Untuk AI, semakan realiti dunia nyata
Komputer pintar hanya sepintar orang yang mengajarnya.
Robert Ito
Sepanjang tiga musim panas yang lalu, kira-kira dua puluh empat orang bakal ahli sains komputer datang ke Universiti Stanford untuk belajar tentang kecerdasan buatan daripada beberapa pakar ternama bidang ini. Para hadirin, yang dipilih daripada beratus-ratus pemohon, melakukan perjalanan sehari ke syarikat teknologi berdekatan, berinteraksi dengan robot sosial dan heksakopter, dan belajar tentang linguistik pengkomputeran (misalnya perkara yang dilakukan oleh mesin apabila suatu perkataan itu mempunyai banyak makna) dan kepentingan pengurusan masa (sangat). Mereka bermain Frisbee. Akan tetapi jika gambaran mental anda tentang AI ialah sekumpulan orang yang mencipta musuh yang lebih handal untuk permainan video kegemaran mereka, maaf, anda kurang tepat. Semua pelajar di sini di program Stanford Artificial Intelligence Laboratory’s Outreach Summer (SAILORS) merupakan kanak-kanak perempuan yang baru sahaja tamat tingkatan tiga. Kajian mereka tertumpu pada usaha mencari cara untuk memperbaik kehidupan dan bukannya meningkatkan kemahiran permainan mereka: Bagaimanakah kita boleh menggunakan AI untuk menghalang jet jumbo yang bersebelahan daripada miring ke arah yang sama? Untuk memastikan doktor mencuci tangan sebelum masuk ke dalam bilik bedah? “Matlamat kami adalah untuk memikirkan semula pendidikan AI dengan cara yang menggalakkan kepelbagaian dan pelajar daripada semua lapisan masyarakat,” kata Fei-Fei Li, pengarah makmal AI Stanford dan pengasas program SAILORS. “Apabila anda mempunyai bakal ahli teknologi daripada pelbagai latar belakang, mereka akan benar-benar peduli dan ingin memastikan teknologi digunakan untuk kebaikan manusia.”
“Apabila bakal ahli teknologi anda terdiri daripada pelbagai latar belakang, mereka benar-benar prihatin dan ingin memastikan teknologi digunakan untuk kebaikan manusia”
Fei-Fei Li Google & Stanford
SAILORS telah diwujudkan pada tahun 2015 oleh Li dan seorang bekas pelajar, Olga Russakovsky (kini penolong profesor di Universiti Princeton) untuk membantu usaha meningkatkan kesamaan jantina dalam industri teknologi. Usaha ini adalah mulia dan memerlukan perhatian segera. Mengikut tinjauan yang diadakan baru-baru ini, bilangan wanita yang mengambil jurusan sains komputer menurun; dalam sektor AI, wanita memegang kurang daripada 20 peratus jawatan eksekutif. AI merupakan bidang yang sangat besar dan sayang jika kita tidak menceburinya, memandangkan setiap hari, semakin ramai orang menggunakan AI untuk menjadikan kehidupan mereka lebih mudah dan lebih cekap: AI merupakan cara apl foto mengecam wajah anda dalam kalangan orang lain, itu tidak termasuk pantai tempat anda mengambil gambar. AI ialah cara peranti anda memahami anda apabila anda bertanya tentang ramalan cuaca esok. Kemudian terdapat juga apl yang kurang dikenali, seperti apl yang mendiagnosis retinopati diabetes (yang sering menyebabkan pesakit menjadi buta) atau yang menghantar dron dalam misi mencari dan menyelamat ke tempat paling terpencil di dunia.
Dengan AI yang semakin mudah didapati, perlunya keseimbangan jantina dalam bidang ini berkembang lebih jauh lagi. Kini keperluan ini bukan sekadar kerana perkara ini sesuatu yang betul, tetapi kerana kepelbagaian merupakan bahagian AI yang penting disebabkan oleh sifat pembelajaran mesin itu sendiri. Matlamat AI adalah untuk menghasilkan mesin untuk menyelesaikan tugas yang dilakukan oleh manusia secara semula jadi: mengecam pertuturan, membuat keputusan, membezakan antara burito dengan enchilada. Untuk melakukan ini, mesin disuap dengan banyak maklumat—biasanya berjuta-juta perkataan atau perbualan atau imej—sama sepertimana kita semua menyerap maklumat, setiap saat kita berjaga, dari lahir (pada dasarnya, ini ialah pembelajaran mesin). Semakin banyak kereta yang dilihat oleh mesin, semakin mahir mesin mengecam kereta. Akan tetapi, jika set data itu terhad atau berat sebelah (jika penyelidik tidak menyertakan, katakan, imej Trabants), atau jika orang yang bekerja dalam bidang AI tidak melihat atau mengambil kira had atau bias tersebut (mungkin mereka bukan pakar kereta Jerman Timur yang tidak mendapat liputan meluas), mesin dan outputnya akan pincang. Hal ini sudah pun berlaku. Dalam satu kes, perisian pengecaman imej mengenal pasti gambar orang Asia sebagai orang yang sedang mengelipkan mata.
“Hal ini bukan sekadar berkaitan ketelusan data. Kita perlu menggerakkan angka ini ke arah yang betul.”
Tracy Chou Projek Include
Bagaimana manusia mencipta makmal dan ruang kerja yang lebih inklusif? Beberapa projek dan individu menyahut cabaran itu. Tahun ini, Li yang juga merupakan ketua saintis AI dan pembelajaran mesin di Google Cloud dan beberapa orang yang lain membantu pelancaran AI4ALL. Organisasi bukan untung kebangsaan ini bertujuan untuk membawa tahap kepelbagaian yang lebih tinggi ke dalam bidang AI dan telah mengambil pakar genom, robotik dan kemampanan sebagai mentor. Organisasi ini memanfaatkan hasil kerja SAILORS tetapi juga mensasarkan orang bukan kulit putih dan pelajar daripada keluarga berpendapatan rendah di seluruh negara melalui perkongsian dengan Princeton, UC Berkeley dan Carnegie Mellon, selain Stanford. “Ramai rakan sekerja dan pemimpin industri datang kepada kami dan berkata, ‘SAILORS memang hebat, tetapi program ini terhad kepada Stanford yang berkhidmat kepada beberapa puluh pelajar setiap tahun, yang kebanyakannya dari Kawasan Teluk,” kata Li. “Jadi AI4ALL adalah tentang kepelbagaian dan perangkuman. Bukan sekadar jantina.”
Inisiatif serupa lain termasuklah Code Next, usaha Google yang berpusat di Oakland bagi menggalakkan pelajar Latin dan Afrika Amerika untuk menimbangkan kerjaya dalam bidang teknologi; DIY Girls, program pendidikan dan pementoran STEAM (sains, teknologi, kejuruteraan, seni dan matematik) untuk komuniti kekurangan sumber di Los Angeles dan Projek Include, yang membantu perniagaan kecil baharu dan peringkat pertengahan untuk mengambil lebih ramai pekerja wanita dan orang kulit berwarna. Tracy Chou, dulunya bekerja di Pinterest, mengasaskan Projek Include tahun lepas bersama tujuh wanita terkemuka dalam industri teknologi. Pada tahun 2013, Chou dengan lantang mendesak syarikat teknologi untuk berterus-terang tentang bilangan wanita yang diambil bekerja oleh mereka. Apabila satu persatu angka diterima, ia membuktikan hal yang sememangnya diketahui oleh semua orang di Lembah Silikon: Dunia teknologi, daripada syarikat terbesar hinggalah perniagaan terkecil, dipenuhi oleh lelaki berkulit putih. Projek Include, kata Chou, adalah langkah paling logik yang seharusnya diambil. “Setelah beberapa tahun laporan data ini didedahkan dan tidak banyak perubahan yang berlaku, mula kelihatan peralihan dalam perbualan,” kata beliau. “Kini ia bukan sekadar mempunyai ketelusan dalam data. Kita sebenarnya perlu membuat angka tersebut bergerak ke arah yang betul.”
Arah itu termasuk menjadikan kerja dalam bidang AI lebih banyak dibuka kepada orang ramai. Hanya sebilangan orang yang bekerja dalam bidang AI, dan kita telah pun melihat robot yang menjaga manusia dan pembantu peribadi yang menjangkakan keperluan kita. Apabila manusia mengawal data serta kriteria dan mesin melakukan kerja, input manusia yang lebih baik dan lebih banyak bermakna hasil yang lebih baik dan lebih besar.
Dalam pelbagai cara, pendemokrasian AI sudah pun bermula. Lihat contoh ini: Di Jepun, anak lelaki seorang petani menggunakan AI untuk mengisih hasil tuaian timun keluarganya mengikut pelbagai ciri. Cerita seperti ini menarik perhatian Li, yang berhijrah ke Amerika Syarikat dari China semasa berumur 16 tahun dengan pengetahuan yang sedikit tentang negara angkatnya. Dia juga hampir tidak mengetahui apa-apa tentang New Jersey, bandar yang menjadi tempat tinggalnya. Selepas melakukan pelbagai pekerjaan rencam, seperti mengemas rumah, membawa anjing berjalan atau menjadi juruwang di restoran Cina, Li berjaya melanjutkan pelajaran ke Princeton dan menyambung pengajian di peringkat sarjana di Caltech.
Li datang ke tempat kerjanya dengan tiga ciri orang luar: seorang pendatang, seorang wanita dan seorang yang mempunyai warna kulit yang berbeza di dunia yang dikuasai oleh orang kulit putih. Ciri yang mungkin menjadi halangan bagi orang lain telah menjadi pendorong kepada Li. Dia menghabiskan banyak masa untuk mengkaji visi komputer, komponen pembelajaran mesin yang dia panggil “apl terhandal AI”. Visi komputer menganalisis dan mengenal pasti data visual dan mungkin suatu hari nanti dapat membantu kita membuat anggota robot yang lebih responsif, menyebut atau menyelesaikan bukti matematik yang paling sukar. Akan tetapi seperti semua AI, kunci teknologi ini adalah mengajar mesin untuk membongkar banyak maklumat dari pelbagai tempat dan perspektif. Untuk menjadi, pada asasnya, warganegara visual dunia—bukan seperti Li.
Membina kumpulan pencipta yang pelbagai untuk membentuk dunia itu adalah penting bagi jenis cerita dan isu teknikal yang ditemui oleh Diana Williams setiap hari. Williams merupakan pengatur strategi kandungan di ILMxLAB, iaitu pusat impian rahsia besar Lucasfilm di mana pembangun mencipta hiburan interaktif yang mengasyikkan—mungkin pertemuan VR dengan Darth Vader—yang diinspirasikan oleh alam semesta Star Wars yang luas. Williams terlibat secara aktif dengan organisasi pro-teknologi seperti Black Girls Code dan teringat akan kurangnya wanita bukan kulit putih di kolejnya pada tahun 80-an. “Saya sentiasa menjadi satu-satunya pelajar perempuan bukan kulit putih dalam kelas matematik dan kelas perniagaan saya,” katanya. “Itu melelahkan, dan menjadi menakutkan.” Penyelesaiannya untuk menghalakan lebih ramai wanita ke arah bidang teknologi: “Latih mereka dari kecil dan bina keyakinan yang kuat dalam diri mereka supaya apabila mereka masuk ke dalam bilik dan mendapati tiada orang lain yang sama dengannya di situ, mereka tidak akan berpatah balik.”
“Latih mereka sedari kecil dan bina keyakinan diri yang tinggi supaya apabila mereka memasuki suatu tempat dan mendapati tiada sesiapa di situ, mereka tidak akan berpaling mengundur.”
Diana Williams Lucasfilm
Maya Gupta, penyelidik pembelajaran mesin di Google, berusaha untuk meningkatkan AI, walaupun dari sudut yang berbeza. Di Stanford, beliau membantu syarikat Norway mengesan keretakan pada saluran paip gas bawah air. “Kami tidak boleh memeriksa sendiri paip tersebut, jadi kami terpaksa menggunakan maklumat separa untuk membuat tekaan,” katanya. Mengajar mesin agar membuat tekaan yang lebih bermakna merupakan jalan yang biasa dilalui oleh Gupta. Jika anda membuka YouTube dan mendengar “Truth” oleh pemain saksofon tenor, Kamasi Washington dan muzik itu beralih kepada “Turiya and Ramakrishna” oleh Alice Coltrane dengan lancar dan indah, seperti hasil kerja DJ paling pintar yang tidak pernah anda kenali, ucapkan terima kasih kepada Gupta, kerana pasukannya membantu komputer menyesuaikan cadangan mereka. “Ini semua tentang membuat ramalan, bukan?” katanya. “Anda cuba meneka perkara yang berlaku dengan data yang terhad.”
Hari ini beliau mengetuai pasukan penyelidikan dan pembangunan di Google untuk, antara lain, menghasilkan ketepatan yang lebih tinggi dalam pembelajaran mesin. “Katakan saya mahu mengecam dialek Boston dan dialek Texas dengan ketepatan yang sama, tetapi pengecam pertuturan saya berfungsi dengan lebih baik untuk dialek Texas,” katanya. “Adakah saya patut mendenda orang yang menggunakan dialek Texas dengan menjadikan pengecaman dialek Texas sama teruknya dengan pengecaman dialek Boston, agar adil? Dan bagaimana jika hakikatnya memang sukar untuk mengecam orang yang bercakap dalam dialek Boston?”
Gupta dan pasukannya juga memperhalus sistem yang akan menjadi jauh lebih telus berbanding pereka berasaskan karbon mereka. Dengan mesin, kita berharap, kita dapat menyingkirkan banyak bias atau proses bawah sedar yang mengganggu pemikiran manusia—atau sekurang-kurangnya lebih mudah mengecamnya apabila ia timbul. Mesin tidak akan hilang tumpuan apabila letih, marah atau lapar. Kajian menunjukkan bahawa hakim kurang cenderung untuk memberikan hak parol sebelum waktu makan tengah hari, kerana ketika ini mereka sibuk memikirkan sandwic dan bukannya orang yang dituduh. “Sukar untuk mengukur perkara yang sebenarnya berlaku dalam minda manusia,” kata Gupta. “Kami mahu sistem pembelajaran komputer kami dapat dijelaskan. Terus terang saya katakan, banyak daripada sistem ML kami lebih dapat dijelaskan berbanding manusia.”
“Kami mahu sistem pembelajaran mesin kami dapat dijelaskan, dan sejujurnya kebanyakan sistem ini lebih mudah dijelaskan berbanding manusia.”
Maya Gupta Google
Seiring dengan meningkatnya kebergunaan AI—dan betapa mudahnya digunakan—kami berhasrat untuk mendedahkan AI kepada seramai orang yang mungkin. Christine Robson, penyelidik IBM sebelum menyertai Google, merupakan pejuang perisian sumber terbuka seperti TensorFlow yang bersemangat waja. TensorFlow ialah sistem pembelajaran komputer yang boleh digunakan untuk pelbagai tugas, daripada menterjemah bahasa kepada mengesan penyakit hinggalah kepada mencipta karya seni asli.
Bagi Robson, keterangkuman dalam AI bererti menjadikan alatannya dapat diakses oleh lebih ramai orang dan bukannya terhad kepada mereka yang menggelar dirinya sendiri ulat buku matematik. “Saya teruja dengan ketersediaan pembelajaran mesin kepada dunia,” katanya. “Kita banyak bercakap tentang mendemokrasikan pembelajaran mesin, tetapi saya sangat yakin akan perkara ini. Menjadikan alatan ini sangat mudah digunakan dan memastikan teknik ini dapat diaplikasikan oleh semua orang adalah sangat kritikal.”
Sastera cereka sains dan filem telah lama memberikan contoh yang menunjukkan AI menjadi tidak keruan (Frankenstein Mary Shelley akan genap 200 tahun pada tahun hadapan). Hari ini, ramai dalam industri ini, termasuk Li, Robson dan Chou—kurang prihatin tentang kesan AI terhadap kita dan lebih prihatin mengenai kesan manusia terhadap AI. Contoh: Pengaturcara menggunakan suara wanita untuk pembantu maya kerana, baik lelaki mahupun wanita, mereka lebih cenderung memilih suara wanita. “Tetapi hal ini mengekalkan tanggapan bahawa pembantu mesti wanita, jadi apabila kita menggunakan sistem ini, ia memperkukuh kecenderungan sosial itu,” kata Chou. Ramai pakar terkemuka bidang ini bimbang tentang perkara yang berlaku dalam sistem AI kehidupan sebenar—dan seterusnya, perkara yang akan timbul. Di sinilah munculnya desakan agar kepelbagaian ditingkatkan dalam AI. Jika sedikit, mudah sahaja. Akan tetapi penyokongnya pintar, mempunyai banyak sumber dan komited terhadap perjuangan ini.
“Menjadikan alatan AI ini sangat mudah digunakan dan penting juga untuk memastikan bahawa teknik ini dapat digunakan oleh semua orang.”
Christine Robson Google
Kita perlu pastikan semua orang berasa dialu-alukan, kata Gupta. Dia mengimbas kembali dinding yang dipenuhi gambar bekas profesor kejuruteraan elektrik di universitinya dahulu, Rice yang ‘’tidak kelihatan seperti saya.” Kita perlu meyakinkan kanak-kanak perempuan bahawa AI bukan kuasa ajaib, tambah Robson. “AI ialah matematik."
Di SAILORS, pelajar belajar cara menggunakan pemprosesan bahasa asli untuk melakukan carian di media sosial dan membantu dalam bantuan bencana. “Ini akan membantu penyelamat mencari orang yang memerlukan bantuan dalam masa nyata, menggunakan mesej Twitter mereka,” kata Li. Kesan kelas dan projek ini masih segar walaupun musim panas yang tidak dapat dilupakan itu telah lama berlalu. Beberapa orang pelajar telah memulakan kelab robot mereka sendiri di sekolah, menerbitkan artikel dalam jurnal saintifik dan mengadakan bengkel di sekolah menengah untuk menyebarkan AI kepada pelajar perempuan yang lebih muda. Bagi pelajar ini, yang latar belakang dan pengalamannya sangat pelbagai seperti projek yang mereka tangani di kem, AI bukan sekadar alat elektronik yang canggih, tetapi suatu daya yang kuat yang mendorong ke arah kebaikan. Dalam acara persediaan yang diadakan sebelum perjumpaan SAILORS yang pertama pada tahun 2015, program ini berkongsi mesej daripada bakal pesertanya. Mesej tersebut termasuk harapan yang tinggi menggunung ini: “Saya berharap dapat memulakan perjalanan AI saya sekarang supaya saya boleh memberikan kesan kepada dunia pada masa akan datang.”
