Ma már a csapból is az folyik, hogy hamarosan tényleg jönnek a robotok, és elveszik az emberek munkáját, azonban számos szakértő egy ennél kevésbé riasztó jövőképet tart valószínűnek: az ember-robot együttműködésre alapuló jövőt. Az együttélés - vagy inkább közös működés - koncepciójának alapja pedig az, hogy vagy nem lesznek elég fejlettek a gépek ahhoz, hogy ki lehessen velük váltani minden emberi tényezőt, vagy olyan döntéseket kellene hozniuk, melyek túlzottan komoly következményekkel járhatnak az emberre nézve ahhoz, hogy a robotokra bízzuk a meghozatalukat.

A hibrid döntéshozás jobb eredményeket fog felmutatni, mint az egyedül végzett munka, mondja David Mindell, az MIT professzora. Amikor azonban ember és félintelligens rendszer együtt dolgozik, az néha katasztrofális eredményekkel jár: elég arra a szerencsétlen, idei esetre gondolni, amikor az Uber önvezető teszautója halálra gázolt egy gyalogost. A volánnál ugyan ült ember, de a helyi rendőrség megállapította, hogy valami folyamatosan elterelte a figyelmét, egészen az ütközésig az okostelefonját bámulta.

Az Uber autója hármas szinten volt autonóm, ami azt jelenti, hogy adott jármű az esetek többségében elboldogul egyedül, de a kritikus helyzetekben még emberi közbeavatkozásra szorul. Ez probléma: bírálói szerint nem várható el egy embertől, hogy egy egyébként teljesen önjáró rendszerbe sikerrel avatkozzon be, ha az hirtelen úgy dönt, egyedül nem megy. Napi egy percnyi munkáért nem lehet egy egész műszakon keresztül koncentrálni, az emberi agy egyszerűen nem így működik.

A mesterséges intelligenciájú rendszerek-ember együttélés gondos megtervezése nélkül hamar egyértelmű gépgyűlöletbe fordulhat a most még leginkább a lelkes várakozás, aggódva figyelés és szkepszis keverékeként leírható hangulat, ami a robotok eljöveteléhez társul. Ha pedig az emberek felismerik, hogy a gépi tanulás ma még limitált, elillannak a túlzó reményeik, ez pedig elvezethet az új AI-télhez, mondja Roger Schank mesterségesintelligencia-szakértő. (A legutóbbi AI- vagy MI-tél a '80-as években következett be, a kifejezés arra utal, hogy az addig lelkes kutatók, sajtó és közönség kiábrándult a mesterségesintelligencia-tudományból, mert az nem mutatott elég látványos haladást, és el is fordultak a területtől.)

Hogy ezt megelőzzük, realisztikusabb elvárásokra van szükség az autonóm rendszerek kapcsán. Bár a gépi tanulás - ami tulajdonképpen a mintafelismerés magasabb szintje - már ma sokkal hatékonyabb az embernél például a kép- és beszédfelismerésben, amikor a robotnak olyan helyzetekben kell döntést hoznia, amelyekkel még nem találkozott, könnyen kudarcot vallhat. Ezek azok a szituációk, melyekkel az ember nap, mint nap találkozik, és meg is old. Ebben a tekintetben ember és robot között az a különbség, hogy a gépek képesek adatok összevetésére, de nem képesek felismerni az egyes adatok jelentőségét, vagyis emberfeletti a kapacitásuk, de nem fogják fel a világot maguk körül.

Az ember-gép együttműködés három útja

Az első, amikor az ember a cserejátékos a kapcsolatban, és csak akkor lép közbe, ha a gép elért tudása határaihoz. Például az automatizál call centerek esetében, ahol a gép beszéd- és nyelvfelismeréssel igyekszik megoldani a kuncsaft problémáját, és az emberi felügyelő csak akkor veszi át a beszélgetést, ha a gép megzavarodik. Az Uber-gázolás annak volt szélsőséges példája, amikor ez félremegy. A Stanford Egyetem kutatása szerint legalább hat másodpercre van szüksége egy embernek ahhoz, hogy teljesen visszanyerje a figyelmét, és hogy visszavegye a kontrollt - de még elegendő közbelépési időnél is előfordulhat, hogy az ember teljesen mást lát egy szituációban, mint a robot. Amin leginkább dolgozni kell, az az információ-megosztás módja: az emberek félszavakból is értik egymást, pusztán a kontextus közös megértésének köszönhetően, egy gép viszont egyelőre nem tud így működni.

A második típusú ember-gép együttműködés az, amikor a kényes szituációkban mindig az ember feladata a döntés, még akkor is, ha adott esetben amúgy a robot is meg tudná hozni azt. Így működnek például a hadászati drónok, ahol mindig az ember határozza meg, milyen célpontra és mikor tüzeljenek. Épp velük szemben fogalmazták meg a kritikát egyébként, hogy semmiféle technológiai korlátozás nincs, hogy ne tegyék őket teljesen autonómmá. Egy teljesen önjáró gyilkoló robotnak pedig leginkább a nyolcvanas évek scifijeiben van helye, nem a való életben.

A harmadik típus az a fajta AI, mely csak az emberi döntéshozás megkönnyítésére használatos, önmagában képtelen megoldani a feladatokat. Tehát adatösszegzések alapján javaslatokat tesz a cselekvő embernek a következő lépésre. Az algoritmusok azonban, mint fentebb írtuk, csak annyira "jók," mint amennyire az adatok, melyből tanultak - arra nem elegendőek, hogy új szituácikat oldjanak meg.

Egyes esetekben azonban nagyon nehézzé válhat a puszta segítőnek delegált robot javaslataival szemben másképp dönteni. Példa erre az IBM Watson nevű gépe, melyet kifejezetten az orvosi diagnózisok felállítására fejlesztettek. A Watson a big data-elemzések miatt összehasonlíthatatlanul több esettel találkozott már, mint a hierarchiában fölé sorolt orvos - aki épp ezért a robot tudásánál csekélyebbnek érezheti a saját, való életből származó tapasztalatát, és így nehezebben is veszi rá magát arra, hogy döntésével felülírja a gépi diagnózist. A nem hozzáértők körében pedig még nehezebb lehet a felülbírálás: az emberek tétovázhatnak egy olyan gép mellett, melynek a működését nem értik.

A fent vázolt, bizonytalan viszonyokból úgy lehet kitörni, hogy kreatívabbá kell tenni az ember-gép kapcsolatot, ami egyes szakértők szerint újfajta AI-t eredményez majd. Ezt úgy lehet elérni, hogy a gépeket képessé tesszük a világ mélyebb megértésére, és így a javaslataikat egy emberibb kontextusban fogalmazzák majd meg. Schank szerint a mérnököknek most a gépi intelligencia tanulmányozása helyett az emberi sokféleségre kellene koncentrálniuk. Mint rámutat, az AI-tudomány korai alakjai között több pszichológus is volt. Szerinte úgy tudunk valódi áttörést elérni a mesterségesintelligencia-kutatásban, ha jobban megértjük, hogyan tanulnak az emberek a tapasztalataikból, és hogyan alkalmazzák az új tudást az új helyzetekben.

(Financial Times)