MULTILOGIC ALAPOZÓ: MI, azaz mesterséges intelligencia

Közérthetően a mesterséges intelligenciáról. A Multilogic alapozója helyére teszi az eltévedt biteket. Első témánk maga az MI, azaz mesterséges intelligencia (AI; Artificial Intelligence)

A sci-fi irodalomból ismert, az 1950 es évek óta velünk élő mesterséges intelligencia kifejezés a számítógéptudomány (Computer Science) egyik ágát jelöli és mára igazi technológiai Buzzword lett, alkalmazása pedig az élet számtalan területét átalakította. Beleértve az orvostudományi kutatások és diagnosztika, a gyártás és minőség-ellenőrzés, képalkotás, képelemzés, arcfelismerés,  az ügyfélkiszolgálás és a videójátékok területét is. Sőt a legfrissebb hírek szerint már az újságírókat is mesterséges intelligenciával helyettesítik bizonyos esetekben, így az a tartalomgyártást is alapvetően átalakította. Az MI, az aktuálisan zajló digitális forradalom és a digitális transzformáció központi eleme.

What is artificial intelligence? “It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable.” (John McCarthy)

A fogalom a 1980-as években terjedt el széleskörűen, de John McCarthy matematikushoz, a Lisp nyelv megalkotójához kötődik, aki 1956-ban egy Dartmouthban szervezett konferencián használta először, amelyen többek között részt vett még Marvin Minsky, Oliver Selfridge, Ray Solomonoff és Trenchard More is). Meghatározását többnyire az emberi, humán és a mesterséges, gépi intelligencia megkülönböztetéséből vezetik le, minden olyan gép által végzett feladatra vonatkoztatták, amely elvégzéséhez humán intelligencia szükséges. Röviden, olyan gépek által demonstrált intelligencia, amely nem emberek vagy állatok természetes intelligenciája.

Egyes definíciók szerint a mesterséges intelligencia rendszereknek bizonyos emberi viselkedések közül legalább néhányat alapkritériumként demonstrálniuk kell. Ezek a tervezés, tanulás, érvelés, problémamegoldás, tudásreprezentáció, észlelés, mozgás és manipuláció, valamint kisebb mértékben a társas intelligencia és kreativitás. Míg más meghatározások kritériumokat állítanak fel miszerint a mesterséges intelligenciával bíró rendszernek (számítógépnek) emberi beavatkozás nélkül kell válaszolnia az őt ért hatásokra (automatizáltság), hasonlóan kell viselkednie, mint egy természetes intelligenciával rendelkezőnek (szimuláció) és az ilyen rendszernek célszerű és megismételhető módon kell viselkedését változtatnia (tanulás).

Az MI fajtái és lehetséges osztályozási keretei

1. A jelenleg ismert MI-alkalmazásokat, filozófiai alapon az alábbi két csoportba sorolhatjuk:

1. gyenge MI (weak AI), amely azt állítja „csak”, hogy a gépek képesek úgy cselekedni, mintha intelligensek lennének.

2. erős MI (strong AI), amely a gépek intelligens cselekvésének képességében hisz.

2. Alkalmazását tekintve megkülönböztethetjük a mesterséges intelligencia szoftveralapú (pl. digitális asszisztensek, beszéd és arcfelismerő, képelemző rendszerek) és a fizikai megvalósulásait (pl. önvezető autók, Dolgok Internete; IoT).

3. Ha a kiindulópontját vesszük alapul, a mesterséges intelligencia jellemzően két fő irányát választhatjuk el. A hagyományos MI alapú megközelítés a szakértő rendszerek felől közelít, míg a másik fő vonal a számítógépes rendszerek tanulási képességére, a gépi tanulásra fókuszál, ma gyakran ezeket az utóbbi kategóriába tartozó rendszereket azonosítják a mesterséges intelligenciával, de néhányan már a gépi tanulás egyik kurrens ágának, a deep learning korszakának végét prognosztizálják.

Szakértő rendszerek (Expert Systems) – a logikus következtetők

Azokat a 60-as és 70-es években létrejött és a 80-as években elterjedt számítógépes programokat nevezzük így, amelyeket felhasználók által megadott adatokat tudnak elemezni, és a kikövetkeztetett „ha, akkor” szabályok alapján képesek látszólag logikus következtetések levonására. A tudásalapú rendszerek, ahogy szintén hívták őket, az emberi (szakértői) tudást és analitikus képeséget ötvözik és így hoznak létre következtetéseket.

A szakértő rendszerek alapgondolata onnan származik, hogy az ember, amikor valamilyen feladatot meg akar oldani, az ismert adatokból (tények) valamilyen általa nem feltétlenül tudatosított szabályrendszer segítségével logikai következtetést végez. A feladat megoldása során alkalmazott „szabályok” egy hosszú következtetési láncot alkothatnak, mire a megoldásig eljutunk.  (Futó, 2018).

A szakértő rendszerek alapvetően párbeszédes üzemmódban működnek: kérdéseket tesznek fel, amelyekre a felhasználó a szükséges információkkal válaszol. A párbeszéd mindaddig tart, amíg a rendszer elegendő információ birtokába jut, „levonja” a következtetéseket, s közli véleményét. A szakértő rendszerek döntéseiket is, a feltett kérdéseket is meg tudják indokolni. Ezzel megkönnyítik saját hibáik felderítését, s növelik egyúttal a felhasználók bizalmát döntéseik iránt (Futó, 2018).

Gépi tanuló rendszerek (Machine Learning)

A mesterséges intelligencia másik ága a tapasztalatok – rendelkezésére bocsátott adatok – elemzése alapján szabályszerűségeket önállóan vagy segítséggel felismerni, meghatározni képes tanuló számítógépes rendszereket foglalja magába.

A mélytanulás (Deep Learning) a gépi tanulás (Machine Learning) módszertan részeként hosszú évek óta meghatározza a mesterséges intelligencia fejlesztésének és kutatásának irányát. A tanuló algoritmusok és rendszerek a rendelkezésre álló hatalmas adatmennyiség feldolgozásával képesek folyamatok elemzésére, betanulására és ezáltal azok hatékonyabb és gyorsabb kezelésére. Az ilyen rendszerekben a tanulás automatikus, a rendszer azonban nem tudja nyilvánossá tenni a szabályt, ami alapján a döntés megszületik. Az ilyen rendszer nem rendelkezik a magyarázatadás képességével sem, amely viszont kiemelt fontosságú a szabályalapú működésű (pl. banki, biztosítói, államigazgatási) szervezetek tevékenységének hatékonyabbá tételéhez.

Az intelligens dialógusokra épülő mesterséges intelligencia alapú szakértő rendszerek azonban képesek a rögzített, ellenőrzött és ezáltal 100 százalékos megbízhatósággal működő szabályok kezelésére és a meghozott döntéseik magyarázatára.

Míg a gépi tanulás tanuló rendszerei nagyon hatékonyan tudnak például betegadatok elemzésével diagnózisokat felállítani, a szakértő rendszerek alkalmazása nélkülözhetetlen a bankhitelek elbírálásához és különböző jogosultságok megállapításához, ill. a közigazgatásban, ahol törvény írja elő a döntések indoklását a megfelelő jogszabály részletekkel..

További szakirodalmi összefoglaló cikkeket itt, a Multilogic szakemberei által írt publikációkat ezen a linken talál.