Kezdőlap Magazin 2019 A gépek forradalma

A gépek forradalma

2309
0

Vég nélkül lehetne sorolni azokat a hollywoodi alkotásokat, amikben az ember alkotta robotok már a hétköznapi életünk szerves részévé váltak. A filmes fantázia jövőképeiben azonban mindig megszólal a vészharang is az intelligens gépek térnyerésével kapcsolatban. Az alaposan túlmisztifikált jelenség már jó ideje velünk él a hétköznapjainkban is, mondhatni lemászott a filmvászonról, magával hozva az összes negatív és pozitív sztereotípiáját. Hogy mennyire misztikum és mennyire lehet a jövőnk része, arról Szőke Zoltánnal, a Bosch Budapesti Fejlesztési Központ Vezetéstámogató Rendszerek és Automatizált Vezetés üzletágának alelnökével beszélgettem.

Szőke Zoltán

Körülbelül fél évvel ezelőtt jártunk a Bosch budapesti központjában. A Gyömrői úton ugyanaz a fiatalos nyüzsgés fogad bennünket, mint hat hónappal ezelőtt. A hely számomra továbbra is az egyetemi campusok hangulatát idézi. A színes udvari cirkulációt mindenféle kütyükkel felszerelt tesztkocsik látványa teszi egy kicsit futurisztikussá. Néha azon kapja magát az ember, hogy áthajtva a sorompón átlépett egyfajta csillagkapun. A fél évvel ezelőtti összképet csak a távolban magasodó portáldaru gémje bontja meg, jelezve azt, hogy már elindult a Bosch Budapesti Fejlesztési Központ építésének második üteme.
Szőke Zoltánnal az irodájában találkozunk, de ezúttal ez csak közbenső állomás lesz. Kivételes helyzetben vagyunk, ugyanis betekintést kapunk egy külső szemek elől elzárt szentélybe is, ahol a mesterséges intelligenciával történő fejlesztések, tesztelések folynak. Zoli mondhatni lapunk állandó szakértőjévé avanzsált. Legutóbb az önvezető autók témakörét segített körbejárni, most pedig a mesterséges intelligencia világában lesz a kalauzunk. Nem véletlenül: mint egy korábbi beszélgetésünkből kiderült, a fiatal mérnök ebből írta a diplomamunkáját.

Barna András (B.A.): Az ember azt gondolná, hogy a mesterséges intelligencia egy viszonylag friss dolog, holott már jó régen itt van közöttünk. Milyen távolról kell indítanunk a történetét?

Szőke Zoltán (SZ.Z.): Azt szokták mondani, hogy a mesterséges intelligencia a modern kor hype-ja, pedig ez nem egy újkeletű dolog, a története minimum hatvan évre nyúlik vissza. Azért került most az előtérbe, mert a különböző technológiai újítások lehetővé tették azt, hogy olyan megoldások szülessenek, amire az elmúlt 50-60 évben nem volt lehetőség.
Az elérhető adatok mennyiségének tekintetében egy óriási „boom-ot” éltünk, illetve élünk meg. Elképesztő, de egy statisztikai adat szerint a világon megtalálható adatmennyiség 90 százaléka az elmúlt két évben jött létre. A legfőbb segítséget azonban a számítógépek számítási kapacitásának fejlődése jelentette, ez tette lehetővé azt, hogy olyan megoldások, amik a szakirodalomban évek óta léteznek, implementálásra kerüljenek.

Szőke Zoltán

B.A.: Tulajdonképpen hogy kell elképzelni a mesterséges intelligenciát?

SZ.Z.: Amikor egy feladat megoldására készül egy program, az klasszikus esetben úgy néz ki, mintha valaki egy receptet írna. Egy ilyen program akár több tízmillió sorból is állhat, hiszen minden egyes felmerülő kérdésre kell, hogy legyen egy szabály. Azonban a világon vannak olyan komplex problémák, amikre szinte lehetetlen ezt a szabályhalmazt soronként megírni, mert nem tudjuk szabályokkal megfogalmazni a problémát. És itt jön valójában képbe a mesterséges intelligencia, ami úgy működik, hogy nem mi próbáljuk megfogalmazni ezeket a szabályokat, hanem hagyjuk azt, hogy a számítógép önmaga jöjjön rá.

B.A.: Mi hozta az igazi áttörést a kérdéskörben?

SZ.Z.: A legismertebb mérföldkő talán az volt, amikor az AlphaGO nevű mesterséges intelligencia a go társasjátékban többször is megverte a világbajnokot, mégpedig úgy, hogy ez nem volt leprogramozva. A komputer megfigyelt több mint egymillió játékot, és megpróbálta levonni a következtetéseket, hogy milyen lépéseket kell ahhoz tennie, hogy végül meg tudja nyerni a játékot. Talán ez volt az origó, az áttörés, ami újra ráirányította a figyelmet arra, hogy hogyan tudjuk a gépeket megtanítani egy olyan dologra, amit mi sem tudunk megfogalmazni és leírni.

B.A.: A mesterséges intelligenciából írtad a diplomamunkádat. Miért ezt választottad?

SZ.Z.: Ez egy jó kérdés, és hozzáteszem rögtön azt is, hogy ha ma valaki elolvasná a dolgozatomat, akkor ezt minden bizonnyal széles mosollyal tenné. (nevet) Egyébként pedig azért, mert izgatott, hogyan tudunk emberek viselkedéséből tanulni, egészen pontosan hogy tudjuk ezt digitalizálni.

Szőke Zoltán
A diplomamunkám röviden arról szólt, hogy létrehoztam egy weboldalt, aminek a grafikai elemei, színek, karakternagyság stb., alkalmazkodtak a felhasználó egyéni igényeihez. Kvázi a számítógép megtanulta, hogy az egyes felhasználóknak mik a preferenciái, és az oldal dinamikusan átszabta magát erre.
Ha eltekintek a diplomamunkám konkrétumaitól, akkor általánosságban mondhatom, hogy ezt a kérdéskört már jó néhányan továbbgondolták. Volt szerencsém egy kínai konferencián megismerkedni egy olyan cég vezetőjével, amely online kereskedelemmel is foglalkozik. Az alapötletük hasonló az enyémhez, náluk az árukereső tanulja meg a felhasználó preferenciáit. Ha a felhasználó a kérdéses cikkcsoport első három tételénél lejjebb görget, akkor ezt úgy érzékeli, hogy „itt valami nem stimmelhet”, és dinamikusan úgy változtatja meg a kínálati sorrendet, hogy ott találat legyen.

B.A.: Húsz év telt el azóta, mára meddig jutottunk?

SZ.Z.: A mesterséges intelligencia egy óriási nagy halmaz, amibe beletartoznak irodalomban, technológiában évek óta nagyon jól ismert, egyszerű matematikán alapuló megoldások is. Például azok a nagyon egyszerű, lineáris algebrával leírt klasszifikátorok, amelyek az elmúlt másfél évtizedben már elég erőteljesen megjelentek különböző ipari megoldásokban.
De a mesterséges intelligenciához tartozik az úgynevezett gépi tanulás is, ezen belül a – mondjuk így – legfelkapottabb terület a mélyháló, mélytanulás: a deep learning. Az áttörést itt az ImageNet Challenge hozta meg, amelyben az volt a feladat, hogy a kutatók olyan programokat készítsenek, amelyek képesek képeken látható dolgok felismerésére. Évekig klasszikus megoldások mentén haladtak minimális előrelépés mellett. A legjobb megoldások is csak 70-80 százalékos pontossággal tudták azt megmondani, hogy az adott képen mi látható. Az igazi váltást azt hozta meg, amikor a mérnökök neurális hálót építettek és tanították milliónyi képpel. Ez a hálózat már kiváló eredményt ért el, ami adott esetben meghaladta az emberi képességeket is. Ez a pont volt az, amikor a tudomány erőteljesen elkezdett foglalkozni a neurális hálózatok fejlesztésével. Ez a technológia egy picit az emberi agy működését próbálja lemásolni, imitálni, természetesen digitális formában. Egy neurális hálózatban, akárcsak az emberi agyban, kis cellákat hoznak létre, úgynevezett neuronokat, ezeket pedig összekötik egymással. És ahogy az ember tanul, ahhoz hasonló módon lehet tanítani ezeket a hálózatokat is különböző adatokkal.
A végeredmény, pontosabban a tanítási eredmény mindig attól függ, hogy mennyi adattal tanítjuk a hálózatot, és hogy az adat mennyire diverzifikált.

A.I.

B.A.: Most jöhetne az a bulváros kérdés – a filmek után szabadon –, hogy mennyire kell félnünk, vagy egyáltalán kell-e félnünk ettől a technológiától?

SZ.Z.: Elméleti alapja lehet a hollywoodi filmeknek, de azért attól a szuperintelligenciától, amit a vásznon látunk, még fényévnyi távolságban vagyunk. A jelenleg kifejlesztett, illetve fejlesztés alatt álló megoldások nagyon-nagyon specifikusak, mert általában egyetlenegy problémát tudnak megoldani, hiszen erre lettek kifejlesztve. Az AlphaGo, a számítógép, ami góban megverte a világbajnokot, csak ennyit tud, semmi mást. Például nem tud sakkozni, és nem tud autót vezetni sem. Azok a megoldások, amik belekerülnek mondjuk egy önvezető autóba, azok semmi mást nem tudnak, mert egy adott feladatra vannak specifikálva. És még egy nagyon fontos dolgot említsünk meg, hogy mi intelligens megoldásokról beszélünk, nem pedig tudatról. Tehát mi intelligens gépeket szeretnénk, nem pedig tudattal rendelkező gépeket. De a fejlesztések iránya sem mutat erre.
A gépek mindig is segítették a modern embert a munkájában. A mesterséges intelligencia egy következő lépcsőfoka annak, hogy a technológia még több segítséget tudjon nyújtani az embernek. Ennek hatására az életminőségünk növekszik majd, és rengeteg időt is megspórolunk, mivel az ismétlődő feladatok helyett inkább kreatív dolgokkal tudunk majd foglalkozni.
A hétköznapjainkban is rengeteg ismétlődő feladatot kell megoldanunk, elvégeznünk. Például ilyen a bevásárlás. Az emberek nagy része a hétvégi bevásárlások során jellemzően ugyanazokat a termékeket veszi meg. Erre jöttek létre a nagy online cégeknél azok az alkalmazások, amik megtanulják, hogy az emberek mikor mit szeretnek vásárolni, melyik évszakban vesznek mondjuk epret és mennyit. Később egy keresés során pedig felajánlják a lehetőséget, amivel megkönnyítik a felhasználók számára a választást és a döntést. Nem a gép mondja meg, hogy mi legyen a hűtőszekrényünkben, de bizonyos tekintetben megoldja, hogy nekünk alapfeladatokkal ne kelljen foglalkozni.

Szőke Zoltán

B.A: Nyilván előrébb vagyunk technológiában a húsz évvel ezelőttihez képest. Mennyivel vagyunk ma jobbak?

SZ.Z.: A technológiai fejlődésnek köszönhetően ugyanakkora energiaigénnyel ma nagyobb számítási kapacitás jön létre, viszont ebben azért van egy csavar. Ugyanis azok a problémák, amikre ma keressük a megoldásokat, szintén nagyon komplexek, sokkal komplexebbek, mint mondjuk két évtizeddel ezelőtt.
Ugyan nőtt a számítási kapacitás, nőtt a tárhelyek elérhetősége és a megfizethetősége, de ugyanilyen ütemben nőtt az igény a számítási kapacitás növelésére is.
A gépi tanulásnak az egyik alapja az adat, az adatok elérhetősége és értelmezése. Mostanság azt szokták mondani, hogy az „adat a ma olaja”. És ebben van is némi igazság abban az esetben, hogyha tudjuk, milyen adatról van szó, és pontosan mire akarjuk használni. Van három-négy olyan multinacionális IT cég, akik meglátták az üzleti lehetőséget az adatok tárolásában.

B.A.: A rendszer tanítása hogy történik? Tegyük fel, hogy egy utcaképet kell tételesen feldolgozni. Hallottam, hogy ezt az úgynevezett „címkézést” manuálisan végzik, ez valóban így működik? Ez egy gigászi meló.

SZ.Z.: Bizonyos gépi tanulási technológiáknál – a legelterjedtebbeknél – ez így működik. Az adatot pontosan feliratozni kell, mert ha ezt nem tesszük meg, akkor az algoritmus nem képes arra, hogy önmagától felismerje. Ez egy iszonyatosan nagy munka, és ezért mondtam azt, hogy az adatnak, a jó és címkézett adatnak, nagyon nagy értéke van.

B.A.: Egy adott probléma megoldását szolgáló adatmennyiséget hogy lehet hatékonyan kezelni?

SZ.Z.: Ma is használunk különböző tömörítési megoldásokat, és ez a rendszer is hasonlóan működik. Annak a hatalmas anyagmennyiségnek, amivel tanítjuk ezeket a gépeket, bizonyos aspektusait az algoritmus eltárolja. Becsomagolja önmagába azt az információt, amit a későbbiekben használva egy valós helyzetben alkalmazni fog. A kérdés mindig az, hogy mennyi anyagot akarunk becsomagoltatni, és az a csomag mekkora lesz. Ilyenkor meg kell találni az optimális összhangot. Ez akkor ideális, amikor a csomag még nem túl nagy, és csak a feladat megoldásához szükséges adatokat tartalmazza. Ebben az esetben az algoritmus minden helyzetben a megfelelő döntést tudja hozni majd. Alapvetően a gép jó eséllyel mindig fel fogja ismerni azt, amire megtanítják. Ha mondjuk gyalogosfelismerésről van szó, akkor a rendszer egy ismeretlen helyzetben is tudni fogja, hogy a gyalogos az egy gyalogos.

A.I.
A tudomány, pontosabban a mesterséges intelligencia, és a gépi tanulás ott kötődik össze, hogyha valaki képes a gépi tanulásra képes algoritmusokat megírni, kifejleszteni. Egy fejlesztőmérnöknek, akinek a mesterséges intelligencia a fő szakiránya, tudnia kell, hogy a bemenetben mi a hasznos adat. Ez azért fontos, mert az algoritmus csak így tud megfelelő és jó döntéseket hozni.

B.A.: Hogyan kell elképzelni egy mesterséges intelligenciával foglalkozó mérnök munkáját? Projektek vannak vagy más a metodika?

SZ.Z.: A feladat mindig a problémával kezdődik, amit meg kell oldani. Erre keressük a legjobb és a legmegfelelőbb megoldást, ami a mesterséges intelligencián alapul. Ilyenkor különböző megoldásokat vizsgálunk, ezek előnyeit, hátrányait, és ezután határozzuk meg azt az irányt, amerre szeretnénk haladni. Ezután jön ennek a kidolgozása, aminek természetesen az a célja, hogy a végén eljussunk a prototípustól a felhasználó számára is elérhető végtermékig.

B.A.: Mi jelenti a technológiában a legnagyobb kihívást?

SZ.Z.: A legnagyobb kihívás jelenleg a gépi tanulásban, egészen pontosan a gépi tanulás egyes ipari alkalmazásaiban az, hogy sok a biztonságkritikus terület. Például az önvezető autó ilyen. Egy olyan algoritmus esetében, ami gépi tanuláson alapszik, a legfontosabb kérdések egyike, hogyan tudjuk validálni, ellenőrizni. Ugyanis – legalábbis egyelőre – nem tudjuk megmondani azt, hogy gép által generált szabályok minden esetben a helyes döntést hozzák-e, mivel nem látunk bele.
A klasszikus megoldásokban – ahogy az elején is említettem – mi írjuk a receptet sorról-sorra, tehát pontosan tudjuk, hogy mi történik a különböző helyzetekben. Gépi tanulásnál a gép tanulta meg a szabályokat, és nincsen vizualizálható program. Így nem tudjuk, melyek ezek a létrehozott szabályok, és azt sem, hogy ezek helyesek-e, jók-e.

Szőke Zoltán

B.A.: Mégis, hogyan tudjuk ellenőrizni a rendszert?

SZ.Z.: Úgy vélem, sőt biztos is vagyok abban, hogy mielőtt a mélytanuláson vagy neurális hálózatokon alapuló algoritmusok hoznak döntéseket, kell hogy legyen közbenső lépcsőfok, ahol több rendszer párhuzamosan fut. És ebből az egyik olyan klasszikus alapokra épül, amit mi hoztunk létre, és az általunk meghatározott szabályok szerint működik. Ezzel a megoldással elérhetjük, hogy a két rendszer egymást ellenőrzi és egyben ki is terjeszti.
Van egy másik út is, amivel a döntési pontosságot emelhetjük, mégpedig az, hogy nem várjuk el a rendszertől, hogy egy nagy, komplex problémát oldjon meg, hanem a feladatot részekre bontjuk. Az ilyen, pici részekre tagolt problémát egy jól megírt algoritmus 99,99 százalékos pontossággal helyesen fogja megoldani, és így a rendszer is jól ellenőrizhetővé válik.
Én személy szerint kevésbé hiszek azokban az interneten vagy itt-ott látható megoldásokban, amikor úgy akarnak megtanítani egy autót vezetni, hogy felvesznek egy csomó képet, mindenféle forgalmi helyzetben, hegyek között, országúton stb., és ezt betáplálják a neurális hálózatba, az autó pedig megtanul vezetni. A dolog egyébként viszonylag jól működik, de csak viszonylag. Csak az a kérdés, hogy ez a viszonylag 70-80 százalék-e, vagy pedig 99,9999…, és még nagyon sok kilences. A valós élet komplexitása olyan magas, hogy én nem hiszek azokban a megoldásokban, amiket a szakirodalom csak „end to end”-nek hív. Ezek nem bontják a feladatokat kisebb egységekre, hanem „leegyszerűsítik a dolgot” azzal, hogy ezermillió órányi autózás közbeni képpel tanítják az algoritmust, aminek a végén a rendszer tudja vezetni majd az autót. Sikerélmény van, de óriási kockázati tényezők mellett, amelyeket szerintem egyikünk sem merne bevállalni.

B.A.: A legtöbb navigációs rendszer is adatot gyűjt, és ezután egyedi alternatívákat is felajánlanak, megtanulják a szokásainkat, igazodnak is hozzánk. Ezek is mesterséges intelligencián alapulnak?

SZ.Z.: Igen, ez egy nagyon egyszerű alkalmazása a mesterséges intelligenciának. De nem csak a szokásaidat tanulja meg, hanem azt is, hogy általában milyen gyorsan vezetsz. Ki lehet próbálni például azt is, hogy ugyanazt a címet beütve egyikünknek ezt, a másikunknak azt az útvonalat ajánlja majd fel, sőt ennek fényében az is elképzelhető, hogy az érkezési időben is lesz különbség. Szóval megtanulja a vezetési stílust és számos preferenciát, például azt, hogy a felhasználó általában milyen útvonalakat részesít előnyben, és még sorolhatnám.

Szőke Zoltán
De az élet nagyon sok területén alkalmaznak már mesterséges intelligencián alapuló rendszereket. Például az online értékesítésben állandóan figyelik, hogy mik a választási lehetőségek, de az orvostudomány is alkalmazza már őket a daganatos sejtek felismerésére.
A mesterséges intelligenciára úgy kell tekinteni, mint egy eszközre, ugyanolyan eszköz, mint száz éve mondjuk az autó volt.

B.A.: A Boschnál már korábban elhangzott, hogy kiemelt figyelmet kap a mesterséges intelligencia fejlesztése, Németországban is letették egy új létesítmény alapjait, ami ezzel a területtel foglalkozik majd. Magyarország is egy jelentős fejlesztőbázisa a cégnek, itt is van részleg már, ami ezzel a területtel foglalkozik?

SZ.Z.: A terület olyan dinamikusan fejlődik, hogy a Boschnak is több ezer mesterséges intelligenciával foglalkozó mérnökre lenne szüksége. Idehaza a bázis egy része már megépült, és fejlődik tovább. Természetesen az alkalmazási terület és a fejlesztés nem korlátozódik le csak az önvezető autókra, hanem olyan feladatokkal is foglalkozunk, amiket nem tudunk klasszikus módon megoldani, csak mesterséges intelligencia alkalmazásával.
De a technológiának nagyon sok alkalmazása van, akár az iparban, a gyártásban, de nagyon apró területeken is használjuk, például repetitív munkára is, amit jól ki tud váltani egy algoritmus. Tehát nem csak végeredményben kell és lehet gondolkozni, hanem magában a fejlesztési folyamatban is alkalmazunk mesterséges intelligenciát, ezzel mindenféle szempontból hatékonyabbak leszünk, és ez a végtermék árában is megmutatkozik majd.
Idehaza néhány évvel ezelőtt kezdtük el felépíteni a mesterséges intelligenciával foglalkozó csapatunkat, amire nagyon büszkék vagyunk, mert sikerült több jó szakembert, kutatót és néhány nagyon tehetséges egy-két nagyon jó végzős diákot magunkhoz csábítani. Itt jegyzem meg, hogy ezzel egy pici alternatívát is tudtunk nyújtani azok számára, akik a külföld felé kacsintottak, mert nem találtak idehaza olyan megfelelő munkahelyet, ami ezzel a területtel foglalkozott volna.