A mesterséges intelligencia szintjei és tanulási módszerei

Az elmúlt másfél-két évben rengeteg szó esik a mesterséges intelligenciáról, és habár az alapvető híreket felületes tudással is meg lehet érteni, a technológia működésének pontosabb megértéséhez nem árt tisztában lenni az alapfogalmakkal. Kezdjük tehát azzal, milyen szintekbe sorolható a mesterséges intelligencia.

Szűk mesterséges intelligencia: A szűk mesterséges intelligenciát gyakran nevezik gyenge MI-nek is, és lényegében ez az a szint ahol, az emberiség és így a technológia fejlesztése jelenleg tart. A szűk megjelölés a rendszer azon tulajdonságára vonatkozik, hogy bár az embernél jóval hatékonyabban képes egy-egy feladatot ellátni, alkalmazási területe egy-egy specifikus feladatra korlátozódik, így például nem tud egyszerre számolni, szöveget generálni és programozni.

Mesterséges általános intelligencia: Az angolul Artifical General Intelligence-nek (AGI) nevezett szintet erős MI-ként is emlegetik. Ez azt jelenti, hogy a rendszer eredményei meghaladják az emberi képességeket, így a rendszer teljesen önálló gondolkodásra képes szinte bármilyen témában, valamint a rendelkezésére álló adatok alapján új következtetéseket is le tud vonni, így meg tudja ugrani a tudásának a bővítését is. Erről egyelőre csak elméleti szinten beszélhetünk, és a jelenlegi tudásunk szerint a szűk jövőben nem is várható hasonló technológia megjelenése.

Mesterséges szuperintelligencia: Ez a harmadik, egyben legfelső szint az előzőből következik. Amennyiben a mesterséges intelligencia képessé válik önmaga tanítására, egy idő után előállhat egy olyan volumen, ahol a mesterséges intelligencia az emberi intelligenciát egyre jobban és egyre gyorsuló ütemben haladja meg. Ez még annyira sem tűnik napjainkban realitásnak, mint az AGI, és leginkább a tudományos-fantasztikus irodalomban találkozhatunk a jelenséggel, szingularitás címszó alatt.

Hogyan tanul az MI?

Ismerve az alapvető szinteket, érdemes továbbmenni, és elmélyülni a különböző fejlesztések betanítási metódusaiban. Ahhoz, hogy működőképes rendszer legyen a kezünkben, olyan pontos utassítássorozatra, vagyis algoritmusra van szükségünk, amely meghatározza, hogyan dolgozza fel az információt és hoz döntéseket az adott fejlesztés.

A modellezési technikák terén a leggyakrabban használt megoldás a Gépi tanulás (Machine Learning). Ez egy olyan folyamatot ír le, mely során a mesterséges intelligencia rendszer képes tanulni és javulni, pusztán a rendelkezésre álló adatok alapján, anélkül, hogy explicit programozásra lenne szükség. Ezen belül több betanítási módszer létezik.

Mélytanulás (Deep Learning): Ebben az esetben az MI rendszerek neurális hálózatokat használnak az adatok bonyolult mintáinak felismeréséhez. Ezekre az agy működését modellező rendszerekre azért van szükség, mert több rejtett réteget, vagyis elágazást tartalmaznak, így komplex problémák megoldására képesek - nem véletlen, hogy gyakran használják képfelismerés és nyelvi feldolgozás területén is.

Felügyelt és felügyelet nélküli tanulás: Előbbi fogalom lényege, hogy az MI rendszernek a bemeneti adatok mellett rendelkezésére állnak a kívánt kimenetek is. Ez lehetővé teszi, hogy az MI az adott minták alapján tanuljon és javítson a teljesítményén. Ennek ellentéte a Felügyelet nélküli tanulás, melynek célja, hogy a rendszer maga fedezze fel az adatokban rejlő mintázatokat és összefüggéseket.

Megerősítéses tanulás: Ennek a gépi tanulási módszernek a lényege, hogy a rendszer pozitív vagy negatív visszajelzéseket kap a döntései alapján, és ez alapján tanul, illetve fejlődik.

A mesterséges intelligenciával kapcsolatos fogalommagyarázó sorozat következő heti részében az MI és a nyelv viszonyát, valamint az MI alkalmazási területeit mutatjuk be.