Predstavljamo življenjske zgodbe izkušenih 'ajtijevcev' in strokovnjakov s področja računalništva. Dr. Mlakar sodi med pionirje na področju moderne uporabe umetne inteligence, saj se je je lotil že veliko pred tem, ko je postala del vsakodnevnih pogovorov.
O umetni inteligenci (UI) je bilo že veliko napisanega in zdi se, da bomo o tem brali še dolgo. Na zemljevid izdelkov, povezanih z umetno inteligenco, se uspešno umeščamo tudi Slovenci. Čeprav se ne moremo meriti z velikani, kot je OpenAI, znamo učinkovito uporabiti njihovo tehnologijo ter pri tem najti svojo nišo. Med pionirje na tem področju sodi tudi dr. Miha Mlakar.
Športni navdušenci se Mihe sicer spomnijo še iz nekih drugih časov, kjer smo lahko zanj in za njegovo ekipo stiskali pesti ob teniških igriščih. S športom je odraščal in ta ga je oblikoval, da se danes lahko kosa s konkurenco na drugačnem igrišču – igrišču podatkov.
Miha nam je odprl vrata na drugo/drugačno stran umetne inteligence, kot jo običajno poznamo.
Kaj vas je zanimalo v otroštvu, kaj ste si želeli postati?
Lahko bi rekel, da sem imel mirno otroštvo. Oba starša sta imela zelo rada šport, oče pa je bil učitelj matematike, zato me je zanimalo oboje. Velikokrat se je zgodilo, da sem bil ves dan zunaj na igrišču in smo se šli različne športne igre, se skrivali in družili. Proti koncu osnovne šole sta me nato začela zanimati naravoslovje in šah, tako da sem se udeleževal tudi tovrstnih tekmovanj. Med osnovno šolo sem se začel več ukvarjati s tenisom, tako da sem bil že od 11. leta naprej v tekmovalnem tenisu. Ta me je zelo pritegnil, želel sem si postati profesionalni tenisač. Seveda so mojo sobo krasili plakati Ivaniševića, Samprasa in drugih igralcev, tenis pa sem redno spremljal.
Vaša karierna pot je zelo zanimiva. Čeprav ste študirali na Fakulteti za računalništvo, vaši načrti vseeno niso bili popolnoma v IT.
Res sem po zaključku študija na FRI mislil, da se je moja študijska pot končala, vendar me je kolega sošolec povabil, da bi polovično delal na Institutu Jožef Stefan (IJS). Takrat sem še aktivno igral tenis, in ker na lestvici ATP nisem bil tako visoko, da bi se s tenisom lahko preživljal, sem med absolventom začel delati na IJS. Tam me je delo pritegnilo, predvsem se mi je zdelo zelo zanimivo delo s podatki in z umetno inteligenco. Že med študijem sta bila to moja najljubša predmeta. Še zdaj se spomnim predmeta, kjer smo morali s strojnim učenjem napovedovati, kateri rasi v celotnem vesolju naj vesoljska banka da kredit in kateri ne, da bo maksimizirala svoj dobiček. Ta predmet me je usmeril v to področje, tako da sem tudi diplomo naredil s področja strojnega učenja. Kasneje na IJS se je ta želja, delati z velikimi podatki in umetno inteligenco, le še okrepila. Čez čas so mi na IJS ponudili mesto mladega raziskovalca. Ker me je delo zanimalo in ker je to vneslo malo več stabilnosti v moje življenje, sem se odločil za doktorat in nadaljevanje študijske poti.
Kdo je Miha Mlakar?
Izobrazba: doktorat iz informacijsko-komunikacijskih tehnologij na Mednarodni podiplomski šoli Jožefa Stefana
Prosti čas: šport, prijatelji, družabne igre
Kaj bi izpostavili kot svoj največji uspeh?
Da sem bil neke vrste pionir na področju napredne analitike in treniranja v tenisu ter seveda svoje podjetje Pareto AI.
Katere stvari vas osrečujejo v življenju?
Vsekakor družina. Žena in trije fantje mi vedno polepšajo dan in izprežejo misli.
Kaj vas motivira pri delu?
Delati zanimive in uporabne stvari. Od nekdaj sem rad reševal zapletenosti – če lahko pomagam rešiti izziv, kjer je rešitev nekaj novega in uporabnega, je to popolna kombinacija.
Kakšno je bilo vaše delo na Institutu Jožef Stefan?
Primarno je bilo moje delo usmerjeno v raziskave na področju optimizacije in strojnega učenja. Hkrati sem sodeloval tudi pri različnih raziskovalnih projektih za naročnike ali pri projektih, pridobljenih prek domačih ali evropskih razpisov. Dobra stvar raziskovanja na IJS je bila, da sem imel relativno proste roke in sem lahko nekatere izzive rešil na različne načine in z različnimi postopki. Tudi moj algoritem, ki sem ga razvil za doktorat, je bil kombinacija optimizacije in strojnega učenja. Bil je primeren za reševanje najtežjih optimizacijskih problemov, ki pa jih je lahko rešil veliko hitreje, kot je to mogoče s klasičnimi optimizacijskimi metodami. Na IJS sem se tudi naučil, da akademsko raziskovanje dostikrat ni povsem tisto, kar potrebuje industrija – dobro je, da lahko na testnem primeru pokažeš, kako dobro deluje neki algoritem. Pri 'resničnih' izzivih je navadno bolj pomembno poznavanje ustrezne metode in pristopa ter to, kako pripraviti podatke ter celoten postopek, da bodo napovedi ali optimizacije dobro delovale tudi skozi čas in ne le na začetku. Te praktičnosti in tesnejšega sodelovanja pri realnih problemih mi je na IJS manjkalo, zato sem se kasneje odločil ustanoviti svoje podjetje in uporabiti svoje znanje za pomoč drugim, ki so se ukvarjali z vpeljavo umetne inteligence v podjetja.
S tenisom ste se ukvarjali zelo zares, bili ste kapetan slovenske reprezentance za Davisov pokal. Kaj vas je pripeljalo do zaključka teniške zgodbe?
Da, res sem s tenisom prepotoval praktično ves svet. Kmalu v začetku svojih 20-ih let pa sem se začel zavedati, da moje telo ne sledi zahtevam in stresu, ki ga telesu povzroča profesionalni šport. Preizkusil sem veliko različnih tehnik treninga in vzdrževanja kondicije, a so se poškodbe vedno vračale. Tako sem imel par daljših poškodb, ki so me od turnirjev oddaljile za devet mesecev ali več, kar je seveda upočasnilo napredek pri sami igri. Hkrati pa sem se zavedel, da ne bom mogel biti prav v vrhu svetovnega tenisa, zato sem se že relativno zgodaj poleg tenisa začel zanimati tudi za podatke in analize.
Med svojim delom na IJS sem tako razvil takrat unikaten pogled na treniranje tenisa in ta je temeljil na podrobnih analizah vzorcev, ki se pojavljajo v sami igri. Ta pristop je bil igralcem zelo všeč, tako da sem kasneje kot trener začel delati z Blažem Kavčičem in Aljažem Bedenetom. Nadgradnja tega je bila, da me je teniška zveza prepoznala kot nekoga, ki bi lahko prvič v zgodovini Slovenijo popeljal v najvišji rang teniških tekmovanj. Za to nam je sicer zmanjkalo malo sreče, smo pa še vedno naredili najboljši uspeh v zgodovini Davisovega pokala.
Na vaši poti vam je uspelo združiti znanje obdelovanja podatkov s tenisom. Kako je do tega prišlo in kakšni podatki se v tenisu obdelujejo?
V okviru podoktorskih raziskav in kot trener ter selektor sem ugotovil, da tudi v tenisu prihaja obdobje analize podatkov, ki bo igro spremenilo. Podobno kot je v znani knjigi in filmu Moneyball ta transformacija prikazana v bejzbolu. V tistem času je podjetje HawkEye vpeljalo line calling, tehnologijo, kjer je sistem ob pomoči kamer lahko natančno povedal, ali je žoga padla v avt ali na črto. Stranski izdelek te tehnologije je bil, da se je lahko prvič v zgodovini prek kamer zajelo zelo natančne podatke o lokaciji in hitrosti žoge ter seveda o poziciji igralcev. Ker je bil zajem podatkov narejen zvezno, je to omogočalo preučevanje igre z analitičnim pristopom, saj je bilo mogoče dobiti natančno pot gibanja igralcev ter pot in rotacijo žoge. Takrat je bila ta tehnologija na voljo le na izbranih igriščih in največjih turnirjih, danes pa je prisotna že na večini tekem.
Kako si lahko igralec pomaga s temi podatki in kaj je bil rezultat vpeljave te tehnologije?
Analize, ki sem jih takrat izvajal, so bile zelo inovativne. Kontaktirali so me iz ameriškega podjetja GoldenSetAnalytics, ki je takrat izvajalo osnovno teniško analitiko, če bi se jim lahko pridružil in bi skupaj naredili podjetje za napredno analitiko. To bi profesionalnim tenisačem z naprednimi metodami ponudilo nekaj več. V grobem smo te podatke in analize uporabljali za (1) analizo (scouting) nasprotnika pred vsako tekmo, kjer smo igralcu povedali, kaj naj pričakuje na tekmi in kako bo verjetno njegov nasprotnik igral proti njemu, in (2) analizo igralčeve igre, kjer je bil poudarek na primerjavi z drugimi in iskanju delov igre, ki se jim mora igralec skupaj s trenerjem posvetiti. Tako smo sodelovali z veliko večino najboljših igralcev in igralk na svetu – od Federerja, Djokovića in Sinnerja do sester Williams, igralk Swiatek in Osako ter še mnogih drugih.
Vaše podjetje Pareto AI se ukvarja z umetno inteligenco, ki je širša od vsem znanega klepetalnika ChatGPT. Podjetje pa ste ustanovili, še preden je ChatGPT prišel na plan in sprožil revolucijo. Ste se že takrat zavedali potenciala, ki ga ima umetna inteligenca? Kaj vas je prepričalo, da ste ustanovili podjetje?
Da, definitivno sem se zavedal potenciala, saj sem med sodelovanjem pri različnih projektih videl, da so lahko prihranki, ki jih dosežemo z umetno inteligenco, zelo veliki. Hkrati pa lahko UI olajša nekatere naloge, ki so nam zoprne ali so ponavljajoče se. Med delom pri različnih projektih z različnimi podjetji sem ugotovil, da podjetjem na eni strani manjka znanja, kaj je z umetno inteligenco sploh mogoče (učinkovito) narediti, hkrati pa na akademski strani manjka zavedanja in izkušenj, kako umetno inteligenco vpeljati v poslovanje, da bo uporabna in skalabilna. Podjetje, ki sem ga ustanovil skupaj s prijateljem Dejanom Petelinom, se tako fokusira točno na ta segment – postaviti se nekako v sredino. Da predstavimo industriji, kaj se 'izplača' in katere metode so najprimernejše, hkrati pa jih tudi znati integrirati in razviti na način, primeren za produkcijo, kjer bo implementacija hitro prinesla dodano vrednost.
Ko ste se začeli ukvarjati z umetno inteligenco? Ste si kdaj mislili, da bo šel razvoj v smer, ki jo trenutno vidimo?
Ne, priznam, da nisem pričakoval tako hitrega razmaha jezikovnih tehnologij. Že v preteklosti smo se dosti ukvarjali z (za tisti čas) velikimi jezikovnimi modeli, a ti še posebej za slovenščino še niso bili tako uporabni. Razvoj umetne inteligence je tudi v preteklosti prišel v valovih in to trenutno je en tak val. Razlog, da je postal ChatGPT tako popularen, je v tem, da ga lahko vsak zelo enostavno preizkusi in uporabi za osnovne naloge. Pri strojnem učenju in optimizaciji je postopek za prvo uporabo veliko daljši in zato se je s temi postopki srečalo manj ljudi. Pri ChatGPT pa odpreš brskalnik in že lahko dobiš … denimo prilagojeno zgodbo za otroke.
V podjetju se ukvarjate z zelo različnimi pristopi do umetne inteligence in tudi rešitve, ki jih razvijate, so zelo različne. Pred kratkim ste razvili tudi sistem za izdelavo personaliziranega koledarja, ustvarjenega z umetno inteligenco Illustr8.me. Nam lahko na kratko razložite, kaj izdelek točno počne?
Ob pomoči odprtokodnih modelov za samodejno generiranje slik smo razvili platformo, kjer lahko ljudje naložijo svoje slike ali pa slike svojih ljubljenčkov, mi pa nato s fine-tuningom zgradimo digitalnega dvojčka te osebe ali živali. Tako dobimo realno reprezentacijo te osebe, ki se nato uporabi za generiranje slik v različnih situacijah. Trenutno si lahko uporabnik za potrebe darila za rojstni dan ali pa čisto za zabavo naredi koledar z različno tematiko. Tako se lahko vi ali vaš hišni ljubljenček spremenite v super junaka ali pa ga prikažemo v zanimivem novem okolju. Kmalu bo vgrajena tudi možnost komunikacije prek 'promptov', kjer bo uporabnik sam napisal, kaj si želi videti na sliki. Na primer: »Naslikaj me na Antarktiki, kako jaham severnega medveda med pingvini.«
Cilj tovrstnega izdelka je verjetno karseda realna fotografija. Koliko imate pravzaprav vpliva na rezultate, ki jih orodje generira?
Da, na podlagi slik, ki jih naloži uporabnik, zgradimo digitalnega dvojčka te osebe ali živali. Ko to imamo, lahko naredimo osebo veselo ali žalostno, ji dodamo očala ali želeno obleko ter jo postavimo v poljubno okolje. Seveda je v ozadju še vedno generativna umetna inteligenca, tako da se še vedno zgodi, da slika ni popolna. Zaradi tega se vedno generira več slik, da lahko uporabnik izbere najprimernejšo. Podobno kot pri ChatGPT tudi tu vsako generiranje prinese malce drugačne rezultate, kar uporabniku omogoči, da izbere res tisto sliko, ki mu je najbolj všeč. Pomembno je poudariti še to, da je treba vsakih šest mesecev prilagoditi ali vsaj posodobiti tehnologijo, ker gre razvoj tako hitro naprej. Če želiš najboljše rezultate, je potrebno neprestano prilagajanje. Plus pa je seveda, da se tehnologija razvija in bo kmalu teh napačno generiranih slik zelo malo.
Kako sploh pride do takšnega izdelka? Denimo, da dobite idejo – kaj vse je treba narediti, da lahko takšen izdelek navduši publiko?
Tu je ideja prišla iz pristnega navdušenja nad tehnologijo. Ko smo videli, da lahko model naučimo, da generira slike, ki so konsistentne in zelo podobne, smo želeli to tehnologijo in to možnost ponuditi še komu. Tudi ko smo se sami igrali s tehnologijo in ustvarjali različne slike ter sloge, smo se zabavali in to nam je bilo všeč. Umetna inteligenca se velikokrat uporablja za bolj 'resne' stvari, tu pa lahko naredimo tudi nekaj zabavnega. Največ časa pri razvoju je zahtevala postavitev sistema v oblačno infrastrukturo, serverless sistem, ki je skalabilen, hkrati pa nima stroškov, ko se modeli ne urijo ali ne uporabljajo. Dodatno je seveda treba postaviti tudi spletno trgovino in logistiko z dostavo. In seveda še marketing.
Na katerih področjih vse vidite prihodnost v umetni inteligenci? So tudi področja, kjer je ne vidite kot dodano vrednost?
Trenutno imamo občutek, da se umetno inteligenco da vpeljati praktično v vsako vrsto industrije. Seveda so nekatere veje industrije bolj naklonjene vpeljavi kot druge, a težko bi izpostavil področje, kjer v prihodnje umetna inteligenca ne bo imela vpliva. Pri področjih, ki so trenutno vroča tema, bi zagotovo lahko izpostavil generativno umetno inteligenco. Izpostavil bi sisteme za pomoč uporabnikom (customer support), ki jih tudi sami veliko razvijamo. Naš sistem omogoča, da se povežemo s podatkovnimi zbirkami strank in sistem sam poišče ustrezne podatke ter na podlagi teh tudi pripravi odgovor. Ta je lahko v poljubnem jeziku, personaliziran in avtomatiziran, hkrati pa se ga lahko prilagodi z dodatnimi ponudbami ali predlogi, kar nudi možnosti za upselling.
Trenutni marketinški bum umetne inteligence vsekakor ustvarja nerealna pričakovanja povprečnega človeka. Kaj bi rekli, da je največja zmota v splošni populaciji? In kaj mislite, da je ljudem nepoznano/zamolčano?
Po mojih izkušnjah in po tem, kar slišimo tudi od drugih, se pojavlja nekaj zmot oziroma nerealnih pričakovanj. Denimo pričakovanje stoodstotne zanesljivosti v odgovorih, ko sistem, recimo, odgovarja iz izbranih dokumentov. Dostikrat je razvidno tudi, da stranke ne razumejo povsem, koliko inženirskega dela je še potrebnega, da se prototipna umetnointeligenčna rešitev pripravi kot celovita, robustna rešitev za produkcijo. To, da pokažeš, da nekaj deluje in da je rešitev razvita kot skalabilna in samoučeča ter ima postavljene validacijske teste, zahteva kar nekaj časa. Zadnja stvar, ki bi jo morda izpostavil, pa je, da včasih marketinške objave pretiravajo z zmogljivostmi sistemov, zato pride do razočaranja. Lep primer so samovozeči avtomobili, kjer so objave obljubljale vseprisotnost samovozečih avtomobilov že v prejšnjem desetletju. Realnost pa se izkaže za težko, predvsem zaradi robnih primerov, ki so zelo pomembni.
In še nekaj, česar se veliko ljudi boji … Mislite, da bi lahko kdaj računalnik postal pametnejši od človeka in se začel samostojno odločati?
Umetna inteligenca ima možnost praktično neomejenega pomnjenja, zato bo lahko na nekaterih področjih zagotovo postala 'pametnejša' od nas. Še vedno pa ji bo manjkalo možnosti out of the box razmišljanja in kreativnosti, kot jo poznamo ljudje. Mislim, da se samostojnega odločanja, razen za naloge, ki smo jih predvideli, ni treba bati. Umetna inteligenca pa je odlično orodje, ki ga je vredno izkoristiti, saj nam pomaga pri produktivnosti. Pomaga nam lahko pri različnih opravilih in je trenutno prinesla preskok v produktivnosti na različnih področjih, podobno, kot je v zgodovini že bilo z digitalno revolucijo in z robotsko revolucijo v industriji. Ko zdaj pogledamo nazaj, se nam zdijo te spremembe nekako samoumevne in verjetno bo podobno z umetno inteligenco.
Svoje znanje ste pridobivali in predvsem preverjali tudi na spletni strani Kaggle, kjer ste zmagali na nekaj njihovih tekmovanjih. Kako je videti tekmovanje in kako ste se ga lotevali?
Kaggle je le ena od takih strani, v splošnem pa gre za spletno tekmovanje, na katero se lahko prijavi kdorkoli, in kot je običajno, vsebuje neko nagrado za najboljše. Tekmovanja potekajo tako, da organizator izziva pripravi podatke in opiše izziv, ki ga ima z njimi. Ponavadi gre za to, da je treba narediti napovedni model, kjer se napoveduje različne stvari. Denimo, učni primer na platformi je bil glede na ceno vozovnice, starost, spol in druge podatke napovedati, kdo na Titaniku bo preživel nesrečo. Podatki so večinoma razdeljeni v tri množice. Prva je učna množica, na kateri se uči napovedni model. Rezultate se nato lahko preveri na testni množici, kjer lahko vidimo in primerjamo z ostalimi, kako dober je naš model. Ko smo z modelom zadovoljni, ga oddamo in ob koncu tekmovanja se naš model validira na validacijski množici in rezultat, ki ga doseže na tej množici, šteje za končni rezultat. To zagotavlja, da četudi naredimo več modelov in se overfitamo na testno množico, bomo verjetno dosegli slab rezultat na validacijski množici. Ključni poudarek mora tako vedno biti na razumevanju podatkov in računanju dodatnih značilk ter izbiri najustreznejšega modela za strojno učenje, ki je najprimernejši za dani izziv.
Da umetna inteligenca lahko ustvarja nove stvaritve, jo moramo najprej uriti z veliko količino podatkov. Glede na zaplete v zgodovini, ko se je Microsoftov bot Tay (Thinking About You) učil od ljudi s Twitterja in zelo hitro postal nesramen in rasističen bot, so se verjetno razvijalci tudi česa naučili. Na kakšen način se danes preprečuje umetni inteligenci, da bi zašla na kriva pota?
Za preprečitev tega, da bi umetna inteligenca zavila na kriva pota, razvijalci uvajajo večplastne zaščitne mehanizme. Najprej skrbno izbirajo in čistijo podatke ter odstranjujejo zlonamerno, sovražno ali pristransko vsebino. Poleg tega se uporabljajo filtri za sprotno zaznavo neprimernega vedenja. Pomembno vlogo ima nadzorovan postopek učenja, kjer strokovnjaki ročno označujejo neprimerne odgovore. Tehnike, kot je učenje z ojačenjem po povratni informaciji (RLHF), omogočajo, da se umetna inteligenca uči iz človeških povratnih informacij in sledi etičnim smernicam. Razvijalci uvajajo tudi omejitve pravic dostopa in določajo, za katere namene se UI lahko uporablja, ter tudi tako zagotovijo nadzorovano, pregledno in odgovorno uporabo novih modelov.
Če bi imeli neomejeno denarja in virov, kakšen izdelek bi naredili čisto samo zase?
Uf, težko vprašanje. Hmm … Verjetno bi naredil rešitev za prepoznavanje talenta v športu. Športniki se telesno razvijajo z različno hitrostjo, hkrati pa tekmujejo v istih kategorijah, tako da je dostikrat težko ugotoviti, kateri mladostniki imajo velik potencial in kateri so v vrhu svoje generacije le zaradi svojih fizičnih predispozicij. Če bi imeli dovolj podatkov, bi se z umetno inteligenco dalo ugotoviti, kateri so ti igralci. Hkrati pa bi lahko za vsakega igralca, glede na njegove fizične predispozicije in zgodovinske podatke o fizičnem razvoju, ugotovili in naredili načrt, na katerem področju mora igralec trenirati, da bi postal najboljša različica sebe.
