Ha meghalljuk azt, hogy mesterséges intelligencia fejlesztés vagy machine learning, a legtöbbünknek egészen határozott elképzelése van róla, mit is jelentenek ezek a fogalmak. Nem is véletlenül, hiszen napjaink vezető technológiáiról van szó, amelyek egyre nagyobb teret nyernek már a felhasználói szintű alkalmazásban is. De nem szabad elmenni az ipari és céges szintű felhasználási módok mellett sem, amelyek többek között képesek hatékonyabbá tenni a gyártás, a toborzás, vagy épp a munkaerő menedzsment folyamatát.
Annak érdekében, hogy jobban megértsük és érthetővé tegyük, mit is jelent az AI fejlesztés napjainkban és milyen lehetőségeket tartogat a közeljövőben, Grad-Gyenge László mesterséges intelligencia szakértőt, a CREO Group CEO-ját kérdeztük egy átfogó interjú keretében!
Mi is valójában a mesterséges intelligencia? Mik a legnagyobb tévhitek vele kapcsolatban?
„Nekem a mesterséges intelligenciának az eredeti fogalma tetszik a legjobban, ez pedig a kínai szoba. Tehát, ha írásban kommunikálok valakivel, nem szóban, az leválasztja az összes metakommunikációs csatornát, amit sokkal nehezebb szimulálni egy gép segítségével. Nyilván, ha egy gumibaba ül előttünk, azt sokkal könnyebben kiszúrjuk. Míg, ha írásbeli a kommunikáció, akkor az üzenetek alapján nekem el kell tudni dönteni, hogy az egy ember, vagy egy algoritmus. Ez a kínai szobának az alapja. A chatbotok valami ilyesmit csinálnak most, de még nem annyira profik. Inkább arra lehet használni őket, hogy gyakori kérdéseket megválaszoljanak.
Na, de a második kérdés az volt, hogy mik a legnagyobb tévhitek az AI-al kapcsolatban. Szerintem itt az az alapmechanizmusa a médiának, ezeknek a hollywoodi filmeknek a hullámára felülve, hogy az AI majd egyszer átveszi az uralmat. Ebben a témában nemcsak filmek vannak, hanem érdemes Lemet, vagy Asimovot is olvasni. Én Lemet jobban szeretem, mert kissé filozofikusabb. Mesterséges intelligencia szakértőként a munkámban azt látom, hogy ettől az AI még nagyon messze van.
Ha valaki fejlesztett már mesterséges intelligenciát, pontosan tudja, hogy először adatokat kell gyűjteni, tisztítani, ami nagyon nagy munka, elég költséges is. Ezek alapján be lehet tanítani egy algoritmust és ez a modell egy adott szűk területen képes arra, hogy elvégezzen egy feladatot. Tud például hallott szövegből írottat kreálni, illetve az egyetemen van most egy olyan projektünk, amiben egy okos kamerával nézzük a gyártósort és azt detektáljuk, hogy az adott gyártósorra mikor került rá egy alkatrész. Ebből tudunk arra következtetni, hogy mennyi idő alatt készül el valami, és még fontosabb, hogy minőségbiztosítást tudunk végezni.
Az AI most ott tart, hogy sok munkával el lehet érni azt, hogy egy adott részterületen egy működő rendszer készüljön. Ezzel az automatizmussal akár ki is lehet váltani egy részfolyamatot, de azért oda kell egy segédszemélyzet. Tehát azt a robotot, ami át akarja venni a világuralmat, rendszeresen olajozni kell és karbantartani valakinek. „
Te személy szerint mit szeretsz a mesterséges intelligencia fejlesztésben?
„Én nagyon szeretek új problémákon dolgozni. Tehát ha kapok egy új feladatot és az megoldható, akkor arra rátapadok és addig dolgozom rajta, amíg az kész nincs és meg nem van oldva. Ha úgy érzem, hogy egy területen már kitanultam a szakmát, akkor keresek egy másikat és kitanulom azt is. Ebben nyilván szakmai és üzleti motiváció is van, tehát olyan dolgokon nem szeretek dolgozni, amiknek aztán senki nem látja hasznát.
Ebből adódóan azt vettem észre, hogy engem általában megtalálnak a projektek.
Az a tapasztalatom, hogy a legtöbb projekt akkor működik, ha az ügyféligény hozza.
Például, ha kitalálják, hogy a számláikat automatikusan dolgozzuk fel, vagy ki tudjuk optimalizálni a gyártási folyamataikat, vagy a minőségellenőrzést segítsük mesterséges intelligencia folyamatokkal. Ezekre lehet megoldásokat kínálni. Ahhoz, hogy egy ilyen projekt sikeres legyen, a partnernek, vagy az ügyfélnek azonban hoznia kell a területi szakmai tudását is.”
Milyen területeken járulhat hozzá a technológia, társadalom fejlődéséhez a deep learning és az AI?
„A mesterséges intelligencia kommunikációja fel tud építeni egy ökoszisztémát, ami hozzájárul ahhoz, hogy új területeken is alkalmazzák azt. Nyilván lesznek olyan projektek, amik sikeresek lesznek és olyanok is, amik nem, de Magyarországon most nagyon erősen kommunikálják a mesterséges intelligenciát. Talán erősebben is, mint a környező országokban.
Társadalmi vonalon nekünk volt is egy elég érdekes projektünk. Ezt úgy hívták, hogy Media Bubble és a Google DNI (Google Digital News Initiative) finanszírozta. Itt készítettünk egy szoftvert, ami folyamatosan monitorozta a magyar online médiát és a nagyobb hírportálokról gyűjtötte a híreket.
Van ugye egy olyan paradigma, hogy a Media Bubble, vagy Filter Bubble, ami azt jelenti, hogy az átlagos hírolvasó nem használ több hírforrást arra, hogy tájékozódjon. Mert ha csak egyet használ, vagy csak keveset, annak az lesz az eredménye, hogy nem lesz védett arra, hogy milyen információk jutnak el hozzá, ezáltal könnyen befolyásolhatóvá válik. Mi ebben próbáltunk segíteni az átlagos hírolvasónak azzal, hogy ha olvasott egy hírt az egyik oldalról, akkor mutattunk neki egyet a másik oldalról. Ennek a technológiája nagyban kapcsolódott az akkori kutatási projektemhez, ami a természetes nyelvfeldolgozás, hogy hogyan tudja az algoritmus értelmezni a természetes nyelven írott szövegeket.
De van most egy projektem vállalati oldalról is, ami az AI in HR nevet viseli. Ez nagyon érdekes, három partnerrel konzorciumban csináljuk, akik közül az egyik nem IT szakember, hanem behavioral scientist (viselkedéskutató). Neki van egy rendszere arra, hogy egy interjú során meghatározza, hogy egy interjúalanynak milyenek a vezetői képességei. Ez egy tizenhat pontból álló rendszer, amivel a probléma csak az, hogy nem skálázható, hiszen kell egy olyan szakember, aki el tudja ezt a folyamatot végezni. Mi erre állítottunk fel egy mesterséges intelligenciát, ami a megfelelő jelek vizsgálatával képes felismerni, értékelni és kivenni ezeket a vezető képességeket. Nyilván az alap érzelmek felismerése nem olyan bonyolult, le lehet tölteni akár a githubról is. Mi a gesztikulációra és a tonalitásra koncentráltunk, ami már sokkal árnyaltabb.„
Miért éri meg belevágni a mesterséges intelligencia kutatásába, fejlesztésébe?
„Ha valaki rákeres arra, hogy AI winter, akkor fog találni egy olyan ábrát, miszerint az AI fejlesztésének most veselkedünk neki harmadszor. Ezeket a leszálló ágban lévő éveket nevezzük winternek. Jelenleg a harmadik nekibuzdulás korát éljük, ami 2010 után kezdődött, nagyjából a Deep Learning megjelenésével. Ekkor ugye nagyon sok adat jelent meg és a hardverek is nagyon sokat fejlődtek, megjelentek a GPU-s kártyák és az osztott szoftverarchitektúrák.
2000 környékén a kutatók úgy gondolták, hogy minden több rétegű neuronháló kiváltható egyrétegű neuronhálóval. Ez igaz is, csakhogy az nagyon hosszú lesz. Aztán 2010 környékén megkérdőjeleződött ez a paradigma és visszatértünk a több rétegű neuronhálókhoz. A nehézséget az okozza, hogy amikor nagyon megnőnek ezek a neuronhálók, nagyon nehézzé válik a tanításuk.
Az áttörés elérése tehát három dolognak köszönhető:
- lett adat,
- lett kapacitás
- és lett algoritmus.
A kép felismerésben és a szövegek leiratozásában már jobbak az algoritmusok, mint az ember, tehát sikerült megdönteni a hibahatárt.
Ez azt jelenti, hogy most sikerült olyan alkalmazásokat csinálni, ami nem egy sakk, vagy egy go, ahol egy teljesen absztrakt pályán mozog az ember egy steril környezetben, hanem ténylegesen alkalmazható. És egyre több olyan terület jön elő, ahol lehet találni olyan alkalmazási módokat, ahol üzleti értéke is van ennek a technológiának.”
Milyen fejlesztői, technológiai ismeretek szükségesek ahhoz, hogy valaki részt vehessen mesterséges intelligencia projektben?
„Szükség van az alapvető programozói skillekre, ezen kívül nem árt, ha van az embernek egy átfogó matek tudása is. Ez nem azt jelenti, hogy a legbonyolultabb analízist, vagy képleteket kell tudni, de az nem árt, ha a lineáris algebrával tisztában vagyunk, ami ugye az első két félév az egyetemen, vagy a valószínűségszámítás alapjaival. Ezek nem kellenek feltétlenül ahhoz, hogy valaki mesterséges intelligenciával foglalkozzon, de ha átlátja ezeket a folyamatokat, az segít abban, hogy milyen dobozokat kell egymásra rakni és azok miért fognak működni, vagy miért nem fognak működni.
Én ezeket az ismereteket a képzéseimen az első pár órán fel szoktam frissíteni. Rákérdezek, hogy mi az a mátrix, hogyan szorozzuk össze egy vektorral, mivel a neuronhálókat úgy tudom kiszámítani, ha ezeket a műveleteket elvégeztetem a számítógéppel.”
Érdekel az AI fejlesztés? Akkor olvasd el interjúnkat Dr. Faragó Csabával is, akit a Python felhasználási területeiről és a mesterséges intelligencia fejlesztésben betöltött szerepéről is kérdeztünk.
Hogyan néz ki egy mesterséges intelligencia projekt, kik vesznek részt benne?
„Én már voltam sikeres és nem sikeres projektben is, tehát tudom, hogy ha hiányzik valaki, vagy valami.
Akkor tud jól működni egy ilyen projekt, ha van üzleti és szakmai oldalról is támogatás.
Tehát én odaviszem a machine learning tudást, a cég ügyvezetője vagy technológiai vezetője pedig kérje meg az alkalmazottakat, hogy segítsenek a programozóknak, szánják rá az időt és találják ki, mi lesz az üzleti értéke a dolognak, illetve legyenek ott a megfelelő területi szakemberek.
Mi dolgoztunk egy olyan ipari projektben, ahol egy okoskamerás megoldást csináltunk és találkoztunk olyan szemlélettel, ahol az ott lévők féltek attól, hogy ez a rendszer elveszi majd a munkájukat. Pedig erről nyilván nem volt szó. Emiatt pedig nagyon kelletlenné vált az együttműködés. Tehát olyan partnereket kell találni, akik hisznek a projektben és tudják, hogy ebből hasznuk válik.”
Hogyan találhatunk olyan területeket, amelyeken jól jöhet az AI? Milyen módszerek vannak erre?
„Erre az ökoszisztéma építésnél jobbat nem tudok. Kell csinálni egy ilyen nagy olvasztótégelyt, amiben különböző kompetenciák vannak és meg kell nézni, hogy mire van igény. Az a legtöbb esetben nem működik, hogy egy ember megmondja az irányt és azt rögtön el is találja. Ezen sok embernek kell együtt dolgozni és ha ez egy heterogén csapat, az sokkal hatékonyabb.„
Mik a mesterséges intelligencia építőkövei
„Nem lehet tökéletes osztályozást csinálni, ez ilyen alaptézis, de ez talán nem fog annyira megváltozni, amit most mondok. Van ugye a nagy kupac, az AI, vagy mesterséges intelligencia, azon belül van a machine learning és azon belül vannak olyan módszerek, amik nem gépi tanulási módszerek, hanem például gráfkeresés, vagy logikai szabályoknak az egymás után rakása.
Én a gépi tanulásra azt szoktam mondani, hogy a minták alapján tanuló algoritmusoknak az osztálya. Ezeknek meg kell mutatni, hogy melyik X-ből és hogyan kell Y-t csinálni és azt jó sokszor meg kell neki mutatni. Ha az algoritmus elég ügyes, akkor ezt el tudja majd végezni később önállóan is. Mi pont ezzel szoktunk játszani, hogy mennyire kell jó modellező képességű algoritmusokkal dolgozni. Ha például egy nagyon nagy aggyal rendelkező algoritmust teszek be, ami azt jelenti, hogy nagyon sok neuront teszek be egy hálóba, akkor ő arra fog törekedni, hogy minél több dolgot jegyezzen meg és nem arra, hogy a szabályosságokat ismerje fel. Viszont, ha nagyon lebutítom az algoritmust, akkor nem lesz képes arra, hogy elég szofisztikáltan dolgozzon. Nagyon el kell tehát találni az egyensúlyt.
A deep learning ezzel szemben az a terület, ahol mély hálókkal dolgozunk, ezek sok rétegből álló hálók. Vannak például olyan építőkövei ezeknek a hálóknak, amik nem is neuronok, inkább matematikai szabályok. Ezek nem is tanulnak, csak kiveszik az információkat.”
Mit javasolsz azoknak, akik érdeklődnek az AI fejlesztés iránt, de még nem tudják, hogy elmerüljenek-e benne? Van-e lehetőség kipróbálni alaptudás nélkül?
„Nekem most a Webunival van két mesterséges intelligencia képzésem is. A rövidebb inkább üzleti jellegű, alkalmazás orientáltabb. Ez ahhoz ad támpontot, hogy ha valaki szeretne egy mesterséges intelligencia projektet, akkor azt hogyan kell összerakni. Erre van például a Business Canvas, amiben össze kell állítani, hogy milyen értéket ad, hogyan juttatom el a célközönséghez, milyen költségeim lesznek. Ezért ez inkább üzletibb szemléletű, de ahhoz, hogy ezt össze tudjuk rakni, nagyjából át kell látni a területet.
Ahhoz, hogy idáig el tudjunk jutni, én el fogom mondani a hallgatóknak, hogy milyen képességei vannak most a mesterséges intelligencia algoritmusoknak az egyes területeken. Azt, hogy ezek hol lesznek alkalmazva, inkább ráhagynám a hallgatókra, akik saját ötletet, problémát hozhatnak a kurzusra, aminek a vége az lesz, hogy megtervezünk egy AI alapú alkalmazást.
A nagy képzés inkább technikai. Ha megvan a projekt, azt ugye praktikus kivitelezni is. Itt végigmegyünk az alapoktól a modern algoritmusokig. Megnézzük, hogy mit csináltak a kutatók a kezdetekben, hogyan próbálták megfogni a problémát. Hogyan tudunk egy magasabb térből úgy leképezni adatokat egy alacsonyabb térbe, hogy az vizualizálható legyen és leképezhető az algoritmusok számára? Megnézzük az alap algoritmuscsoportokat is, például osztályozás, clasterezés, regresszió.
Nekem például volt egy ilyen egészségügyi projektem, aminek a célja az volt, hogy a fájdalomszintet meg lehessen állapítani olyan betegeknél, akik eszméletlenek, kómában vannak. A regressziónak például az a feladata, hogy a szenzorjelből, ami valamennyi X, meg tudja állapítani, hogy mekkora szintű a fájdalom. A mesterséges intelligencia projekteknél ez a nulladik lépés fejlesztői oldalról, hogy nekem meg kell tudni mondani, hogy ezt a feladatot én most osztályozással, clasterezéssel, vagy regresszióval tudom megoldani.”
Ha beszélhetnél a 10 évvel ezelőtti önmagaddal, csinálnál-e valamit másképp, vagy mit tanácsolnál neki szakmai szempontból?
„Igazából nem változtatnék semmin. Az ember hibázik és ezekből nagyon sokat lehet tanulni szakmai szempontból is. „
Egyszavasok:
- Név: Grad-Gyenge László
- Titulus: mesterséges intelligencia szakértő és kutató
- Iroda vs Home office, vagy hibrid?
Nekem ez kicsit hektikus. Van a cégem, az egyetem, illetve vannak olyan projektjeim, amikor az ügyfélnél kell lennem - Kávé vs Tea, vagy energiaital?
Tea - Milyen gépen dolgozol?
Ez attól függ, hogy hol vagyok éppen, de a munka javát a szerverünk végzi. - Hány monitort használsz?
Egyet
- Dark vs Light fejlesztői környezet?
Teljes mértékig alkalmazkodom - Magyarul vagy angolul kommentelsz?
Angolul, hogy minél több ember érthesse - TAB vagy SPACE?
TAB
