imagazin arrow2-left arrow2-right arrow2-top arrow-up arrow-down arrow-left arrow-right cart close dossiers education fb instagram menu notification oander rss rss-footer search service shuffle speech-bubble star store stores tests twitter youtube

Szuper tablet, szuper áron

Már elérhető az új, 2018-as iPad!

Ha nem tanulsz, buta maradsz: a gépi tanulás jelene és közeljövője


Termékajánlóktól a vezető nélküli autókig lassan minden gépi tanuláson alapul. Vele verte tönkre egy goprogram a világ legjobbjait, ugyanazt a programot bonyolult számítógépes játékon fejlesztik tovább, és ez csak a kezdet. Hova tart a mesterséges intelligenciát megalapozó szakterület, hogyan járulhat hozzá a valódi MI színrelépéséhez?

Az egész világot lenyűgözte, amikor 2016. március 9. és 15. között Szöulban egy AlphaGo nevű program öt játszmában 4-1-re legyőzte a go-világranglista akkori negyedik helyezettjét, a dél-koreai Li Szedolt. AlphaGo azóta más neves go-játékosokat is tönkrevert, majd a kínai világelső, Ke Jie feletti diadalt követően idén tavasszal visszavonult. Hogyan történhetett meg, hogy egy program a dámánál és a sakknál is jóval összetettebb távol-keleti játékban diadalmaskodhasson a világ legjobbjai felett?

Mélyben tanul a gép

A Google 2014-ben vásárolta fel a londoni DeepMind mesterséges intelligencia-startupot. Az izgalmas projektjeiről ismert cég specialistái először megtanították AlphaGo-nak, hogy az emberi idegsejtek kapcsolódásait, agyunkban lévő hálózataikat utánzó úgynevezett mély ideghálót használjon, ha játszik. A technika megszokott a mai infokommunikációs világban: így azonosítják a Facebookra feltöltött fotókat vagy ismer fel hangutasításokat az okostelefon. Lényege, hogy ha például kellő mennyiségű orrszarvú-képet lát, felismeri az orrszarvúkat. Sokmillió lépés után a got is megtanulta.

A fejlesztők tovább mentek, és egy másik technikát, a megerősítéses tanulást is alkalmazták: a program próba-hiba alapján tanul, teljesítményéért jutalmazzák vagy büntetik. De hogy bonyolódjon a kép, a DeepMind a megerősítéses tanulást a ma virágkorát élő mélytanulással kombinálta össze. AlphaGo kicsit eltérő változatai játszottak egymás ellen, a rendszer állandóan figyelte, melyik lépéssel érhető el a legjobb eredmény, és láss csodát, többmillió játszma után a program magától tanult meg stratégiákat kidolgozni.

A kutatók itt sem álltak meg, és az AlphaGo kontra AlphaGo meccsek lépéseit  másik ideghálóba táplálva finomhangolták a rendszert. Az idegháló megtanította neki, hogy előre lássa minden lépés lehetséges következményeit, becsülje fel győzelmi esélyeiket, tehát nemcsak emberektől, hanem saját maga különféle változataitól is tanult.

Mit kezdjen egy program hiányos információval?

Ez a többszintes tanulás tette lehetővé, hogy legyőzze a világ legjobbjait, és közben olyat is lépett és nyert vele játszmát, amire kb. 1 a 10 ezerhez volt az esély. Azért történhetett így, mert a gépek adatfeldolgozásban közismerten sokkal gyorsabbak, volt ideje végigfuttatni a lehetőségeket, és kiszámította, hogy ugyan nagyon váratlant húz, de győzelmi esélyei kifejezetten jók vele. A DeepMind mesterséges intelligenciája számára azonban ez a szint sem elég, mert legyen a go akármennyire bonyolult, “nyílt lapokkal” játsszák, azaz nincs benne hiányos információ, mint például a pókerben, vagy videojátékokban.

Következő lépés a StarCraft, ami a gépi tanulás és az MI-k által eddig megoldottaknál sokkal nagyobb feladat. Több mint komplex, és hagyján, hogy előre kell tervezni, de az ellenfél lépéseit is ki kell találni, tehát az algoritmus hiányos információt kezel. Ha sikerül, szintet lép az MI. Játékokkal van már tapasztalata, Atari-klasszikusokon pallérozódott, és az eddig leküzdhetetlen egyik problémával is megbirkózott: az x játékban megtanultakat kezdetlegesen, de tudja egy másikra is alkalmazni. Szüksége lesz e képességre, mert a StarCraftban csak villanásokat érzékel az ellenfél tevékenységéből, ezért a memóriában a jelenleginél jobban kell tárolni az infókat. Például nem
ugyanazt látjuk most, mint egy perce, és a közben történtek miatt lehetséges, hogy másként kell lépnünk. A siker a gépi tanuláson múlik, amihez manapság a DeepMindnál értenek legjobban.

Okosodó gépelmék

A statikus programutasítások helyett a természetből, az evolúciótól ellesett modelleket másoló, azokat csúcsra futtató gépi tanulás, ez a számítógépes statisztikához közelálló szakterület egyidős a “hivatalosan” 61 éves MI-kutatással, jelentőségére azonban jóval később, csak a 20. század utolsó évtizedében jöttek rá, slágerterületté pedig az utóbbi 10 évben vált. A világháló világformáló tényezővé válása, az üzleti szféra markáns online jelenléte, a web 2.0 és a közösségi hálózatok forradalma, a tartalomkészítés privilégiumának megszűnése, a szenzorhálózatok elterjedése kitüntetett szerephez juttatta az információ szerkesztetlen adatmasszából történő kinyerését.

Beköszöntött a big data korszaka, vállalatok és magánszereplők nap, mint nap gyártják a használhatatlannak tűnő, egyben drámai módon növekvő adatokat. Egyértelművé vált: adatfolyamok értelmezéséhez, hasznosításához teljesen új megoldások kellenek. Az ember kevés hozzá, de már a számítógép sem elég, hacsak nem tanul teljesen másként, mint eddig. Szerencsére úgy tűnik, hogy igen, sőt, egyre intenzívebben.

Részben e kihívás reakciójaként virágzott fel a különféle területeket (természetesnyelv-feldolgozást, képfelismerést, keresést, idegtudományt) egyesítő “mélytanulás.” Célja, hogy a gépek tanuljanak meg hierarchikusabban és környezettől függően “gondolkozni.” Ha például látnak egy zebrát, az állatvilág általános jellegzetességeiből kiindulva jussanak el a kizárólag a zebrára jellemző  tulajdonságok felismeréséig. Ha szöveggel dolgoznak, tanulják meg a szavak egymás közti kapcsolatát, hogyan állnak össze mondatokká, milyen módon fejeznek ki gondolatokat.

A program, algoritmus – általában idegháló – szintenként tanulja meg a bemenő adatok tulajdonságjegyek szerinti hierarchiáját, minták szerinti osztályozását. Az adatokat kizárólag így tudja mélységben és pontosan megjeleníteni, de közben a variációs lehetőségekről sem feledkezik meg. A következő lépés a felismerő-rendszerek egyoldalúságának vetne véget, mert hiába hatékonyabbak, általában csak egy területen használhatók: kép, hang/beszéd, szöveg stb. Ezeket a területeket kellene egy programon belül egyesíteni.

Mit hoz a jövő?

Egy 2015-ös oxfordi felmérés szerint a következő évtizedekben a mesterséges intelligenciához ezer és egy szállal kapcsolódó gépi tanulás, az “új MI” a mai állások 47 százalékát helyettesítheti. Meglepő módon nem kétkezi munkák, hanem viszonylag könnyen automatizálható rutinszerű szellemi tevékenységek a legveszélyeztetettebbek. Egyszerű a magyarázat: utóbbiaknál nem kell folyamatos interakcióban állni a fizikai valósággal, amire alkalmasabbak is más technológiák, például robotok.

A nagy infokom cégeknek hamarosan nem lesz termékük, szolgáltatásuk gépitanulás-algoritmus nélkül. Átütő sikerükhöz viszont az kellene, hogy ezek a programok és a rájuk épülő rendszerek emberibb módon működjenek, jobban megértsük őket, és valamelyest ők is minket.

Pedro Domingos, a seattle-i Washington Egyetem professzora szerint a tanulóalgoritmusok öt  megközelítését egyesítő mesteralgoritmus, a számítástudomány Szent Grálja a megoldás. Ha mindegyik technikából kivesszük a saját “mesteralgoritmusát” és egyetlen rendszerben integráljuk  őket, a rendszer jelentőségében olyan lesz, hogy a gépi tanulás “Nagy Egyesített Elméleteként” beszélhetünk róla. Az időpontot illetően nem bocsátkozik előrejelzésekbe, csak annyit mondott, hogy  “talán holnap, talán 200 év múlva.” Az algoritmus bármit megtanul az adatokból, elvileg a világ összes ismeretére tud következtetni. Megadjuk neki a DNS kristályszerkezetét, és előáll a kettős spirállal, AIDS- és rákbetegek hatalmas adatbázisából pedig a két betegséget diagnosztizálhatja és gyógyíthatja.

A mesteralgoritmus egyelőre azonban a bizonytalan jövő, az viszont bizonyos, hogy a gépi tanulás a mainál is markánsabban határozza meg a következő éveket.

Felhasznált irodalom

AlphaGo retires from competitive Go after defeating world number one 3-0

Deep Reinforcement Learning

Is a master algorithm the solution to our machine learning problems?

Machine learning, the new AI

Beoplay H9i

Ezt már olvastad?

A Sirinek ez is az egyik baja, hogy mindenki a célközönség. Valószínűleg hatékonyabb lenne, ha először jól működő modulokat hoznának létre egy-egy funkcióra szabva.

Miért nem ismeri anyanyelvünket az Apple virtuális asszisztense? - Klikk ide!