Mi jön a gépi tanulás után?

Mi jön a gépi tanulás után?
A gépi tanulás az utóbbi évek legünnepeltebb számítástudományi szakterülete, a mesterséges intelligenciát többen le is szűkítik erre a diszciplínára. Pedig előnyei mellett most már a hátrányok is látszódnak. Mi lehet a megoldás, hogyan küszöböljü ki a fejlődést hátráltató tényezőket?

A jelen mesterséges intelligenciáját meghatározó gépi tanulás mély ideghálóinak működése mintafelismerő technikákon alapul. Az algoritmusok a képfelismeréstől hanganyagok feldolgozásáig, a gépi fordítástól a levélszemét-szűrésig és arcok azonosításáig, számtalan területen tevékenykednek, oldanak meg problémákat.

Gépi agy és biológiai agy
A mélytanulásban többen az MI egyfajta Szent Grálját látják, pedig nem az. Például azért nem, mert a természetes evolúció során kialakult biológiai rendszereknek sincs szükségük tanuláshoz és gyakorláshoz olyan irdatlan adatmennyiségre, mint a gépitanuló-algoritmusoknak. Az adatok feldolgozásához komoly számítási kapacitás szükséges, amelyet csak nagyvállalatok engedhetnek meg maguknak, másrészt, ezek a folyamatok számottevő biológiai lábnyomot hagynak maguk után (nem véletlen, hogy a vezető infokom cégek, például az Amazon és a Google különféle vállalásokat tesznek ezirányú károsanyag-kibocsátásukkal kapcsolatban). Az agy sok más technikát is használ a tanuláshoz, állatok mindenféle erőfeszítés nélkül érzékelik az újdonságokat, emlékeznek a fontos eseményekre és személyekre.

Ha az Mi-vel valóban az a célunk, hogy megközelítse (vagy meghaladja) ezeket az agyakat, legfőként a humán intelligenciát, a fejlesztések nem korlátozhatók a gépi tanulásra – eredményeit elismerve és beépítve újabb rendszerekbe, a kutatóközösségeknek túl kell lépniük rajta. Több okból is.

A gépitanuló-rendszerek egyik nagy hátránya a biológiai aggyal szemben, hogy elfelejtik a megtanult mintázatokat. Látunk egy arcot, évek múlva is emlékezünk rá, megerőltetés nélkül memorizálunk másokat. Akkor sincs gond, ha teljesen új szituációban kell alkalmaznunk a korábban és más céllal elsajátított ismereteket, mert azok bármikor szolgálhatnak referenciapontként.

A mai MI-k másként működnek: miután végeztek az adott feladattal, teljesen nulláról kell indulniuk, ha új információkat tanulnak meg. A következő feladathoz át kell írni az előző paramétereit, és a megszerzett tudás máris „megy a kukába.” A „katasztrofális felejtés” néven ismert jelenség az egyik legnagyobb akadálya általános mesterséges intelligenciák fejlesztésének. Mivel a világ állandóan változik, az MI folyamatosan új dolgokkal szembesül, meg kell ismernie azokat, alkalmazkodnia kell hozzájuk. Ha a felejtés az alkalmazkodás feltétele, a rendszer nem tekinthető intelligensnek.

A „fekete dobozként” működő ideghálók problémája még, hogy nem hasznosak azokban az alkalmazásokban, amelyekben magyarázatra van szükség. Például hiába jeleznek előre jól pénzügyi, üzleti stb. folyamatokat, fontos döntéseknél mégiscsak számít, ha a vezetők pontosan meg tudják indokolni, mit miért tesznek.

A felsorolt problémák többféleképpen oldhatók meg, kutatócsoportok dolgoznak világszerte rajtuk. Az egyik az inkrementális online tanuláson alapul, komoly előnye, hogy a modellt nem kell újra trenírozni (ami a felejtés egyik legfőbb oka). A tanulásért és a tanultak tárolásáért felelős idegsejtek elkülönítése szintén eredményes lehet. A barcelonai Telefónica kutatócsoport rendszere ilyen, ráadásul sokkal kisebb számítási kapacitásra van szüksége (eddig arcok és kézzel írt számok felismeréséhez).

Egy másik út, a jelenségeket árnyaltabban (igen/nem helyett például 10-es skálán) feldolgozó fuzzy rendszerek és az ideghálók összekombinálásával a modell nemcsak egyszerűbb, hanem magyarázattal is szolgál döntésekhez.

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 …