Amikor megnyitsz egy streaming szolgáltatót, és az pontosan azt a sorozatot ajánlja, amihez éppen kedved van, vagy amikor az e-mail fiókod észrevétlenül szűri ki a levélszemetet, a háttérben a modern informatika egyik legizgalmasabb ága, a gépi tanulás (Machine Learning) dolgozik. Bár a sci-fi filmek gyakran önállóan gondolkodó robotként ábrázolják a mesterséges intelligenciát, a valóság ennél sokkal matematikaibb, mégis lenyűgöző. A gépi tanulás lényege nem a klasszikus programozás, ahol minden lépést előre megadunk a gépnek, hanem egy olyan folyamat, amely során az algoritmus maga ismeri fel az összefüggéseket a rázúdított adathalmazokból.
A különbség a merev kód és a tanuló algoritmus között
A hagyományos szoftverfejlesztés során a programozó „ha-akkor” típusú szabályokat ír. Ha a felhasználó rákattint erre a gombra, akkor történjen meg ez a művelet. Ez a módszer remekül működik egy számológépnél vagy egy egyszerűbb weboldalnál, de csődöt mond az olyan komplex feladatoknál, mint az emberi arc felismerése egy fotón. Lehetetlen lenne leírni az összes létező arcvariációt, fényviszonyt és szöget szabályokkal.
Itt jön a képbe a gépi tanulás. Ahelyett, hogy megmondanánk a gépnek, mi az az arc, több ezer vagy millió fényképet mutatunk neki, amelyeken jelölve van, hol található arc, és hol nincs. Az algoritmus elkezdi elemezni a pixelmintázatokat, az éleket és a kontrasztokat, majd saját magának épít fel egy statisztikai modellt. Minél több adatot lát, annál pontosabbá válik a becslése. Ez a folyamat kísértetiesen hasonlít ahhoz, ahogy egy kisgyerek megtanulja megkülönböztetni a kutyát a macskától: nem definíciókat kap, hanem példákat, amíg rá nem jön a lényegi különbségekre.
Így tanulnak az algoritmusok
Az algoritmusok tanítása nem egységes folyamat; attól függően változik, hogy milyen célra szeretnénk használni az eredményt. A legelterjedtebb módszer a felügyelt tanulás, ahol „tanári” segítséggel dolgozik a rendszer. Itt minden bemeneti adathoz tartozik egy címke, tehát a gép pontosan tudja, mi a helyes válasz, és a hibáiból tanulva finomítja a saját működését. Ezt használják például az orvosi diagnosztikában, ahol a gép röntgenfelvételeket elemez a korábbi, orvosok által hitelesített leletek alapján.
Ezzel szemben a felügyelet nélküli tanulás során a gép nem kap kész válaszokat. Magára marad az adathalommal, és az a feladata, hogy rejtett struktúrákat, csoportokat keressen benne. Ez különösen hasznos a marketingben, amikor egy cég a vásárlói szokások alapján próbálja szegmentálni a célközönségét, vagy a kiberbiztonságban, ahol a rendszer a szokatlan, a normálistól eltérő hálózati forgalmat próbálja kiszúrni. A harmadik nagy terület a megerősítéses tanulás, ami leginkább az idomításhoz hasonlít: a szoftver jutalmat kap a jó döntésekért és büntetést a rosszakért. Ez a módszer tette lehetővé, hogy a gépek legyőzzék a világbajnokokat a legnehezebb stratégiai játékokban, vagy hogy az önvezető autók megtanuljanak navigálni a forgalomban.
A gépi tanulás kihívásai
Sokan azt gondolják, hogy minél több adatunk van, annál okosabb lesz a mesterséges intelligencia, de ez csak részben igaz. A gépi tanulás legnagyobb kihívása a torzítás és az adatok tisztasága. Ha egy algoritmust olyan adatokon tanítunk be, amelyek előítéleteket tükröznek vagy hiányosak, a gép is hibás következtetéseket fog levonni. Ezért a tanítási folyamat jelentős része nem magából az algoritmus futtatásából, hanem az adatok gondos előkészítéséből és szűréséből áll.
A jövő tech-trendjei egyértelműen abba az irányba mutatnak, hogy a gépi tanulás egyre inkább láthatatlanul beépül a mindennapjainkba. Már nemcsak a hatalmas szerverparkokban, hanem a zsebünkben lévő okostelefonokban is ott ketyegnek ezek a modellek, optimalizálva az akkumulátorhasználatot vagy javítva az éjszakai fotók minőségét. Ahogy az algoritmusok egyre hatékonyabbá válnak, úgy válik a technológia is egyre emberibbé, hiszen képes lesz alkalmazkodni hozzánk ahelyett, hogy nekünk kellene megtanulnunk a gépek merev logikáját.
Kép forrása: Pexels.com
