Alates aegadest, mil inimesed hakkasid filosofeerima, on juureldud küsimuse üle "Kas on võimalik luua masinat, mis oma nutikuse ning arukuse poolest oleks võimeline konkureerima inimesega?" Seoses arvutustehnika arenguga on hakatud probleemile ka rakenduslikult lähenema. Seega uuritakse, kas on võimalik luua intelligentset programmi, mis käituks nagu inimene. Valdkonda, mille raames seda kõike uuritakse, nimetatakse intellektitehnikaks (Artificial Intelligence) ning uurimise objektiks on tehisintellekt ehk tehismõistus.

Viimasel ajal on termin tehisintellekt teadlaste seltskonnast ka laiema üldsuseni jõudnud, seda nii filmide, reklaami kui ka tõeliselt intelligentsete toodete näol. Seetõttu olekski eksiarvamuste ning illusioonide vältimiseks vajalik selgitada, mis imevahend siis ikkagi tehisintellekt on, ning miks ja kus see kasulikuks võiks osutuda.

Intellektitehnikat võiks liigitada arvutiteaduse haruks, mis tegeleb intelligentsete käitumiste automatiseerimisega. See eeldab esmalt intelligentsete käitumiste tuvastamist ning siis nende realiseerimise jaoks täpsete eeskirjade ehk algoritmide leidmist. Arvutiteaduse koosseisu kuulub mainitud valdkond eelkõige seetõttu, et sealt on pärit vahendid - algoritmid ja andmed -, mille abil mõistust iseloomustavad ideed valemite või mudelitena esitatakse ning ka ellu viiakse. Intellektitehnika valdkond pakub võimalust mõistuseteooriate uurimiseks ja kontrollimiseks. Seetõttu kohtuvad intellektitehnikas nii reaalteaduste kui inimese ning elusloodusega seotud valdkonnad - psühholoogia, antropoloogia, evolutsiooniteooriad, bioloogia ja muud valdkonnad. Aga mis on mõistus ning mis teeb masina või programmi intelligentseks?
Vaadeldes intellektitehnika ajalugu, jääb mulje, et süsteeme peetakse seni intelligentseteks, kuni pole päris selge, mis nende sees tegelikult toimub. Võib-olla on inimesegi arukaks olevuseks tõlgendamise taga tõsiasi, et keegi ei tea täpselt, mis muudab inimese käitumise mõistlikuks ning otstarbekaks?
Tihtipeale, kui keegi leiab mõne uue mooduse inimtegevuse matkimiseks masinal, nimetatakse programmi esialgu intelligentseks. Mõne aja pärast aga harjutakse vastava algoritmi või süsteemiga ning selles ei tundu midagi imestamapanevat ja intelligentseks seda enam ei peeta.

Mõtlevad või arvutavad?

Seetõttu oleks ehk õigem küsida kõigepealt, kas arvutid võivad mõelda või nad lihtsalt arvutavad? Kas teadvus on omane ainult inimesele ja kõrgematele loomadele? Kas teadvus sõltub materjalist, millest arvutusmasin on tehtud, kas arvuti riistvara on võimeline matkima orgaanilise olendi aju ehk mõtlemise organit ning mõtlemisprotsesse?
Kuigi inimese arukusega või rumalusega, mine tea, masinat pole vähemalt siiamaani avalikult demonstreeritud, ning pole kindel, kas selle loomine on üleüldse võimalik, ei saa siiski väita, et kõnealuses valdkonnas teadusuuringutele kulutatud raha on lihtsalt tuulde visatud. Paljud neist uuringuist lähtuvad algoritmid ja metodoloogiad on osutunud kasulikeks muudes valdkondades.
Näiteks tehisnärvivõrke kasutatakse statistikas, objektide tuvastamisel, pildi- ning videotöötluses. Kõnetuvastus leiab rakendust mõningate programmide kasutajaliidestes. Kõnelejatuvastust ja teisi biomeetrilisi tehnikaid, kaasa arvatud sõrmejälje automaatset tuvastamist, kasutatakse turvasüsteemides. Plaanide automaatset konstrueerimist rakendatakse näiteks robootikas, organisatsiooniprotsesside juhtimisel ning arvutitarkvara automaatsel genereerimisel. Rakenduste nimekiri on üsna pikk. Kuid kas need kõik on ka intelligentsed süsteemid, sõltub siiski eelkõige vaatleja enese hoiakuist.

Turing'i test

Kuidas ikkagi kontrollida, kas masin või programm on intelligentne, et ta on teadlik nii enesest kui teda ümbritsevast keskkonnast? Kuidas teha kindlaks, kas masin suudab järeldada - ma mõtlen, järelikult ma eksisteerin?
1950. aastatel sattus sama probleemiga vastastikku arvutiteaduse pioneer, Inglise matemaatik Alan Turing ning lahenduse saamiseks konstrueeris stsenaariumi, mida siiamaani tunnustatakse teatud ringkondades intellekti mõõdupuuna ning nimetatakse Turingi testiks.
Selle stsenaariumi järgi hakkab eksamineerija küsimusi esitama ning programm ja inimene nendele vastama. Kui eksamineerija ei suuda vastuste järgi eristada, millised neist kuuluvad inimesele ning millised programmile, kuulutatakse programm intelligentseks. Seega tunnustatakse inimest intellekti mõõdupuuna.
Seni on suutnud testi läbida vaid mõned programmid ning sedagi vaid kitsa valdkonna piires. Aga võib-olla on mõni masin hoopis niivõrd intelligentne olnud, et saanud hakkama ebaratsionaalse inimese teesklemisega?
Kuidas programme intelligentseks muuta? Nagu pole olemas universaalselt head autot ega ravimit, pole ka kindlat retsepti mõistuse tegemiseks. Erinevatel teadlastel on erinevad hoiakud, eesmärgid ning võimalused, mistõttu nad kasutavad ka erinevaid algoritme ja tehnikaid. Neist mõningaid järgnevalt tutvustamegi.

Mängud

Üheks esimestest ülesannetest intellektitehnika valdkonnas oli probleemide lahendamise uurimine tuginedes inimkäitumisele. Aluseks võeti lauamängud ning prooviti kirjutada programme, mis neid edukalt analüüsida ja mängida oskaksid.
Lauamänge iseloomustab kindel hulk mängureegleid, mida järgides tuleb vastane üle kavaldada. Mängus osaleb tavaliselt kaks mängijat, kusjuures käike, ehk strateegilisi otsuseid, teevad nad vaheldumisi. Kuna pole teada, kuidas vastane reageerib, eeldatakse pessimistlikult, et too teeb teise mängija suhtes halvima otsuse.
Uuringud mängude mängimise vallas on viinud edukate algoritmideni, mis võimaldavad programmidel teha otsuseid peale inimestest mängijate võitmise ka poliitikas, äris ning mujalgi, kus on vaja leida strateegia teatud eesmärgi saavutamiseks.

Teoreemide tõestamine

Automaatne teoreemide tõestamine on üks viljakamaid intellektitehnika harusid - kuna loogika on formaalne süsteem, viib see iseenesest automatiseerimiseni.
Kuidas aga probleemide lahendamine ning mõtlemine seostub teoreemide tõestamisega? Igal lahendataval probleemil on eeldused ja probleemi püstitus. Olgu probleemi püstituseks näiteks sõbrale külla minek märjaks saamata ning eeldusteks vihmasadu ja vihmavarju olemasolu. Eeldusteks oleksid veel oskus liikuda ja vihmavarju kasutada. Antud eeldustega on teoreem tõestatav ning probleem seega lahenduv - tulemus oleks teistsugune, kui meil poleks näiteks vihmavarju või ei oskaks me seda kasutada.
Teoreemide tõestamisel nimetatakse eeldusi aksioomideks ning valemeiks, probleemi püstitust aga teoreemiks. Lisaks saab nii probleemi lahendamisel kui teoreemi tõestamisel kasutada kindlaks määratud reeglistikku eeldustega manipuleerimiseks. Seega on sõnad probleem ning teoreem antud kontekstis sünonüümid.
Järelikult võib väita, et inimesed tegelevad pidevalt teoreemide tõestamisega. Kogu meie igapäevane elu baseerub teoreemide tõestamisel - oma puhkusereisi organiseerimine või korteriostu planeerimine on teoreemi tõestamine. Päevakava ning tunniplaan on teoreemide tõestused. Tööle- ning poodiminek põhinevad jällegi teatud teoreemide tõestamisel. Asjaolu, et teoreemide tõestamist koolides üldiselt ei sallita, on tingitud arvatavasti tundmatust ja keerulisest terminoloogiast, mida sel puhul kasutatakse.
Teoreemide tõestamist kasutatakse näiteks arvutiprogrammide automaatsel sünteesimisel, komplekssete süsteemide juhtimisel, loogikaskeemide ning arvutiprogrammide verifitseerimisel ja plaanide automaatsel genereerimisel. Teoreemide tõestamise abil saab lahendada kõiki probleeme, mida on võimalik ning mida osatakse teoreemidena sõnastada.

Ekspertsüsteemid

Ekspertsüsteemide populaarsuse kõrgperiood oli 1980. aastatel ning 1990. aastate alguses. Üha enam kasvav vajadus olla sõltumatu inimekspertidest ning efektiivselt talletada know-how?d, mis muidu inimese lahkudes organisatsioonist kaotsi läheks, innustas uurima ekspertsüsteeme. Viimased imiteerivad inimeksperte oma funktsionaalsuse poolest.
Inimeksperdid pole oma valdkonnas kompetentsed mitte seepärast, et nad oleksid head probleemilahendajad, vaid eelkõige seetõttu, et nende teadmiste hulk on suurem kui teistel ning nad oskavad neid ka edukalt kasutada. Kuna uued teadmised talletab ekspertsüsteemi teadmusbaasi inimesest ekspert, jääb ekspertsüsteemi ülesandeks nende teadmistega oskuslikult ringi käia.
Ekspertsüsteemi kasutamine toimub dialoogi vormis inimese ja programmi vahel. Inimene esitab programmile oma eesmärgi(d) ning ekspertsüsteemi ülesandeks on välja uurida, mida tegelikult vajatakse. Näiteks, kui keegi soovib osta arvutit koduseks kasutamiseks, siis programm küsib, kui palju inimene on nõus selle eest maksma. Lisaks uurib, mis otstarbeks, kas mängimiseks, tekstitöötluseks või millekski muuks. Seejärel teeb ekspertsüsteem valiku, millised tooted kasutajale sobiksid, ning viimane omakorda eraldab neist sobiva toote. Sel moel sarnaneb ekspertsüsteemi kasutamine suhtlemisega inimeksperdiga.
Ekspertsüsteem peab, arvestades teadaolevat infot, leidma minimaalse hulga küsimusi, mida kasutajalt küsida. Näiteks arsti juures haigele diagnoosi määramisel, kui on teada, et ravialune on meesterahvas, pole vaja küsida, kas ta on kunagi sünnitanud, sest taoline küsimus oleks lihtsalt ülearune.

Loomulikust keelest arusaamine

Siiamaani on keerukaks probleemiks loomulikust keelest arusaamine. Kuigi keele grammatikat suudetakse juba pikemat aega edukalt tabada ja korrigeerida ning paljudes tekstitöötlusprogrammides seda ka rakendatakse, valmistab semantika ehk teksti tähenduse tabamine, siiani suurt peavalu. Lahendamiseks on kasutatud semantilisi võrke, statistikal tuginevaid võtteid, predikaatarvutust jne.
Teksti semantika tabamise korral oleks võimalik muuta arvutiprogrammide kasutajaliidesed oluliselt kasutajasõbralikumaks ning suhtlemine arvutiga intuitiivsemaks. Internetist olulise info leidmise saaks keele semantikat mõistes senisest oluliselt tõhusamaks muuta. Kuigi nüüdisaegsed otsingumootorid juba vähesel määral teksti tähendusega arvestavad, pole see siiski veel piisav keerukamate otsimiskriteeriumite kirjeldamise jaoks.

Inimmõtlemise modelleerimine

Paljud probleemid lahendatakse arvutustehniliste vahenditega oluliselt kiiremini, kui inimene seda eales teha suudaks. Eriti puudutab see arvutuslikku laadi ülesandeid. Siiski on puudu see lüli, mis oleks võimeline need algoritmid ka kokku liitma üheks suurepäraseks tehismõistuseks. Oleks suisa suurepärane, kui meil oleks masin, mis suudaks mõelda nagu inimene ning samas lahendaks inimestele peavalu valmistavad probleemid mõne hetkega.
Inimese probleemilahendamise modelleerimine on andnud psühholoogidele ning teistele inimese käitumise uurijatele võimaluse testida, kritiseerida ning täiustada omi ideid. Osaliselt on see valdkond seotud ka agenttehnoloogiatega.

Plaanide automaatne genereerimine

Planeerimine laias laastus kujutab elementaartegevuste järjendi otsimist, mille rakendamine viiks teatud eesmärgini. Sama eesmärgi saavutamiseks võib leiduda erinevaid lahendeid ning nende seast parima valimine võib osutuda isegi keerukamaks kui kõikide võimalike lahendite konstrueerimine. Planeerimisel võib kasutada ka automaatse teoreemide tõestamise abi.
Planeerimist rakendatakse näiteks robootikas, tunniplaanide automaatsel koostamisel ning vabrikutes konveierliinide tegevuse automatiseerimisel. Planeerimise abil arvutatakse robotitele täpsed tegevuskavad, mis määravad, kuidas ja mida robot tegema peab.
Nii mõningadki olulised planeerimisel rakendatavad ideed on pärit just inimeste tegevuse vaatlemisest, sest tavaliselt eelneb sellele planeerimine. Me küsime endilt, mida teha nüüd, mida järgmisena, miks, jne. Kui poodi astume, siis ei lao me tavaliselt oma ostukäru täis suvaliselt, vaid jälgime ka rahakoti paksust ning teadvustame endile, mida tegelikult vajame.

Masinõppimine

Üks omadusi, mida intelligentsele süsteemile omistatakse, on õppimisvõime. Süsteem peab omandama uusi teadmisi ning neid edukalt ära kasutama. Õppimist võib vaadelda uute käitumiste, kogemuste ning teadmiste omandamise protsessina. Kui teatud käitumine konkreetses olukorras ei osutu edukaks, siis tuleb omandada uusi. Taoline lähenemine iseloomustab looduses kehtivaid seadusi - et ellu jääda, tuleb kohaneda.
Õppimist võib liigitada laias laastus kaheks - parameetriliseks ning formaalsetel meetoditel baseeruvaks. Parameetriline õppimine võib tugineda näiteks tehisnärvivõrkude või Markov'i ahelate treenimisel. Õppimine jaguneb omakorda jällegi peamiselt kaheks - induktiivseks ja deduktiivseks. Kui deduktsioon on uute teadmiste omandamine kasutades loogilisi seoseid teadaolevate faktide vahel, siis induktsiooni puhul omandatakse uued faktid olemasolevate teadmiste üldistamise läbi.
Kui meil on teada faktid, et inimene on surelik ja Sokrates on inimene, siis saame deduktsiooni teel järeldada, et Sokrates on surelik. Induktsiooniga on lugu vastupidine. Näiteks, kui meil on teada, et Mari, Kadri ja Kertu on inimesed ning nad kõik kannavad patse, siis induktsiooni teel saame, et kõik inimesed kannavad patse. Te võite muidugi väita, et kõik inimesed ei kanna patse, mõnel pole juukseidki. Ent senikaua, kuni meile teadaolevate inimeste hulk koosneb Marist, Kadrist ning Kertust, ei saa me midagi enamat järeldada.

Tehisnärvivõrgud

Inimese aju modelleerimise käigus loodi alus tehisnärvivõrkudele, mis imiteerivad elusorganismide närvirakkude tegevust. Veidi peale tehisnärvivõrkude uurimist selgus, et neist võib kasu olla ka matemaatiliste funktsioonide õppimisel. Samuti saab närvivõrkudele õpetada ilma ning valuutakursside ennustamist.
Erinevalt paljudest teistest õppimise viisidest, ei talleta tehisnärvivõrgud mitte uusi andmeid, vaid modifitseerivad iseennast. Sel moel on närvivõrgud head üldistamise vahendid ning sobilikud klassifitseerimisülesannete lahendamiseks. Võimalikeks rakendusiks on seega inimeste ning muude objektide tuvastamine - algul treenitakse võrku edastades sellele erinevaid konkreetset isikut kujutavaid fotosid ning hiljem on võrk iseseisvalt võimeline sama isikut tuvastama. Fotodega treenimise käigus eraldab tehisnärvivõrk piltidelt vastavale isikule iseloomulikud tunnusjooned. Mida rohkemate fotodega võrku treenitakse, seda täpsemalt too hiljem konkreetse isiku tuvastab.
Tehisnärvivõrgud võimaldavad õppida reflektoorseid käitumisi, mida eelkõige iseloomustavad stiimul ning reaktsioon. Konkreetsele stiimulile järgneb kindel reaktsioon. Inimese puhul on tugevaimaks stiimuliks valuaisting - kui kogemata surute käe kuumale pliidirauale, siis tõmbate selle sealt kohe ära ka - reaktsioon järgneb vahetult stiimulile, te ei juurdle, kas võtta käsi ära või mitte. Taolised käitumised õpitakse tavaliselt päris kiiresti ning hästi ära nii inimeste kui tehisnärvivõrkude poolt.
Kuigi tehisnärvivõrkude uurimise üheks motivaatoriks algupäraselt oli inimese mõtlemise jäljendamine, ollakse võimelised siiani vaid reflekse õppima - keerulisi probleeme lahendada nendega veel ei osata.

Miks on üleüldse vaja tehismõistust?

Erinevalt inimestest saab tehismõistust kasutada praktiliselt tasuta. Seetõttu oleks tehismõistus suurepärane vahend inimeste eemaldamisel rutiinsetelt töökohtadelt - kõik, mis puudutaks arvutusi, planeerimist ning tüütuid detaile, saaks jätta masinate hooleks. Samuti suudavad masinad tihtipeale inimestest kiiremini ja paremini otsuseid teha ning protsesse juhtida.
Tehismõistus võiks osaleda liidesena inimese ning arvuti või muu masina vahel. Uuringud näitavad, et arvuti kasutamine traumeerib suurt hulka inimesi vaid seetõttu, et arvutist on raske aru saada. Kasutades programmi, mis mõistaks samaaegselt nii inimese kui arvuti hingeelu, saaks taolise barjääri eemaldada.
Teadagi on inimvõimetel piirid ning inimeste arvgi piiratud. Kui inimene sureb, kaovad koos temaga teadmised, millel võib olla oluline väärtus. Tehismõistuse ühitamisel inimese mõtlemisega tekiksid aga hoopis teist laadi võimalused.
Inimese ajus toimivate protsesside dubleerimine ning info salvestamine loob aluse igavesele elule - kuigi füüsiline keha võib surra, saab vaim jätkata praktiliselt igavesti. Samuti võib vaimu eraldamine kehast võimaldada mõtteprotsesside efektiivsemat ümberkorraldamist. Kui inimene ei peaks muretsema enam oma füsioloogiliste vajaduste pärast, saaks rohkem energiat suunata teiste probleemide lahendamisele.
Siin kerkivad aga mitmed filosoofilist laadi küsimused. Mida hakata peale kehaga? Kas on lubatud sulgeda mõistus kapslisse ning hakata manipuleerima vaimuga analoogiliselt filmis "Matrix" demonstreeritud moel? Kes sellest kõigest kasu saab?
Kui eesmärgiks on kriitilise hulga mõistuste loomine ning nende ekspluateerimine, siis kes on ikkagi õnnelikum - kas kapseldatud virtuaalne olend, kel on kõik, mida ta eales tahta võiks, või reaalses maailmas virtuaalsete olendite tulemusi kasutav inimene? Kust algab virtuaalne maailm ning lõpeb reaalne?
Loomulikult seavad virtuaalsele maailmale piirid reaalse maailma arvutusressursid. Aga kui neid ressursse on praktiliselt piiramatult?
Kas on võimalik tungida virtuaalsest maailmast reaalsesse? Kas on võimalikud virtuaalsed maailmad virtuaalsete sees? Mis seab piirid taolisele lõpmatule maailmade genereerimisele?
Ehk on lihtsam ja praktilisem tunnistada vastuvõetavaks ideed, et intellektitehnika on lihtsalt üks valdkondi, kus arvutusprotsesse uuritakse veidi teisest vaatenurgast kui tavaliselt ning inspiratsiooni saadakse vaadeldes organisme, organisatsioone ning protsesse meie ümber? Sel juhul tehismõistus kujutaks programmi, mis mingilgi määral suudaks inimesele ootuspäraselt ning samas mõistlikult käituda.

PEEP KÜNGAS (1978) on Norra Teaduse ja Tehnoloogia Ülikooli doktorant. Tehnikateaduste magister. Uurimisvaldkondadeks on intelligentsed agendid, plaanide automaatne genereerimine ning tarkvara automaatne süntees.