Amikor a legjobbat keressük
Az optimalizálási feladatokban nem egy célhoz vezető út a kérdés, hanem az, hogy sok lehetséges megoldás közül megtaláljuk a legjobbat. Mindegyik lehetőséghez tartozik egy érték, amely megmondja, mennyire jó. Egy szállítási útvonalnál ez lehet a megtett kilométer, egy beosztásnál az elégedetlenségek száma, egy elrendezésnél a felhasznált hely. A cél az, hogy ezt az értéket a lehető legjobbá tegyük, akár a legkisebbé, akár a legnagyobbá, a feladattól függően.
Hasznos ezt egy tájként elképzelni. A táj minden pontja egy lehetséges megoldás, a magasság pedig azt jelzi, mennyire jó. A legmagasabb csúcs a legjobb megoldás. A feladat, hogy a gép valahonnan elindulva feljusson erre a csúcsra, anélkül hogy az egész tájat bejárná, hiszen az túl nagy lenne.
Hegymászás
A legegyszerűbb ötlet a hegymászás. A gép megnézi a jelenlegi megoldás közeli szomszédait, és ha talál köztük jobbat, oda lép. Ezt ismételgeti, mindig felfelé, amíg van jobb szomszéd. Amikor már egyetlen szomszéd sem jobb, megáll, mert egy csúcsra ért. Ez a módszer gyors és egyszerű, és sok esetben egészen jó megoldást ad. Van azonban egy komoly gyengéje, amely az egész optimalizálás központi problémáját mutatja meg.
A hegymászás mindig csak felfelé hajlandó lépni. Ezért amikor felér egy kis dombra, amely körül minden irány lefelé visz, ott megáll, akkor is, ha a közelben van egy sokkal magasabb hegy. Ezt hívjuk lokális optimumnak. A megoldás jobb minden közvetlen szomszédjánál, de messze nem a legjobb az egészben. A gép beragad, mert nem hajlandó időlegesen rosszabb irányba lépni, hogy aztán feljebb jusson.
Szimulált lehűtés
A szimulált lehűtés éppen a hegymászás merevségét oldja fel. A név egy fizikai folyamatra utal, arra, ahogy egy forró fém lassan hűlve rendeződik el a legszilárdabb szerkezetébe. A módszer megengedi, hogy a gép időnként rosszabb irányba is lépjen. Nem mindig, csak bizonyos valószínűséggel. Éppen ez a néha megtett rossz lépés az, ami segít lemászni egy kis dombról, hogy aztán egy magasabb hegyre juthasson fel.
A csavar az, hogy ez a hajlandóság a rossz lépésre idővel csökken. Az elején a gép még bátran kalandozik, sok rosszabb lépést is elfogad, és így széles területet felderít. Ahogy telik az idő, egyre óvatosabbá válik, és a végén már szinte csak felfelé lép, hogy finoman ráálljon a megtalált csúcsra. Ez a fokozatos lehűlés az, ami egyensúlyt teremt a felfedezés és a finomítás között, és ezért gyakran sokkal jobb megoldást talál, mint a puszta hegymászás.
Miért fontos ma is a klasszikus MI
A tananyag során végigjártuk a klasszikus MI fő eszközeit. Láttuk, hogyan lesz egy feladatból kereshető probléma, hogyan járja be a gép az állapotteret, hogyan tereli egy jó becslés, hogyan tervez előre egy játékban, hogyan spórol a felesleges munkával, hogyan elégít ki sok korlátot egyszerre, és hogyan keresi meg a legjobb megoldást egy hatalmas térben. A közös bennük, hogy az intelligencia egy jól megfogalmazott problémán végzett módszeres keresésből fakad, nem adatból tanult mintázatból.
Könnyű lenne azt gondolni, hogy ezt az egészet elavulttá tette a gépi tanulás. A valóság az, hogy a kettő együtt dolgozik. A navigáció ma is kereséssel tervez utat, a logisztika korlátozás-kielégítéssel oszt be, a tervezőrendszerek optimalizálással keresik a legjobb elrendezést, még akkor is, ha közben tanult modellek becsülik a bemeneteket. Aki érti a klasszikus MI logikáját, az tisztábban látja, mire képes és mire nem a mai AI, és sokkal megalapozottabb döntéseket tud hozni a bevezetéséről. A záróteszttel most ellenőrizheted, mennyire ült el ez a gondolkodásmód.
Néha egy rossz lépés visz a jó megoldáshoz. A hegymászás beragad az első csúcson, a szimulált lehűtés viszont hajlandó időnként lefelé lépni, hogy magasabbra juthasson. Ez a türelem a legjobb megoldás megtalálásához gyakran nélkülözhetetlen.
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 →