O umjetnoj inteligenciji

S druge strane, „slaba umjetna inteligencija” (koja se ponekad naziva i „uskom“) specijalizirana je za određeni zadatak i često ga obavlja bolje od čovjeka. Ova vrsta umjetne inteligencije već se široko primjenjuje u mnogim oblicima jer su zadatci koje može obavljati svuda oko nas. Oni su vrlo raznoliki. Primjerice, umjetna inteligencija u samovozećem automobilu koja na slici s njegove kamere prepoznaje pješake i prometne znakove razlikuje se od umjetne inteligencije koja nam na internetskim stranicama preporučuje pjesme, filmove ili proizvode na osnovi našeg prijašnjeg pretraživanja. Ipak, neke su osnovne ideje zajedničke mnogim algoritmima umjetne inteligencije (Algoritam je niz uputa koje možemo zadati u obliku programskog koda tako da ih računalo može izvršiti). U nastavku ćemo ukratko opisati neke od tih ideja.

Velik broj algoritama umjetne inteligencije može se svrstati pod zajednički naziv strojno učenje (engl. machine learning). Algoritmi strojnog učenja u sebi sadrže jednu ili više matematičkih formula. One iz ulaznih podataka (npr. slika s kamere) računaju izlazne podatke (npr. popis objekata na slici). Formule su često složene i u sebi sadrže mnogo brojeva, takozvanih parametara, koji utječu na rezultat. Kada u nekom programskom jeziku stvaramo umjetnu inteligenciju, zadajemo samo oblik formula, ali ne i konkretne vrijednosti parametara koji će se u njima nalaziti.

Tko zadaje parametre u formuli? Oni se određuju automatski u procesu koji nazivamo „učenjem“ i koji se zasniva na velikom broju tzv. “primjera za učenje”. Riječ je o primjerima ulaznih podataka za koje unaprijed znamo točne izlazne podatke koje bi formule trebale dati kao rezultat. Primjerice, moramo imati velik broj slika na kojima su ljudi već označili objekte koji se na njima nalaze. Na samom početku učenja, vrijednosti parametara postavljene su nasumično i formule daju loše rezultate. Međutim, svaki primjer za učenje malo poboljšava formule, jer se vrijednosti parametara podešavaju tako da izračunati rezultat bude bliži stvarnom (točnom) rezultatu. Nakon tisuću ili milijun primjera za učenje, formule su dovoljno točne da se dobiveni algoritam može primjenjivati i na nove podatke gdje unaprijed ne znamo točan rezultat, primjerice tijekom vožnje samovozećeg automobila.

Što mogu biti izlazni podatci algoritama umjetne inteligencije? Navedeni primjer prepoznavanja objekta na slici možemo smatrati klasifikacijom, tj. razvrstavanjem ulaznih podataka u kategorije. S druge strane, algoritam može davati i procjenu neke veličine, što se naziva regresijom. Primjeri uključuju predviđanje sutrašnje temperature zraka u Zagrebu ili procjenu koliko će se nekom korisniku svidjeti određeni proizvod u web trgovini. Izlazni podatak može biti i određena akcija (korak, potez, odluka, odabir…) čiji ishod može i ne mora biti uspješan. Kada UI uči na osnovi tog ishoda, tj. interakcije s korisnikom ili okolišem, to zovemo aktivnim učenjem. Algoritam, primjerice inteligentni robot, izvodi određene poteze i na osnovi reakcije okoliša koje interpretira pozitivno ili negativno (“nagrada” ili “kazna”) podešava svoje parametre tako da idući put kad se nađe u sličnoj situaciji povuče bolji potez.

Da bismo dobili osjećaj o složenosti ovakvih rješenja, navedimo da Googleova UI zvana BERT iz 2018. godine, namijenjena razumijevanju prirodnog jezika (ljudskog teksta), ima čak 110 milijuna parametara u velikoj formuli koja se naziva duboka neuronska mreža (engl. deep neural network). Ona se sastoji od manjih formula (tzv. umjetnih neurona) organiziranih u velik broj slojeva koji se jedan na drugi nadovezuju i tako čine mrežu.

Osim strojnog učenja, kao još neke primjere algoritama umjetne inteligencije navedimo: stabla odluke (engl. decision trees) gdje se rezultat određuje na osnovi pažljivo konstruiranih uvjeta, evolucijske algoritme (engl. evolutionary algorithms) u kojima se sve bolja rješenja pronalaze „križanjem“ postojećih, te Bayesove mreže (engl. Bayesian networks) koje opisuju vjerojatnosne odnose između određenih varijabli. Navedeni algoritmi prikazani su na slici (Slika 1).

Umjetna inteligencija u mrežama 5G

Mreže 5G postaju višestruko složenije od dosadašnjih mreža zbog noviteta kao što su:

• heterogene mreže s više tehnologija radijskog pristupa,
• novi frekvencijski pojasevi i napredne (složene) tehnike upravljanja spektrom
• različite vrste usluga namijenjene velikom broju raznovrsnih uređaja.

Velika složenost mreža 5G onemogućuje upravljanje isključivo ljudskim djelovanjem. Primjerice, mreže se trebaju dinamički prilagođavati različitim i često promjenjivim uvjetima. Dinamičko upravljanje mrežama uključuje odabir radnog frekvencijskog pojasa baznih stanica na određenom području, izbjegavanje interferencije, odabir snage odašiljanja signala, dodjelu resursa korisnicima kako bi se zadovoljila kvaliteta usluge i sl. Postupci upravljanja mrežama na temelju velikog skupa ulaznih podataka (kao što su razmještaj baznih stanica, aktivni korisnici i korištene usluge, trenutačni mrežni promet i sl.) podešavaju izlazne podatke (kao što su izlazna snaga i frekvencija signala, količina resursa za svakog korisnika itd.). Upravo ovaj oblik upravljanja pogodan je za primjenu algoritama umjetne inteligencije u mrežama, pri čemu doprinos umjetne inteligencije u kvaliteti odluka upravljanja najviše ovisi o količini dostupnih podataka. Osim klasičnog upravljanja postavljanjem određenih veličina odnosno parametara, umjetnom inteligencijom mogu se ostvariti napredni postupci upravljanja koji uključuju predviđanja količine i vrste prometa, iskoristivosti resursa i sl.

Cilj dinamičkog upravljanja mrežom je odrediti parametre (konfigurirati mrežu) na način da ona postiže najbolje performanse. Konfiguraciju mreže treba, dakle, optimirati (što znači matematički pronaći najbolji odabir odgovarajućih veličina, tj. parametara) s obzirom na različita stanja u kojima se ona može naći. Tako ulazni podatci u odgovarajuće algoritme umjetne inteligencije mogu biti stanja komunikacijskih kanala, prijašnji i trenutačni korisnički zahtjevi, geografski podatci i razni drugi tehnički podatci. Izlazni podatci mogu biti predviđanje ponašanja korisnika i njihovih zahtjeva za uslugom ili kvalitetom usluge, predviđanje budućeg stanja komunikacijskog kanala, te vrijednosti koje određuju raspodjelu mrežnih resursa. U budućim mrežama 6G, koje će biti još složenije i fleksibilnije, umjetna inteligencija odigrat će središnju ulogu.