Mākslīgā intelekta pienesums dramaturģijas radīšanā
Fragmenti no Ievas Īzakas-Harjo maģistra darba “Mākslīgā intelekta pienesums dramaturģijas radīšanā”, kas izstrādāts Rakstniecības studiju programmā RTU Liepājas akadēmijā (darba zinātniskā vadītāja Dr.art. Vēsma Lēvalde)
Algoritms
Šelija Fena (Shelly Fan) grāmatā “Vai mākslīgais intelekts mūs aizvietos? 21. gadsimta ceļvedis” minējusi: “Nav šaubu, ka algoritmiskā mācīšanās spēj transformēt dažādas nozares, vai nu palielinot cilvēku iespējas, vai aizvietojot tos zināmu uzdevumu veikšanā. Taču tam nevajadzētu notikt līdz brīdim, kamēr pētnieki atrod veidus, kā padarīt algoritmus saprotamākus un rezultātā: atbildīgākus.” [1] Algoritms savā visvienkāršākajā formā ir instrukciju vai noteikumu kopums, kas jāievēro un jāīsteno, lai sistēma darbotos. Vienkāršs, uz noteikumiem balstīts algoritms ir nepārprotama specifikācija, kā atrisināt kādu problēmu grupu. Konkrētās problēmas var ietvert iespējamo izvēļu sakārtošanu (prioritāšu noteikšana), elementu kategorizēšanu (klasifikācija), saikņu atrašanu starp elementiem (asociācija) un neatbilstošas informācijas likvidēšanu (filtrēšana) vai to kombinācijas. Sarežģītāki mašīnmācīšanās algoritmi ir izstrādāti tā, lai mācītos, t.i., mainītu savu programmu, ņemot vērā jaunus datus. Izmantojot mašīnmācīšanās algoritmus, dators ar mācību datu palīdzību var apgūt noteikumus un izveidot lēmumu pieņemšanas modeli. Dators ne tikai izpilda nepārprotamas instrukcijas, bet ir ieprogrammēts tā, lai datos atrastu modeļus, pārvērstu tos instrukcijās, kas citādi programmētājiem būtu jāraksta pašiem. Tādējādi mašīnmācīšanās ir alternatīva manuāli veidotām programmām. Mašīnmācīšanās tiek izmantota tīmekļa meklēšanā, surogātpasta filtros, ieteikumu sistēmās, reklāmu izvietošanā, kredītu novērtēšanā, krāpšanas atklāšanā, akciju tirdzniecībā, zāļu izstrādē un daudzos citos lietojumos. Mašīnmācīšanās algoritmi var palīdzēt risināt visdažādākās problēmas, sākot ar prognozēšanu, cik spējīgs ir kredīta pieteikuma iesniedzējs atmaksāt aizdevumu, objektu identificēšanu un marķēšanu attēlos un video, olbaltumvielu modeļu klasificēšanu cilvēka šūnās, rakstīta teksta pārvēršanu runātā formā, ļaunprātīgas programmatūras klasificēšanu utt [2].
Matemātisko formulu uzlabojumi un skaitļošanas jaudas pieejamība ļauj datorzinātniekiem izmantot sarežģītākus modeļus. Rezultātā ir attīstījusies dziļā mācīšanās – mašīnmācīšanās nozare, kurā izmanto īpašu algoritmu klasi: mākslīgos neironu tīklus. Neironu tīkli ir ietvari, kas ļauj daudziem dažādiem mašīnmācīšanās algoritmiem strādāt kopā un apstrādāt sarežģītus ievadītos datus [3].
“Dziļā mācīšanās ir ļāvusi veikt izrāvienu runas un attēlu atpazīšanā. Piemēram, Google un Stenfordas universitātes dziļā mācīšanās sistēma apguvusi prasmes kategorizēt objektus attēlos, cilvēkam tos nekad nedefinējot un nemarķējot.” [4] Mūsdienās tiek veikti pētījumi, lai nodrošinātu neironu tīklu lēmumu retrospektīvu izskaidrojamību. Var teikt, ka uz algoritmiem balstītu lietojumprogrammu iespējas ir atkarīgas no algoritma sarežģītības. Starp vienkāršiem algoritmiem un dziļas mācīšanās sistēmām mēs sasniedzam tādu sarežģītības līmeni, ko varam klasificēt kā mākslīgo intelektu. Lai saprastu, kā algoritmi pieņem lēmumus un kādus riskus šis lēmumu pieņemšanas process var radīt, mums ir nepieciešams uzzināt vairāk par to, kur šajā lēmumu pieņemšanas procesā algoritms var būt kļūdains vai neobjektīvs. [5]
Algoritma lēmumu pieņemšanas spēju ietekmē daudzi faktori. Vispirms algoritmam tiek izmantoti mācību dati, lai nodrošinātu algoritmu ar informāciju. Mācību datus var salīdzināt ar jautājumu kopumu, uz kuriem jau ir sniegtas atbildes. Tālāk algoritmam ir jāiegūst noteikumu kopums, kas ļauj no ievadītajiem datiem (“jautājumiem”) izveidot izejas (“atbildes”). Šis noteikumu kopums veido lēmumu pieņemšanas modeli. [6]
Jebkurš mašīnmācīšanās algoritms un tam sekojošie lēmumi ir atkarīgi no datu kopas, kas tika izmantota tā apmācībai. Jo vairāk datu tam ir pieejami, jo labāks var būt tā prognozēšanas modelis. Tomēr ar lielu datu daudzumu vien nepietiek: šo datu kvalitāte ietekmē arī algoritma iegūto rezultātu derīgumu, precizitāti un lietderību. Ja galvenie dati ir, piemēram, tendenciozi, algoritma veiktspēja var kļūt nekvalitatīva. Netiešais pieņēmums, ka, savācot pietiekami daudz datu, algoritmi nebūs neobjektīvi, nav pamatots. Neprecizitāte algoritmos var rasties vairākos veidos. Pirmkārt, iespējams, ka mūsu savāktie dati ir izvēlēti preferenciāli, un tāpēc pati datu izlase ir neobjektīva. Otrkārt, neobjektivitāte var rasties tāpēc, ka savāktie dati atspoguļo sabiedrībā pastāvošo neobjektivitāti. Ciktāl sabiedrībā ir nevienlīdzība vai citas diskriminācijas pazīmes, tādi būs arī iegūtie dati. [7]
Rezultāti var būt neobjektīvi arī tad, ja mācību dati neatspoguļo reālo vidi, kurā sistēmai ir jādarbojas. Algoritms var sniegt nepatiesus rezultātus, ja tas saskaras ar situāciju, kas ievērojami atšķiras no datiem, uz kuriem tas tika apmācīts. Pirmais būtiskais apsvērums algoritma testēšanā ir algoritma veida izvēle. Piemērotā testēšanas režīmā var testēt dažādus algoritmus, lai pārbaudītu to veiktspēju problēmai. Ja mācību datu kopa satur defektus, tas ir jākonstatē un jāmēģina izvairīties, ka šie defekti atkārtojas testēšanas datu kopā. Rūpīgā testēšanas režīmā algoritms jāpārbauda reālos scenārijos, lai pārliecinātos, ka tas atbilst savam mērķim. [8]
Tā kā algoritmi kļūst arvien sarežģītāki, to lēmumu pieņemšanas process var kļūt mazāk izprotams. Grūti izvairīties no neobjektīviem rezultātiem, kuru pamatā ir sociālā nevienlīdzība. Izsmalcināti algoritmi var spēt rekonstruēt sensitīvo informāciju no citiem ievades datiem, pat ja tiem šī informācija nav dota. Kā piemēru var minēt Netflix algoritmu, kas dažiem lietotājiem demonstrē konkrētai cilvēku rasei mērķtiecīgi atlasītas filmas, TV raidījumus un reklāmas, lai gan lietotājiem netika prasīta šāda informācija. [9]
Algoritmu iespējamā pārredzamība nozīmē izsekot tam, kā konkrētā situācijā tika izmantoti konkrēti faktori, lai sasniegtu rezultātu. Algoritmu neitralitāti varētu pārbaudīt, pamatojoties uz algoritma ievades datu precizitāti un īpašībām. Otra iespēja ir pieprasīt algoritma lēmumu pieņemšanas procesa pārredzamību. Algoritma lēmumu pieņemšanas modeļa skaidrojums var kļūt arvien sarežģītāks, jo algoritms kļūst sarežģītāks. Pat ja algoritma pirmkods būtu pārredzams, tas sniegtu tikai nelielu priekšstatu par tā funkcionalitāti. Tas jo īpaši attiecas uz adaptīvām pašmācības sistēmām. Visbeidzot varētu būt nepieciešama pārredzamība attiecībā uz algoritma rezultātiem vai lēmumiem. Citos gadījumos rezultātu analīze var parādīties, piemēram, diskriminācijas veidā. Skaidrojumu varētu sniegt, pārbaudot mākslīgā intelekta sistēmu ar sākotnējo ievades datu variācijām, mainot tikai attiecīgo mainīgo lielumu, lai noskaidrotu, vai rezultāti ir atšķirīgi. Tas norāda uz hipotētisko scenāriju nozīmi algoritmisko lēmumu skaidrošanā. [10]
Mākslīgā intelekta (MI) izmantošanas priekšrocības un trūkumi dramaturgiem
Izmantojot mākslīgo intelektu dramaturģijas radīšanā, jārēķinās ne tikai ar priekšrocībām, bet arī trūkumiem. Nikas Velisaras (Nic Velissaris) un Džesikas Riveras-Viljikanjas (Jessica Rivera-Villicana) rakstā “Ceļā uz intelektuālo interaktīvo teātri. Dramaturģijas vadība – veids, kā strādāt ar izrādi” (Towards Intelligent Interactive Theatre: Drama Management as a Way of Handling Performance) tiek runāts par intelektuāliem interaktīviem stāstījumiem teātra jomā, intelektuālo aģentu, kas kalpo kā drāmas vadītājs un kā aktieris, kas spēlē tēlu dzīvajā teātra pieredzē. Autori min interaktīvo naratīvu – uz izvēli balstītu naratīvu jeb tā saukto interaktīvo teātri ar mākslīgā intelekta darbošanos dzīvā teātra vidē. [11]
Džeņs Žeņs (Zhen Ren) runā par māksliniecisko dilemmu. Autors min, ka ChatGDP [12] spēja ģenerēt lugu scenārijus ir ievērojams sasniegums mākslīgā intelekta jomā, tomēr ir svarīgi atzīt, ka šie mākslīgā intelekta ģenerētie scenāriji nav bez saviem ierobežojumiem, ja tos salīdzina ar cilvēku – dramaturgu radītajiem darbiem. Viens no galvenajiem trūkumiem ir emocionālās un kultūras izpratnes dziļums. Dramaturgi balstās uz savu dzīvi, pieredzi, kultūras pieredzi un niansētu izpratni par cilvēku emocijām, lai radītu stāstus, kas dziļi rezonē ar skatītājiem. Mākslīgajam intelektam trūkst šīs iedzimtās cilvēciskās izpratnes, un rezultātā var rasties scenāriji, kas šķiet emocionāli atsvešināti vai kultūras ziņā neiejūtīgi. Svarīgs ir cilvēka radošais process.
Lai gan ChatGDP var analizēt milzīgus datu apjomus un ģenerēt saturu, pamatojoties uz apgūtajiem modeļiem un struktūrām, tas bieži vien nespēj uztvert nianses un negaidītus pavērsienus, kas lugu padara izcilu. Mākslīgā intelekta radītajiem scenārijiem var trūkt oriģinalitātes. Mākslīgais intelekts paļaujas uz esošajiem datiem un modeļiem, kas var netīši novest pie tā, ka tiek radīti scenāriji, kas šķiet šabloniski vai atvasināti. Turpretī dramaturgi sniedz savu unikālo perspektīvu un māksliniecisko viedokli, tādējādi radot atšķirīgas un jaunas lugas.
Var secināt, ka pētījums par mākslīgā intelekta lomu teātrī, īpaši mākslīgā intelekta radītu skatuves darbu radīšanā, atklāj aizraujošu, bet sarežģītu ainavu. Lai gan mākslīgais intelekts ir guvis ievērojamus panākumus lugu un scenāriju ģenerēšanā un palīdzējis radošajā procesā, joprojām ir skaidrs, ka dramaturgi savā darbā sniedz nenovērtējamu emocionālo un kultūras izpratnes dziļumu, jo smeļas no savas dzīves pieredzes, lai radītu stāstus, kas dziļi rezonē ar auditoriju, piedāvājot autentiskuma un oriģinalitātes līmeni, ko mākslīgajam intelektam ir grūti atkārtot. Tomēr mākslīgā intelekta spējai analizēt milzīgus datu apjomus un ģenerēt saturu, pamatojoties uz modeļiem un struktūrām, ir savas priekšrocības. MI var potenciāli paplašināt teātra iespēju loku. Turpmākajos pētījumos uzmanība būtu jāpievērš mākslīgā intelekta radītā satura ilgtermiņa ietekmei uz auditoriju, pētot, kā šie darbi tiek uztverti laika gaitā un kā tie ietekmē teātra attīstību. Turklāt ir nepieciešams izpētīt mākslīgā intelekta izmantošanas ētiskās sekas šajā kontekstā, jo īpaši attiecībā uz autorību, radošumu un potenciālo cilvēka lomas izspiešanu teātrī. Attiecībā uz nākotnes tendencēm, attīstoties tehnoloģijām, ir svarīgi rast līdzsvaru starp mākslīgā intelekta inovatīvo potenciālu un neaizvietojamo cilvēka darbu. Teātra nākotne, šķiet, ir harmoniska mākslas un mākslīgā intelekta saplūšana, kur tie viens otru papildina un bagātina. Šī sinerģija varētu radīt jaunas un aizraujošas stāstu formas. [13]
Annija Dorsena (Annie Dorsen) ir ražīga amerikāņu teātra režisore, kuras darbos kā radošais partneris piedalās mākslīgais intelekts. Dorsenas mākslinieciskā zinātkāre rada teātra pieredzi, kurā nav cilvēku, bet izrādes zvaigzne ir algoritmiskā tehnoloģija jeb mākslīgais intelekts. Viņas darbos tiek izmantoti īpaši pielāgoti algoritmi, lai ģenerētu unikālus scenārijus ar dažādu mašīnu un/vai dzīvās izpildīšanas pakāpi, tādējādi katru vakaru radot jaunu pieredzi. Dorsenas inovatīvie darbi ir radījuši jaunu teātra žanru – algoritmisko teātri, kas apskata digitālās pasaules ietekmi uz sabiedrību, apvienojot mākslīgo intelektu ar klasiskām teātra tehnikām. [14]
Mākslīgā intelekta izmantošanas priekšrocības dramaturgiem, pirmkārt, ir ideju ģenerēšana. Mākslīgais intelekts var ģenerēt jaunas idejas, ar kurām dramaturgi var strādāt. Analizējot datus no dažādiem avotiem, mākslīgais intelekts var ieteikt dramaturgiem tēmas, sižetus un personāžus, ko apsvērt. Informācijas ātra izsekošana ir noderīgs mākslīgā intelekta izmantošanas veids. Ja vēlas apkopot filmu, grāmatu u.c. darbu sižetus, dramaturgi var ietaupīt laiku, kas veltīts pētniecībai.
Otrkārt, uzlabota raksturu attīstība. Mākslīgais intelekts var analizēt lielu datu apjomu un radīt sarežģītus tēlus ar unikālām īpašībām un pagātni. Tas var palīdzēt dramaturgiem radīt dinamiskākus un labāk izstrādātus tēlus, lai piešķirtu varonim dziļumu.
Treškārt, dialoga uzlabošana. Mākslīgais intelekts var arī analizēt valodas modeļus un ierosināt uzlabojumus dialogam. Dramaturgi var izmantot šo MI atgriezenisko saiti, lai padarītu darbu saistošāku skatītājiem. Par šo aspektu vēl var šaubīties.
Ceturtkārt, mākslīgā intelekta izmantošanas priekšrocība ir laika ietaupīšana. Mākslīgais intelekts var palīdzēt dramaturgiem automatizēt tādus ikdienišķus uzdevumus kā informācijas vākšana, teksta formatēšana, rediģēšana un labošana. Tas ļauj dramaturgiem koncentrēties uz radošākiem darba aspektiem, piemēram, tēlu attīstību un sižetu. Mākslīgais intelekts var veikt funkcionālus darbus, lai dramaturgi varētu koncentrēties uz mākslu. [15]
Anna Roba (Anna Robb) rakstā “Mākslīgais intelekts un dramaturģija: Kāda ir nākotne?” (AI and Playwrighting: What is the Future?) min, ka teātris nav miris līdz ar mākslīgā intelekta “uzbrukumu”. Patiesībā nekas nevar aizstāt cilvēcisko saikni, ko sniedz teātris. Viņa uzdod jautājumus, kā mākslīgais intelekts var mums palīdzēt, kā tas ietekmēs dramaturģiju? Un atzīst – kam gan labāk pajautāt šos jautājumus, ja ne pašam mākslīgajam intelektam. Datora ģenerētajā atbildē par mākslīgā intelekta un dramaturģijas plusiem un mīnusiem autore pievieno savus komentārus. Mākslīgais intelekts ir radījis revolūciju vairākās nozarēs, tostarp mākslā. Dramaturģija ir viena no tām jomām, kurā mākslīgais intelekts var būt noderīgs instruments dramaturgam, bet tas nav universāls līdzeklis. Anna Roba par mākslīgā intelekta izmantošanas mīnusu min radošuma trūkumu. Lai gan mākslīgais intelekts var ģenerēt idejas un sniegt atsauksmes, tam var pietrūkt radošās dzirksts, kas veido lielisku lugu. Dramaturģija ir mākslas veids, kas prasa radošumu un cilvēka intuīciju, ko mākslīgais intelekts var nespēt atkārtot.
Otrkārt, pie mīnusiem tiek pieskaitīta cilvēka pārmērīga paļaušanās uz tehnoloģijām. Mākslīgais intelekts var būt noderīgs instruments, taču dramaturgiem nevajadzētu pilnībā paļauties uz to. Pārmērīga atkarība no tehnoloģijām var apslāpēt radošumu un ierobežot lugas potenciālu.
Treškārt, automātiski ģenerēta scenārija iegūšana ir jārediģē. Bieži vien rediģēšana prasa vairāk laika, nekā teksta radīšana no nulles. Īpaši, ja vēlamies, lai rakstītais scenārijs būtu ar paša “autora” balsi, tāpēc, iespējams, būs jāpavada ievērojams laiks, lai mākslīgais intelekts reaģētu līdzīgi kā autors.
Ceturtkārt, pie trūkumiem pieskaitāma arī neobjektivitāte. Mākslīgais intelekts ir tik objektīvs, cik objektīvi ir dati, ar kuriem tas ir apmācīts. Ja datos ir neobjektivitāte, arī mākslīgā intelekta ieteikumi var būt neobjektīvi. Tas var būt īpaši problemātiski attiecībā uz to, kas skar jutīgas vai pretrunīgas tēmas.
Piektkārt, cilvēciskās saiknes trūkums. Dramaturģija ir saistīta ar cilvēciskas saiknes veidošanu ar auditoriju un cilvēcīgām kļūdām. Mākslīgā intelekta radītajām lugām var trūkt emocionālā dziļuma un nianšu, ko var sniegt tikai cilvēks – dramaturgs. Tikai dramaturgs var radīt nianses. Mākslīgais intelekts nevar aizstāt radīšanas brīdi, kad gaismu mākslinieks, režisors un aktieris kopīgiem spēkiem rada mirkli uz skatuves. Tas, kā režisors dalās savās domās par dialoga izklāstu, aktiera stāju, un tas, kā gaismu mākslinieks izgaismo šo mirkli. Tas ir brīdis, kad dramaturga darbs atdzīvojas. Tikai cilvēks – dramaturgs var nodrošināt pamatu, lai šis brīdis varētu notikt [16].
Interesants ir Stīvena Folova (Stephen Follows) mājaslapā publicētais raksts “Kā mūs pieņēma darbā, lai radītu mākslīgā intelekta ģenerētu mākslas filmas scenāriju” (How we got hired to create an AI-generated feature film screenplay). Šajā darbā autors apraksta, kā noritēja eksperiments – mākslīgā intelekta pilnībā uzrakstīts scenārijs. Autors atzīst, ka tas ir viens no veidiem, kā viņš mēģināja izprast jauno realitāti. Viņa scenārija rakstīšanas eksperiments tika kopradīts ar Eljelu Kamargo Molinu (Dr. Eliel Camargo Molina). Autori pēc Amerikas Scenāristu ģildes (Writers Guild of America, WGA) tarifiem un noteikumiem noslēdza scenārija rakstīšanas līgumu ar atzītu Holivudas filmu producentu. Lai eksperiments būtu pēc iespējas interesantāks, viņi izvēlējās būt principiāli attiecībā uz mākslīgā intelekta izmantošanu. Follovs atzīst, ka tehniski viņi nav scenārija “līdzautori”, jo tajā nav radoša ieguldījuma no cilvēku puses. Visu radīšanas ķēdi no koncepcijas līdz galīgajam dialogam rakstījis mākslīgais intelekts. Nevienā brīdī cilvēks neveic atlasi vai teksta rediģēšanu (ideja: “ieguldījums bez cilvēka līdzdalības”). Mākslīgajam intelektam tika dots uzdevums radīt ideju, attīstīt to, veikt piezīmes un citus līdzīgus uzdevumus, un tas tika darīts daudzas reizes. Tas nozīmē, ka netika dotas nekādas idejas filmām, tāpat netika definēts žanrs, auditorija, budžets u.c. faktori. [17]
Jāsecina, ka mākslīgais intelekts dramaturgiem var būt noderīgs rīks, lai pilnveidotu savu meistarību, taču tas nevar aizstāt cilvēka radošumu un intuīciju. Dramaturgi var izmantot mākslīgo intelektu, lai uzlabotu savu darbu, bet nevajadzētu pilnībā paļauties uz MI. Dramaturgiem būtu jāapzinās MI ģenerētā satura iespējamie aizspriedumi un jācenšas veidot cilvēcisku saikni ar savu auditoriju. [18]
Uzvedņu rakstīšana
Open AI ir izveidojuši rokasgrāmatu, kurā ir izklāstītas stratēģijas un taktikas, kā iegūt labākus rezultātus, izmantojot lielus valodas modeļus (dažkārt sauktus par GPT modeļiem), piemēram, GPT-4. Aprakstītās metodes var izmantot, lai panāktu labāku rezultātu. Šobrīd (maģistra darbs pabeigts 2024. gada maijā – red.) publiski pieejamais visjaudīgākais modelis ir GPT-40. Open AI izveidotajā rokasgrāmatā ir aprakstītas vairākas stratēģijas labāku rezultātu sasniegšanai: jāsniedz skaidri norādījumi, atsauces teksts, sarežģīti uzdevumi jāsadala vienkāršākos uzdevumos, jādod modelim laiks “padomāt” utt.
Katru no iepriekš uzskaitītajām stratēģijām var īstenot ar konkrētu taktiku. Piemēram, stratēģija: rakstiet skaidras instrukcijas; iekļaujiet sīkākas ziņas savā pieprasījumā, lai saņemtu atbilstošākas atbildes; lai saņemtu atbilstošu atbildi, pārliecinieties, ka pieprasījumos ir norādītas visas svarīgās detaļas vai konteksts. Pretējā gadījumā jūs atstājat modeļa ziņā uzminēt, ko jūs domājat. Konkrētie modeļi nevar lasīt mūsu domas. Ja rezultāti ir pārāk gari, drīkst prasīt īsākas atbildes. Ja izejas rezultāti ir pārāk vienkārši, drīkst lūgt, lai atbildes raksta eksperta līmenī. Ja nepatīk formāts, drīkst parādīt piemēru, kādu vēlētos redzēt rezultātu. Jo mazāk modelim būs jānojauš, ko mēs vēlamies, jo lielāka iespēja, ka saņemsim tādu rezultātu, kādu vēlējāmies. [19] Darba rezultāts ir atkarīgs ne tikai no mākslīgā intelekta, bet arī autora, kurš mērķtiecīgi strādā ar uzvednēm, uzdodot konkrētus jautājumus un vadot MI rīku sev vēlamā virzienā.
Rakstīt atsauksmi