Amikor a szabályok kimerülnek
Képzeljük el, hogy meg akarjuk tanítani egy gépnek, hogyan ismerje fel a macskát egy fényképen. A szabályalapú megközelítés azt jelentené, hogy pontosan leírjuk, mitől macska a macska. Van bajusza, hegyes füle, négy lába, szőre. Ám amint nekilátunk, kiderül, hogy a szabályok végtelenül bonyolódnak. Mi van, ha a macska háttal ül, ha csak a feje látszik, ha félig takarja valami, ha épp ugrik. Néhány tucat szabállyal soha nem érünk a végére, és a rendszer az első szokatlan képen elbukik. A világ túl gazdag ahhoz, hogy kézzel felírt szabályokba szorítsuk.
A gépi tanulás pontosan itt fordítja meg a logikát. Ahelyett, hogy megmondanánk a gépnek, mi a macska, sok ezer képet mutatunk neki, és mindegyikről eláruljuk, van-e rajta macska vagy nincs. A rendszer feladata, hogy a példákból magától rájöjjön, milyen közös jegyek jelzik a macskát. Nem mi írjuk le a szabályt, hanem a gép találja meg a mintázatot.
Kézzel írt szabályok
- Az ember mondja meg, mi a szabály
- Minden esetet előre le kell írni
- A szokatlan helyzeten elbukik
- Nehezen bővíthető új esetekre
Gépi tanulás
- A gép a példákból von le mintázatot
- Elég megjelölt példákat adni
- Új, hasonló esetet is kezel
- Több adattal magától javul
Mit jelent a mintázat
A mintázat itt nem egyetlen egyszerű szabály, hanem finom összefüggések sokasága. A gép a képek pontjait, színeit, éleit és formáit vizsgálja, és megtanulja, milyen kombinációk járnak együtt a macska címkével. Ezt a tudást nem tudja szavakban elmondani, és mi sem tudnánk pontosan leírni. Ettől kicsit rejtélyesnek tűnik, pedig a lényege egyszerű. A rendszer megkeresi azt, ami a pozitív példákban közös, és megkülönbözteti attól, ami a negatív példákra jellemző.
Ez a megközelítés azért erős, mert olyan feladatokat is megold, amelyeket ember nehezen fogalmazna meg szabályként. Nehéz pontosan leírni, mitől hangzik természetesnek egy mondat, vagy mitől gyanús egy banki tranzakció. Példákat viszont könnyű gyűjteni. A gépi tanulás pont ott ragyog, ahol tudjuk felismerni a jó és a rossz esetet, de nem tudjuk szabályba önteni a különbséget.
A felügyelt tanulás
Amikor a példák mellé oda van írva a helyes válasz, felügyelt tanulásról beszélünk. A felügyelet itt annyit tesz, hogy minden tanuló példához adott egy címke, a helyes megoldás. A macskás képhez oda van írva, hogy macska. A levélszemét szűrőnél minden tanuló levélhez oda van írva, hogy kéretlen reklám vagy sem. A rendszer ezekből a helyes válaszokból tanulja meg az összefüggést a bemenet és a kívánt kimenet között.
A tanulás lényege egy fokozatos igazítás. A modell először szinte véletlenszerűen tippel, összeveti a tippjét a valódi címkével, és a hibából megtudja, merre kell igazítania magát. Sok ezer példán át, apró lépésekben csökkenti a hibáit, amíg a tippjei egyre pontosabbak lesznek. Ez a próbál, hibázik, igazít folyamat a gépi tanulás motorja. Nem egyetlen felismerés, hanem türelmes, ismételt finomhangolás.
Miért számít ez a mai rendszereknél
A felügyelt tanulás a mai mesterséges intelligencia egyik legfontosabb alapja. A kép- és beszédfelismerés, az orvosi leletek elemzése, a fordítás vagy a kockázatbecslés mind erre épül. Amit fejben kell tartani, az a tanuló adat felelőssége. Mivel a modell a példákból von le mintázatot, a példák minősége határozza meg a viselkedését. Ha a tanuló adat egyoldalú vagy hibás, akkor a modell is ezt tanulja meg, és magabiztosan hozza tovább a torzítást.
Ez a felismerés a felhasználó számára is fontos. Egy modell nem elvont igazságot tanul, hanem azt, ami az adataiban volt. Ezért érdemes tudni, milyen példákon nevelték, és milyen helyzetekre nem készítették fel. A következő leckében a tanulás egy másik formáját nézzük meg, ahol nincs kész helyes válasz, hanem a rendszer jutalom alapján tapasztalja ki, mi a jó lépés.
Amikor a modell csak magol
A gépi tanulás egyik legfontosabb próbája, hogy a modell jól teljesít-e olyan eseteken is, amelyeket korábban nem látott. A cél ugyanis nem az, hogy a tanuló példákat megjegyezze, hanem hogy megtanulja a mögöttes mintázatot, és új helyzetben is helyesen döntsön. Ha egy diák szóról szóra bemagolja a példatárat, de egy új feladaton elakad, akkor nem értette meg az anyagot. A modellnél ugyanez a veszély fennáll. Ha túlságosan ráhangolódik a tanuló adat apró, esetleges részleteire, akkor a gyakorláson tökéletes, de az éles helyzetben gyenge lesz.
Ezért a szakemberek a tanuló adatot mindig kettéválasztják. Az egyik részen a modell tanul, a másikat félreteszik, és csak a végén, vizsgaként nézik meg, hogyan boldogul a még nem látott esetekkel. Ha itt is jól teljesít, akkor valóban általánosítható tudást szerzett, nem csak magolt. Ez a szemlélet a felhasználó számára is tanulságos. Egy modell akkor megbízható, ha a való életből vett, változatos helyzeteken bizonyított, nem pedig gondosan válogatott laborpéldákon. Érdemes tehát megkérdezni egy AI rendszerről, milyen valós körülmények között tesztelték, mielőtt fontos döntést bíznánk rá.
Workshop
AI Transformation Day
Egésznapos, vezetőknek szóló program. Feltérképezzük, hol tart a szervezet, mi az első reális lépés, és milyen belső feltételek szükségesek a sikerhez. A nap végén konkrét, prioritizált cselekvési lista.
Érdekel a program →