Skip to main content

Vélemény

sajtó csomag

Töltse le a Clementine bemutatkozó anyagát.

SAJTÓKAPCSOLAT

E-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.
Tel: +36 1 457 0561
Fax: +36 1 457 0562
Cím: 1115 Budapest,
Bartók Béla út 105-113.

Hogyan tanul a MI?

Hogyan tanul a MI?

30 April 2020.

A mesterséges intelligencia ma már mindenhol ott van. Napjainkban tanúi lehetünk a felügyelt tanulás forradalmának: megtanítjuk a számítógépeket arra, hogy felismerjenek különböző mintákat – úgy, ahogy gyermekeinket is megtanítjuk olvasni. Azonban a MI jövője olyan számítógépes rendszereken múlik, amelyek maguktól is képesek tanulni, felügyelet nélkül.

Amikor egy édesanya rámutat egy kutyára és azt mondja gyermekének: „Nézd a kutyust!”, a gyermek megtanulja, hogy hívjuk a szőrös, négylábú barátainkat – az a felügyelt tanulás. Viszont amikor a gyermek feláll, majd újra és újra elesik, amíg meg nem tanul járni – az már egy egészen más jelenség.

A számítógépek is nagyon hasonlóan működnek. Ahogy mi, emberek nagyrészt megfigyelés és próbálkozás által tanulunk, úgy a számítógépeknek is túl kell lépniük a felügyelt tanulás fázisán azért, hogy ténylegesen elérjék (elérhessék?) az emberi intelligencia szintjét.

„Szeretnénk az olyan rendszerektől, amelyek rengeteg emberi tudást és manuális tanítást igényelnek elmozdulni az egyre inkább öntanuló rendszerek irányába (olyan irányba, ahol már egyre önállóbbak lehetnek)” – állítja David Cox, az MIT-IBM Watson AI Lab egyik igazgatója. Egy felügyelet mellett tanuló rendszer elolvashatná az összes könyvet a világon, de még akkor sem érné el az emberi intelligencia szintjét, hiszen a tudásunk (olyan) nagy része sosem lett leírva – tette hozzá.

A felügyelt tanulás címkézett adatokra támaszkodik: képi, hang- és szövegadatokon, amelyet emberek tömkelege készít elő - ezt tanítjuk meg a rendszereknek, ezáltal pontosan tudják, mit kell keresniük. Az algoritmus így könnyedén felismeri az emberi alakokat és biciklis közlekedőket az utcai forgalomról készült fényképeken – a képek milliói után pedig már bármikor felismeri azt, aminek keresésére betanítottuk.

A felügyelt tanulásnak azonban viszonylag erős korlátot szabnak a betanításhoz használt adatok és azok elképesztő mennyisége. 

Azok a módszerek, amelyek nem támaszkodnak ilyen pontos emberi felügyeletre, kevésbé kutatottak és háttérbe szorulnak a felügyelt tanulás eredményei és alkalmazási területei mellett – az önvezető autóktól kezdve egészen a nyelvek egyre pontosabb fordításáig. Ezzel szemben felügyelt tanulás mellett a számítógépek még mindig sok olyan dologra sem képesek, amelyek akár egy kisgyermek számára is egyszerűnek bizonyulnak. 

Ennek eredményeképpen a szakma élén járó tudósok most a kevesebb felügyeletet igénylő módszerek felé fordulnak, amelyeknek lehetséges formája az önfelügyelet, és az ehhez kapcsolódó módszerek – például az input egy részének rekonstruálása, majd újra felépítése.

További lehetőséget rejt magában a minimális felügyeletet igénylő megerősítő tanulás is, amely – az emberekhez hasonlóan – jutalom által segíti elő a fejlődést, ez a stratégia pedig bizonyos cselekvésekre ösztönzi és tanítja a rendszereket.

A mesterséges intelligencia területén tehát újabb áttörések várhatók – mi pedig kíváncsian figyeljük a fejleményeket, saját fejlesztéseinkkel pedig igyekszünk hozzájárulni az alkalmazási területek bővítéséhez.