Патрік М. Піларскі, Ph.D. Канада CIFAR AI Chair (Amii) – Серія інтерв’ю

Доктор Патрік М. Піларскі є Канадським CIFAR штатом штучного інтелекту, колишнім Канадським дослідницьким штатом у сфері машинної інтелекту для реабілітації, і доцентом відділу фізичної медицини та реабілітації, медичного факультету Університету Альберти.

У 2017 році доктор Піларскі став співзасновником першого міжнародного дослідницького офісу DeepMind, розташованого в Едмонтоні, Альберта, де він обіймав посаду співлідера офісу та старшого наукового співробітника до 2023 року. Він є членом ради директорів Інституту штучного інтелекту Альберти (Amii), співкерівником лабораторії BLINC та головним дослідником лабораторії RLAI та мережі SMART в Університеті Альберти.

Доктор Піларскі є лауреатом понад 120 рецензованих статей, старшим членом IEEE, і його робота була підтримана провінційними, національними та міжнародними дослідницькими грантами.

Ми провели інтерв’ю з ним на щорічній конференції Upper Bound 2023 з питань штучного інтелекту, яка відбулася в Едмонтоні, Альберта, і була організована Інститутом штучного інтелекту Альберти (Amii).

Як ви опинилися в галузі штучного інтелекту? Що привабило вас до цієї галузі?

Це два окремих питання. Що приваблює мене до штучного інтелекту, це те, як складність може виникнути і як структура може виникнути зі складності. Інтелект – це просто один із цих чудових прикладів, тому чи це біологія, чи це те, як ми бачимо складну поведінку, що виникає в машинах, я думаю, що це щось красиве. Це завжди мене цікавило протягом дуже довгого часу, і моя довга і звивиста траєкторія до роботи в галузі штучного інтелекту, в якій я зараз працюю, тобто машини, які вчаться через спроби і помилки, системи підкріплення, які взаємодіють з людьми, коли вони обоє занурені в нього, потік досвіду, потік часу, пройшла через різні плато.

Я вивчав, як машини і люди можуть взаємодіяти в термінах біомеханічних пристроїв і біотехнологій, таких як штучні кінцівки і протези.

Я розглядав, як штучний інтелект можна використовувати для підтримки медичної діагностики, як ми можемо використовувати машинну інтелекту, щоб почати розуміти закономірності, які ведуть до захворювання або як різні захворювання можуть проявлятися в термінах записів на машині. Але все це є частиною цієї довгої і звивистої траєкторії до того, щоб дійсно почати цінувати, як можна отримати дуже складну поведінку з дуже простих основ.

Механіка цього, я насправді зробив багато тренувань зі спортивної медицини і таке інше в школі. Я вивчав спортивну медицину, і тепер я тут, працюючи в середовищі, де я розглядаю, як машинна інтелекту і технології реабілітації сходяться разом, щоб підтримати людей у їхньому повсякденному житті. Це дуже цікава подорож, як і сторона фацета з складними системами і складністю, і дуже практичні прагматичні речі про те, як ми починаємо думати про те, як людей можна краще підтримувати, жити життям, яке вони хочуть жити.

Як спорт спочатку привів вас до протезів?

Що дійсно цікаво у сфері спортивної медицини, це те, як людське тіло і як унікальні потреби людини, чи то спортивні, чи інші, можуть бути підтримані іншими людьми, процедурами і процесами. Біомеханічні пристрої і протези – це про будівництво пристроїв, систем, технологій, які допомагають людям жити життям, яке вони хочуть жити. Ці дві речі дуже тісно пов’язані. Це насправді дуже цікаво повернутися до тих ранніх інтересів і побачити, як вони прийшли до виконання, знову, співкерівництво лабораторії, де ми розглядаємо… І особливо машинні системи, які працюють у тісно пов’язаному способі з людиною, яку вони призначені підтримувати.

Ви раніше обговорювали, як протез адаптується до людини, а не людина адаптується до протезу. Чи можете ви розповісти про машинне навчання за цим?

Абсолютно. Як основа в історії використання інструментів, люди адаптували себе до своїх інструментів, а потім ми адаптували свої інструменти до наших потреб. І так є ітеративний процес нашої адаптації до наших інструментів. Ми зараз находимося на важливому етапі в історії, де вперше ми можемо уявити собі будівництво інструментів, які принесуть деякі з цих ознак людської інтелекту. Інструменти, які дійсно адаптуються і покращуються під час їх використання людиною. Основні технології підтримують безперервне навчання. Системи, які можуть безперервно вчиться з потоку досвіду. У цьому випадку машинне навчання і механізми, які підтримують його, такі як навчання з різницею у часі, дійсно критичні для будівництва систем, які можуть безперервно адаптуватися під час взаємодії з людиною і під час використання людиною для підтримки їх у їхньому повсякденному житті.

Чи можете ви визначити навчання з різницею у часі?

Абсолютно, що мені подобається в цьому, це те, що ми можемо подумати про основні технології, навчання з різницею у часі і фундаментальні алгоритми передбачення, які підтримують більшу частину того, над чим ми працюємо в лабораторії. Ви маєте систему, яка, як і ми, робить передбачення про те, як майбутнє буде виглядати щодо деякого сигналу, щодо чогось, наприклад, майбутньої винагороди, яку ми зазвичай бачимо. Але будь-який інший сигнал, який ви можете уявити, наприклад, скільки сили я зараз прикладаю? Як гарячо буде завтра? Скільки пончиків я буду мати завтра? Це можливі речі, які ви можете уявити передбачення.

Як сила, яку я прикладаю, коли роботизована рука піднімає чашку кави або чашку води? Це може бути перегляд різниці між моїм передбаченням про те, скільки сили я зараз прикладаю, і моїм передбаченням про те, скільки сили я буду прикладати в майбутньому. І потім порівняння цих двох передбачень з сигналом, який я зараз отримую. Покладіть все це разом, і ви отримаєте цю помилку, помилку різниці у часі. Це гарна накопичення тимчасово розширених прогнозів у майбутньому і різниці між ними, яку ви можете використовувати для оновлення структури машини навчання.

І так, знову, для звичайного машинного навчання, заснованого на винагороді, це може бути перегляд того, як машина діє на основі майбутньої очікуваної винагороди, яку вона може сприйняти. Для більшості того, над чим ми працюємо, це перегляд інших видів сигналів, використання узагальнених функцій значення, які є адаптацією процесу машинного навчання від сигналів винагороди до будь-якого виду сигналу, який може бути застосовним до операції машини.

Ви часто говорите про протез під назвою Каїрський палець у ваших презентаціях. Що він може нам розповісти?

Каїрський палець Університет Базеля, LHTT. Зображення: Matjaž Kačičnik

Мені подобається використовувати приклад Каїрського пальця, 3000-річної протези. Я працюю в галузі нейропротезів, ми зараз бачимо дуже просунуті роботизовані системи, які можуть мати такий же рівень контролю, як і біологічні частини тіла. І все ж, я повертаюсь до дуже стилізованого дерев’яного пальця 3000 років тому. Я думаю, що це цікаво, оскільки це приклад того, як люди розширюють себе технологіями. Це те, що ми зараз бачимо у сфері нейропротезів і взаємодії людини з машиною, це не щось нове, дивне або незвичайне. Ми завжди були користувачами інструментів, тваринами, які не є людьми, також використовують інструменти. Є багато чудових книг про це, особливо Френса де Ваала, “Are We Smart Enough to Know How Smart Animals Are?“.

Це розширення нас самих, посилення і вдосконалення себе через використання інструментів не є чимось новим, це щось давнє. Це щось, що відбувається з часів і пам’яті на землі, на якій ми зараз перебуваємо, людьми, які жили тут. Інша цікава річ про Каїрський палець полягає в тому, що докази, принаймні з наукових звітів про нього, показують, що він був адаптований кілька разів протягом свого використання. Вони дійсно заходили і налаштовували його, змінювали його під час його використання.

Мій розуміння полягає в тому, що це не був просто фіксований інструмент, який був прикріплений до людини протягом її життя, а фіксований інструмент, який був прикріплений, але також змінений. Це приклад того, як ідея про те, що інструменти адаптуються під час свого використання, і тривале використання не є чимось новим, а чимось давнім. Є багато уроків, які ми можемо вивчити з коадаптації людей і інструментів протягом багатьох років.

Ви раніше згадували зворотній зв’язок між протезом і людиною, чи можете ви розповісти про це?

Ми також находимося в особливий час у термінах того, як ми розглядаємо взаємозв’язок між людиною і машиною, яка має на меті підтримувати людину у її повсякденному житті. Коли людина використовує штучну кінцівку, наприклад, людину з різницею кінцівок, людину з ампутацією, яка використовує штучну кінцівку. Традиційно вони будуть використовувати її дуже як інструмент, як розширення свого тіла, але ми бачимо, як вони в основному покладаються на те, що ми вважаємо шляхом контролю. Якесь відчуття їхньої колісної або їхньої наміру передається до цього пристрою, який потім повинен розібратися, що це таке, і потім виконати це, наприклад, відкриття і закриття руки або згинання ліктя або створення зчеплення, щоб взяти ключ. Ми часто не бачимо людей, які вивчають або розглядають зворотній шлях.

Так, велика кількість штучних кінцівок, які ви можете бачити розгорнутими комерційно, шлях інформації, який тече від пристрою до людини, може бути механічним зчепленням, тим, як вони дійсно відчувають сили кінцівки і діють відповідно до них. Це може бути тим, що вони чують шум моторів або бачать, як вони беруть щось з іншого місця своєї робочої зони або беруть щось з іншої частини свого робочого місця. І так, ці шляхи традиційний спосіб робити це. Є чудові речі, які відбуваються по всьому світу, щоб розглянути, як інформацію можна краще передати від штучної кінцівки до людини, яка її використовує. Особливо навіть тут, в Едмонтоні, є багато дуже крутих робіт, які використовують перепрошивку нервової системи, націлену реконструкцію нервів і інші речі, щоб підтримати цей шлях. Але це все ж таки дуже гарячий і новий напрямок дослідження, щоб подумати про те, як машинне навчання підтримує взаємодію щодо цього зворотнього шляху.

Як машинне навчання може підтримати систему, яка може сприймати і передбачати багато про свій світ, і передавати цю інформацію чітко і ефективно назад до людини, яка її використовує. Як машинне навчання може підтримати це? Я думаю, що це велика тема, оскільки якщо ви маєте обидва ці шляхи, і шлях контролю, і зворотній шлях, і пристрій, який використовується людиною, і людина сама, які будують моделі один одного. Ви можете зробити щось майже дивовижне. Ви можете майже передати інформацію безкоштовно. Якщо ви маєте обидві ці системи, які дійсно добре налаштовані одна до одної, вони побудували дуже потужну модель одна одної, і вони мають адаптацію обидвох шляхів, ви можете сформувати дуже тісні партнерства між людьми і машинами, які можуть передавати величезну кількість інформації з дуже малим зусиллям і дуже малим пропусканням.

І це відкриває ці нові сфери людської машини координації, особливо в галузі нейропротезів. Я дійсно думаю, що це дуже чудовий час для нас, щоб почати вивчати цю сферу.

Чи думаєте ви, що ці протези будуть друкуватися на 3D-принтерах у майбутньому, або як ви думаєте, що виробництво буде продовжуватися?

Я не відчуваю, що я найкраще місце, щоб спекулювати про те, як це може статися. Я можу сказати, що ми бачимо великий підйом комерційних постачальників нейропротезних пристроїв, які використовують адитивне виробництво, 3D-друк і інші форми адитивного виробництва на місці, щоб створити свої пристрої. Це також дуже цікаво бачити, що це не тільки прототипи, які використовують адитивне виробництво або 3D-друк, а 3D-друк стає інтегральною частиною того, як ми надаємо пристрої людям і оптимізуємо їх для тих, хто їх використовує.

Адитивне виробництво або індивідуальне виробництво, протези, які підходять до людей, відбуваються в лікарнях все час. Це природна частина надання допомоги людям з різницею кінцівок, які потребують допоміжних технологій або інших видів реабілітації. Я думаю, що ми починаємо бачити, що багато цієї індивідуалізації починає змішуватися з виробниками пристроїв, і не тільки залишається на етапі надання допомоги. І це також дуже цікаво. Я думаю, що є велика можливість для пристроїв, які не тільки виглядають як руки, а й використовуються руками, але й пристрої, які дуже точно відповідають потребам людини, яка їх використовує, і дозволяють їм жити життям, яке вони хочуть жити, і не тільки тим, яким ми думаємо, що рука повинна бути використана в повсякденному житті.

Ви написали понад 120 статей. Чи є одна з них, яка виділяється для вас, про яку ми повинні знати?

Є одна недавно опублікована стаття в галузі нейронних обчислень, але вона представляє собою думку про те, як люди і машини взаємодіють, особливо як люди і протези взаємодіють. Це ідея комунікативного капіталу. І так, ця стаття представляє наш погляд на те, як передбачення, які вивчаються і підтримуються в реальному часі протезом, взаємодіють з людиною, людина сама може сформувати капітал, ресурс, на який обидві сторони можуть покладатися.

І ця стаття закладає наш погляд на те, як передбачення, які вивчаються і підтримуються в реальному часі протезом, взаємодіють з людиною, людина сама може сформувати капітал, ресурс, на який обидві сторони можуть покладатися. І так, ця стаття представляє нашу думку про те, як люди і машини взаємодіють, особливо як люди і протези взаємодіють.

Які застосування ви бачите для інтерфейсів мозку і машини з тим, про що ви тільки що говорили?

Одне з моїх улюблених – це технологія адаптивного перемикання. Адаптивне перемикання засноване на знанні того, що багато систем, з якими ми взаємодіємо в повсякденному житті, залежать від нас перемикання між багатьма режимами або функціями. Чи то ми перемикаємося між додатками на нашому телефоні, чи ми намагаємося розібратися в правильній налаштуванні нашого свердла, чи ми адаптуємо інші інструменти в нашому житті, ми перемикаємося між багатьма режимами або функціями все час. Адаптивне перемикання використовує навчання з різницею у часі, щоб дозволити штучній кінцівці вивчити, яку моторну функцію людина хоче використовувати і коли вона хоче її використовувати.

Як тільки система зможе побудувати передбачення через досвід, вона зможе передбачити, яку функцію людина хоче використовувати в цій ситуації. І коли людина буде перемикатися між багатьма режимами або функціями, система зможе дати їй більш або менше тих функцій, які вона хоче, без потреби сортувати всі ці функції. І це дуже простий приклад побудови комунікативного капіталу. Ви маєте систему, яка дійсно будує передбачення через взаємодію, передбачення про людину, про машину, їхнє взаємозв’язок у цій ситуації в цей час. І цей спільний ресурс дозволяє системі реконфігурувати свій інтерфейс управління на льоту, так що людина отримує те, чого вона хоче, і коли вона хоче.

І це дуже цікаво, оскільки система може почати будувати апрекіяцію того, що є відповідним у якій ситуації. Одиниці капіталу, на які обидві сторони можуть покладатися, щоб рухатися швидше через світ, і з меншим когнітивним навантаженням, особливо в частині одиниці.

Дякуємо за чудове інтерв’ю, читачам, які хочуть дізнатися більше, слід відвідати наступні ресурси:

• Доктор Патрік М. Піларскі сторінка Університету Альберти.
• Конференція Upper Bound AI.
• Amii (Інститут штучного інтелекту Альберти)