Odkoduj AI! Niezbędnik finansisty do zrozumienia języka algorytmów

Trochę (no dobrze, sporo) teorii

Aby w pełni wykorzystać potencjał AI i zminimalizować związane z nią ryzyka, każdy użytkownik sztucznej inteligencji – a w szczególności członek działu finansowego – powinien ogólnie poznać teoretyczne podstawy, na których się ona opiera. Niestety, jak pokazuje raport 2024 Digital Work Trends, znaczna większość osób korzystających z modeli AI nie do końca wie, jak efektywnie wykorzystać je w pracy zawodowej. Podstawowym źródłem nieporozumień jest, moim zdaniem, fundamentalna różnica w uczeniu się i stosowaniu języka przez ludzi oraz modele AI. Chciałbym w tym miejscu przywołać postać Alana Turinga, którego większość może kojarzyć jako genialnego naukowca, który biorąc udział w konstrukcji pierwszego komputera w latach 40. XX w., przyczynił się do złamania kodu niemieckiej maszyny szyfrującej Enigma. Oczywiście zawsze warto podkreślać rolę polskich matematyków, którzy stworzyli fundamenty pod późniejsze osiągnięcia Brytyjczyków – że przywołam w tym miejscu wyłącznie przykład bomby kryptologicznej skonstruowanej przez Rajewskiego. Wspominam postać Turinga nie ze względu na wkład w historię wojenną, lecz z powodu sformułowanego przez niego tzw. testu Turinga. Sprawdzian ten, zaproponowany w 1950 r., miał wskazać, kiedy mamy już do czynienia ze sztuczną inteligencją, a kiedy jedynie z „martwą” maszyną. Jego przebieg najprościej można opisać w następujący sposób: człowiek prowadzi konwersacje tekstowe z drugim człowiekiem oraz z maszyną. Jeśli nie potrafi ich odróżnić, uznaje się, że maszyna przechodzi test i możemy mówić o jej inteligencji.

Większość z nas zgodzi się zapewne, że współczesne modele AI zdałyby ten egzamin celująco. I tutaj rodzi się pewien problem, który ma swoje konsekwencje w używaniu narzędzi bazujących na sztucznej inteligencji. Naturalną skłonnością człowieka jest traktowanie swoich interlokutorów w podobny sposób. Powinniśmy jednak pamiętać, że człowiek to nie maszyna, a otrzymane odpowiedzi tekstowe różnią się w zależności od nadawcy, mimo że mogą wydawać się nieodróżnialne. Proszę, nie zrozumcie mnie źle – często odpowiedzi AI będą lepsze, bardziej dokładne i szybsze, ale ich fundament i natura pochodzą z zupełnie innych źródeł. Myślę, że dobrze ilustruje to kontrargument wobec testu Turinga, opublikowany przez Johna Searle’a w 1980 r. i znany jako „eksperyment chińskiego pokoju”. Autor wskazywał, że maszyna może przejść sprawdzian, prowadząc konwersację po chińsku, zupełnie nie znając znaczenia poszczególnych znaków, a operując wyłącznie regułami ich użycia. Kluczowe staje się więc rozróżnienie między znaczeniem a używaniem języka lub pojęć. Najlepiej przedstawia tę różnicę sposób, w jaki uczymy się mówić jako dzieci, w porównaniu z treningiem sztucznej inteligencji. Człowiek przede wszystkim dysponuje zmysłami, dzięki którym może uchwycić znaczenie pojęcia „czerwony” czy „pies” – poprzez wskazanie odpowiedniego obiektu w polu widzenia. Modele sztucznej inteligencji typu LLM (Large Language Model) uczą się operować językiem w oparciu o statystyczną analizę ogromnych zbiorów tekstów. Przetworzyły lwią część dostępnych publicznie i zdigitalizowanych książek oraz znaczną część zasobów internetu – to skala danych wręcz niepojęta dla ludzkiego umysłu. Sztuczna inteligencja, trenując, przypisała każdemu słowu (tokenowi) wartość opisującą jego pozycję w wirtualnej, wielowymiarowej przestrzeni, opierając się na założeniu, że słowa pojawiające się w podobnych kontekstach mają zbliżone znaczenie.

Na koniec tej teoretycznej części chcę przywołać jeszcze jeden eksperyment myślowy opublikowany przez amerykańskiego filozofa Willarda Quine’a w 1960 r. Wyobraźmy sobie lingwistę prowadzącego badania terenowe wśród ludu, którego język jest całkowicie nieznany – Quine nazywa go „językiem dżungli". Podczas wspólnego spaceru z tubylcem przebiegający królik powoduje, że tubylec wskazuje na zwierzę i wypowiada słowo „gavagai". Lingwista zapisuje w swoim notatniku: „gavagai = królik". Jednak taka interpretacja jest konsekwencją języka używanego przez samego lingwistę, bowiem gavagai może znaczyć „królik”, ale również „zwierzę”, „pożywienie”, „coś do schwytania” czy „głód”, zwłaszcza że potencjalna kolacja właśnie uciekła. Lingwistą w tym przykładzie jest AI, która nauczyła się używania danego słowa, stosuje je poprawnie, ale nie rozumie jego znaczenia, ponieważ brakuje jej zmysłów, dzięki którym mogłaby je zakotwiczyć. Ponieważ sztuczna inteligencja poznała możliwe użycia słowa gavagai, sprawia to, że użyje go prawidłowo, w przeciwieństwie do człowieka-lingwisty, który nie poświęcił językowi dżungli tyle czasu, ile AI spędziła podczas treningu w laboratoriach OpenAI, Google’a czy Mety.