A hagyományos értelemben vett számítógépeket még fel sem találták, amikor Alan Turing, a zseniális brit matematikus már mesterséges intelligenciákról álmodott. Nem véletlen, hogy a gépi intelligenciát vizsgáló Turing-teszt is az ő nevéhez fűződik. Turing kutatásai nélkül más lenne a modern számítástechnika arculata. Az elméleti matematikusok következetességével fektette le az alapokat, amikre építkezve Neumann János és a Szilícium-völgy legnagyobb koponyái megalkották a bináris számrendszerre épülő első számítógépeket.

Turing első elméleti fejtegetései nyolcvan éve jelentek meg, de azóta sem született az emberi gondolkodást teljes egészében imitálni képes mesterséges intelligencia. Ennek részben az az oka, hogy az emberi agy működési mechanizmusát a neurológusok még ma sem ismerik pontosan. Legalább ilyen fontos szempont, hogy a technikai fejlődés még csak most ért el arra a szintre, hogy megkezdődhessenek a komolyan vehető mesterségesintelligencia-kutatások.

Tíz perccel a nulladik óra előtt

Az informatikának megvannak a maga fejlődési hullámai. Az angol kifejezés (disruption wave) első tagja tulajdonképpen zavart, törést, széthullást jelent, arra az állapotra utalva, amikor a status quo megrendül, és valami új lép a helyébe.

A számítógép feltalálása nagy előrelépés volt, aztán a főszerepet a web kapta, majd jöttek az okostelefonok és a közösségi oldalak. Ezek a változások egyértelműen befolyásolták az életünket és az üzletmenetünket. Komoly cégek dőltek be, akik nem tudtak alkalmazkodni a megváltozott körülményekhez, és új belépők tűntek föl egy fejlődő piacon.

A változásokat nem lehet megjósolni, de könnyű felismerni őket. Amikor Sir Tim-Berners Lee előrukkolt a world wide webbel, meglévő alapokra építkezett: a TCP/IP protokollt fejlesztette tovább, a változás tempóját pedig a számítógépek elterjedésének üteme diktálta. A pc-k ellepték az otthonokat, megteremtve az alapot a webre támaszkodó alkalmazásoknak. A változás nem egyik pillanatról a másikra állt be, de lassan átformálta a meglévő piacokat (például az Amazon és az eBay feltűnésével), vagy éppen újakat teremtett; elég csak a Google felemelkedésére gondolni.

A mesterséges intelligencia (artificial intelligence, AI) is egy olyan hullám, amely a létező technikára építve hoz változásokat. A gépek számítási teljesítménye egyre nő, a hardverek egyre kisebbek lesznek, az adattárolás – és gyakran a számítási feladatok is – egyre gyakrabban kerülnek át a felhőbe. Az egyre intelligensebb eszközeink egyre több információt osztanak meg egymással. Ha már itt tartunk: a megosztásnak nemcsak a mértéke egyre nagyobb, hanem az iránta támasztott igény is: a Snapchat-generáció számára ez már szükséglet. A hívószó a pervazív konnektivitás –amikor minden kapcsolatban áll mindennel, mindig, mindenhol.

You're so deep

A széles körben elfogadott definíció szerint az AI az a számítási teljesítmény, ami az intelligencia jeleit mutatja. A gépek készségei és érzékelése - tanulás, érvelés, tervezés, észlelés - az elmúlt években elképesztő mértékben felgyorsultak. Az AI-kutatás a deep learning (mély tanulás) és a reinforcement learning (megerősítéses tanulás) területén ért el nagyobb áttörést.

• A deep learning egy mostanában divatba jött kifejezés az egyébként régóta létező (mesterséges) neurális hálózatokra. Ezeknél a hálózatba kötött, nagy számítási teljesítményű gépek bonyolult algoritmusok alapján dolgoznak. A mély neurális hálózat (deep neural network, DNN) a hagyományos neurális hálózatoknál magasabb szintű absztrakcióra képes, így bonyolultabb nem-lineáris folyamatok modellezése is használható.
• A reinforcement learning a viselkedéspszichológiából emelt át alapokat a gépi tanuláshoz. Az ehhez használt ágensek hasonló elven működnek, mint az agy jutalomközpontja; megtanítják neki a jó és a rossz közötti különbséget. Ha egy sakkprogramba belekódolják, hogy a győzelem jó, a vereség pedig rossz, az ágens törekedni fog rá, hogy győzelem esetén megerősítést (reinforcement) vagy jutalmat (reward) kapjon.

Hogy a ma használt mesterséges intelligenciák elterjedhettek és alkalmazhatóvá váltak, az főleg ezen két terület fejlődésének köszönhető. Az algoritmusok fejlődése is fontos, de a minőségi adatbázisok növekedése hozta az igazi áttörést. Az adatminőség (data quality) határozza meg, hogy a döntéshozatalért felelős információk mennyire megbízhatók. (A nagyobb, saját mesterséges intelligenciát használó cégek, mint az IBM, saját adatminőségi szolgáltatásokat is kínálnak.)

Ennek a két területnek a fejlődésével a nagyobb cégek döbbenetes eredményeket értek el. Az AI-k képességei néha már a szuperhumán szintet is meghaladják. Megverik a világ legjobb go-játékosait, és most éppen Starcraftozni tanulnak. Ha kell, bonyolult jazz-kompozíciókat írnak, a közönség általános megelégedésére. És mint az IBM-nél tett tavalyi látogatásom alatt kiderült, Watsonra, a cég saját mesterséges intelligenciájára egy zseniális ebédmenüt is rá lehet bízni.

De ez még nem a mesterséges értelem kora. Ezek a rettentő bonyolult programok egyelőre csak szűk, specifikus területeken értek el kimagasló teljesítményt. A komplex feladatokhoz nagy mennyiségű, gondosan válogatott és felcímkézett adatra van szükség, aminek az előállítása igen drága. Az algoritmusok, bármilyen fejlettek is, még mindig nem érték el az emberi teljesítményt, és a betanításukhoz hatalmas számítási teljesítmény kell. És legalább ilyen fontos, hogy a fejlesztéshez hiányoznak az elméleti keretek; anélkül csak a heurisztikára támaszkodhatunk. 

 Hiába használják az AI-t már ma is sok területen, ez még mindig csak a gyakorlati alkalmazás kezdete. A fenti nehézségeken a cégek idővel túljuthatnak, de fontos, hogy a ma használt AI-k is vegyék figyelembe. A mesterséges intelligenciák továbbképzését célzó kezdeményezés, az OpenAI Gym is ebből indult ki, amikor a projekthez sztenderdeket írt elő, hogy összehasonlítható és reprodukálható eredményeket kapjanak.

Akik használható AI-t szeretnének, azoknak muszáj hozzáférnie a szükséges, ellenőrzött minőségű adatokhoz, hogy a gépi tanuláshoz tervezett algoritmusok jobb eredményt érhessenek el. Ha a folyamatos adatáramlás és a megfelelő adatminőség nem biztosítható, akkor vagy olyan rendszert kell tervezni, ami nem mesterséges intelligenciára épül, vagy olyat, ami emberi közreműködést igényel.

Elmélettől a gyakorlatig

A ma használt, jó minőségű AI-ket csak a legnagyobb cégek engedhetik meg maguknak – mint a Google, a Facebook, a Pinterest vagy az IBM –, de a hasonló megközelítéssel dolgozó startupok nagy lendületet adhatnak a mesterségesintelligencia-kutatásnak.

Nézzünk néhány gyakorlati példát, hogy ma mire használnak mesterséges intelligenciát.

1. A marketing mindig is elsőként nyitott az új technológiák felé, így nem csoda, hogy már ők is használnak AI-ket. A SocialFlow például az elsők között használta ki a gépi tanulás lehetőségét, hogy javítson a kampányai hatékonyságán.
2. Az e-kereskedelemmel foglalkozó Infinite Analytics a felhasználói élményt javító programcsomagokat fejleszt.
3. Az olyan startupok, mint a Netra, vizuális intelligenciával és kereséssel javítják a felhasználói élményt – ehhez egy deep learninget használó képfelismerő technológiát használnak.
4. A Troops.ai olyan ügyfélkapcsolat-menedzsmenet (customer relationship management, CRM) szolgáltatást kínál, ami javíthatja az értékesítők és a leendő vevők produktivitását, és hozzáférést adnak az adatbázishoz, amit a platformot használó sales-esek állítanak össze.
5. A Conversica felhő alapú digitális asszisztense az értékesítési lehetőségek nyomon követésében segít.
6. A Talla a vállalati tudásmenedzsmentet forradalmasítaná egy látszólag egyszerű beszélgető ágenssel.
7. A Wade & Wendy kétoldali beszélgető ágenst fejleszt, amit a HR-esek hasznosíthatnak, mivel meggyorsíthatja a felvételi eljárást, mindkét fél teljes megelégedésére.
8. A Receptiviti a felhasználók szöveges és hangüzeneteit elemezve készít pszichológiai profilt, felmérve az illető személyiségét, döntéshozatali stílusát és temperamentumát.
9. A Jibo egy barátságos-intelligens robot, ami emberszerű reakciókkal teszi befogadhatóvá a modern technikát. Számos területen segítséget nyújthat: az intelligens videokonferenciák során mindig az éppen beszélő félre fókuszál, a konyhában hozzávalókat javasol a főzéshez, és interaktív mesekönyvekkel szórakoztatja a gyerekeket.
10. A nuTonomy remek példája a technikai fejlődésekhez gyorsan alkalmazkodó startupoknak: már bétatesztelik az önvezető autóikat Szingapúrban.

Ahogy a korábbi paradigmaváltásoknál, úgy az AI gyakorlati alkalmazásánál is apró léptekkel indul az átállás, de ezek a fejlesztések idővel annyira átszövik majd a mindennapi életet, hogy nem lehet majd figyelmen kívül hagyni őket.

Megválaszolatlan kérdések

De ez még nem a gépi öntudat. Ha a ma használt legintelligensebb AI ember lenne, hát leginkább egy hétjegyű számokat fejben szorzó autistára hasonlítanának, akik matekzsenik, de nem tudnak maguktól felöltözni – tudják, mint Dustin Hoffman az Esőemberben. Egyes részfeladatok ellátásakor az AI-k bőven meghaladhatják az embert, de erre már az első zsebszámológép is képes volt.

De vajon helyes-e az a megközelítés, hogy a gépi intelligenciának emberi mintákat kell követnie? Turingot is foglalkoztatta a kérdés: 

Ezek olyan alapkérdések, amiket minden AI-kutatónak fel kell tennie, ha valóban szuperintelligenciát akar tervezni.

Az AI-fejlesztés több tudományágat egyesít. A felsőoktatási rendszerek inkább specifikus képzést adnak: valakiből vagy pszichológus lesz, vagy matematikus. A kettő együtt ritkán működik. Persze, vannak kivételek – például Mérő László, az ELTE oktatója –, akik több tudományterületen otthonosan mozognak. (Mérő épp a mesterségesintelligencia-kutatás miatt kezdett el a matematika mellett pszichológiával is foglalkozni.) A jó AI-tervezéshez etikai, pszichológiai, informatikai, matematikai és rendszertervezési készségek szükségesek.

Az sem világos, tartani tudjuk-e a lépést a robotokkal. A magyar közoktatásnak nevezett viccet most direkt nem hozzuk szóba; sokatmondóbb, hogy már a britek is amiatt aggódnak, hogy a tananyag nem készít fel a robotizálódásra. Rose Luckin, a University College London professzora szerint az oktatásban inkább a kooperatív problémamegoldásra kéne helyezni a hangsúlyt, elvégre a jövő szakemberei robotokkal fognak együtt dolgozni. A diákoknak pedig a mesterséges intelligencia alapjait kéne oktatni.

A gépek tanulási folyamata ma úgy néz ki, hogy a kutatók használható adatokkal etetik az algoritmusokat. De hogy valóban használható tudásra tegyenek szert, a gépeknek öntanulóvá kell válniuk, és a kutatók még abban sem értenek együtt, hogy ennek hogy kéne történnie.

Az egyik tábor szerint ha a gépek hibázása esetén módosítanak az algoritmuson, attól a gép megtanulja, hogy elkerülje a rossz döntéseket. Vagyis emberi gyámkodásra szorulnak, amíg nem lesznek képesek az önálló tanulásra. Erre a konklúzióra jutott Turing is: 

A másik tábor úgy látja, hogy a tanuláshoz öntudatra van szükség; az emberek a saját határaik felismerésével szerezhetnek új információkat. Azzal érvelnek, hogy a mesterséges intelligencia profitálhat belőle, ha a saját döntéseire reflektálhatna. Az algoritmusok úgy kerülhetnék el a rossz döntéseket, ha megértenék a saját határaikat.

Eric Horvitz, a Microsoft Research ügyvezető igazgatója is az emberi tanulást hozta föl analógiának, amikor kifejtette, hogy ezzel mi a baj:

„A gyerekeknek megvan az a csodálatos képessége, hogy elmerülnek az őket körülvevő világban, és rengeteg ismeretet szereznek, anélkül, hogy valaki megmondaná nekik a végeredményt. Szakkifejezéssel élve ez az ellenőrizetlen tanulás [unsupervised learning]. Alapvetően annyit jelent, hogy tanulnak az A-ból, anélkül, hogy minden inputhoz szükségük lenne a B-re. [...] A gyerekek abból tanulják meg a beszédet, hogy figyelik a beszédet.”

Andrew Ng, a Baidu vezető kutatója ugyanakkor egy gyakorlati példával szemléltette, hogy gépi tanulás esetén ez hogy néz ki:

„A ma használt beszédfelismerő rendszerünkhöz 45 ezer órányi hanganyagot használunk, nagyjából öt év folyamatos beszédet. Kicsit tartok tőle, hogy építhetünk olyan szuperszámítógépet, ami néhány hét alatt feldolgozhatja öt év hanganyagát. De kicsit pironkodom is miatta, hogy az algoritmusnak ilyen sok adat kell. Az emberi agynak nincs szüksége öt évnyi hangfelvételre ahhoz, hogy megtanuljon angolul.”

A gépeknek olyan feladatokkal is meg kell küzdeniük, mint az emlékezés. A Discover magazin témába vágó cikke Clive Wearing, a brit zenész példáját említi, akinek a nyolcvanas években herpeszvírus támadta meg az agyát, és elvesztette az emlékezőképességét. Wearing rövidtávú memóriája harminc másodpercesre rövidült; néha elfelejti, hogy mit eszik, mire a kanál elér a szájához. Az élete olyan, mintha fél percenként kómából térne magához.

Ez a probléma a mesterséges intelligenciákhoz használt algoritmusokkal is. A mesterséges neurális hálózatoknak nincs munkamemóriája: elfelejtik a korábbi tapasztalataikat, amint egy új feladatot kapnak. Ez korlátozza a végrehajtható feladatok bonyolultságát, mert a való életben számtalan változóval kell számolni, amik állandó mozgásban vannak.

A Google DeepMind már dolgozik a problémán: olyan hibrid számítógépes rendszert terveznek, amit differenciálható neurális számítógépnek (differentiable neural computer, DNC) neveznek; ez a neurális hálózatot külső memóriarendszerrel párosítja.

A Techcrunch cikke (Szexista-e a gépi tanulás?) egy érdekes anomáliára hívja fel a figyelmet, ami az adatminőség fontosságára világít rá. A Google szolgáltatása a word2vec a Google News milliós adatbázisát használja. A fejlesztők olyan, mintákba rendezhető szókapcsolatokat válogattak össze, amik – legalábbis papíron – releváns összefüggésben állnak. A rendszer vektoralgebrai módszerekkel keresi a szavak közötti kapcsolatokat.

A rendszer válaszolhat olyan kérdésekre, mint hogy „a lánytestvér úgy viszonyul a nőhöz, mint a fiútestvér a mihez?” – és erre megadhatja a helyes választ, hogy „a férfihoz”. De a rendszer már létező adatokból, egész pontosan hírekből dolgozik. És a találati lista alapján a cikkek többsége igencsak elfogult. Ha beírjuk, hogy „az apa úgy viszonyul az orvoshoz, mint az anya a mihez?” a válasz az lesz, hogy „a nővérhez”. Ha arra keresünk rá, hogy „a férfi úgy viszonyul a programozóhoz, mint a nő a mihez?” azt a választ kapjuk, hogy „a háztartásbelihez”. (Ennél jobb példa nem is kell a gépi memória hiányának illusztrálásához: én emlékeztem rá, hogy megírtam, hogy a holdraszállás szoftverét egy nő írta. A Google mesterséges intelligenciája nem.)

A provokatív cím ellenére a gépi tanulás nem szexista, de az újságírás elfogultságát az algoritmusok nem tudják figyelmen kívül hagyni. Az állítások statisztikailag helyesek, és nem is lenne velük baj, ha az adatforrások elfogulatlanok lennének. De a cikkek egyértelműen elfogultak – ahogy a Google is. Ha beírjuk a képkeresőbe a CEO (chief executive officer, vezérigazgató) szót, az első találati oldalon kizárólag férfiak képei láthatók.

A tökéletlen tervezi a tökéletest

Stephen Hawkingnak és Elon Musknak valószínűleg igaza van, amikor a mesterséges intelligencia veszélyeiről beszélnek. De ez a veszélyforrás abból is eredhet, hogy a szuperintelligenciát egy tökéletlen emberi elme próbálja megteremteni. Már Turing is megjegyezte, hogy a számítógép előtti gépek legfeljebb a feltalálójuk intelligenciáját mutatták, nem a sajátjukat.

Az emberi intelligencia tökéletlenségének szörnyű illusztrációja, hogy Alan Turingot, az embert, aki a nácik kódfejtő rendszere, az Enigma feltörésével megfordította a második világháború menetét, kémiai kasztrációba és öngyilkosságba kergette a saját kormánya a homoszexualitása miatt. Bízzunk benne, hogy a mesterséges értelem ennél irgalmasabb lesz.