A hétköznapi életben egyre gyakoribb mesterségesintelligencia-alkalmazások elsősorban gépitanulás-alapú megoldásokat jelentenek, használatuk a gyártástól az egészségügyig, a mezőgazdaságtól a művészetekig szerteágazó területekre kiterjed.
A gépitanuló-rendszerek nagymennyiségű gyakorlóadattal dolgoznak, majd az így szerzett tudást mintázatok felismerésénél, a mintákból való következtetések levonásánál, előrejelzéseknél, lényegében kisebb döntések meghozatalakor kamatoztatják.
De képesek-e ezek a rendszerek valóban önálló és nagyhatású, egy-egy szektort nemcsak apró lépésekkel előrelendítő eredményekre?
Az elmúlt hónapok egyes fejlesztései azt sugallják, hogy igen. A Fraunhofer Intézet az Ipar 4.0-ra készülve igyekszik a 3D fémnyomtatást felgyorsítani, és ennek érdekében az anyagtudománytól a gyártási folyamatokig, utómunkálatokig, átfogó kutatásfejlesztési tevékenységet végeznek. Egyik projektjük új anyagokra összpontosít, amellyel értelemszerűen más tudományos műhelyekben, laboratóriumokban szintén foglalkoznak, algoritmusokkal elemezve frissen kikísérletezett matériák mechanikai, hőtani stb. tulajdonságait, elsősorban azért, hogy kiderüljön, mennyire nehéz megmunkálni, hegeszteni, printelni azokat, illetve kitalálni a legeredményesebb és egyben leggazdaságosabb megoldásokat.
A munka nagy részét, például az előzetes tervekkel hajszálpontosan egyező, hibátlan tárgyakat eredményező optimális nyomtatási technikát 3D nyomtatóba integrált MI, tehát gépitanulás-program végzi, és határozza meg a sikerrel kecsegtető eljárásokat. Az MI döntése adatbázisokban lévő és érzékelők által mért adatok gyűjtésén, válogatásán és összehasonlításán alapul. Az intézet jövő nyárra ígéri az első termékeket.
Sam szuperhatékony vakcinát hozott létre
A dél-ausztrál Adelaide székhelyű Flinders Egyetemen, elsőként a világon, egy Sam nevű számítógépes (MI) program influenza elleni „szuperhatékony” vakcinát hozott létre; az Egyesült Államokban tesztelés alatt álló új gyógyszer jelentős mértékben a mesterséges intelligencia munkája. Sam ismeretei alapján új ötletekkel áll elő. Az ismeretekre „természetesen” gépi tanulás útján tesz szert, fejlesztői egyrészt eredményes, minőségi, másrészt sikertelen és visszavont gyógyszereket mutattak meg neki, azokat elemezve állt elő javaslataival, míg ki nem találta a legjobbat.
Javaslatát az egyetemen letesztelték, és nagyon jól működött. A megoldást meglévő influenzavakcinákkal kombinálták, és kiderült: sokkal hatékonyabbá tette azokat. A kutatáshoz figyelembe vették az Egészségügyi Világszervezet (WHO) arra vonatkozó éves anyagát, hogy a vírus mely fajtái voltak az előző télen, az északi és a déli féltekén a legveszélyesebbek.
Az optimális megoldáshoz immár a mestességes intelligencia is kell
Ausztrál egészségügyi szakemberek szerint mivel a gyógyszerek és a befogadó szervezet interakciói döbbenetesen bonyolultak, irdatlan mennyiségű adatot feldolgozó mesterséges intelligencia nélkül ma már szinte lehetetlen rájönni az optimális megoldásra.
A két példa szépen szemlélteti, hogy egyes kritikus hangok ellenére, a gépi tanulás képes konkrét, széles körben hasznosítható eredményeket produkálni. Kérdés, hogy az algoritmusoknak meddig kell még iszonyatos mennyiségű adattal, gigászi adatsorokkal dolgozniuk, illetve hogy ezek az MI-k mikor lesznek más területeken „újrahasznosíthatók”?
A legáltalánosabb kérdés azonban az, hogy mikor jön el az MI gépi tanuláson túlmutató új korszaka.
Kövesd az oldalunkat a Facebook-on és a Twitteren is!