Isejuhtivate sõidukite ajastu on tulekul ja Eestiski nende katsetamine nüüdsest seaduslik.1 Isejuhtiva tehnoloogia arengus on kasulik eristada lähemat ja kaugemat tulevikku. Lähiaastatel tehakse mitmes riigis kontrollitud oludes kümneid ja kohati isegi sadu katseid osaliselt isejuhtivate sõidukitega. Kaugemas tulevikus ootab meid transpordirevolutsioon, mille käigus peaaegu kogu transpordi- ja logistikavaldkonna masinapark asendatakse isejuhtivate sõidukitega, mis suudavad edukalt eristada autosid jalakäijatest ja jalgratturitest nii ilusa ilma kui ka vihma ja lumega. Sel saab olema ilmselge laialdane mõju mitte ainult liiklusohutusele, vaid ka linnaplaneerimisele, teekasutusele, andmekaitsele jne.
Kontrollsõidukist kommertstooteni ja kommertstootest laialdaselt kasutusel oleva tooteni on siiski pikem tee, kui arvatakse. Peab arvestama, et ainus autotootja, kes praegu pakub oma seeriatootmises sõidukites kõrgtasemelist juhiabi, on Tesla, kuigi ka teised isejuhtiva tehnoloogia arendajad väljastavad tihti lootusküllaseid pressiteateid, teevad piiratud oludes demonstratsioone ja peavad paljulubavaid ettekandeid. Isejuhtivuse reklaamüritusi külastades võidakse ometi avastada, et esitletav progress on tihti väiksem kui isejuhtivust ümbritsev meediakära.Seda ähmastab veelgi arendajate soov oma ettekanded võimalikult mittemidagiütleva ja ümarana hoida, kuna keegi ei taha, et konkurendid tehnoloogia arengust midagi sisulist teada saaksid, mis ei tähenda küll, et progress ei võiks olla kiire. Algoritmide võime ülesandeid täita ja kriitiliste sensorite hinnalangus on seniajani eksponentsiaalselt liikunud. Me lihtsalt ei tea väga hästi, mis on eksponent. Laserkaardistussensori LiDAR hinnalangus on siin hea indikaator: 2007 – 89 112 USA dollarit, 2010 – 33 821 dollarit, 2014 – 8351 dollarit ja 2017 – 7500 dollarit.2
Enamik isejuhtivate sõidukite objektituvastussüsteeme eristab praegu edukalt teisi sõidukeid ja jalakäijaid, kuid jalgrattureid mitte veel eriti hästi.3 Ford andis näiteks alles 2016. aasta kevadel teada, et nende katsesõidukitega kaasnev süsteem suudab eristada lumehelbeid ja vihmapiisku päris objektidest4 ja võib eeldada, et teised arendajad on sama kaugel. Pimedas ja vihmas sõitmine on veel piisavalt muljetavaldav, et drive.ai otsustas oma veebruarikuise promovideo just nendes tingimustes filmida.5
Sõiduk võib liikuda mingite selgeksõpitud reeglite või detailsete kaartide abil. Iga Tesla jälgib pidevalt oma ümbrust ning juhiabi Autopilot on varirežiimis (shadow mode) kogu aeg sees ja kogub keskkonna kohta läbi sensorite andmeid ja kõrvutab seda inimjuhi otsustega. Seeläbi õpib terve Tesla autopark parimaid juhtimisotsuseid. Teisiti on lähenenud näiteks Easymile, mis vajab läbitava teekonna detailset eelkaardistamist enne esimest sõitu ja seega määrab sõidu headuse kaardi täpsus. Tasub silmas pidada, et igasugused arusaamad tehnoloogia hetkeseisust võivad iganenuks osutuda kuude, kui mitte nädalatega.
Ülesande raskusest annab siiski aimu asjaolu, et isejuhtiva auto nullist ehk füüsilisest kerest alates arendamisest on viimase aasta jooksul loobunud nii Apple kui ka Google’i sõsarettevõte Waymo. Juba tavalise auto turuletulek nõuab aastatepikkust etteplaneerimist. Seetõttu on enamik tehnoloogiaettevõtteid keskendunud oma tugevustele – sõiduki isejuhtivaks tegemise tehnoloogiale, nt iseõppivad masinõppe algoritmid ning paremad ja odavamad sensorid. Viimane kohtuasi Uberi vastu viitab, et nendegi edusammud sõidujagamistaksode ja raskeveokite isejuhtivaks tegemisel 2016. aastal pole päris ausad – see on saavutatud tööstusspionaaži kaasabil Waymo arvelt.6
Mida enam me anname elulistes otsuses kontrolli inimestelt tarkvarale, seda enam on vaja mõista tarkvara sisemisi tööpõhimõtteid. Tarkvara kasutavate tehnoloogiate reguleerijad ja kogu ühiskond peavad mõistlikes piires olema veendunud selle töökindluses.
Isejuhtivate sõidukite viimaste aastate arengu taga on eelkõige just edasiminek tarkvaras, eriti masinõppes ja selle alavormis neurovõrkudes. Nende mõistmiseks tasub masinõpet ja eriti neurovõrke võrrelda tavalise koodiridade kaupa programmeerimisega, mis on olemuslikult rida käsklusi, mis vastavalt vajalike tingimuste täitudes käivituvad.
Töökindluse tagamiseks peab keegi selle koodimassiivi üle vaatama ja kõikvõimalikes olukordades läbi kontrollima. Konteksti saamiseks võib vaadata lennunduse poole, kus nii tsiviil- kui ka sõjalennukite puhul kulub ligikaudu pool kogu uue lennumasina arendamise eelarvest tarkvara verifitseerimisele ja valideerimisele, et tagada iga koodirea puhul nõutud ülesannete täitmine.7 Masinõppe ja eriti neurovõrkude suur erinevus klassikalisest programmeerimisest – võiks öelda, et lausa maagia – on nende võime õppida andmete pealt ise ja saavutada seeläbi inimtasemel või koguni paremaid tulemusi isegi olukordades, kus inimesed ise ei oska samm-sammult sõnastada reegleid otsuse tegemiseks.8
Andmeteks võivad olla nii sensoritelt tulev informatsioon väliskeskkonnas asuvate objektide, nende liikumiskiiruse ja suuna kohta kui ka teeolud, nähtavus ning isegi rooli taga olija juhtimisotsused. Tesla pardakompuuter kogub näiteks andmeid inimese poolt juhitavatelt sõidukitelt. Neurovõrgud, mis koosnevad tehisneuronitest, õpivad ise eriti hästi. Need omakorda on innustust saanud inimese ajus olevate neuronite töötamise printsiibist. Suuri edusamme on tehtud insenerilahendustes: neurovõrkudel põhinev õpe on kiirem, täpsem ja nõuab vähem andmeid, mille pealt õppida, kui veel kümme aastat tagasi.
Enamik neurovõrkudel põhinevaid süsteeme on inimesele mõistmiseks liiga keerukad. Kõige kindlam põhimõte on ka õnneks kõige lihtsam – mida rohkem andmeid, seda täpsem tulemus, ja mida rohkem on andmetes näiteid päris maailmas toimuvatest olukordadest, eriti harvaesinevatest olukordadest, seda paremini neurovõrk õpib ja ülesandeid täidab. Nende andmete saamiseks on tavaks teha ka arvukalt arvutisimulatsioone enne sõiduki füüsilises maailmas asuvatele teedele laskmist.
Praegu hukkub Euroopa Liidus üle 25 000 inimese aastas.9 Liiklusõnnetustest üle 90% juhtub inimsüül.10 Isegi praegused isejuhtivad katsesõidukid ja uusimad Tesla mudelid tajuvad sensoritega oma ümbrust täpsemini kui ükski inimene suudaks, kusjuures seda infot kasutatakse, et õpetada sõidukile veelgi paremate juhtimisotsuste tegemist. Ameeriklaste vastavad ametkonnad on tuvastanud, et Tesla autod koos Autopilot-juhiabiga on 40% ohutumad kui samad autod ilma juhiabita.11 Kui isejuhtivad moodustaksid kõikidest teedel ja tänavatel olevatest sõidukitest 90%, siis võib olla ka 90% vähem liiklusõnnetusi.12
Olen veendunud, et liiklusohutus isejuhtivate sõidukite kasutuselevõtuga paraneb. Seega on meie autopargi isejuhtivate vastu vahetamisega venitamine ja liigne akadeemiline eetika teemadel arutlemine meie kõigi tervise ja eludega mängimine. Varem või hiljem muutuvad inimjuhi tasemel ja seda ületavad isejuhtivad sõidukid meie teedel ja tänavatel tavaliseks.
Õige on astuda samme, mis sellise tuleviku meile lähemale toovad, isegi kui peame tegelema võimaliku tehnoloogia tekitatud tööpuuduse ja vältimatute avariiolukordade eetikaga.
See perspektiiv on tekitanud hulga eetilist laadi küsimusi. Kui liiklus muutub tervikuna ohutumaks, siis avariiolukordade puhul on tegemist piirjuhtudega, mille ümber käivad eetilised dilemmad saab vastavalt vajadusele ühiskondlikult kokku leppida niivõrd, kuivõrd tehnoloogia piiratus lubab. Eelistan, et eetilisi küsimusi lahendataks tegutsemise tagajärgi hinnates. Tagajärjepõhise eetika järgi on õige käitumine see, mis viib heade tulemusteni ja vale käitumine halbade tagajärgedeni. Kohustuspõhise eetika puhul seevastu loeb tegutsemisnormide (olgu nad antud looduse, piibli või Immanuel Kanti poolt) järgimine enam kui tagajärjed ja tähelepanu tuleb pöörata ka sammudele, mis tulemuseni viisid.
Ka inimesed ei tee enamikku oma otsuseid läbimõeldult, lähtuvalt mõnest eetilisest raamistikust, vaid pigem väga lihtsate seaduspärasuste järgi. Enamasti rikutakse rikkumist teadvustamata. Inimese käitumine tänapäeval on paljuski inimliigi evolutsioonilisest taustast sõltuv. See tähendab, et mitmed kõrvalekalded eetikanormidest on suuresti süsteemsed ja ennustatavad, kui inimpsüühikat ja sellele aluseks olevat geneetikat hoolikalt uurida. Rusikareegel on, et inimese tunnustest ja seega käitumisest pool pärineb geneetikast ja pool kasvatusest, mille hulka kuulub ka ümbritsev kultuur ja selle normid.13
Evolutsiooniga on kaasnenud nutikaid mehhanisme, misläbi meie psüühika saab teha otsuseid kiiremini ja energiasäästlikumalt. Otsuste tegemist uuriv psühholoogia tunneb neid kalduvuste (biases) ja heuristikate (heuristics) nime all. Käitumis- ja mõtlemiskalduvused ning heuristikad suunavad meid ikka ja jälle teatud käitumis- ja mõtlemisviise alateadlikult teistele eelistama. Need mehhanismid polegi niivõrd kasulikud tänapäeva tehnoloogilises ühiskonnas, kuid nad olid vajalikud meie küttidest-korilastest esivanematele, kes väikestes hõimudes elades kogesid hoopis teistsugust maailma kui moodsad kiire elutempoga tihedalt koos elavad homo sapiens’i esindajad praegu.
Isejuhtivate sõidukitega seoses võib välja tuua kalduvuse eelistada endasuguste inimeste heaolu teiste arvelt, riskikartlikkust ja ellujäämisinstinkti.
Kui jälgime, kuidas tavaliselt kriisiolukorras käitutakse, võime näha, et eelistatakse pigem omaenda ja sugulaste heaolu ja elusid nendele, kes ei ole meie omad.14 Võib pidada tõenäoliseks, et need psüühika sisemised seaduspärasused suunavad inimeste otsuseid ka vältimatus avariiolukorras, kus „mitte-meie“ on jalakäijad, teistes sõidukites viibijad ning teele sattunud mets- ja koduloomad. Avariiolukorras nõutav kiire reaktsiooniaeg ei soosi sisukat kaalutlemist moraaliküsimuste üle, otsus tehakse mõtlemiskalduvuste tõttu.
Enamik inimesi teeb pinge all eetiliselt tundlikke otsuseid sisetunde ehk siis tegelikult reeglipäraste mõtlemiskalduvuste ja heuristikate järgi, mida võib käsitleda kui erivarianti kohustustepõhisest eetikast.15 Selle vastandina on tagajärgedele keskenduv käsitus vähemalt teoreetiliselt vabam ette programmeeritud mõtlemiskalletest ja seega ka ratsionaalsem. Ideaalis saab visandada ka aeglaselt toimuva mitteisikliku avariiolukorra, kus saaks rakendada tagajärgedele keskenduvat eetikat, analüüsida päästetud ja kaotatud elusid üldisemalt, aga inimjuhi puhul jääb see teoreetiliseks mõtteharjutuseks.
Muidugi jääb ka võimalus lasta tootjal, seadusandjal või mingi skeemi kaudu isegi sõiduki kasutajal vältimatute avariiolukordade eetika osas eelotsus teha. Minu meelest on kõige huvitavam lahendus vältimatu avariiolukorra puhul pardakompuutri otsus juhuslikustada ehk jätta eetika teadlikult juhuse hooleks – selle lahenduse on välja pakkunud Šveitsi õigusteadlane Thomas Burri.16 Seega mõelgem läbi meie saabuv transpordirevolutsioon, kuid võtkem ta soojalt vastu. Turvalisem tulevik on tulekul.
1 https://www.mkm.ee/et/uudised/eesti-lubab-osad-isejuhtivad-autod-tanasest-tanavatele
2 http://us13.campaign-archive2.com/?u=67bd06787e84d73db24fb0aa5&id=ef237b04f8
3 http://spectrum.ieee.org/cars-that-think/transportation/self-driving/the-selfdriving-cars-bicycle-problem
4 https://media.ford.com/content/fordmedia/fna/us/en/news/2016/03/10/how-fusion-hybrid-autonomous-vehicle-can-navigate-in-winter.html
5 https://youtu.be/GMvgtPN2IBU
6 https://medium.com/waymo/a-note-on-our-lawsuit-against-otto-and-uber-86f4f98902a1
7 scientificamerican.com/article/the-truth-about-ldquo-self-driving-rdquo-cars/
8 http://pungas.ee/masinope-mittetehniline-ulevaade/
9 http://ec.europa.eu/transport/road_safety/sites/roadsafety/files/pdf/observatory/trends_figures.pdf
10 Smith, Bryant Walker. Human error as a cause of vehicle crashes. Center for Internet and Society, http://cyberlaw. stanford. edu/blog/2013/12/human-error-cause-vehicle-crashes (2013).
11 https://static.nhtsa.gov/odi/inv/2016/INCLA-PE16007-7876.PDF
12 Fagnant, Daniel J. and Kara Kockelman. Preparing a nation for autonomous vehicles: opportunities, barriers and policy recommendations. Transportation Research Part A: Policy and Practice 77 (2015): 167–181.
13 Polderman, Tinca JC, et al. Meta-analysis of the heritability of human traits based on fifty years of twin studies. Nature genetics 47.7 (2015): 702–709.
14 Fu, Feng, et al. „Evolution of in-group favoritism. Scientific reports 2 (2012): 460.
15 Suter, Renata S. and Ralph Hertwig. Time and moral judgment. Cognition 119.3 (2011): 454–458.
16 Burri, Thomas. Machine Learning and the Law: Five Theses.