– Data science w neuronauce pozwala badać aktywność mózgu na podstawie fal sczytywanych z EEG. Fale mózgu z różnych punktów czaszki zapisywane są w komputerze jako sygnał. Każda elektroda jest przedstawiona jako osobny wykres, a nasze „myśli” są zaprezentowane w sposób matematyczny – mówi dr Leon Ciechanowski z Akademii Leona Koźmińskiego.

Dr Leon Ciechanowski jest pracownikiem Katedry Zarządzania w Społeczeństwie Sieciowym Akademii Leona Koźmińskiego. Z wykształcenia psycholog kognitywista, a zawodowo – badacz sztucznej inteligencji i data scientist. Specjalizuje się między innymi w analizie sieci społecznych, automatycznych botach w mediach społecznościowych. Do jego zainteresowań należą również data science w neuronauce, a także badania relacji i interakcji zachodzących na linii człowiek – komputer.

Dlaczego jako psycholog zacząłeś pracować z danymi? Fascynacja, konieczność?

Zawsze interesowało mnie to, w jaki sposób ludzie myślą. Zastanawiałem się, jak działa świadomość. Swoją drogę naukową zaczynałem od filozofii, później była kognitywistyka, następnie neuropsychologia, a w tej chwili zajmuję się algorytmami sztucznej inteligencji, czyli „cyfrowym mózgiem”. Fascynuje mnie to, że data science jest często kluczem do zrozumienia pewnych idei w pracy naukowej, a jednocześnie jest narzędziem, które wspiera pracę naukowca, ale i rozwiązania biznesowe.

Tworzysz rozwiązania, które pomagają w rozwiązywaniu problemów tu i teraz.

Jest coś magicznego w tym, że można nauczyć maszynę, aby rozumiała działanie naszego mózgu. Pomijam to, że niemal każdy data scientist chciałby się zbliżyć do stworzenia takiej formy sztucznej inteligencji, która by pozwoliła ze sobą porozmawiać, zaprzyjaźnić się, ale także zrozumieć nas samych. Gdy myślę o sztucznej inteligencji, to mam ogromną nadzieję, że – wbrew obawom wielu – nie podbije nas, lecz nami pokieruje.

No właśnie. Dziś technologie AI i ML zmieniają nie tylko nasze codzienne życie, ale również rolę pracownika w firmach. Rosną oczekiwania szefów firm, mimo że możliwości technologiczne nadal są ograniczone.

Rzeczywistość nie jest taka kolorowa. Nie wszyscy to pamiętają, ale mieliśmy już jedną tzw. zimę AI, kiedy ludzie zawiedli się na umiejętnościach algorytmów sztucznej inteligencji. Powodem były zbyt wygórowane oczekiwania. W latach 90. wielu ekspertów wróżyło, że już za 5-10 lat będziemy mieli superinteligentne maszyny, boty, a może nawet roboty. Zapowiadali, że wszyscy będziemy rozmawiać z nimi na dowolne tematy. Jednak te przewidywania się nie sprawdziły.

Dzisiaj mamy powtórkę z rozrywki. Fascynujemy się np. chatbotami, choć nadal są to bardzo proste rozwiązania. Generalnie technologia, z którą dzisiaj styka się człowiek, wygląda dosyć ubogo. Natomiast w prostych czynnościach i rutynowych zadaniach te narzędzia jak najbardziej spełniają swoją funkcję.

Czy to znaczy, że mamy do czynienia z modą na AI?

Tak, przy czym ten medal ma dwie strony. Współpracując z biznesem, widziałem firmy, które – mówiąc kolokwialnie – jedynie nawijały klientom makaron na uszy. Po zrobieniu doktoratu z neuropsychologii miałem sporo doświadczeń z urządzeniami typu wearables, eye trackerami, kamerami czy czujnikami sczytującymi emocje z twarzy. Widziałem rozwiązania, które są świetne od strony technicznej, jednak biznesowo nie rozwiązują żadnych problemów. Menedżer dostaje wykres, ale nie wie, co z nim zrobić.

Gdybyśmy skupili się nie tylko na „data”, ale trochę też na „science”, czyli na poprawnej metodologii użycia AI, to moglibyśmy stawiać lepsze pytania w biznesie, lepsze hipotezy i móc je w końcu skutecznie sprawdzać.

To dlaczego wiele firm jedynie prześlizguje się po AI czy machine learning, zamiast tworzyć rozwiązania odpowiadające na potrzeby użytkownika?

Wynika to z tego, że próg wejścia w tę technologię jest bardzo wysoki. To dlatego specjaliści AI oraz data science należą do jednych z najlepiej opłacanych w branży technologicznej. Liczba specjalistów, którzy potrafią jednocześnie programować, rozumieją algorytmy i statystykę, jest stosunkowo mała. Dodatkowo, żeby tworzyć sensowne rozwiązania, trzeba znać metodologię, czyli potrafić stawiać hipotezy oraz je potwierdzać.

Obecnie wiele mówi się o rozwiązaniach AI, ale w zasadzie na nic się to nie przekłada. A z drugiej strony w przemyśle, energetyce, medycynie istnieją zaawansowane technologie, które odpowiadają za milionowe oszczędności. Tylko nie zawsze głośno się o nich mówi.

Wspomniałeś o medycynie. Porozmawiajmy więc o wpływie technologii na ludzki mózg. Czy narzędzia sztucznej inteligencji potrafią „zajrzeć” do naszego umysłu?

Poniekąd. Na rynku są rozwiązania, które na podstawie działania kory motorycznej mózgu  pozwalają nieinwazyjnie odczytać, co dzieje się w głowie pacjenta, który ze względu na chorobę nie jest w stanie tego powiedzieć. Wystarczy mieć założony czepek EEG. Te systemy w pewnym sensie odczytują ludzkie intencje – człowiek wyobraża sobie, co chce powiedzieć, a specjalny syntezator przetwarza odebrane sygnały na mowę. Technologie data science w neuronauce są już bardzo rozwinięte.

Dlatego moim zdaniem w ciągu kilku-kilkunastu lat osoby, które nie mogą mówić, np. ze względu na paraliż, będą mogły się komunikować za pomocą technologii. Wykorzystanie algorytmów uczenia maszynowego do rozwiązywania realnych problemów ludzi to olbrzymia wartość. Na całym świecie w podobnych obszarach nieustannie pracują tysiące zespołów naukowych i naukowo-biznesowych.

Z drugiej strony mamy wizjonerów, którzy mówią nam, że w ciągu kilku czy kilkunastu lat będziemy podłączać nasz mózg do interfejsu mózg – komputer celem „wgrywania” czy rozszerzania pamięci. Jednak z punktu widzenia data science w neuronauce jest to bardzo mało prawdopodobne w najbliższym czasie.

W którym momencie jesteśmy?

Powiedziałbym, że w momencie przejściowym. Tworzymy lepsze maszyny, roboty i czatboty niż 10, 20 czy 30 lat temu. Jednak cały czas nie są one idealne. Ale kiedyś się staną. Budując te systemy, musimy pamiętać, aby nie wpaść w tzw. dolinę niesamowitości. Im bardziej podobny do nas system tworzymy, tym bardziej pozytywne emocje on wywoła. Do pewnego momentu oczywiście. Wtedy osiągamy swego rodzaju „sweet spot”, lecz nigdy nie wiemy, gdzie dokładnie on się znajduje. I tu nagle pojawia się załamanie naszych emocji – roboty, które są bardzo do nas podobne, ale nie idealnie podobne, zaczynają budzić lęk, strach, niepokój. Dlatego w interakcji z ludźmi celem powinna być próba nietworzenia idealnej technologii. Uważam, że mimo wszystko powinna to być nieco gorsza wersja niż potencjalnie możliwa do stworzenia.

Czy tworzone technologie nie powinny przejść np. testu Turinga?

Czatbot Eugene Goostman kilka lat temu zdał pozytywnie test Turinga, mimo że nie najlepiej mówił po angielsku. Za sukcesem projektu stał fakt, że Eugene okazał się niedoskonały, bo bardziej ludzki niż maszynowy.

Tak więc z jednej strony są komputery, które potencjalnie mają do dyspozycji całą wiedzę internetu i różnych encyklopedii. Jednocześnie żeby komputer sprawiał wrażenie bardziej „ludzkiego” i nie budził lęku, wciąż musi pozostać odrobinę niedoskonały, czyli taki jak wszyscy ludzie.

Zajmujesz się kognitywistyką. Czy tam jest miejsce na data science? Czy ludzkie myśli da się sprowadzić do postaci liczb rozpoznawalnych dla maszyn?

Algorytmy sztucznej inteligencji są częścią data science w neuronauce. W ramach mojego doktoratu zajmowałem się badaniem reakcji psychologicznych na podstawie aktywności mózgu sczytywanej z EEG. Urządzenie sczytuje fale mózgu z różnych punktów czaszki i zapisuje w komputerze jako sygnał. Każda elektroda jest przedstawiona jako osobny wykres, a nasze „myśli” są zaprezentowane w sposób matematyczny. Zaznaczę, że stosuję tu pewne uproszczenie. Obecnie nikt nie wie do końca, jak procesy elektrochemiczne prowadzą do powstania myśli czy świadomości w mózgu. Natomiast np. dzięki elektroencefalografii, czyli badaniu bioelektrycznej czynności mózgu, mamy zdecydowanie większą wiedzę o prostszych procesach tam zachodzących, jak powstawanie ruchu, uczuć, mowy itp.

Uzyskany w ten sposób sygnał neuronalny mogę przekształcać i traktować jako bazę danych. Na ich podstawie mogę np. przewidywać, jaką decyzję podejmie osoba badana: czy „pod wpływem” sygnału mózgowego naciśnie guzik prawy, czy lewy. Na ten temat są już prowadzone zaawansowane badania, które pokazują, że dzięki takim rozwiązaniom można przewidzieć działanie osoby badanej nawet kilkanaście sekund przed jej decyzją.

Ale już numeru konta bankowego czy PIN-u danej osoby nie wyciągniemy z jej mózgu?

Akurat w przypadku konta bankowego zrealizowano badania, które udowodniły, że jest to możliwe. Przy czym naukowcy musieli długo i wnikliwie trenować algorytm, aby takie działanie było skuteczne. Zadaniem osoby, która brała udział w eksperymencie, było intensywne myślenie o każdej kolejnej cyfrze konta. W tym czasie obraz fal mózgowych był szczegółowo sczytywany za pomocą elektrod. Na co dzień nikt nie myśli o numerach w taki sposób, nie mówiąc już o tym, że wiele PIN-ów jest automatycznie zapisywanych na naszych urządzeniach.

Czy w takim razie kwestie etyki sztucznej inteligencji będą ograniczały pracę specjalistów data science?

Te ograniczenia już są. Samo RODO dużo zmieniło, również w praktyce laboratoryjnej. Mimo że to w pewnym stopniu utrudnia naszą pracę, to jednak indywidualnie czujemy się chronieni. Mam na myśli zarówno badaczy, data scientistów, jak i osoby badane.

Z uwagi na regulacje w obszarze sztucznej inteligencji pojawiła się koncepcja Explainable AI, czyli zestaw metod i procesów, które pozwalają użytkownikom zrozumieć efekty działania algorytmów i zaufać im. To wymusza na ich twórcach takie podejście do konstruowania algorytmów, aby decyzje, które są podejmowane z ich udziałem, były wytłumaczalne, a nie zawierzane w „czarnej skrzynce”.