A gépek elkezdtek tanulni, olyannyira, hogy talán már ezeket a sorokat is egy olyan eszközről olvasod, ami figyeli a szokásaidat. Hogy hogyan is működik mindez, valamint kell-e tartani attól, hogy átveszik a hatalmat felettünk, azt Greg Corrado, a Google mesterséges intelligenciáért felelős vezetőkutatója mesélte el.
Ha használsz Google-programokat, akkor tutira jelen van az életedben a mesterséges intelligencia, ami persze nem korlátozódik le az ő fejlesztéseikre, de Greg Corrado azt ismertette Budapesten, hogyan is használják ők, hogy javítsák a meglévő szolgáltatásokat, vagy éppen újakat hozzanak létre.
Ezek nem a robotok, amik életre kelnek
De először érdemes tisztázni néhány fogalmat, a mesterséges intelligencia, a deep learning és a robotok ugyanis nem ugyanazok, bár a legtöbb ember fejében ez a kép él. Igaz, a fogalmak halmazán vannak közös metszetek.
Mesterséges intelligenciáról akkor beszélünk, mikor egy gépet felokosítunk. Ilyen például az IBM Deep Blue projektje, ami megverte Garri Kaszparovot sakkban. A sakkállásokat viszonylag könnyű lefordítani a számítástechnika nyelvére, a gyors számításokat elbíró technika pedig alkalmas arra, hogy gyorsan meglegyen, melyik a legjobb lépés.
Ettől már eltér a gépek tanulása, ennek a felügyelt változata például az, amikor bankautomaták megtanulnak csekket olvasni, vagyis tapasztalatokból, mintákból eljutnak addig, hogy képesek összefüggéseket értelmezni. A példából kiindulva a csekkolvasó automaták folyamatosan tanulnak a tapasztalatok alapján, és mire élesben vetik be őket, addigra tudni fogják, hogy az emberek kézírása más és más, van, aki hullámot is tesz a négyes számba, van, akinek meg a nullája is szögletes, de mégis ki tudják szűrni, hogy ki mit írt a papírra. Persze van olyan, hogy a mesterséges intelligencia tanul is, ilyen mondjuk az AlphaGo gép, ami a Go játékban diadalmaskodott.
A robotok pedig olyan gépek, amik mozognak. Ezeket is felruházhatják mesterséges intelligenciával, és akkor már a sakkbábukat is ő mozgatja a táblán, vagy éppen tanulhatnak is.
Ha a gépek tanulnak, az nekünk jó
Sokan attól tartanak, hogy a gépek majd fellázadnak, elveszik a munkát, ami egy sci-fiben jó kis sztori, azonban a valóság általában ennél unalmasabb. Itt is arról van szó, hogy a deep learning segít abban, hogy olyan folyamatokat automatizáljanak, amik eddig nem voltak azok. Egy generációval ezelőtt még a könyvelők is papíron számoltak, úgy vezették a könyvelést, most pedig a számítógépek segítenek nekik, a könyvelők pedig ugyanannyi idő alatt sokkal több feladatot tudnak megoldani. A modernizálás Corrado szerint nem jár együtt azzal, hogy munkahelyek szűnnek meg és emberek halnak éhen, amíg a mesterséges intelligencia vígan dolgozik a nap 24 órájában. A kutató szerint ez inkább új munkákat és szakmákat teremthet, hiszen néhány évvel ezelőtt ki gondolta volna azt, hogy a programozás lesz az egyik legkeresettebb és legjobban fizetett szakma, ahogyan azt sem gondolta senki, hogy meg lehet majd abból élni, hogy valaki blogger lesz, és hogy ma már szinte elképzelhetetlen egy munkaállomás számítógép nélkül.
Ráadásul a mesterséges intelligencia célja az emberek szolgálata, és ez messze túlmutat azon, hogy például az önmagától beparkoló autókkal hatékonyan meg lehet kímélni a kocsit a karcolásoktól vagy durvább padkázásoktól, vagy hogy a Netflix olyan filmeket ajánljon, amik tényleg tetszhetnek. A Google egyik, éppen futó projektje a digitális patológiával foglalkozik, és az algoritmus feladata az, hogy segítsen a patológusoknak vagy a cytológusoknak egyszerűbben, gyorsabban megtalálni a rákos sejteket. Ez persze nem fogja elvenni az orvosok és szakasszisztensek munkáját, viszont sokkal gyorsabbá teheti az egész folyamatot, és sokkal több páciens anyagát tudják megnézni egy nap alatt. Ehhez viszont természetesen az is kell, hogy a gép gyakorlatilag tévedhetetlen legyen, vagyis inkább több kérdéses eredményt dobjon ki, mintsem véletlenül átcsússzon egy kezdeti stádiumban lévő beteg anyaga.
Egy egyszerű képlet az egész
Greg Corrado, a Google vezetőkutatója ezért arról mesélt Budapesten az újságíróknak, hogy ez az egész nem is olyan bonyolult, és egy egyszerű képlettel megoldható a gépek tanulása, ami ahogyan ő magyarázta, tényleg érthető is, de azért a valóságban ez sokkalta összetettebb dolog.
Az ember minél többet tanul, annál jobban teljesít a vizsgán. Legalábbis ez az alapvetés, aztán persze van egy csomó befolyásolási tényező, például, hogy túl nehézek vagy egyszerűek voltak a kérdések, kevés volt az idő, vagy eleve nem is volt jó a feladat. A gépek tanulása ugyanezen az elven működik. Van egy alapvetés, és az azt befolyásoló tényezőkkel finomítják a képletet. Vegyük azt az egyszerű példát, hogy az algoritmusnak a cicás képeket kell felismerni. Ehhez beállítanak egy csomó paramétert arról, hogy milyen is a cica, majd elkezdődik a finomhangolás. Ekkor még néhány kutyára is azt mondja, hogy cica, sőt esetleg még kis szőrös patkányokra is, de minél több visszajelzést kap arról, hogy mikor találja el és mikor nem, a végére annál biztosabban meg tudja mondani, hogy melyik képeken lát valójában macskákat.
Már egy ideje te is használod
Ha például beállítottad a Google Asszisztensed, akkor az egy idő után tudni fogja, hogy keddenként edzeni mész, és jelez, hogy dugó van, indulj el hamarabb. A Fotók alkalmazásnál már nemcsak időpont alapján kereshetsz, hanem a fenti példánál maradva elég, ha beírod, hogy „cat”, az alkalmazás kiszűri a saját képeid közül azokat, amin cicák vannak, de ugyanígy kereshetsz bármit a mosolygós fotóktól kezdve egészen addig, hogy tengert vagy földrajzi helyeket keress a fényképeid között. Ugyanezen elv alapján javult sokat a Google fordítója is, persze a magyar nyelv szépségeivel neki is meggyűlik a baja. Szintén a deep learning segít a spamszűrésben is.
Ha ez ennyire egyszerű, akkor miért csak most jöttek rá?
Corrado arról is beszélt, hogy a gépek folyamatos tanulása nem egy új ötlet, már az 1990-es években megjelent, egészen egyszerűen eddig nem voltak meg hozzá a megfelelő chipek. Most, hogy ezek megvannak, már mindenki előtt nyitva áll, hogy ő is kísérletezzen a deep learning világában, például érdemes ezt az oldalt böngészni annak, akit a gyakorlatban is érdekel a téma. Egyébként Corrado emlékeztetett mindenkit arra, hogy a technológiai fejlődéssel, azzal, ha megvannak a megfelelő eszközök, milyen menő dolgokat lehet elérni. „A fizika törvényei szerint a teleportálás és az időutazás is lehetséges, talán majd egyszer a távoli jövőben meg is lesznek hozzá a megfelelő eszközök” – mondta.
Azért vannak még kihívások
Greg Corrado azt is említette, hogy a magyar nyelv szépségei az ő algoritmusukat is kihívások elé állítja. Ám hasonlóan van ez a többi kisebb ország nyelvével, de fontos, hogy emiatt ne szenvedjen hátrányt egyetlen népcsoport sem. Ugyanilyen kihívás a gyerekek digitalizációjára való tanítás is. Azok a gyerekek ugyanis, akik kiesnek ebből, vagyis gyakorlatilag digitálisan analfabéták lesznek, később a munkaerőpiacon is lemaradnak emiatt, és nem tudnak beilleszkedni a társadalomba.
Szintén kihívás az, hogy ezek a gépek példákon keresztül tanulnak. Ez – visszatérve a korábban írtakhoz – a cicák kérdéskörében nem okoz akkora fennakadást, nyilván nem az fogja okozni az újabb világháborút, hogy macskás képet látunk-e, ennél viszont sokkal izgalmasabb kérdés, hogy mi van a komolyabb témáknál. Mikor lesz olyan hírszűrő algoritmus, ami kiválogatja az olyan nyilvánvaló ostobaságokat, mint hogy a délben napozás mégsem okoz rákot ugyanazzal a szisztémával, ahogyan kiszűri azokat az e-maileket, hogy van egy eltitkolt bácsikánk, aki mellesleg egy törpeállam gazdag királya volt, de most meghalt és ránk hagyta a vagyonát. Nos, Corrado szerint már csak azért sem kell aggódni a gépektől, mert a kritikus gondolkodás, az az ember sajátossága. Az ilyen kérdésekben pedig nem a tanítható gépeknek kell dönteni, viszont felhívhatják a figyelmet arra, ha valamit érdemes megkérdőjelezni vagy fenntartásokkal kezelni.
Van véleményed? Mondd el itt:
