo. Abbiamo sempre utilizzato strumenti, gli animali non umani utilizzano anche strumenti. Ci sono molti libri fantastici su questo, specialmente di Frans de Waal, “Are We Smart Enough to Know How Smart Animals Are?”.

Questa estensione di noi stessi, l’aumento e il miglioramento di noi stessi attraverso l’uso degli strumenti non è qualcosa di nuovo, è qualcosa di antico. È qualcosa che è stato accadendo dal tempo e dalla memoria nel territorio in cui ci troviamo adesso, da parte delle persone che vivevano qui. L’altra cosa interessante sul Cairo Toe è che le prove, almeno dai rapporti accademici su di esso, mostrano che è stato adattato più volte nel corso delle sue interazioni con gli utenti. Hanno effettivamente modificato e cambiato, adattato durante il suo utilizzo.

La mia comprensione è che non era solo uno strumento fisso che era attaccato a una persona durante la sua vita, era uno strumento fisso che era attaccato ma anche modificato. È un esempio di come, di nuovo, l’idea che gli strumenti siano adattati durante il loro utilizzo e un utilizzo sostenuto sia in realtà qualcosa di antico. Non è qualcosa di nuovo, e ci sono molte lezioni che possiamo imparare dall’adattamento congiunto di persone e strumenti nel corso di molti, molti anni.

Hai menzionato in precedenza il percorso di feedback tra protesi e umano, potresti elaborare sul percorso di feedback?

Siamo anche in un momento speciale in termini di come stiamo guardando la relazione tra una persona e la macchina che mira a supportarla nella sua vita quotidiana. Quando qualcuno sta utilizzando un arto artificiale, diciamo qualcuno con una differenza di arto, qualcuno con un’amputazione che sta utilizzando un arto artificiale. Tradizionalmente, lo useranno molto come uno strumento, come un’estensione del loro corpo, ma vedremo che si affidano in gran parte a ciò che consideriamo il percorso di controllo. Che some senso della loro ruota o della loro intenzione viene passata giù per quel dispositivo, che è quindi incaricato di capire cosa è, e poi eseguire su di esso, sia che si apra e si chiuda una mano o si pieghi un gomito o si crei una presa per afferrare una chiave. Spesso non vediamo le persone studiare o considerare il percorso di feedback.

Quindi, un gran numero di arti artificiali che potreste vedere dispiegati commercialmente, il percorso di informazione che fluisce dal dispositivo alla persona potrebbe essere l’accoppiamento meccanico, il modo in cui effettivamente sentono le forze dell’arto e agiscono su di esse. Potrebbe essere loro che sentono il rumore dei motori o li vedono mentre afferrano un polsino e lo muovono attraverso un tavolo o lo afferrano da un’altra parte del loro spazio di lavoro. E quindi, quei percorsi sono il modo tradizionale di farlo. Ci sono cose incredibili che stanno accadendo in tutto il mondo per guardare a come l’informazione potrebbe essere meglio trasmessa da un arto artificiale alla persona che lo utilizza. Specialmente anche qui a Edmonton, c’è molto lavoro veramente cool che utilizza il ri-cablamento del sistema nervoso, la riabilitazione del nervo mirata e altre cose per supportare quel percorso. Ma è ancora un’area di studio emergente molto calda per pensare a come l’apprendimento macchina possa supportare le interazioni con rispetto a quel percorso di feedback.

Come l’apprendimento macchina possa supportare un sistema che potrebbe essere in grado di prevedere molto sul suo mondo e in realtà trasmettere, avere quell’informazione trasmessa chiaramente ed efficacemente alla persona che lo utilizza. Come l’apprendimento macchina possa supportare questo? Credo che questo sia un grande argomento, perché se avete sia il percorso di feedback che il percorso di controllo, entrambi i percorsi si adattano e sia il dispositivo utilizzato dalla persona che la persona stessa costruiscono modelli l’uno dell’altro. Potete fare qualcosa di quasi miracoloso. Potete quasi trasmettere informazioni gratuitamente. Se avete entrambi questi sistemi che sono in realtà ben sintonizzati l’uno sull’altro, hanno costruito un modello molto potente l’uno dell’altro e hanno un adattamento sia al percorso di controllo che al percorso di feedback, potete formare partnership molto strette tra esseri umani e macchine che possono passare una quantità enorme di informazioni con molto poco sforzo e molto poco larghezza di banda.

E questo apre nuovi regni di coordinazione uomo-macchina, specialmente nell’area delle protesi neurologiche. Credo veramente che questo sia un momento abbastanza miracoloso per noi per iniziare a studiare questo settore.

Pensi che queste protesi saranno stampate in 3D nel futuro o come pensi che la produzione procederà?

Non mi sento come se fossi il posto giusto per speculare su come potrebbe accadere. Posso dire, però, che stiamo vedendo un grande aumento di fornitori commerciali di dispositivi neuroprotesici che utilizzano la produzione additiva, la stampa 3D e altre forme di produzione additiva per creare i loro dispositivi. Questo è anche veramente divertente da vedere, che non è solo un prototipo che utilizza la produzione additiva o la stampa 3D, ma la stampa 3D sta diventando un’integrazione fondamentale di come forniamo dispositivi alle persone e come li ottimizziamo per le esigenze esatte delle persone che li utilizzano.

La produzione additiva o la produzione su misura avviene in ospedale tutto il tempo. Questo è un aspetto naturale della fornitura di cure alle persone con differenze di arto che hanno bisogno di tecnologie di supporto o altre tecnologie di riabilitazione. Credo che stiamo iniziando a vedere che molta di quella personalizzazione sta iniziando a fondersi con la produzione dei dispositivi, e non solo lasciata ai fornitori di assistenza. E questo è anche veramente emozionante. Credo che ci sia una grande opportunità per dispositivi che non solo assomigliano a mani o sono utilizzati come mani, ma dispositivi che incontrano esattamente le esigenze della persona che li utilizza, che le permettono di esprimersi nel modo in cui vogliono esprimersi e di vivere le vite che vogliono vivere nel modo in cui vogliono viverle, non solo nel modo in cui pensiamo che una mano debba essere utilizzata nella vita quotidiana.

Hai scritto oltre 120 articoli. Ce n’è uno che ti piace di più che dovremmo conoscere?

C’è un articolo recentemente pubblicato su Neural Computing Applications, ma rappresenta la punta dell’iceberg del pensiero che abbiamo messo in campo per oltre un decennio adesso, su framework per come gli esseri umani e le macchine interagiscono, specialmente come gli esseri umani e i dispositivi protesici interagiscono. È l’idea del capitale comunicativo. E quindi questo è l’articolo che abbiamo recentemente pubblicato.

E questo articolo presenta la nostra visione su come le previsioni che vengono apprese e mantenute in tempo reale da un dispositivo protesico che interagisce con la persona, la persona stessa può formare essenzialmente un capitale, può formare una risorsa che entrambe le parti possono fare affidamento. Ricordo, precedentemente ho detto che possiamo fare qualcosa di veramente spettacolare quando abbiamo un essere umano e una macchina che stanno costruendo modelli l’uno dell’altro, adattandosi in tempo reale in base all’esperienza e iniziando a passare informazioni in un canale bidirezionale. Come una sorta di lato, perché viviamo in un mondo magico in cui ci sono registrazioni e potete tagliare cose fuori da esse.

È essenzialmente come la magia.

Esattamente. Suona come magia. Se torniamo indietro a pensatori come Ashby, W. Ross Ashby, indietro negli anni ’60 e il suo libro “Introduction of Cybernetics” parlò di come potremmo amplificare l’intelletto umano. E disse veramente che si tratta di amplificare la capacità di una persona di scegliere tra una delle molte opzioni. E questo è reso possibile da sistemi in cui una persona sta interagendo con, diciamo, una macchina, in cui c’è un canale di comunicazione aperto tra di loro. Quindi, se abbiamo quel canale di comunicazione aperto, se è bidirezionale, e se entrambi i sistemi stanno costruendo capitale in forma di previsioni e altre cose, allora potete iniziare a vedere che si allineano veramente e diventano più della somma delle loro parti. Potete ottenere più di quanto stanno mettendo dentro.

Quali sono alcune delle applicazioni che vedi per le interfacce cervello-macchina con ciò che hai appena discusso?

Una delle mie preferite è qualcosa che abbiamo messo in campo, di nuovo, per quasi 10 anni, è una tecnologia chiamata commutazione adattiva. La commutazione adattiva si basa sulla conoscenza che molti sistemi con cui interagiamo quotidianamente si affidano a noi per commutare tra molti modi o funzioni. Sia che stiamo commutando tra app sul nostro telefono o stiamo cercando di capire l’impostazione giusta su un trapano o stiamo adattando altri strumenti nella nostra vita. La commutazione adattiva utilizza l’apprendimento della differenza temporale per permettere a un arto artificiale di imparare quale funzione del motore una persona potrebbe voler utilizzare e quando vuole utilizzarla. Quindi, veramente, un semplice principio è che, solo l’atto di raggiungere una tazza e chiudere la mano.

Un sistema dovrebbe essere in grado di costruire previsioni attraverso l’esperienza che, in questa situazione, è probabile che io utilizzi la funzione di apertura e chiusura della mano. E poi, nel futuro, in situazioni simili, essere in grado di prevedere questo. E quando sto navigando la nuvola in movimento di modi e funzioni, darmi più o meno quelli che voglio senza doverli cercare tutti. E questo è un semplice esempio di costruzione di quel capitale comunicativo. Avete un sistema che sta costruendo previsioni attraverso l’interazione, sono previsioni sulla persona, sulla macchina, sulla loro relazione in quella situazione in quel momento. E quella risorsa condivisa permette al sistema di riconfigurare la sua interfaccia di controllo al volo, in modo che la persona ottenga ciò che vuole e quando lo vuole. E veramente, in una situazione in cui il sistema è molto, molto sicuro di ciò che una persona potrebbe voler fare, può in realtà selezionare semplicemente per lei mentre sta andando.

E la cosa divertente è che la persona ha sempre la capacità di dire, “Ah, questo è ciò che volevo veramente,” e commutare a un’altra funzione del motore. In un braccio robotico, potrebbe essere diversi tipi di presa, sia che si tratti di modellare la presa per afferrare una maniglia o raccogliere una chiave o stringere la mano a qualcuno. Queste sono diverse funzioni di modalità, diversi modelli di presa. È veramente interessante che il sistema possa iniziare a costruire un’apprezzamento di ciò che è appropriato in quale situazione. Unità di capitale che entrambe le parti possono fare affidamento per muoversi più velocemente nel mondo, e con meno onere cognitivo, specialmente nella parte dell’unità.

Grazie per l’intervista incredibile, i lettori che desiderano saperne di più possono visitare le seguenti risorse:

• Dr. Patrick M. Pilarski Pagina dell’Università dell’Alberta.
• Conferenza Upper Bound AI.
• Amii (Alberta Machine Intelligence Institute)