Skutočná umelá inteligencia by mala mať aj vedomie. Sme od toho ešte ďaleko.

blog_banner_eset_banner

Umelá inteligencia je téma, ktorá v posledných rokoch výrazne nabrala na popularite. Svedčí o tom množstvo technológií odkazujúcich na umelú inteligenciu. Čoraz častejšie sa hovorí o autonómnych autách či osobných asistentoch ako je napríklad Siri od spoločnosti Apple. Veľa sa píše o strojovom učení, hlbokom učení alebo neurónových sieťach. Čo tieto pojmy znamenajú a aký je medzi nimi rozdiel? Ako ďaleko pokročila technológia založená na prvkoch umelej inteligencie? O týchto témach sme sa rozprávali v sérii rozhovorov s Jurajom Jánošíkom, odborníkom na umelú inteligenciu zo spoločnosti ESET.

 V rozhovore sa dozviete:

  • Čo je to umelá inteligencia a aké prístupy sa v nej dnes rozvíjajú?
  • Prečo vďačíme hrám za rozvoj umelej inteligencie?
  • Ako je možné, že niekedy nerozumieme rozhodnutiam umelej inteligencie?
  • Ako ľudský mozog či rozmnožovanie buniek inšpirujú rozvoj umelej inteligencie?
  • Koľko rokov majú techniky umelej inteligencie, ktoré sa dnes tvária ako nové?

Začnime pekne na začiatku. Čo si mám predstaviť pod pojmom umelá inteligencia?

Ak dokážeme napodobniť ľudskú inteligenciu, vedomie a premýšľanie nejakou technológiou, dosiahneme umelú inteligenciu. Je na to aj pojem všeobecná umelá inteligencia (Artificial General Intelligence), no existuje aj koncept tzv. super inteligencie (Super Inteligence). Kým všeobecná umelá inteligencia má napodobniť myslenie ľudí aj s jeho chybami, super inteligencia má ísť ešte ďalej a prekročiť limity ľudského vedomia a rozmýšľania a výrazne ich predbehnúť. S tým sú však spojené ďalšie filozofické debaty a musíme si priznať, že sme dnes ešte naozaj ďaleko aj od všeobecnej umelej inteligencie.

 

Pri téme umelej inteligencie sa často objavujú aj pojmy strojové učenie a hlboké učenie. V čom sa tieto pojmy líšia?

Tieto pojmy sa často zamieňajú a to aj profesionálmi. Zjednodušene povedané, umelá inteligencia (Artificial Inteligence) je zastrešujúcim pojmom. Ide o veľký okruh tém, ktorý pokrýva aj témy robotiky, strojového učenia a podobne. Strojové učenie je teda iba jedna oblasť umelej inteligencie a momentálne sa jej venuje asi najväčšia pozornosť. Deep learning, alebo po slovensky hlboké učenie, je zase iba jednou časťou strojového učenia. Ide o oblasť, ktorá sa inšpiruje fungovaním mozgu a  snaží sa napodobniť prepojenia neurónov v mozgu.

 

Poďme teda poporiadku. Ako funguje strojové učenie?

Idea strojového učenia je v princípe jednoduchá. K dispozícií máme veľa dát a cez strojové učenie z nich chceme spraviť kompaktnú reprezentáciu. To znamená, že ak mám obrovské množstvo dát, nemusím ich všetky roztriediť sám. Stačí mi vziať menšiu vzorku, roztriedim ju a pustím na ňu algoritmus, aby sa naučil základné triedenie. Potom už nacvičený algoritmus pustím na ďalšiu menšiu vzorku a sledujem či ju triedi podľa mojich predstáv. Ak nie, upravím jeho správanie napríklad tým, že upresním kritéria. Ak som s výkonom algoritmu spokojný, pustím ho na celú databázu a algoritmus mi ju roztriedi sám v oveľa kratšom čase, akoby to urobil človek.

 

Vieš uviesť konkrétnejší príklad?

Ak chceme napríklad naučiť počítač rozoznať šálku, nahráme do neho tisíce či milióny fotiek šálok a pohárov. Z týchto obrázkov sa pokúsi algoritmus sám vytvoriť zovšeobecnenie. Následne, keď mu ukážem novú fotografiu šálky, bude vedieť povedať s akou pravdepodobnosťou ide o šálku. Ak by som nebol spokojný s výsledkami, môžem kritéria ešte upraviť, napríklad mu poviem, že tam musí byť aj uško a podobne.

Keď sa dnes hovorí o umelej inteligencii najčastejšie sa hovorí práve o strojovom učení. Už dnes funguje bežne napríklad pri odporúčaniach čo si mám pozrieť na Netflixe na základe programov, ktoré som už videl, pri triedení fotiek do kategórií v mobiloch, ale aj pri autonómnych autách, či v kybernetickej bezpečnosti, ktorej sa venujeme. Práve okolo strojového učenia je teraz najväčšia debata, pričom svetové firmy ako Google a Apple do týchto technológií masívne investujú.

 

V čom sa líši hlboké učenie od strojového učenia?

Pri hlbokom učení ide tiež o interpretáciu množstva dát, z ktorých potrebujeme spraviť kompaktnú reprezentáciu. Tá sa nazýva model, ktorý bude následne robiť predikcie. Nepoužijeme však stromové algoritmy, ale neurónové siete.

Neurónové siete sú inšpirované fungovaním ľudského mozgu, fungovaním neurónov. Mozog je v podstate veľká sieť neurónov, do ktorej prichádzajú nejaké vstupy. Tie sa v mozgu vyhodnotia a následne nám dá mozog výstupy do organizmu. Neurónová sieť funguje rovnako. Máme nejaké vstupy, ktoré vchádzajú do siete. Tú reprezentuje funkcia, ktorá týmto vstupom pridelí určitú váhu, vyhodnotí a následne nám vráti výstupy.

 

Veľmi si mi nepomohol. Ako si to mám predstaviť?

Skúsme si to na príklade rozhodovacieho stromu, čo je klasický klasifikačný algoritmus v strojovom učení. Teda každé rozhodnutie ma posunie buď na jednu, druhú, alebo tretiu stranu. Podobne rastie aj strom. Buď sa vyšplhám na jeden konár, alebo na druhý a tam ma opäť čaká rozvetvenie, ďalšia vrstva. Aj umelá inteligencia pri strojovom učení postupuje podobne: buď toto, alebo toto, a tak stále dookola. 

Naopak, pri neurónových sieťach tento vzruch vstupuje do niečoho, čo si môžeme predstaviť ako sieť a vzruch nimi prechádza viacerými vrstvami súčasne, prípadne sa môže aj vracať. Sú dokonca aj neurónové siete, ktoré majú niečo ako bunky rozhodujúce o tom, že niečo v tejto situácií použijem, niečo zahodím, ale zapamätám si to a môžem to použiť neskôr. Je to teda vernejšie reálnemu fungovaniu mozgu, aj keď samozrejme ani toto nie je úplne presná kópia fungovania mozgu.

 

Rozumiem tomu správne, že pri klasickom strojovom učení ide o priamočiarejšie rozhodovanie na základe kritérií, a pri hlbokom učení do toho vstupuje akoby viac faktorov, ktoré majú rôznu váhu?

Zjednodušene povedané, áno. Z toho vyplýva aj zásadný rozdiel, ktorý sa týka interpretovateľnosti. V rozhodovacom strome viem spätne zistiť, prečo sa umelá inteligencia rozhodla tak, alebo onak. Viem sa totiž spätne pozrieť na jednotlivé kroky a vyhodnotiť si, v ktorom kroku sa ako rozhodla. Pri neurónových sieťach to také jednoduché nie je, lebo cesta impulzu nie je priamočiara. Impulz sa mnohokrát vyhodnocuje, má pridelenú váhu a algoritmus vytvorí zovšeobecnenie. Neviem ale povedať, prečo priradil určité váhy jednotlivým neurónom a tým pádom, prečo sa rozhoduje tak, ako sa rozhoduje. Je to veľký problém pri nasadzovaní týchto technológií do rozhodnutí, ktoré sa týkajú ľudí, pretože nevieme jasne povedať, prečo sa daný model rozhodol istým spôsobom.

 

Reálne sa môže stať, že sa umelá inteligencia rozhodne určitým spôsobom a my nebudeme vedieť prečo?

Áno. V bankovníctve sa napríklad môžeme stretnúť s využitím umelej inteligencie pri vyhodnocovaní bonity klientov. Je to veľmi citlivá otázka už len preto, že chce človek poznať dôvod, prečo mu banka neschválila úver. Asi nikto by nechcel počuť, že o tom rozhodla umelá inteligencia a navyše, ani nevieme povedať prečo.

Okrem toho je tu aj problém vstupných dát. Umelá inteligencia sa na základe dostupných dát môže naučiť nesprávnemu zovšeobecneniu, napríklad rasizmu. Zo vstupných dát totiž štatisticky môže vychádzať aj to, že je väčšia pravdepodobnosť nesplácania hypotéky u konkrétnej časti obyvateľstva. Zlým výberom dát môže vzniknúť v rozhodovaní výsledného modelu niečo ako predsudok. Avšak tomu sa snažíme v práci zabrániť.

Technicky by sme teda už strojové učenie a hlboké učenie mohli nasadiť v bankovníctve, no masovo sa nerozširuje práve z uvedených dôvodov.

Veľa algoritmov, ktoré sa dnes používajú, je starých. Niektoré vznikli ešte v 50. rokoch, alebo dokonca skôr.

Posuňme sa ďalej od strojového učenia. Existujú aj iné cesty k dosiahnutiu všeobecnej umelej inteligencie?

Áno, môžu tu byť aj iné cesty. Veľa algoritmov, ktoré sa dnes používajú, je starých. Niektoré vznikli ešte v 50. rokoch, alebo dokonca skôr. V princípe všetko, z čoho dnes čerpáme, pochádza ešte z 50., 60., alebo 70. rokov. Posledné výraznejšie inovácie sa datujú do 80. a 90. rokov, no odvtedy v podstate len zdokonaľujeme to, čo už bolo vymyslené. Prípadne sme pre algoritmy, ktoré boli len na papieri, našli praktické využitie.

Paradoxne, rozvoju strojového učenia pomohli počítačové hry. Tie odštartovali hon za zvyšovaním výpočtového výkonu, najmä v oblasti grafických čipov. Ďalším faktorom bol nástup technológií spojených s Big data a veľkokapacitnými a rýchlymi úložiskami. Dovtedy bol totiž problém aj s databázami. Rozvoj týchto dvoch oblastí, teda výpočtového výkonu a databáz, viedli k tomu, že sa dnes väčšina firiem zameriava práve na strojové učenie, ktoré ich nevyhnutne potrebuje. Tých ciest je ale rozhodne viac.

 

V poriadku, tu musím odbočiť od témy. Za umelú inteligenciu vďačíme hrám?

Nie len hrám, ale majú na tom veľkú zásluhu. Keď si strojové učenie rozbijeme na úplnú matematickú krajnosť, tak je to v podstate práca s maticami. Zjednodušene povedané, potrebujeme vypočítať desatinné čísla a násobiť v obrovských kvantách. To je to, čo sa reálne a efektívne deje na výpočtovej úrovni. A v tejto oblasti sú počítače oveľa lepšie, ako človek. Presne to isté sa totiž deje v grafických kartách pri vykresľovaní prostredia hier, alebo pri sledovaní HD videa. Ide v princípe o tie isté matematické operácie.

 

To znamená, že sme sa od vzniku idei umelej inteligencie nikam neposunuli a v zásade ju rozbehol iba technologický rozvoj v spomínaných oblastiach?

Algoritmy sa samozrejme vyvíjajú a zlepšujú, objavujú sa aj nové. Nedá sa teda povedať, že sme sa nikam neposunuli. No pravdou zostáva, že aj súčasné modely umelej inteligencie, ktoré sa bežne používajú v dnešných produktoch, vznikali v 90. rokoch. Za rozvojom strojového učenia, ktorý je dnes taký populárny však môže naozaj najmä rozvoj spomínaných technológií. Ideovo sme sa za posledných 20 – 30 rokov zásadne neposunuli. Nevnímam tu nejakú revolučnú myšlienku, ktorá by významne zmenila vývoj umelej inteligencie. Skôr všetci pracujeme na základoch, ktoré boli položené v minulosti a zlepšujeme ich.

 

Čiže súčasná umelá inteligencia nie je až taká nová vec, ako sa niekedy tvári.

Vezmime si ako prípad veľmi populárny algoritmus LSTM, čo je skratka pre Long short-term memory. Ide o typ hlbokého učenia založenom na neurónových sieťach, ktorý sa využíva na spracovávanie sekvenčných dát, teda najmä na spracovanie obrazu, zvuku a podobne. Presne tento algoritmus sa využíva pri vytváraní falošných videí tzv. deepfakes, ktoré sú dnes také populárne. Video s Barackom Obamom, ktoré obletelo svet a v ktorom hovorí niečo, čo v skutočnosti nikdy nepovedal, je z veľkej časti vytvorené práve týmto algoritmom. Vymysleli ho pritom dvaja ľudia na univerzite v Gratzi už v roku 1997, no až teraz začína byť populárny. V 90. rokoch si väčšina ľudí ani firiem nemohla dovoliť výpočtový výkon, ktorý by niečo takéto zvládol. Dnes je výrazne dostupnejší.

 

Vráťme sa k otázke o iných cestách k všeobecnej umelej inteligencii. Aké ďalšie prístupy sú populárne, okrem strojového učenia?

Existuje starší prístup, ktorý je efektívny a často sa používa v robotike alebo v riadení v priemysle. Ide o genetické algoritmy. Tento prístup je inšpirovaný rozmnožovaním a delením buniek, pri ktorých dochádza k mutáciám. Podobne aj pri algoritme zadefinujeme nejakú populáciu, v čase meníme funkcie a sledujeme, ako tieto zmeny, alebo mutácie, menia výsledky.

 

Viem si to nejako predstaviť?

Môžem použiť trošku uletený príklad z burzy. Aby sme vedeli predpovedať, ako bude vyzerať vývoj na burze v čase, potrebujeme sledovať veľmi veľa ukazovateľov. Hľadáme správnu funkciu toho, kedy je vhodná chvíľa spraviť obchod, predať akcie a podobne. Na to potrebujeme sledovať množstvo  parametrov a hľadať, kde je medzi nimi rovnováha v závislosti na predchádzajúcich dátach. Vytvoríme si teda funkciu, vložíme vstupné dáta a zisťujeme, ako celý systém funguje, a ako sa mení. Následne urobíme zmeny tejto funkcie, spomínané mutácie, a opäť sledujeme, ako sa systém zmenil, a ako sa vyvíja. Stále dookola, až kým nenájdeme vyhovujúci model, ktorý bude aspoň čiastočne reprezentovať realitu.

 

To je dosť náročné na predstavivosť. Sú aj nejaké ďalšie cesty?

Existujú aj prístupy, ktoré sa nazývajú Good-Old-Fashioned AI (voľne preložené ako „stará-dobrá“ umelá inteligencia). V slovenčine sa zvykne hovoriť o expertných systémoch. V tomto prípade nejaký odborník, ktorý rozumie umelej inteligencii, zadefinuje pevne pravidlá, podľa ktorých sa bude program správať. V procese sa tieto pravidlá môžu meniť, ale meniť ich bude opäť expert, nie samotná umelá inteligencia. Ide teda o  ľudský dohľad nad umelou inteligenciu.

Ďalší populárny prístup sú Markovovské reťazce. Ich základ položil Ruský matematik Andrey Markov na začiatku 20 storočia a dnes majú veľké využitie ako štatistické modely reálnych procesov. Používajú sa v robotike, finančníctve, na optimalizáciu front na letiskách, alebo aj v PageRank algoritme vyhľadávača Google. Tieto metódy sa stali základom pre oblasť strojového učenia známu ako Reinforcement Learning (Voľne preložené ako spätnoväzobné učenie, alebo učenie za pomoci spätnej väzby). Reinforcement Learning v kombinácii s expertnými systémami bol napríklad použitý pri AlphaGo.

 

To meno mi niečo hovorí.

Médiami napríklad prebehla informácia o umelej inteligencii, ktorá porazila najlepšieho hráča v hre Go. Alebo sa veľa písalo o umelej inteligencii Watson od IBM. Obe tieto umelé inteligencie kombinujú strojové učenie a expertné systémy. Ich použitie je obmedzené, avšak sú výborne v jasne zadefinovaných medziach, ako napríklad v hre Go. Ale to je asi tak všetko. Takže vo výsledku máme umelú inteligenciu, ktorá vie niekoho rozbiť v hrách, ale nevie urobiť rozhodnutia v iných oblastiach.

 

A čo spomínaný Watson? Ten sa predsa používa na iné veci, ako sú len hry.

Watson je napríklad dobrý v tom, že si vie dať veci do súvislosti. Paradoxom ale je, že sa na ich základe nevie rozhodnúť. Nejde teda o vedomie alebo cieľavedomú činnosť. Watson je skvelý napríklad pri diagnostike MRI. Z analýzy vyplýva, že má vyššiu úspešnosť ako väčšina rádiológov. Je to pochopiteľné, lebo kvalita rádiológa sa odvodzuje aj od jeho skúseností a od toho, koľko snímok už predtým videl. To je vo svojej podstate strojové učenie.

Navyše, do rozhodovania rádiológov často vstupujú ľudské slabosti ako únava, momentálna nálada, či je rádiológ hladný alebo smädný. Takéto faktory Watsona neovplyvňujú. Stačí do neho naliať tisícky či milióny snímok, ktoré sú klasifikované ako dobré, zlé, neviem aké a na ich základe bude vedieť s veľkou úspešnosťou predpovedať diagnózu. Predsa len je v jeho kapacite pozrieť si viac snímok, ako za jeden život stihne vidieť jeden rádiológ. Navyše dokáže rozoznať aj zmenu v jednom pixeli, čo je pre človeka takmer nemožné.

Keď chcete naučiť dieťa, čo je šálka, neukážete mu milión šálok, aby vedelo šálku rozoznať. Takto ľudský mozog nefunguje.

Spomenuli sme viacero prístupov k umelej inteligencii, ktoré sa dnes používajú. Ktorý z nich je najúspešnejší z hľadiska dosiahnutia všeobecnej umelej inteligencie? Spomínal si, že je strojové učenie je najrozšírenejšie, je toto tá najlepšia cesta?

Strojové učenie je populárne skôr preto, lebo je vhodné na širokú škálu úloh, s ktorými sa v bežnom živote stretávame. Napríklad predikcia na základe predošlých dát, hľadanie anomálii, počítačové videnie, ktoré funguje dlhé roky. Nie je to teda preto, že by to bola naša najlepšia cesta k všeobecnej umelej inteligencii.

Veľa múdrych ľudí si dokonca myslí, že strojové učenie je slepá ulička. Keď sa vrátime k príkladu so šálkou, o ktorej som hovoril. Keď chcete naučiť dieťa, čo je šálka, neukážete mu milión šálok, aby vedelo šálku rozoznať. Takto ľudský mozog nefunguje.

 

Prečo sme vlastne všeobecnú umelú inteligenciu ešte nevytvorili? Sú tam nejaké teoretické či matematické prekážky, alebo je to skôr otázka nedostatočného výpočtového výkonu?

To je dobrá otázka. Sú dva pohľady, ktorými sa dá na túto otázku pozrieť. Čo to znamená nedostatočný výpočtový výkon? Niektorí vedci tvrdia, že ak by sme chceli interpretovať ľudský mozog do počítača, tak by sme ho v súčasnosti dokázali namodelovať do aktuálne najvýkonnejšieho počítača na svete. Jeden ľudský mozog do najvýkonnejšieho a najdrahšieho superpočítača. To asi nie je veľmi efektívne.

 

Preruším ťa. Ako vedia ľudia kvantifikovať výkon mozgu? Pokiaľ viem, dnes nikto presne nerozumie, ako mozog funguje.

To je ďalší problém. Dá sa spraviť približný odhad. Výkon dnešných počítačov sa počíta v jednotkách s názvom FLOPS (Floating-point Operations Per Second). Veľmi zhruba povedané je to počet operácii, ktoré dokáže spraviť počítač v desatinnej čiarke za sekundu. Najvýkonnejšie super počítače majú výpočtový výkon v desiatkach petaflops, alebo podobnú šialenosť. Jeden petaflop je jednotka a za ňou 15 núl. To znamená, že vie vypočítať simulácie atmosféry a jadrových výbuchov, kde sú zložité rovnice s miliardou parametrov. Ľudský mozog by takéto výpočty robil s rýchlosťou len odhadom 0,001 FLOPu. Lenže ľudský mozog vie robiť aj iné veci, ktoré by dnešné počítače nevedeli nasimulovať, nakoľko sú  príliš zložité.

 

Aké napríklad? Fungovanie ďalších orgánov v tele?

O to až tak nejde. Ide skôr o vedomie či rozhodovanie. To sú veci, ktorým poriadne nerozumieme. Nevieme, ako vedomie funguje, no vieme, že nefunguje spôsobom strojového učenia. Nikto si nepozrie päťstotisíc fotografií mačiek, aby na ulici rozoznal mačku. Práve preto ešte nemôžeme hovoriť o umelej inteligencií. Je tam veľa výziev a to sa rozprávame iba o nasimulovaní jedného priemerného ľudského mozgu.

 

Spomínal si dve roviny, pre ktoré sme ešte nedosiahli všeobecnú umelú inteligenciu. Prvou bol výpočtový výkon. Čo bolo druhou?

Tej sme sa práve dotkli. Ide o to, že nevieme, ako funguje vedomie. Nik nevie, čo vlastne vedomie je. Existujú filozofické definície, ale nemáme matematický model, ktorý by sme vedeli použiť. Nemáme jasnú definíciu.

 

A potrebujeme vedomie na vytvorenie umelej inteligencie? Nestačí, že vytvoríme premýšľanie podobné človeku? Musí tam byť aj vedomie či osobnosť?

To je ďalšia otázka v tejto diskusii.  Ak však chceme dosiahnuť plnohodnotnú všeobecnú umelú inteligenciu, musí mať vedomie. Bez toho to bude len zoznam pravidiel, ktoré stroj nasleduje, no jeho rozhodovanie nie je nezávislé. Na to, aby bola umelá inteligencia samostatná, musí mať vlastnú schopnosť samostatne premýšľať. Tak ako človek. A samozrejme, aj my ľudia robíme chyby, takže ak bude umelá inteligencia dizajnovaná nami, asi nebude mať dokonalé myslenie a bude pravdepodobne robiť chyby, rovnako ako my. Ak by ich nerobila, hovorili by sme už o super inteligencii.

 

Čiže laická predstava, že stroj bude síce rozmýšľať, ale nebude mať osobnosť, je chybná?

Ak sa rozprávame o tom, že vytvoríme umelú inteligenciu, akou je ľudská inteligencia, tak potom by mala mať všetky tieto náležitosti ako osobnosť. Vrátane chýb a učenia sa z nich.

 

Dajme si ešte jeden hypotetický príklad. Ak zadám rovnaký problém viacerým umelým inteligenciám, môžu mať rozdielne výstupy?

Presne tak. Každá umelá inteligencia prechádza určitým vývojom. Jedna vyrástla v jednom laboratóriu, druhá v druhom. Ten vývoj je osobitý, navyše sa mohli učiť na rozdielnych vstupoch, a preto aj v budúcnosti môže ponúkať iné vyhodnocovanie. Tak ako človek. V opačnom prípade by sme sa rozprávali o super inteligencií, ktorá dáva vždy dokonalé výstupy.

 

Je cieľom vývoja umelej inteligencie nahradiť človeka?

To si nemyslím. Je tu určitá  skupina ľudí, ktorá o tom sníva. No poznáme aj pomerne veľkú skupinu, ktorá s tým nesúhlasí. Medzi nimi je pritom mnoho rešpektovaných ľudí, ako nebohý Stephen Hawking, Elon Musk, či Bill Gates, ktorí si myslia, že by sme touto cestou nemali ísť.

Ja sa na to pozerám pragmaticky. Prečo by mal človek robiť monotónne veci, ktoré ho nebavia, keď je v tom počítač navyše aj lepší. Ja by som radšej chcel, aby moje MRI vyhodnocoval naozaj dobrý počítač s vysokou úspešnosťou, než priemerný alebo podpriemerný rádiológ.

Ide teda o to, o akej umelej inteligencií sa rozprávame? Či chceme len inteligentnú pomoc počítača, všeobecnú umelú inteligenciu, alebo super inteligenciu. Z môjho pohľadu sa teraz pracuje najmä na tom, aby nám umelá inteligencia pomáhala s problémami, s ktorými si nevieme dať rady, alebo ich rieši oveľa efektívnejšie. Ďalej momentálne nie sme.

 

Je podľa teba možné, že sa k všeobecnej umelej inteligencii nikdy nedopracujeme?

Áno, je to možné. Otázka ale stojí aj tak, či to vôbec chceme? Ako som naznačil, ja sa na to pozerám prakticky. Prvky umelej inteligencie nám môžu zásadným spôsobom pomáhať v bežnom živote. Presne na tom pracujeme aj tu, v ESETe. Prečo by sme to nevyužili?

Juraj Jánošík

Na Slovenskej Technologickej Univerzite v Bratislave získal titul bakalára v aplikovanej informatike a titul inžinier v robotike. V roku 2008 nastúpil do spoločnosti ESET na pozíciu analytika škodlivého kódu. Od roku 2013 vedie tím zodpovedný za automatickú detekciu hrozieb a umelú inteligenciu, v súčasnosti je zodpovedný za integráciu strojového učenia do detekčného jadra. Pravidelne prednáša na odborných konferenciách po celom svete.