Mesterséges intelligencia tegnap, ma és holnap

Mesterséges intelligencia tegnap, ma és holnap
A mesterséges intelligencia a gépi tanuláson jóval túlmutató kutatási terület. Az emberi értelem modellezése, általános MI helyett ezek a rendszerek manapság egy-egy feladat hatékony végrehajtására specializálódtak. Okostelefonos asszisztensektől gépi fordítókig, robotokig mindenhol jelen vannak. Sorozatunkban a hétköznapi és üzleti folyamatok értelmezéséhez ma már megkerülhetetlen infokommunikációs fogalmakat (gépi tanulás, MI stb.) vesszük górcső alá.

A mesterséges intelligencia (MI, artificial intelligence) kifejezést a diszciplína történetének egyik legnagyobb alakja, John McCarthy találta ki 1956-ban, a Vermont állambeli Dartmouth College nyári workshopján, ahol a gépi értelem kutatásának és fejlesztésének kérdéseit vitatta meg tudóstársaival. Historikusok ezt az eseményt tekintik a szakterület „hivatalos” születésének.

Ott és akkor fogalmazták meg az átfogó célt, az emberivel azonos szintű gépi intelligencia megteremtését, és még az időpontot is kitűzték – 20 év. Hamarosan elkészültek az agyunk idegsejtjeiről mintázott első mesterséges ideghálók, amelyek egymással összekapcsolt egyszerű feldolgozóegységekből (neuronokból) állnak. Belső állapotuk számokkal, aktivációs értékekkel leírhatók, ezektől függő kimeneteket generálnak. A kimeneti értéket mindegyik elküldi a többi egységnek. A bemenetek általában érzékelők adatai, a kimeneti jelek viselkedésre, válaszra utaló mintázatok. A hálózati egységek nem processzorok, mert nem programozzák őket, hanem tanulnak. Ezért tölthetnek be fontos szerepet a gépi tanulásban.

A gyors fejlődés és látványos eredmények ellenére 2018-ban derűlátóbb szakemberek ugyanúgy kb. két évtizedet mondanak, mint 1956 óta mindig, ha az eredeti elképzelések megvalósulásának időpontjáról faggatják őket. Az MI fogalma több jelentésváltozáson ment át, míg eljutott a ma elfogadott két megközelítésig. Az első a klasszikus, az „általános MI”, a másik, a „szűk MI” az 1990-es évektől indult szemléletváltás, a mindent átfogó gépi értelem helyett gyakorlatiasabb szakterületi fejlesztésekre történő átállásnak a terméke. Célja, hogy egy rendszer, például képfelismerő szoftver szimbolikus belső világmodell nélkül, általában tanulással érjen el a programozásán túlmutató, abból nem feltétlenül következő eredményeket: mintázatokat ismerjen fel és csoportosítson, előrejelzéseket készítsen.

Ezek az MI-k meg sem közelítik az emberi értelmet, szűk területükön végzett tevékenységük mégis intelligensnek nevezhető. Minél inkább számszerűsíthető egy feladat, annál jobb eredményt érnek el. Nem meglepően a rengeteg művelet kivitelezését igénylő, ám gondosan definiált szabályokba zárt területeken (sakk, go, póker stb.) diadalmaskodnak az ember felett. A média ezekből a diadalokból von le elhamarkodott következtetéseket: a komputerek fölénk kerekednek, hamarosan eljön az embert meghaladó robotértelem és hasonlók.

Tény, az új megoldások az élet szinte minden szegmensében megjelentek, és az automatizációval, robotokkal, negyedik ipari forradalommal óriási MI-robbanás előtt állunk, „magányos” gépi értelmek mellett népszerűvé válnak a közösségi állatokról (méhekről, hangyákról, madárfajokról stb.) mintázott, csoportos tevékenységet folytató többágenses megoldások, rajintelligenciák. Idővel talán a részterületek egyetlen rendszerben történő működőképes integrációja is megvalósul, s akkor sokkal közelebb kerülünk az 1956-ban megfogalmazott általános célhoz.

Az elmúlt néhány év és a jelen legtöbbet kutatott és reklámozott területe a szimbolikus megközelítést háttérbe szorító statisztikai modelleken alapuló mélytanulás, aminek azonban megvannak a maga korlátai – az MI-rendszerekre kiosztott feladatoknak csak egy része oldható meg ezekkel az algoritmusokkal. Eredményeket főként hatalmas adatsorok birtokában érnek el, pontosan körülírt célokat hajtanak végre, például képek felcímkézését vagy beszéd szöveggé alakítását, az intelligencia „nyíltabb” megnyilvánulásaival viszont nehezen boldogulnak.

A jelentéssel, általánosabb következtetéssel és az ember által adottnak vett józanész-bölcsességekkel (zöld a fű, a nappalt az éjszaka váltja stb.) nem tudnak mit kezdeni. Hiába azonosítanak többmillió szót, nem értik a fogalmakat, sőt, akár néhány pixel megváltoztatásával könnyen átverhetők, és például ágyúnak néznek egy teknőcöt.

Adatokon történő tanulás és puszta szavak mellett az MI-knek alapfogalmakat is meg kellene ismerniük, nem pontosan definiált célokat megvalósítaniuk, big data helyett minimális adatmennyiséggel gyakorolniuk, ment közben váltaniuk feladatról feladatra, valahogy úgy, mint a Homo sapiens.

A megoldás, az MI Szent Grálja a két megközelítés, statisztikai és szimbolikus összekapcsolásában rejlik. Három (sok-sok bizonytalansági tényezős) területen viszont sikeres integráció esetén sem közelíti meg egy darabig a gépi értelem az emberit: empátia, kreativitás, érzelmi intelligencia.

Érzelmek felismerése nem azonos azok átélésével, képek utánzása és/vagy alapsémáik megváltoztatása nem egyenlő az önálló képalkotással. Előrelépés csak az ember-gép kapcsolat fejlődésétől, a mind szorosabb együttműködéstől várható.

Sorozatunk előző cikkeiben az algoritmusok világáról, a gépi tanulásról írtunk.

A legemberibb tényezőket egyelőre a mintatanuló algoritmusok sem képesek hatékonyan kezelni... a következő, befejező részben ezeket a kapcsolatokat mutatjuk be.

Kövesd az oldalunkat a Facebook-on és a Twitteren is!


Kömlődi Ferenc

Kömlődi Ferenc, jövőkutató, író. Szakterülete: jövőkutatás, mesterséges intelligencia, ember-gép viszony, transzhumanizmus. Az NJSZT havi Hírmagazinjának, blogjának (Jelenből a jövőbe), az első magyar …