Patrick M. Pilarski, Ph.D. Canada CIFAR AI Chair (Amii) – Interviu Serii

Dr. Patrick M. Pilarski este un președinte al Intelligencei Artificiale CIFAR Canada, fost președinte al cercetării canadiene în Inteligență Artificială pentru Reabilitare și profesor asociat în Divizia de Medicină Fizică și Reabilitare, Departamentul de Medicină, Universitatea din Alberta.

În 2017, Dr. Pilarski a co-fondat primul birou internațional de cercetare al DeepMind, situat în Edmonton, Alberta, unde a servit ca co-șef de birou și cercetător științific senior până în 2023. El este membru al consiliului de administrație și al Institutului de Inteligență Artificială din Alberta (Amii), co-conduce Laboratorul BLINC și este investigator principal al Laboratorului de Învățare prin Întărire și Inteligență Artificială (RLAI) și al Rețelei SMART la Universitatea din Alberta.

Dr. Pilarski este autorul sau co-autorul a peste 120 de articole peer-review, membru senior al IEEE și a fost sprijinit de subvenții de cercetare provinciale, naționale și internaționale.

Ne-am întâlnit pentru un interviu la conferința anuală Upper Bound 2023 pe tema Inteligenței Artificiale, care a avut loc în Edmonton, AB și a fost găzduită de Amii (Institutul de Inteligență Artificială din Alberta).

Cum ai ajuns în domeniul Inteligenței Artificiale? Ce te-a atras în acest domeniu?

Acestea sunt două întrebări separate. În ceea ce privește ceea ce mă atrage în Inteligența Artificială, există ceva frumos în felul în care complexitatea poate apărea și în care structura poate apărea din complexitate. Inteligența este doar unul dintre exemplele acestea uimitoare, astfel că, indiferent dacă provine din biologie sau din modul în care vedem comportamentul elaborat care apare în mașini, cred că există ceva frumos în asta. Acest lucru m-a fascinat întotdeauna și drumul meu lung și sinuos către a lucra în domeniul Inteligenței Artificiale în care lucrez acum, care sunt mașinile care învață prin încercare și eroare, sisteme de întărire care interacționează cu oamenii în timp ce sunt ambele imersate în fluxul de experiență, curgerea timpului, a venit prin toate felurile de platouri diferite. Am studiat cum mașinile și oamenii pot interacționa în ceea ce privește dispozitivele biomecatronice și biotehnologia, lucruri precum membrele artificiale și protezele.

Am examinat cum Inteligența Artificială poate fi utilizată pentru a sprijini diagnosticarea medicală, cum putem utiliza inteligența mașinilor pentru a începe să înțelegem modelele care duc la boală sau cum diferitele boli ar putea apărea în ceea ce privește înregistrările pe o mașină. Dar toate acestea fac parte din acest drum lung și sinuos pentru a începe să apreciez cum putem obține comportamente foarte complexe din fundații foarte simple. Și asta îmi place, mai ales despre învățarea prin întărire, este ideea că mașina se poate încadra în fluxul de timp și poate învăța din propria experiență pentru a exhiba comportamente foarte complexe și pentru a captura fenomenele complexe din lumea din jurul său. Acesta a fost un factor de conducere.

Mecanica acestuia, am făcut multe antrenamente de medicină sportivă și alte lucruri de acest gen în liceu. Am studiat medicina sportivă și acum sunt aici, lucrând într-un mediu în care examinez cum inteligența mașinilor și tehnologiile de reabilitare se reunesc pentru a sprijini oamenii în viața lor de zi cu zi. Este un drum foarte interesant, ca și fascinația mea cu sistemele complexe și complexitatea, și apoi cu pragmatismul practic al modului în care putem începe să gândim cum oamenii pot fi mai bine sprijiniți, să trăiască viețile pe care le doresc.

Cum te-ai ajuns la proteze inițial?

Ceea ce este foarte interesant despre domenii precum medicina sportivă este examinarea corpului uman și a modului în care nevoile unice ale cuiva, fie că este vorba de sport sau de altceva, pot fi într-adevăr sprijinite de alți oameni, de proceduri și procese. Membrele artificiale și tehnologiile de protezare sunt despre construirea dispozitivelor, a sistemelor, a tehnologiei care ajută oamenii să trăiască viețile pe care le doresc. Aceste două lucruri sunt foarte strâns legate. Este într-adevăr foarte interesant să pot veni pe un cerc complet și să văd cum unele dintre interesele mele mai vechi vin la îndeplinire, în special prin conducerea unui laborator în care examinăm… Și mai ales sistemele de învățare automată care lucrează într-un mod strâns legat de persoana pe care sunt proiectate să o sprijine.

Ai discutat anterior despre cum o proteză se adaptează la persoană, în loc ca persoana să se adapteze la proteză. Poți vorbi despre inteligența mașinilor din spatele acestui proces?

Absolut. Ca fundament în istoria utilizării instrumentelor, oamenii s-au adaptat la instrumentele lor și apoi am adaptat instrumentele noastre la nevoile pe care le aveam. Și așa există un proces iterativ de adaptare a noastră la instrumentele noastre. Suntem, în acest moment, la un punct de inflexiune în istorie, în care, pentru prima dată, putem imagina construirea unor instrumente care să aducă unele dintre caracteristicile inteligenței umane. Instrumente care vor adapta și vor îmbunătăți în timp ce sunt utilizate de o persoană. Tehnologiile subiacente susțin învățarea continuă. Sisteme care pot învăța în mod continuu dintr-un flux de experiență în curs de desfășurare. În acest caz, învățarea prin întărire și mecanismele care stau la baza acesteia, lucruri precum învățarea prin diferență temporală, sunt foarte importante pentru a construi sisteme care pot adapta în timp ce interacționează cu o persoană și în timp ce sunt utilizate de o persoană care le sprijină în viața lor de zi cu zi.

Poți defini învățarea prin diferență temporală?

Absolut, ceea ce îmi place la asta este că putem gândi la tehnologiile de bază, învățarea prin diferență temporală și algoritmii de învățare fundamentală care stau la baza a ceea ce lucrăm în laborator. Ai un sistem care, la fel ca noi, face o predicție despre cum va arăta viitorul în ceea ce privește un anumit semnal, cu respectarea unui anumit tip de recompensă. Și așa, algoritmii de bază sunt, de fapt, examinarea diferenței dintre ghicirea mea despre ceea ce se va întâmpla acum și ghicirea mea despre ceea ce se va întâmpla în viitor, împreună cu orice semnal pe care îl primesc în prezent.

Câtă forță exercit ca braț robotic care ridică o cană de cafea sau o cană de apă? Acesta ar putea examina diferența dintre predicția mea despre cantitatea de forță pe care o voi exercita acum și cantitatea de forță pe care o voi exercita peste o perioadă de timp în viitor. Și apoi compară toate acestea și obține această eroare, eroarea de diferență temporală. Este o acumulare frumoasă a prognozei extinse în timp și a diferențelor dintre ele, pe care le poți utiliza pentru a actualiza structura mașinii de învățare însăși.

Și așa, din nou, pentru învățarea prin întărire convențională, bazată pe recompensă, aceasta ar putea examina actualizarea modului în care mașina acționează pe baza recompensei viitoare pe care o percep. Pentru multe dintre ceea ce facem, este vorba despre examinarea altor tipuri de semnale, utilizând funcții de valoare generalizate, care este adaptarea procesului de învățare prin întărire a semnalelor de recompensă la orice tip de semnal de interes care ar putea fi aplicabil funcționării mașinii.

Ai menționat adesea o proteză numită Cairo Toe în prezentările tale. Ce are de învățat pentru noi?

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

Îmi place să folosesc exemplul Cairo Toe, o proteză de 3000 de ani. Lucrez în domeniul neuroprotezelor, și acum vedem sisteme robotice foarte avansate care pot, în unele cazuri, avea același nivel de control sau grade de control ca și părțile biologice ale corpului. Și totuși, mă întorc la o proteză de lemn stilizată de 3000 de ani. Cred că ceea ce este interesant este că este un exemplu de extindere a oamenilor prin tehnologie. Acesta este ceea ce vedem acum în ceea ce privește interacțiunea om-mașină și neuroprotezele, nu este ceva nou, ci ceva care a existat întotdeauna. Animalele, inclusiv cele non-umane, utilizează instrumente. Există multe cărți excelente despre acest subiect, în special de Frans de Waal, „Sunt oamenii suficient de inteligenți pentru a ști cât de inteligenți sunt animalele?”

Extinderea noastră prin utilizarea instrumentelor, îmbunătățirea și sporirea noastră prin utilizarea instrumentelor nu este ceva nou, ci ceva care a existat dintotdeauna. Este ceva care a apărut de-a lungul timpului și în țara în care ne aflăm acum, de către oamenii care au trăit aici. Celălalt lucru interesant despre Cairo Toe este că dovezi, cel puțin din rapoartele științifice despre aceasta, arată că a fost adaptată de mai multe ori de-a lungul interacțiunilor sale cu utilizatorii săi. Ei au intrat și au personalizat-o și au modificat-o în timpul utilizării sale.

Înțelegerea mea este că nu a fost doar un instrument fix care a fost atașat unei persoane pe durata vieții sale, ci un instrument fix care a fost atașat, dar și modificat. Este un exemplu de modul în care, din nou, ideea că instrumentele sunt adaptate în timpul utilizării lor nu este ceva nou, ci ceva care a existat întotdeauna. Există multe lecții pe care le putem învăța din co-adaptarea oamenilor și a instrumentelor de-a lungul multor ani.

Ai menționat anterior despre calea de feedback între proteză și om. Poți elabora despre calea de feedback?

Suntem și într-un moment special în ceea ce privește modul în care vedem relația dintre o persoană și mașina care își propune să o sprijine în viața sa de zi cu zi. Când cineva utilizează o membră artificială, să zicem, o persoană cu diferență de membru, o persoană cu amputație care utilizează o membră artificială. În mod tradițional, aceasta va fi utilizată foarte mult ca un instrument, ca o extensie a corpului său, dar vom vedea că se bazează în mare măsură pe ceea ce considerăm a fi calea de control. Adică, o anumită senzație a roții sau a intenției sale este transmisă mașinii, care este apoi însărcinată să descopere ce este și să execute, indiferent dacă este vorba despre deschiderea și închiderea mâinii sau îndoirea cotului sau crearea unei strângeri pentru a prinde o cheie. De obicei, nu vedem oameni care studiază sau care iau în considerare calea de feedback.

O mare parte dintre membrele artificiale pe care le puteți vedea comercializate pot avea calea de informații care curge de la dispozitiv către persoană, care poate fi cuplarea mecanică, modul în care aceasta simte forțele membrelor și acționează asupra lor. Poate fi auzul zgomotului motoarelor sau urmărirea mișcării unei mufe și mutarea acesteia de-a lungul biroului sau prinderea acesteia dintr-o altă parte a spațiului de lucru. Și așa, aceste căi sunt modul tradițional de a face lucrurile. Există lucruri uimitoare care se întâmplă în întreaga lume pentru a examina cum informațiile ar putea fi transmise mai bine de la o membră artificială către persoana care o utilizează. În special, chiar și aici, în Edmonton, există multe lucruri interesante care se întâmplă în ceea ce privește reîncadrarea sistemului nervos, renovarea nervilor țintiți și alte lucruri pentru a sprijini această cale. Dar este încă un domeniu de studiu foarte nou și emergent pentru a gândi cum inteligența mașinilor poate sprijini interacțiunile cu respectarea acestei căi de feedback.

Cum inteligența mașinilor poate sprijini un sistem care poate percepe și prezice multe despre lumea sa și, în același timp, poate transmite informații în mod clar și eficient înapoi către persoana care o utilizează. Cum inteligența mașinilor poate sprijini acest lucru? Cred că acesta este un subiect minunat, deoarece, dacă ai ambele căi, atât calea de control, cât și calea de feedback, ambele sisteme se adaptează și ambele, dispozitivul utilizat de persoană și persoana însăși, construiesc modele unul despre celălalt. Puteți face ceva aproape miraculos. Puteți transmite informații aproape gratuit. Dacă aveți ambele sisteme care sunt, de fapt, bine adaptate unul la celălalt, au construit un model foarte puternic unul despre celălalt și au o adaptare atât a cailor de control, cât și a cailor de feedback, puteți forma parteneriate foarte strânse între oameni și mașini care pot transmite o cantitate uriașă de informații cu foarte puțin efort și foarte puțină lățime de bandă.

Și asta deschide noi domenii de coordonare om-mașină, în special în domeniul neuroprotezelor. Sunt foarte încântat să văd că suntem într-un moment foarte minunat pentru a începe să studiem acest domeniu.

Crei că acestea vor fi tipărite în 3D în viitor sau cum crezi că se va desfășura producția?

Nu cred că sunt cel mai bun loc pentru a specula cum ar putea fi acest lucru. Pot spune, însă, că vedem o creștere mare a furnizorilor comerciali de dispozitive neuroprotezice care utilizează producția aditivă, tipărirea 3D și alte forme de producție aditivă pentru a-și crea dispozitivele. Acesta este, de asemenea, un lucru foarte interesant de văzut, deoarece nu este doar un prototip care utilizează producția aditivă sau tipărirea 3D, ci tipărirea 3D devine o parte integrantă a modului în care oferim dispozitive persoanelor și a modului în care optimizăm aceste dispozitive pentru persoanele exacte care le utilizează.

Producția aditivă sau producția personalizată, încadrarea protezelor în spitale se întâmplă tot timpul. Acesta este un aspect natural al îngrijirii persoanelor cu diferențe de membre care au nevoie de tehnologii asistive sau de reabilitare. Cred că începem să vedem că multă dintre această personalizare începe să se îmbine cu producția dispozitivelor. Și nu doar să lăsăm furnizorii de îngrijire să o facă. Și cred că există o oportunitate minunată pentru dispozitive care nu se limitează doar la a arăta ca mâini sau să fie utilizate ca mâini, ci dispozitive care pot satisface nevoile exacte ale persoanei care le utilizează, care le permit să se exprime în modul în care doresc să se exprime și să trăiască viețile pe care le doresc, nu doar în modul în care credem că o mână ar trebui să fie utilizată în viața de zi cu zi.

Ai scris peste 120 de articole. Există unul care iese în evidență pentru tine și pe care ar trebui să-l cunoaștem?

Există un articol recent publicat în aplicații de calcul neuronal, dar reprezintă vârful unui iceberg de gândire pe care l-am pus înainte de-a lungul a peste un deceniu, despre cadre pentru interacțiunea dintre oameni și mașini, în special despre interacțiunea dintre oameni și dispozitive protezice. Este ideea de capital comunicativ. Și așa, acest articol reprezintă punctul de vedere al nostru despre cum predicțiile învățate și menținute în timp real de un dispozitiv protezic care interacționează cu o persoană, persoana însăși, poate forma, de fapt, un capital, o resursă pe care ambele părți se pot baza.

Amintiți-vă, anterior am spus că putem face ceva foarte spectaculos atunci când avem un om și o mașină care se adaptează unul la celălalt, care se adaptează în timp real pe baza experienței și care încep să transmită informații într-un canal bidirecțional. Ca o notă laterală, pentru că trăim într-o lume magică în care există înregistrări și puteți tăia lucruri din ele.

Este, de fapt, ca și cum ar fi magic. Dacă ne întoarcem la gânditori precum Ashby, W. Ross Ashby, din anii ’60 și cartea sa „Introducere în cibernetica”, a vorbit despre cum putem amplifica inteligența umană. Și el a spus, de fapt, că se reduce la amplificarea capacității unei persoane de a alege între una dintre multe opțiuni. Și acesta este lucru care se întâmplă atunci când avem un sistem care, de fapt, construiește capital în forma predicțiilor și a altor lucruri, care este o resursă pe care ambele părți se pot baza pentru a se adapta una la cealaltă.

Și cred că acesta este motivul pentru care consider că acesta este unul dintre articolele noastre cele mai interesante, deoarece reprezintă o schimbare de gândire. Reprezintă o schimbare de gândire către gândirea dispozitivelor neuroprotezice ca sisteme cu agenție, sisteme pe care nu doar le putem descrie ca având agenție, ci pe care ne putem baza pentru a co-adapta și a construi aceste resurse, capitalul comunicativ care ne permite să multiplicăm capacitatea noastră de a interacționa cu lumea și să obținem mai mult decât punem în ea.

Ce aplicații ai vedea pentru interfețele creier-mașină, având în vedere ceea ce ai discutat?

Una dintre favoritele mele este ceva pe care l-am pus înainte, din nou, de-a lungul a aproape 10 ani, este o tehnologie numită comutare adaptivă. Comutarea adaptivă se bazează pe cunoașterea faptului că multe sisteme cu care interacționăm în viața noastră de zi cu zi se bazează pe noi pentru a comuta între multe moduri sau funcții. Indiferent dacă comutăm între aplicații pe telefon sau încercăm să găsim setarea corectă pe drill sau să adaptăm alte unelte în viața noastră, comutăm între multe moduri sau funcții tot timpul, gândindu-ne la Ashby, capacitatea noastră de a alege între multe opțiuni. Deci, în comutarea adaptivă, utilizăm învățarea prin diferență temporală pentru a permite unei membre artificiale să învețe care funcție motorie ar putea dori o persoană să utilizeze și când ar putea dori să o utilizeze.

Și așa, premisele sunt foarte simple, de fapt, doar actul de a ajunge la o cană și de a închide mâna. Un sistem ar trebui să poată construi predicții prin experiență care, în această situație, sunt foarte probabil să utilizeze funcția de deschidere și închidere a mâinii. Și apoi, în viitor, în situații similare, să poată prezice acest lucru. Și atunci când navigăm prin norul de moduri și funcții, să ne ofere mai mult sau mai puțin ceea ce dorim, fără a trebui să trecem prin toate aceste moduri și funcții. Și acesta este un exemplu foarte simplu de construire a capitalului comunicativ. Ai un sistem care, de fapt, construiește predicții prin interacțiune, care sunt predicții despre persoană, mașină, relația lor în acea situație, la acel moment. Și această resursă partajată permite sistemului să reconfigureze interfața de control în timp real, astfel încât persoana să primească ceea ce dorește și când dorește.

Și lucrul interesant este că persoana are întotdeauna capacitatea de a spune: „Asta este ceea ce am vrut, de fapt.” Și să comute la o altă funcție motorie. Într-un braț robotic, ar putea fi diferite tipuri de strângere, indiferent dacă este vorba despre a forma o strângere pentru a prinde o cheie sau pentru a strânge mâna cuiva. Acestea sunt moduri diferite de funcționare, diferite tipuri de strângere. Este foarte interesant să vedem cum sistemul poate începe să construiască o apreciere a ceea ce este adecvat în ce situație. Unități de capital pe care ambele părți se pot baza pentru a se deplasa mai rapid prin lume și cu o sarcină cognitivă mai mică, în special în ceea ce privește unitatea.

Mulțumim pentru acest interviu minunat, cititorilor care doresc să afle mai multe despre subiect, li se recomandă să viziteze următoarele resurse:

• Dr. Patrick M. Pilarski Pagina Universității din Alberta.
• Conferința Upper Bound AI.
• Amii (Institutul de Inteligență Artificială din Alberta)