A mesterséges intelligencia (MI) megalkotásához először azt kell tisztázni, hogy mi az az intelligencia. Számtalan meghatározás és megközelítés létezik. Az intelligencia ugyanis rendkívül komplex fogalom, amely a logika, a megértés, a tudatosság, a tanulás, az érzelmi tudás, az érvelés, a tervezés, a kreativitás és a problémamegoldás képességére vonatkozik. A mesterséges intelligencia kutatása során áttörést hozott annak felismerése, hogy az intelligencia nem egyenlő a tudással, sokkal inkább a tanulás és a tanulásból általánosítás képességét jelenti.
A mesterséges intelligencia a köznyelvben
A hétköznapi beszélt nyelvben a mesterséges intelligenciát ennél tágabb értelemben használjuk, és egyszerre több dolgot is értünk alatta. MI-nek nevezzük azokat a gépeket, szoftvereket, amelyek állandó emberi beavatkozás nélkül képesek válaszolni a környezeti behatásokra. Ez az automatizáltságnak az a magas szintje, amelyet például az önvezető autók képviselnek.
Mesterséges intelligenciának nevezzük azokat a rendszereket is, amelyek képesek hasonlóan viselkedni, mint egy természetes intelligenciával rendelkező élőlény, vagyis szimulálják az emberi viselkedést. Ilyen értelemben beszélhetünk például a számítógépes játékokban szereplő NPC-k (non-player character) intelligenciájáról.
Illetve mesterséges intelligenciának nevezzük azt is, amikor a gép vagy rendszer képes viselkedését célszerűen és megismételhető módon változtatni, más szóval képes a tanulásra. A modern MI-kutatásban jelenleg ezen van a legnagyobb hangsúly, és a mesterséges intelligencia fogalmával leginkább ez azonosítható, illetve az előző két kategóriára jellemző funkcionalitást ez utóbbinak, a gépi tanulásnak a segítségével érhetjük el.
Mit tud megtanulni a mesterséges intelligencia?
A mesterséges intelligencia kutatásában két fő iskola létezik. Az egyik a tudás alapú megközelítés, amely gyakorlatilag az emberi tudás leprogramozását jelenti, ám ez rendkívül munka- és emberigényes, ráadásul teljes egészében nem is megvalósítható. A másik a tanulás alapú stílus, amelynek gépi tanulás a neve – ehhez persze nem elég egy-két példa, hanem adatok ezreire van szükség.
A gépi tanuló rendszerek pontossága azonban soha nem tud 100%-os lenni, mindig van egy hibahatár. A gépi tanuláson belül három különböző módszert szoktunk elkülöníteni.
Az első a felügyelt tanulás, amikor általunk értelmezett adatok, például felcímkézett képek alapján betanítjuk a modellünket arra, hogy melyik képen van macska – kellően sok kép bemutatása után az MI modell nagy pontossággal képes lesz egy addig nem látott képen eldönteni, hogy macska szerepel-e rajta vagy sem.
A második a nem felügyelt tanulás, amikor a modell saját magát tanítja meg az adatok közötti kapcsolatok keresésére – például gyümölcsökről készült képek között keresve hasonlóságokat és különbségeket.
A harmadik módszer pedig a megerősítő tanulás, amikor a mesterséges intelligencia „jutalmat” kap, ha jól csinál valamit – így hozzák létre az emberek számára verhetetlen go- vagy sakkgépeket.
Mindhárom tanulási paradigmának megvan a maga létjogosultsága. A felügyelt tanulás akkor alkalmazható, amikor ismerjük a kategóriákat és van sok felcímkézett mintánk, vagy könnyen elő tudunk állítani. A nem felügyelt akkor a leghatékonyabb, ha nem tudjuk vagy nem akarjuk elvégezni a kategorizálást, hanem ezt a gépre bízzuk. A megerősítő tanulásnál pedig ismerjük a működés kereteit, a konkrét lépések kialakítását azonban a gép végzi el. A titok abban rejlik, hogy megtaláljuk, egy adott üzleti probléma MI megoldása melyik módszer segítségével valósítható meg – ezt vállalja a Neuron Solutions csapata!
Ne maradjon le a mesterséges intelligencia legújabb megoldásairól!
Kérje blogértesítőnket, és legyen mindig naprakész korunk legfontosabb technológiájával kapcsolatban!
