A legújabb, felső kategóriás autók tartják a sávot az autópályán, beparkolnak helyettünk, vészfékeznek. Egyes tanulmányautók önállóan vezetik magukat, mindez a mesterséges intelligenciának köszönhető. Űrtudománynak tűnik? Pedig az alapelv egyszerű. 

Szinte megszokottá vált mára, hogy körülöttünk minden „okos”. A Facebook felismeri barátainkat a fotóinkon, ránk szabott hirdetések ugranak fel a honlapokon, az autóink pedig egyre több autonóm funkcióval rendelkeznek, mintegy utat törve a teljesen önjáró járművek felé. A mesterséges intelligencia megjelenik az átlagember hétköznapjaiban mindenhol, a működéséről mégis keveset tudunk, pedig nem is olyan bonyolult.

Kicsi, egyszerű, és sok van belőle

A mesterséges intelligencia alapjai a tanuló algoritmusok, melyek közül a kutatók között az egyik leggyakrabban használt módszer a neurális háló. Az alapelvek megértéséhez először nézzük meg, hogyan működik az emberi agy, amelyen a neurális hálók elmélete alapszik.

Forrás: http://free-ed.net/

Az emberi agy felépítését tekintve rengeteg, önmagában egyszerű neuronból áll. A neuron egy információfogadó (dendrit), egy -feldolgozó (nucleus) és -küldő (axon) egységből áll. Agyunkban rengeteg neuron van bonyolult módon összekapcsolódva egymással, így tudják az információt egymás között továbbítani. Vannak olyan neuronok, amelyek az információt közvetlenül valamelyik szervünktől kapják (pl. szemünktől), és vannak olyanok, amelyek pl. már a kész mondanivalót továbbítják a beszédközpontunk felé.

A mesterséges neurális háló az agy felépítését igyekszik leutánozni. Sok, egyszerű adatfeldolgozó egységet, azaz mesterséges neuront használ, melyek az agy mintájára rendezetten kapcsolódnak egymással. Ezek a kapcsolatok alapján rétegekbe rendezhetők. Két szomszédos réteg között mindegyik neuron össze van kötve a másik réteg mindegyik neuronjával.

Forrás: saját ábra

Tanul, akár egy gyerek

Mindegyik kicsi feldolgozó egység (neuron) ugyanúgy működik: a hozzá a kapcsolatokon keresztül beérkező adatok mindegyikéről eldönti annak a fontosságát, és ezekkel arányosan a bejövő adatok összegén végez egy egyszerű matematikai műveletet. Ennek az eredményét továbbítja a kimenetén, hogy a kapcsolatain keresztül eljusson más neuronokhoz is.

A neurális hálóban az intelligencia abban rejlik, hogy minden egyes neuron el tudja dönteni a bejövő információk fontosságát. Hasonlóan, ahogy egy gyerek megtanulja az A betűt vagy a 9-es számjegyet, úgy tanulja meg a neurális háló is felismerni az autót, az embert, a zebrát, a sávot vagy a bójákat. Ezek után pedig el tudja dönteni, hogy kanyarodjon, vészfékezzen, riassza a sofőrt, vagy éppen ezeket együtt.

A tanulás módja egyszerű. Egy gyerek úgy tanulja meg kis korában a betűket, ahogy később egy idegen nyelv szavait. Sokszor találkozik vele. Az első néhány alkalommal látja, elrontja, de kellően sok példa után tanul a hibáiból, és megjegyzi a jelentést. A mesterséges intelligencia hasonló módon működik. Rengeteg példát kap, majd az információt a külvilág felé továbbító neuronok után megmondjuk neki, hogy mi a helyes válasz a példára. Ezt összehasonlítja a saját válaszával, és a hibájából tanul. Egy algoritmus alapján minden egyes neuron módosítja a hozzá beérkező adatok súlyát, fontosságát.

Hol tartunk most?

A mesterséges intelligencia alapjait tekintve tehát nem bonyolult. Hasonlóan működik, mint az agyunk, ilyen szempontból egészen emberi. A körülöttünk lévő környezetet használja fel arra, hogy elsajátítson döntési képességeket nagyságrendekkel gyorsabban az embernél. Ami embert próbáló feladat, hogy a környezet megfelelő részeit mutassuk meg neki, és segítsük, hogy a beérkező adatok fontosságát minél hatékonyabban tudja meghatározni.

Az elterjedése rohamosnak látszik, de egyelőre nagyon gyerekcipőben jár. Fejlődésének legfőbb akadályozója a szakemberhiány; túl kevés kutató foglalkozik mesterséges intelligenciával. Ha már ennyi idő után képes autókat irányítani, mi lesz itt húsz év múlva?

Kép: pixabay.com | Gerd Altmann

Források:
Horváth,G (1998). Neurális hálózatok és műszaki alkalmazásaik. Budapest: Műegyetemi Kiadó
Huang,K, Yang,J, King, I, Lyu, M (2008). Machine Learning. Heidelberg: Springer Berlin
Ng, Andrew (2017). Machine Learning. USA: Stanford University (online course)