Egy régebbi AI, amely még ma is dolgozik
Amikor ma AI-ról beszélünk, a legtöbben egy nyelvi modellre vagy egy képfelismerő rendszerre gondolnak, amely hatalmas adathalmazból tanult. Pedig a mesterséges intelligencia évtizedekkel korábban is létezett, és sok területen máig kifogástalanul működik. A navigációs alkalmazás, amely megtalálja a leggyorsabb utat, a sakkprogram, amely legyőzi a nagymestert, vagy a beosztást összeállító rendszer, amely elkerüli az ütközéseket, mind a klasszikus mesterséges intelligencia örökösei. Ezek a rendszerek nem tanultak semmit egy adathalmazból. Egy ember pontosan leírta nekik, mi a probléma, és a gép szisztematikusan kereste meg rá a megoldást.
A klasszikus MI arról szól, hogyan lehet egy nehéz feladatot úgy megfogalmazni, hogy azt egy gép módszeres lépésekkel meg tudja oldani. Nem a gép találja ki, mi számít okos válasznak. Az embertől kapja meg a szabályokat, a lehetséges lépéseket és a célt, majd ezeken belül keresi a legjobb megoldást.
Két különböző út a jó válaszhoz
A mai, gépi tanuláson alapuló rendszerek úgy működnek, hogy rengeteg példát látnak, és ezekből vonják le a mintázatokat. Egy képfelismerő sok millió cicaképet lát, és megtanulja, mi a közös bennük. Nem adunk neki szabályt arról, mi a cica, hanem hagyjuk, hogy ő maga alakítsa ki a fogalmat a példákból. A tudás az adatban van, és a modell abból desztillálja.
A klasszikus MI ennek majdnem az ellentéte. Itt nincs szükség rengeteg példára. A tudás előre, pontosan meg van fogalmazva. Egy sakkprogram tudja a sakk szabályait, és tudja, mi a jó, egy megnyert játszma. Innen már csak arra van szükség, hogy a lehetséges lépések óriási teréből módszeresen kikeresse azt, amelyik a győzelem felé visz. A logika és a keresés a motor, nem a tanulás.
Klasszikus MI
- Ember írja le a szabályokat és a célt
- A gép módszeresen keres a megoldások között
- Nincs szükség tanító adathalmazra
- A lépések visszakövethetők és megmagyarázhatók
Gépi tanulás
- A gép sok példából vonja le a mintázatot
- A tudás az adatból alakul ki
- Nagy, minőségi adathalmaz kell hozzá
- A döntés gyakran nehezen indokolható
A tudás emberi, a munka gépi
A klasszikus MI ereje és korlátja is ugyanabból fakad. Az erő az, hogy amit egyszer pontosan leírunk, azt a gép fáradhatatlanul, hibátlanul és nagyon gyorsan végig tudja csinálni. Egy ember néhány lépést lát előre egy játékban, a gép sok milliót. Egy ember elveszik egy nagy térképen, a gép percek alatt bejár minden lehetséges útvonalat. A korlát viszont az, hogy a gép csak azt tudja, amit beleírtunk. Ha a probléma nincs tisztán megfogalmazva, ha a szabályok hiányosak, akkor a legjobb keresőmotor sem segít.
Ezért a klasszikus MI-nél a legfontosabb munka gyakran nem is a gépé, hanem az emberé. A feladat úgy leírni a problémát, hogy abból kereshető feladat legyen. Meg kell mondani, mik a lehetséges helyzetek, milyen lépésekkel jutunk egyikből a másikba, és mi az, amit el akarunk érni. Ha ez a leírás jó, a keresés innentől szinte magától megy.
Miért érdemes ezt ma is érteni
Könnyű azt hinni, hogy a klasszikus MI elavult, hiszen a gépi tanulás vette át a főszerepet. A valóság az, hogy a kettő nem verseng, hanem kiegészíti egymást. A modern rendszerek nagyon gyakran ötvözik a kettőt. Egy önvezető autó tanult modellel ismeri fel a táblát, de klasszikus kereséssel tervezi meg az útvonalat. Egy logisztikai rendszer tanulásból becsli a keresletet, de korlátozás-kielégítéssel osztja be a szállítmányokat.
Aki érti a klasszikus MI logikáját, az sokkal tisztábban látja, mire jó és mire nem a mai AI. Megérti, hogy a gép nem varázslattól okos, hanem attól, hogy jól megfogalmazott problémán keres. A következő leckékben lépésről lépésre felépítjük ezt a gondolkodásmódot, kezdve azzal, hogyan lesz egy hétköznapi feladatból kereshető probléma.
Egy mondat, amit érdemes megjegyezni. A klasszikus mesterséges intelligencia nem adatból tanul, hanem egy ember által pontosan leírt problémán keres módszeresen megoldást. Az egész tananyag ennek az egyetlen gondolatnak a kibontása.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, prioritizált cselekvési lista.
Érdekel a program →