Prim Hírek

Különleges megvilágításba helyezte a mesterséges intelligencia (MI) lehetséges fejlődési irányait a március 20-22. között Budapesten, az Ericsson Magyarország szakmai irányítása és fő támogatása mellett első ízben megrendezett Reinforce AI Konferencia. A technológia körül mára egészen felfokozott lelkesedés alakult ki. Manapság általánosságban úgy tekintenek a mesterséges intelligenciára (MI), a gépek maguk megfigyelésén és tapasztalatán alapuló önfejlesztő képességeire, mintha az valamiféle csodaszer lenne. A konferencia előadásai alapján a várakozások nem alaptanul magasak, mégis szinte bizonyosan túlzóak. A gyakorlatban is alkalmazott példák mellett a konferencia rávilágított az ilyen rendszerek korlátaira is, előre vetítve, hogy milyen sok izgalmas és nehéz technikai problémát kell megoldani ahhoz, hogy közelebb kerüljünk például az emberi intelligenciához hasonlítható Mesterséges Általános Intelligenciához. 

A Reinforce AI Konferencia a hasonló tematikájú magyarországi események sorában egészen egyedülállónak tekinthető. Az előadók között ugyanis olyanok sorakoztak, akik a terület kutatásában és az iparági fejlesztésekben nemzetközi szinten is meghatározó szerepet játszó vállalatok, többek között az UBER, a Volkswagen, az IBM, a Google vagy a Twitter szakemberei. Az Ericsson és a szervezők látva a hatalmas érdeklődést és az előadók nyitottságát, biztosak abban, hogy egy sorozat indult útjára, mely a következő években akár az egyik legrangosabb európai MI konferenciává nőheti ki magát. 

Patrick van der Smagt, a Volkswagen-csoport MI kutatási részlege igazgatójának előadásából az is kiderült, hogy a deep learning kapcsán számos kiaknázatlan lehetőség áll a témában talán leginkább szem előtt lévő autóipar előtt. Ugyanakkor hatalmas kihívás a minél változatosabb adatok begyűjtése. Ennek pedig egyszerű oka van. Az egyre újabb járművekben ugyanis mind több olyan vezetést segítő eszköz dolgozik, amelyek ezeket az adatállományokat használják. A jelenlegi irányok szerint immár a költséghatékony adatgyűjtés, a gyors és megbízható működés területére kerülnek a fókuszpontok. 

A konferencia során kirajzolódó kép szerint az MI-t övező vitáknak többnyire az a forrása, hogy a különböző célokkal rendelkező szervezetek és emberek egyszerűen nem egy nyelvet beszélnek. Prekopcsák Zoltán, a piacvezető adatelemzési platformot fejlesztő RapidMiner elemzési vezetője arra mutatott rá, hogy egy automatikus fékező rendszer fejlesztése során egészen más típusú problémák merülnek fel, mint amikor egy kutató például mesterséges intelligencia segítségével próbál egy go játszmát megnyerni. Az előbbi esetben életek múlhatnak a jó megvalósításon, míg az utóbbiban viszont bátran lehet kísérletezni és fokozatosan fejleszteni az algoritmust. Éppen ezért fontos ezeknek a konfliktusforrásoknak a felismerése és az MI-t övező viták konstruktív mederbe terelése. Az összes szereplőre szükség lesz ugyanis ahhoz, hogy a mesterséges intelligencia alkalmazások beváltsák a hozzájuk fűzött reményeket és a mindennapok részévé váljanak.

Ehhez a témához kapcsolódott az IBM MI fejlesztésekért is felelős kutatási központjának részlegvezetője Kush R Varshney, aki előadásában a gépi tanulás torzulásainak kockázatairól beszélt. A képzési, azaz mintavételi adatok gyűjtésénél egyes csoportok előtérbe kerülhetnek, így az adatsorokban felül-, míg mások alulreprezentáltak lesznek, ezáltal pedig deformációk jöhetnek létre az adatokra épülő algoritmusokban is. Könnyen elképzelhető, hogy milyen problémákhoz vezethet, ha ezeket a csoportokat nem, rassz vagy vallás alapján osztják be, hiszen ezáltal a mesterséges intelligencia válaszai is ezeket a torzulásokat tükrözik majd, ami egyáltalán nem kívánatos. Ez egy fontos megoldandó kérdést jelent a jövőben.   

A konferencián a mesterséges intelligencia korlátairól Prekopcsák Zoltán azt is elmondta, hogy egyre több olyan vélemény akad, amelyek szerint a tisztán deep learning alapú megoldások hamarosan korlátokba ütköznek. Ezek a rendszerek ugyanis elsősorban korábban látott mintázatokat képesek felismerni, ám az ezen túlmutató általánosítási és következtetési képességük szegényes. Számos példa van arra, hogy a jelenlegi MI olyan összefüggéseket sem képes megtanulni, amit már 1-2 éves gyerekek is felismernek. A jövőben így alighanem komolyabb fókuszt kell helyezni erre a területre, vagyis az ok-okozat megtanulására, ezek nélkül jelentősen lassulhat a fejlődés üteme. 

A mesterséges intelligenciának a távközlésben is komoly szerep jut majd. Ignacio Más, az anyacég, az Ericsson OSS részlegének innovációs vezetője előadásában arra világított rá, hogy e technológiák segíthetnek az infokommunikációs bumm eredményezte, az emberek számára sokszor már felfoghatatlan hálózati komplexitást kezelni. A cél, hogy a felügyeleti és irányítási funkciók 90-95 százalékát automatizálják, így az emberi beavatkozásra csak a magasszintű, az üzletet is befolyásoló döntéseknél, valamint a mesterséges intelligencia működését irányító szabályok felállításánál lesz szükség.

Az Ericsson Magyarország azért érezte szinte kötelességnek a Reinforce konferencia megszervezését, mert az MI fejlődését minél közelebb kívánta hozni a hazai és régiós piac szereplőihez. Jakab Roland, a vállalat regionális igazgatója és a hazai Mesterséges Intelligencia Koalíció elnöke a nyitóbeszédében is hangsúlyozta, hogy az esemény volt a térség első nagyszabású Mesterséges Intelligenciával foglalkozó konferenciája. Közel hatszáz a témában illetékes szakértő és érdeklődő látogató vett részt a rendezvényen a világ minden részéről. A magyar szakember az MI adatelemzésben betöltött szerepét emelte ki. Ma egyetlen nagy amerikai mobilszolgáltató hálózatán másodpercenként 4 terabit halad át, és ez idő alatt 15 millió „adatesemény” történik ugyanezen a hálózaton. E rendszerek működése is nehezen képzelhető el a jövőben a hatékonyan alkalmazott mesterséges intelligencia nélkül. Emellett az Ericsson és szolgáltató partnerei már elkezdték az 5G hálózatok széleskörű kiépítését, ami a jövőben még inkább felgyorsul, ez pedig magával hozza az önfejlesztő, zéró-beavatkozású rendszereket, és a gépi tanulás hálózatokba való beépítésének igényét is.