Rīgas Tehniskās universitātes (RTU) laboratorija ir vieta, kur ierīces kļūst gudrākas. Te tiek veidota programmatūra, kas ļauj mācīties un apjaust savas apkārtnes robežas, veidojot savu pārvietošanās maršrutu. Piemēram, konkrētais robots mēģina saprast, kur ap to ir brīva telpa un kur labāk nedoties.
"Tas, ko robots dara – viņš būvē sev apkārtnes karti. Monitorā redzamā pelēkā zona patiesībā viņam ir nezināma, robots iet taustīdamies. (..) Lai saprastu, kur viņš atrodas, robots izmanto divu veidu sensorus. Viens ir ultraskaņas, kas darbojas kā radars – tātad atsitas no šķēršļa un nāk atpakaļ, otrs ir līdzīgs, bet darbojas kā lāzera stars vienā virzienā. Datus, ko iegūstam, saliekam kopā un iegūstam robota pārvietošanās karti. (..) Maršruta plānotājs ir brīdis, kad robots jau ieguvis apkārtējās telpas karti, tad mēs viņam pasakām – ej uz noteiktu punktu telpā, un viņš pats izskaitļo labāko virzienu," stāstīja RTU profesors Agris Ņikitenko.
Lai darītu savu darbu – uzkoptu, pienestu vai pārvietotu, robota centrālais jautājums ir – kur es esmu? Tas ir tik svarīgs, ka pie tā risināšanas strādā vesela pētnieku komanda.
"Mēs zinām, ka robots ir pārvietojies, bet problēma ir, mēs nezinām, no kurienes uz kurieni. To mēs risinām ar marķieriem uz telpas griestiem, kurus izmantojam kā lokalizācijas punktu jeb nulles punktu, no kura tad zīmējam visu pārvietošanos," klāstīja RTU Mākslīgā intelekta un sistēmu inženierijas katedras pētnieks Valters Vēciņš.
Pētniekiem ir jāseko līdzi robota maršrutam un tajā pieļautajām kļūdām, kas rodas vau nu no riteņu slīdēšanas vai kādām citām kustībām. Ja to nedarītu, robots apmaldītos un sāktu darboties tam neparedzētā vietā.
"Viņam ir sensori, kas pasaka, cik daudz riteņi ir pagriezušies, tā robots, gluži kā cilvēks, var rēķināt soļus. Uz ledus soļi ir citādāki, tāpēc arī uz grīdas uzklātā plēve ir pilnīgi cita vide robotam. Viņš mācās slidināties," norādīja RTU profesors Ņikitenko.
Lai kā arī gribētos teikt, ka robots domā, kā labāk balansēt uz slidenās virsmas, par domāšanu to īsti nevar saukt. Drīzāk tā ir vides un datu interpretēšana.
Un to ierīces iemācās. Pateicoties matemātikas un skaitļošanas attīstībai, kļuvusi iespējama tā sauktā neironu tīkla apmācības metode, kurā viss balstās uz klasificēšanas uzdevumiem.
"Mēs varam iedomāties, ka mums ir forma un krāsa. Mēs varam klasificēt baltās un zaļās bumbiņas. Tad abas – gan forma, gan krāsa – ir informācijas ieejas faktori, lai neironu tīkls varētu klasificēt – ir vai nav baltā bumbiņa. Neirons ir programmatūras abstrakcija. (..) Ja cilvēkam tā ir smadzeņu šūna, robotam neliels programmatūras kods, kas tiek izpildīts. Par neironu tīklu to sauc tādēļ, ka sākotnēji zinātnieki cerēja ar šo matemātisko abstrakciju imitēt neironu. Bet, laikam ejot, mikrobioloģija, neiroloģija pierādīja, ka neirons ir krietni daudzveidīgāks par to abstrakciju, ko centās imitēt matemātiķi," atzina RTU profesors.
Izpratne par mūsu smadzeņu neironiem ir mainījusies gluži tāpat kā iespējas mācīt mākslīgos neironus. Proti, jo vairāk datu, ko sistēmai parādīt, – jo labāk skolotāja vadībā tā sākotnēji apgūst, kas ir ir pareizi un kas nepareizi. Ļoti izteikti tas darbojas, ja jāiemāca sistēmai atpazīt cilvēkus.
"Neironu tīklam mēs ļoti daudz rādām fotogrāfijas. Lai viņš iemācās atšķirt tās un klasificēt. Neironu tīkla gadījumā mēs pat nezinām, uz ko viņš skatās, jo mēs tikai dodam bildes, kuras atpazīt. Dažādos veidos rādām vienu un to pašu cilvēku, lai neironu tīkls viņu atpazītu dažādos veidos. Kopumā, mēs nezinām, ko ņem vērā atpazīšanā, bet skaidrs, ka tie ir kaut kādi biometriskie dati," piebilda Ņikitenko.
Tātad mākslīgais intelekts labi darbojas tur, kur tam jāveic specifisks uzdevums. Ja tam būtu jāorientējas dažādu parādību cēloņos un sekās, cilvēka prāts paliktu nepārspēts.
