A mesterséges intelligencia (AI) eszközei

Egy korábbi bejegyzésünkben említettük, hogy a Turing-teszt alapján egy számítógép akkor tekinthető intelligensnek, ha az emberi kérdező/felhasználó az írásos kérdésfelvetése után nem képes eldönteni, hogy az írásos válaszok egy embertől, vagy egy géptől érkeznek-e.

A Mesterséges Intelligencia (AI) tehát a számítástechnika és technológia azon területeit jelöli, amely az intelligens gépek létrehozására törekszik, képesek azokra a feladatokra, amelyek általában emberi intelligenciát igényelnek. Az MI magában foglalja olyan számítógépes rendszerek fejlesztését, amelyek képesek érzékelni, gondolkodni, tanulni és döntéseket hozni, hogy utánozzák vagy kiegészítsék az emberi kognitív képességeket. A mai technológia alkalmazásával sem kis kihívás úgy programozni egy gépet, hogy teljesítse a Turing-tesztet. A teszt teljesítéséhez elengedhetetlen az alábbi modulok alkalmazása [2][3]:

• Természetes nyelvfeldolgozás (natural language processing, NLP): Az NLP a számítógépek és az emberi nyelv közötti interakcióval foglalkozik. A természetes nyelvfeldolgozás (NLP) esetén általában szöveges vagy hangadatokon alapul és az NLP-alapú modellek általában közvetlenül a szöveges vagy beszélt nyelv mintázatainak elemzésére és megértésére, elemzésére, előrejelzésére használatosak [3].
• Gépi tanulás (machine learning, ML): A gépi tanulás olyan algoritmusok és modellek fejlesztését jelenti, amelyek lehetővé teszik a gépek számára, hogy tanuljanak az adatokból és javítsák teljesítményüket célzott, direkt programozás nélkül. Olyan technikákat foglal magában, mint a felügyelt tanulás, a nem felügyelt tanulás és a megerősített tanulás [3].
• Neurális hálók és mélytanulás (neural network NN and deep learning, DL): A neurális hálók és azon belül a mélytanulás olyan területek, amelyek az emberi agy működését modellezik, és rendkívül hatékonyak a bonyolult problémák megoldásában. A neurális hálók olyan rendszerek, amelyek az agyi neuronok struktúráján alapulnak, és képesek tanulni a megadott adatokból. A mélytanulás mély, többrétegű neurális hálókat használ, ezáltal képes kinyerni, értelmezni és feldolgozni az adatokban rejlő komplex, összetett mintázatokat [3].
• Szakértői/tudásalapú rendszerek (expert systems): Egy szakértői (vagy más néven tudásalapú) rendszer, olyan informatikai rendszer, ami tartalmazza az adott területen jártas szakember által birtokolt szakterület-specifikus tudást és elemzőképességet. Ezek a rendszerek a szakértői tudásra támaszkodva teszik lehetővé a problémák megoldását és a döntéshozatalt. A leggyakoribb formája egy olyan program, ami szabályok halmazából épül fel, és a felhasználó által megadott információ(ka)t matematikailag és logikailag elemzi, majd ezt követően javításokat, végrehajtandó cselekvés(eke)t javasol [3].

Fontos megjegyeznünk, hogy a Turing-teszt a kérdező és a számítógép közötti fizikai kölcsönhatást szándékosan kerülte, mert egy személy fizikai szimulációja az intelligenciához nem szükséges. A teljes Turing-teszt (total Turing-test) során azonban videojelet is fel kell tudni dolgozni ahhoz, hogy a kérdező tesztelni tudja az illető érzékelési képességeit, . A teljes Turing-teszt sikeres teljesítéséhez az előbbieken túl tehát szükséges még [2][3]:

• Gépi látás (computer vision, CV): A gépi látás célja, hogy lehetővé tegye a gépeknek a vizuális információk értelmezését és megértését képek vagy videók formájában. A gépi látást alkalmazó modellek általában közvetlenül a kép- vagy videóadatokban lévő mintázatok elemzésére és megértésére összpontosítanak, például objektum detektálás, objektumfelismerés, szegmentálás [3].
• Robotika (robotics): A robotika a mesterséges intelligencia és a gépészet ötvözésével olyan intelligens gépek tervezését és fejlesztését teszi lehetővé, amelyek képesek érzékelni környezetüket, döntéseket hozni és fizikai feladatokat ellátni. Olyan területeket foglal magában, mint a robotészlelés, a mozgástervezés, a robotvezérlés és az ember-robot interakció [3].

Ez a hat nagy terület nagyjából lefedi a mesterséges intelligencia területét, ugyanakkor az AI modellek alkalmazásához elengedhetetlen az említetteken kívül más tudomány- és szakterületek, illetve azok technikáinak alkalmazása is. Ilyen például az adattudomány, a hálózatelemzés és gráfok területe, a folyamatmodellezés és folyamatbányászati technikák, az optimalizálás és operációkutatás, big data platformok, csak hogy a legfontosabbakat említsük.

Bármilyen MI alapú technikáról is legyen szó, az első és talán a legfontosabb lépés az adatgyűjtés, az adatok feldolgozása. Amennyiben kicsit mélyebben megismerkedne az adattudománnyal, tekintse meg posztunkat a témakörről.

Szerző: B. Ádám