Néhány évvel ezelőtt még tudományos fantasztikumnak tűnt, ma pedig már mindennapjaink része: a mesterséges intelligencia beszélget velünk, képeket készít, programokat ír, orvosi diagnózisokat támogat, és akár járművek irányításában is részt vehet.
De vajon valóban intelligensek ezek a rendszerek? Értik a világot, amelyről beszélnek, vagy csupán rendkívül kifinomult mintázatfelismerő algoritmusok? És ami talán még fontosabb: a mesterséges intelligencia fejlődésének legnagyobb áttörésein már túl vagyunk, vagy azok még csak most következnek?
Az Óbudai Egyetem Határtalan Innováció című podcastjének ötödik epizódjában Kocsis M. Brigitta Dr. habil. Kertész Gáborral, az Óbudai Egyetem Neumann János Informatikai Karának egyetemi docensével, kutatási dékánhelyettesével beszélgetett a mesterséges intelligencia jelenéről és jövőjéről.
A beszélgetés során szó esett a gépi tanulás működéséről, a nagy nyelvi modellek korlátairól, a képfelismerés és az orvosi diagnosztika lehetőségeiről, az általános mesterséges intelligencia megvalósíthatóságáról, valamint arról is, hogyan alakíthatja át az MI a munkavégzést, az oktatást és a tudományos kutatást.
Mit jelent valójában az intelligencia?
A beszélgetés egyik legfontosabb kérdése, hogy egyáltalán mit nevezhetünk intelligenciának. Alan Turing brit matematikus már 1950-ben felvetette, hogy a gépek intelligenciáját a kommunikációjuk alapján is vizsgálhatnánk.
A később Turing-tesztként ismertté vált gondolatkísérlet lényege, hogy ha egy ember egy szöveges beszélgetés során nem tudja megbízhatóan megkülönböztetni a gépet egy másik embertől, akkor a gép bizonyos értelemben intelligens viselkedést mutat. A mai nagy nyelvi modellek már rendkívül meggyőző szövegeket képesek létrehozni.
Ez azonban új kérdéseket vet fel.
Hogyan tanul egy gép?
A mesterséges intelligencia egyik legfontosabb területe a gépi tanulás. A hagyományos programozás során a fejlesztők meghatározzák azokat a szabályokat, amelyek alapján a számítógép egy feladatot végrehajt. A gépi tanulás esetében azonban a rendszer példákból, vagyis tanítóadatokból sajátítja el a feladat megoldásához szükséges mintázatokat.
A podcastban Kertész Gábor ezt a folyamatot a gyermekek tanulásához hasonlítja.
Ahogyan egy kisgyermek sok példán keresztül tanulja meg felismerni a különböző tárgyakat, úgy a gépi tanulási algoritmusok is nagyszámú tanítóminta alapján sajátítják el a felismeréshez szükséges összefüggéseket.
A két folyamat között azonban jelentős különbség van.
Az ember a világot közvetlen tapasztalatokon keresztül ismeri meg. Lát, hall, mozog, kapcsolatba lép a környezetével, és ezekből a tapasztalatokból alakítja ki a világról alkotott képét. A nagy nyelvi modellek ezzel szemben elsősorban digitális adatokból tanulnak. A szövegeket kisebb egységekre, úgynevezett tokenekre bontják, amelyeket matematikai reprezentációkká alakítanak.
A tanítás során a rendszer megtanulja, hogy egy adott szövegkörnyezetben milyen folytatások valószínűek. A modern nyelvi modellek így rendkívül összetett nyelvi összefüggéseket képesek kezelni, de ez nem azonos az emberi tapasztalatszerzéssel.
Miért tud hibázni a mesterséges intelligencia?
A nagy nyelvi modellek egyik legismertebb problémája az úgynevezett hallucináció. Ez azt jelenti, hogy a rendszer olyan információt állít elő, amely nyelvileg meggyőző, de tényszerűen hibás vagy akár teljesen kitalált.
A probléma a nyelvi modellek működéséből is következik.
Ezeket a rendszereket alapvetően arra tanítják, hogy a rendelkezésükre álló mintázatok alapján megfelelő szöveget hozzanak létre, nem pedig arra, hogy minden állításukat önállóan, megbízható források segítségével ellenőrizzék. Bár a fejlesztők számos módszert alkalmaznak a pontatlanságok csökkentésére, a hibák lehetőségét nem sikerült teljesen megszüntetni.
A podcast egyik fontos tanulsága ezért, hogy a mesterséges intelligencia válaszait nem szabad automatikusan tényként elfogadni. Ez különösen fontos az egészségügyben, a tudományos kutatásban és minden olyan területen, ahol egy hibás információnak jelentős következményei lehetnek.
A mesterséges intelligencia egyik különösen fontos gyakorlati alkalmazási területe a pénzügyi tranzakciók elemzése. A bankok és pénzügyi szolgáltatók hosszú ideje alkalmaznak olyan algoritmusokat, amelyek képesek felismerni a megszokottól eltérő tranzakciókat.
Képzeljük el például, hogy valaki rendszeresen Magyarországon használja a bankkártyáját, majd hirtelen egy távoli országban történik jelentős összegű vásárlás a kártyájával. Ez önmagában még nem bizonyít csalást. Elképzelhető, hogy a kártyatulajdonos valóban külföldön tartózkodik.
A rendszernek ezért több információt kell együttesen értékelnie. Figyelembe veheti például a korábbi vásárlási szokásokat, a tranzakció helyét és időpontját, valamint más rendelkezésre álló környezeti adatokat. Az ilyen anomáliadetektálási módszerek célja, hogy felismerjék a szokatlan eseményeket, és szükség esetén további ellenőrzést kezdeményezzenek.
Kertész Gábor arra is rámutat, hogy ezekhez a feladatokhoz nem feltétlenül van szükség nagy nyelvi modellekre. Sok esetben a hagyományos gépi tanulási vagy statisztikai eljárások megfelelőbb megoldást jelentenek. A mesterséges intelligencia alkalmazásakor tehát nem az a legfontosabb kérdés, hogy a legújabb technológiát használjuk-e, hanem az, hogy az adott problémához a megfelelő módszert választjuk-e.
Sokkal inkább az történhet, hogy a technológia megváltoztatja az egyes munkakörökben szükséges készségeket. Az ismétlődő, jól strukturálható feladatok egy részét intelligens rendszerek végezhetik el, miközben felértékelődhet a problémamegoldás, a kreativitás, az együttműködés és a kritikus döntéshozatal. A kutató szerint a mesterséges intelligencia fejlődése egyszerre lehet izgalmas és bizonytalanságot keltő folyamat. A társadalmi alkalmazkodás szempontjából ezért kulcsfontosságú, hogy az emberek megfelelő ismeretekkel rendelkezzenek a technológia lehetőségeiről és korlátairól.
Mit szabad megosztani a ChatGPT-vel?
A beszélgetés végén különösen fontos gyakorlati kérdés kerül előtérbe: milyen információkat oszthatunk meg biztonságosan a mesterségesintelligencia-szolgáltatásokkal? A nyilvánosan elérhető, felhőalapú rendszerek használata számos előnnyel jár, de az adatkezelési feltételeket mindig figyelembe kell venni.
Egy vállalat például nem feltétlenül engedheti meg, hogy üzleti titkokat, fejlesztési dokumentációkat vagy szabadalmaztatás előtt álló megoldásokat külső szolgáltatásokba töltsenek fel.
Hasonló kérdések merülnek fel a tudományos kutatásban is.
Egy kutató számára komoly kockázatot jelenthet, ha még nem publikált kutatási eredményeket, bizalmas adatokat vagy kéziratokat oszt meg olyan rendszerrel, amelynek adatkezelési feltételeit nem ismeri megfelelően. A podcastban Kertész Gábor beszámol arról is, hogy az Óbudai Egyetemen olyan belső generatív mesterségesintelligencia-szolgáltatás fejlesztésében vettek részt, amelynek célja, hogy az érzékeny információk intézményi környezetben maradhassanak.
Az ilyen megoldások lehetőséget teremthetnek arra, hogy a kutatók és munkatársak a nagy nyelvi modellek előnyeit biztonságosabb, ellenőrzött infrastruktúrán használják ki.
A beszélgetés tanulsága, hogy a mesterséges intelligencia alkalmazásakor nemcsak azt kell mérlegelnünk, mire képes a rendszer, hanem azt is, milyen adatokat bízunk rá.
A Határtalan Innováció podcast sorozatot megtalálod az Óbudai Egyetem Youtube csatornáján is!
A Határtalan Innováció podcast sorozatot megtalálod az Óbudai Egyetem Youtube csatornáján is!
„A MEC_N 149937 számú projekt a Kulturális és Innovációs Minisztérium Nemzeti Kutatási Fejlesztési és Innovációs Alapból nyújtott támogatásával, a MEC_24 pályázati program finanszírozásában valósult meg.”
