Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors
post

Mélytanulás, a jelen mesterséges intelligenciája

MEGOSZTÁS

Az adatelemzés, adatok feldolgozása, sőt, egyes területeken a döntéshozás ma már elképzelhetetlen a gépi tanulás legfejlettebb változata, az ismeretek több szinten, rétegeken keresztüli megszerzésén alapuló mélytanulás nélkül.

Az online világ beköszöntével, már az internet korai szakaszában, az 1990-es évek első felében, az adatmennyiség drámai növekedésével, napról napra nehezebbé vált mintázatokat, hasznos információz kinyerni belőlük. Az adatbányászat és az ismeretfeltárás komoly eredményei ellenére, a világháló második otthonunkká válása, az üzleti szféra egyre dominánsabb szerepe, a web 2.0 és a közösségi hálózatok berobbanása, a szenzorhálózatok elterjedése, a tartalomkészítés demokratizálódása miatt, és mindezekkel együtt, a big data korszakával, a strukturálatlan adathalmazt ma már gyökeresen új módszerekkel kell feldolgozni, mint akárcsak tizenöt évvel ezelőtt.

Gyenge, általános és szuper (gépi) intelligencia

Az ember számítógép nélkül jó ideje nem tudja már kezelni a rázúduló zérók és egyek áradatát. A legkomolyabb segítséget a mesterséges intelligencia nyújtja. 1956-os „hivatalos születése” óta azonban az MI és a terület megközelítése is alapvető változásokon ment keresztül. Ezeknek a változásoknak az eredményeként, a hétköznapi használatban – legyen szó a Google keresőjéről, vagy valamelyik okostelefonos appról, például képgeneráló alkalmazásról – állandóan, és „észrevétlenül” szembesülünk mesterségesintelligencia-megoldásokkal. Elterjedésüket részben a fogalom jelentésének átértelmezése, az MI differenciáltabb megközelítése tette lehetővé.


A mai MI-k nagyon messze vannak a diszciplína hőskorában megálmodottaktól, de a Terminátortól is. A mindennapjainkat benépesítő appok egy-egy, általában jól számszerűsíthető, matematikailag remekül modellezhető szűk szakterületen hasznosak, érnek el az embernél gyorsabb és pontosabb eredményeket, gondolkodó, ön- és én-tudattal rendelkező entitásoknak mégsem nevezi senki egyiket sem. Ők a „gyenge” mesterséges intelligenciák. A fejlődés következő, hipotetikus szintje a Homo sapiensszel azonos mentális-értelmi szinten álló „általános” mesterséges intelligencia. Eljövetelének időpontjáról megoszlanak a vélemények: talán húsz, talán ötven, talán száz év, talán soha. Ha viszont valósággá válnak, akkor a harmadik evolúciós szint, a Terminátorral azonos, vagy az interplanetáris Jupiter-agy, azaz nem feltétlenül, és elsősorban nem pusztító szuperintelligencia sem sci-fi álom. Ez az MI viszont olyan szinten áll, hogy az ember már képtelen lesz felfogni, annyit értünk majd belőle, mint az aranyhal belőlünk.


A „gyenge” MI óriási, de a fejlődésből logikusan következő előrelépés a korábbi eredményekhez képest. A gépi tanulás legkifinomultabb változatán, a mélytanuláson (deep learning) nyugszik. Olyannyira, hogy több szakértő szerint a mélytanulás egyszerűen maga a jelen mesterséges intelligenciája, vagy az „új mesterséges intelligencia.”

Élete végéig tanul a szorgalmas gép

A valamilyen szintű értelemmel rendelkező összes biológiai lény tanul, az életen át tartó tanulási folyamat meghatározza létünket. De tanulni nemcsak szerves lények, hanem ugyan másként, ám az általunk infokom technológiákkal alkotott gépek, programok, rendszerek is képesek.
Maga a gépi tanulás és a kapcsolódó mesterséges ideghálók az MI egyik legkorábbi területe, „exponenciális növekedését” viszont a big data indította be.

Már az első kutatói megfogalmazták az alapvetést: egy gép ne megváltoztathatatlan utasításokból, parancsokból tanuljon, hanem tegyen úgy, mint az organikus lények, elsősorban az ember, és a mi tanulási modelljeink leegyszerűsített változataiból tegyen szert – emberi felügyelet mellett vagy anélkül – a környező világban, leginkább annak egyetlen szűk területén hasznosítható, folyamatosan bővíthető ismeretekre, s váljon például macskafelismerő specialistává, majd a tapasztalatai (azaz a megtanultak) alapján hozzon döntéseket.

Jelenleg többféle gépi tanulást alkalmaznak. A változatos szakterületeket – természetesnyelv-feldolgozást, képfelismerést, keresést stb. –, valamint a számítás- és az idegtudományt közös nevezőre hozó mélytanulás kezdete technológiatörténészek szerint 2006 volt, és a fejlődés azóta töretlen. Rendeltetése, hogy a gépek tanuljanak meg a korábbinál hierarchikusabban és kontextuálisabban „gondolkozni”, akár úgy is, mint mi, de nem ez az elsődleges cél. Ha például látnak egy oroszlánt ábrázoló képet, az állatvilág általános jellegzetességeitől elindulva jussanak el a kizárólag az oroszlánra jellemző tulajdonságok felismeréséig. Ha pedig szöveggel dolgoznak, tanulják meg a szavak egymás közötti kapcsolatát, hogy hogyan állnak össze mondatokká, miként fejeznek ki gondolatokat.

Az algoritmus, szoftver, rendszer – általában idegháló – szintenként tanulja meg a bemenő adatok tulajdonságjegyek szerinti hierarchiáját, minták alapján történő osztályozását. Egyszerre csak egy szintet ismer meg, és az adott szint bemenete (inputja) mindig az előző kimenete (outputja). Az adatokat csak így tudja kellő mélységben és pontosan reprezentálni, miközben a variációs lehetőségekről sem feledkezik meg. Lépésről lépésre „ás le”, közben, amennyiben képekkel dolgozik, felcímkéz például rengeteg, akár többmillió házimacskát ábrázoló egyszerű képet, és a végén eljut addig, hogy nemcsak felismeri a cicusokat, hanem meg is különbözteti őket mondjuk, a kutyáktól.

Hogyan tovább?

Egyes rendszerek odáig eljutottak, hogy kávéscsészék között is észlelik a különbséget. Viszont változatlanul egyoldalúak, mert hiába javul a hatékonyságuk, általában csak egy területen jók: kép, hang/beszéd, szöveg stb. Azokban szerencsére nagyon, például pozitív és negatív tartalmuk alapján különböztetnek meg egymástól mondatokat, rájuk épülő rendszerek értelmes szövegeket, cikkeket és novellákat írnak, művészi színvonalon alkotnak újra képeket, üzleti, vállalati folyamatokat befolyásoló döntéseket hoznak. Sok gyakorlás után már egyszerű algoritmusok is végrehajtanak komoly feladatokat, és ez a mélytanulás sikerének egyik titka.

Ezeknek a rendszereknek a legfőbb problémái, hogy a gombamód szaporodó „takarékossági” és környezetbarát kísérletek ellenére, szinte napról napra egyre több adattal kell dolgozniuk, és a szükséges számítási kapacitások, erőforrások növekedésével mind kevésbé felelnek meg a fenntarthatósági követelményeknek.

A Facebooktól a filmajánlókig, az egészségügytől a személyre szabott marketingig, a versenysportoktól a hadiiparig, a tőzsdétől a vállalati döntéshozásig, a társadalmi-gazdasági és a kulturális élet szinte minden területén alkalmazzák a technológiát.


PODCAST

ICT Global News

VIDEOGALÉRIA
FOTÓGALÉRIA

Legnépszerűbb cikkek