Kui keegi nimetab modernset aega arvutiajastuks, tundub, et ta on ajast natukene maha jäänud. Arvutite paljusus on tõsiasi, kuid neid tõsteti epohhi tähistavalt esile kümne ja enama aasta eest. Hiljem on räägitud infoajastust, pidades silmas interneti abil iga ühe elu täitva info hulga hüppelist kasvu. Ometi, isegi interneti kuidagimoodi modernsusega sidumine tundub natukene kulununa.

Kohasemateks trendisõnadeks oleks tehisintellekt ja masinõpe. Räägitakse, et masinad õpivad seni vaid inimesele omaseks peetud moel tundma kõike, mida neile näidatakse. Seejärel pakuvad end inimesele appi tegema mõnda tema tegevust, kuni saavutavad temast etema kompetentsi. Lõpuks pole enam arukas inimesi palgata.

Loos kirjeldatud arenguvisiooni tõendiks tuuakse mõned kitsa fookusega näited, milles on omandanud masin inimesega võrreldavaid oskuseid. Näiteks mõne haiguse diagnoosimisel, loetava teksti koostamisel, kõne tuvastamisel ja lauamängudes. Eduloo järel saabub tavaliselt kriitilisemate sõnumite laine. Muu hulgas räägitakse masinate tehtud lapsikutest, aga ka ohtlikest vigadest. Räägitakse, et tegelikult ei jõua masinad nii pea muinasjuttudes kirjeldatud tasemele kui üleüldse.

Vähemalt täna veel ületamatuks peetav takistus koosneb mitmest osast. Neist mõni on tehnilisemat laadi. Üldiselt paistab aga, et seda tüüpi väljakutsetega saadakse aja jooksul hakkama. Suurem väljakutse on intellektuaalsemat tüüpi probleemid, nagu vead tegelikkust kajastavates mudelites, sest me ei mõista piisaval tasemel isegi reaalsuse olemust .

Masin võiks oma väsimatu tähelepanelikkusega siin meid aidata, aga praegu sunnime neid lihtsalt valesti õppima. Veelgi suuremaks väljakutseks võib pidada andmete kvaliteeti. See tähendab tegelikku maailma kirjeldavate andmete sobivust ja piisavust, mille põhjal areneb masina "arusaamine" ja mudeltite täpsus.

Levinud näidetena tuuakse avalikkusele pakutavaid tehisintellektipõhiseid teenuseid, mis nn päris elus osutusid kasutajaid solvavateks, pidades näiteks tumeda nahavärviga indiviide mõneks loomaks või valades inimesest vestluspartneri üle poliitiliselt radikaalse ja inimlikult ropu sõimuga. Juhtumite aluspõhjus olid ühekülgsusele kalduvalt valge nahavärviga indiviididest koosnevad pildipangad või vestlusroboti varasemad ja ebaviisakad suhtluspartnerid.

Kui palju ja millised andmekogud oleksid piisavad? Tavalisema mõtlemisega loogiliselt tuletades pakuks, et andmeid peaks olema võimalikult palju ja need peaksid kajastama huvi all olevat nähtust võimalikult mitmekülgselt. Teadlased on küsimusele vastanud tõenduspõhiselt jõudes põhimõtteliselt sama järelduseni.

Üldistamise ehk masina poolt tegelikkust kirjeldava otsuse ja reaalsuse vaheline viga väheneb koos andmemahu kasvuga vastavalt astmeseadusele. Joonisena meenutab see järsust kelgumäest laskumist. Ainult, et kelgu langust kirjeldatakse mõne sentimeetriga meetri kohta, kui andmehulkade puhul peaks muutuse määr olema suurusjärkudes. kümne-, saja-, tuhande- ja enamakordselt.

Seega ei õpiks isejuhtiv auto ohutumalt sõitma, kui seda testitakse veel üks aasta iga päeva linnas tiirutades. Oodatav kasu oleks kaduvväike ja räägiksime kümnetest aastatest. Masina õppimisest oleks kasu siis, kui õppematerjali lisanduks infot tuhandetelt sõidukitelt väga erinevates olukordades. Lühikese ajaga on seda väga raske saavutada. Isejuhtivaid autosid käsitlevast uudisvoost võibki leida kasvavat pessimismi.

Suuremat kõlapinda saavad uudised õnnetustest, mille üheks põhjuseks on näiteks vales kohas teed ületavad inimesed. Autole on õpetatud õigeid liiklusreegleid ja nad teevad treeningsõitu paremini reguleeritud liikluskeskkondades. Päris elus satuvad nad siis kokku tulnukaga ehk inimesega, kes käitub arusaamatult.

Kasvava pessimismi taustal küsis robotautode temaatikale pühendunud ajakirjanik Trent Eady laupäevast igavust peletava säutsu kaudu Elon Muskilt, millal on siis täieliku funktsionaalsusega isejuhtivat autot oodata? Umbes 11 minutit hiljem saabunud säuts teatas lühidalt "Peagi". Selle peale uuris Trent lubaduse sisu lähemalt ja võib peaaegu uskuda, et Elon Musk ei ajagi udujuttu.

Nimelt on Teslal igapäevaselt kasutada vähemalt tunnikese liikluses tiirutava 750 000 elektriauto kaheksa kaameraga ümbrust, liiklusolukordi ja juhi otsuseid kirjeldavad andmed. Iga kuu lisandub õpetava materjali kogumisse umbes 170 miljonit tundi sõidualgoritme treenivat materjali kõikjalt maailmast. Võrreldes konkurentidega on seda üle tuhande korra rohkem.

Praeguste teadmiste põhjal tähendab see umbes kümme korda võimekamat masinõpilast. Võimalik, et autokultuur on oodatust kiiremini otsimas uut ajastut tähistavat märksõna, sest masinõpe võib jõuda küpsuseksamile teistest valdkondadest varem.

Esmaspäevast neljapäevani võib Kristjan Porti tehnoloogiakommentaari kuulda Raadio 2 saates "Portaal".