Mi számít mesterséges intelligenciának

Egy szó, amely folyton odébb költözik

Amikor egy cégnél az első megbeszélésen leülök a vezetőséggel, szinte mindig kiderül, hogy mindenki mást ért AI alatt. A pénzügyi igazgató a számlafeldolgozó szoftverre gondol, a marketinges a ChatGPT-re, az informatikus pedig arra, hogy ezek közül egyik sem az igazi. Mindhármuknak igaza van valamennyire. A mesterséges intelligencia története során újra és újra megtörtént, hogy amint egy feladatot a gép megbízhatóan megoldott, azt onnantól már nem tartottuk intelligensnek. Sakkprogram, útvonaltervező, helyesírás ellenőrző, egykor mind a terület csúcsát jelentették, ma egyszerű szoftvernek látjuk őket. A szakirodalom ezt AI hatásnak nevezi, és emiatt a fogalom határa folyamatosan odébb költözik.

Az Elements of AI ezért óvatosan bánik a definíciókkal. A kurzus szerint a mesterséges intelligencia inkább egy tudományterület neve, mint egy tárgyé, hasonlóan a matematikához vagy a biológiához. Egy rendszert emiatt pontatlan egy AI-nak nevezni, az viszont értelmes kérdés, hogy használ-e AI módszereket.

A rokon területek térképe

A beszélgetésekben a mesterséges intelligencia, a gépi tanulás, a mélytanulás és az adattudomány gyakran szinonimaként keveredik, pedig egymásba ágyazott és egymást metsző területekről van szó. Legtágabb a mesterséges intelligencia, ennek egyik ága a gépi tanulás, amely példákból tanul ahelyett, hogy kézzel megírt szabályokat követne. Ezen belül helyezkedik el a mélytanulás, amely sok rétegű neurális hálókkal dolgozik. Az adattudomány szélesebb gyakorlat, statisztikát, programozást és szakterületi tudást használ az adatok értelmezésére, és csak részben fedi az AI-t. Robotikáról akkor beszélünk, amikor az AI a fizikai világban cselekszik, érzékelőkkel és mozgó alkatrészekkel.

A mai hétköznapi szóhasználatban az AI szinte mindig a generatív rendszereket jelenti, a szöveget, képet és kódot előállító nyelvi és képmodelleket. Ezek a mélytanulás legújabb hajtásai, és a térképen a legbelső körben ülnek. A vállalati AI megoldások jó része viszont ma sem ilyen. Egy hitelbírálati pontozómodell, egy raktári útvonaltervező vagy egy csalásszűrő is AI módszereket használ, csak éppen nem beszél hozzánk.

Miért számít ez egy cég életében

Tavaly egy győri gépipari beszállítónál ültem egy beszerzési megbeszélésen, ahol egy szállító AI alapú minőségellenőrzést ajánlott a gyártósorra. A prezentáció tele volt tanuló rendszerről szóló ígéretekkel, és az ár is ehhez igazodott. Két kérdést tettünk fel. Önállóan dönt-e a rendszer a selejtről, és ha igen, milyen hibaaránynál áll meg? Tanul-e az új hibatípusokból, és ha igen, ki hagyja jóvá, amit megtanult? Kiderült, hogy a rendszer rögzített képfeldolgozási küszöbökkel dolgozik, és a működés során semmit nem tanul.

Ettől még lehetett volna jó megoldás, hiszen egy stabil gyártósoron a rögzített szabály gyakran megbízhatóbb, mint egy tanuló modell. Az elvárással volt a gond. A vezetés azt hitte, hogy az új termékváltozatoknál a rendszer magától felismeri a hibákat, és erre építette volna a minőségügyi létszámtervet. Ezt a félreértést a két fogalom tíz perc alatt tisztázta, a szerződés pedig végül a valós képességekhez igazított áron jött létre.

Források és további olvasnivaló

University of Helsinki és MinnaLearn, Elements of AI, 1. fejezet, How should we define AI? és Related fields. Stuart Russell és Peter Norvig, Artificial Intelligence, A Modern Approach, 4. kiadás, Pearson, 2020. A szabályoktól a példákból tanulásig vezető utat A kereséstől a nyelvi modellekig című cikkemben írtam le.