Hogyan épül fel a mesterséges intelligencia és hogyan működik?

Ennek az egyik első mérföldköve volt, amikor a Deep Blue sakk program legyőzte az akkori világbajnok Kaszparovot 1997-ben. Beprogramozták a szabályokat, taktikákat, és hogy előre lássa a lehetőségeket különböző takikai manőverek esetén.

Egy mai mesterséges intelligencia már ott tart, hogy megadod a feladatot, és saját maga találja ki, hogy hogyan oldja meg. Mutatsz neki több ezer sakkjátszmát, és magától rájön a szabályokra, és saját magától fejleszti ki a taktikákat. Egy ilyen program nem hogy a sakkvilágbajnokot, de a Deep Bluet is laposra verné sakkban.

Ahogy #1 írja, a mesterséges intelligencia egy tudományág. Amit hétköznapilag értenek rajta, és valószínűleg te is, az egy mesterséges intelligencia eredményein alapuló megoldás, valóban egy szoftver (nagyon ritkán hardveres implementáció).

A számításigény elsősorban nem a kiértékelés (pl. karakter felismerése), hanem a tanítás (megmutatunk 5000 képet egy "a" karakterről és annak alapján próbáljuk meghatározni, hogy miért éppen "a" az a betű) oldalán jelentkezik. Az Alexa pedig nem jó példa, ugyanis az a háttérben az amazon felhőjét használja, amihez jelentős számításigény kell, az valójában ott fut.

Mielőtt írnék egy sok sort, a hardware kérdésre szeretnék válaszolni. Ezek algoritmus alapján működnek és rengeteg adat segítségével "tanítják" be ezeket. A betanítás folyamatához kellenek erős gépek, mivel szinte végig mátrixszámításokat kell végezni, amihez nagyon erős vidikarik kellenek. Utána bármilyem gépre rá teheted a modellt amit készítettél, hiszen itt már csak egy függvényed lesz, amibe beleteszel számokat és kiad egy eredményt.

Ezt nem lehet elmagyarázni egyszerűen. Főleg azért, mert a mesterséges inteligencia egy buzzword. Szóval nem tartunk az MI szintjén egyáltalán. A helyes megnevezés a gépi tanulás (angolul machine learning -> ML). Mivel ténylegesen ez történik.

Lineáris regresszió a legalapabb ML. Ez úgy néz ki, hogy fogsz két adathalmazt, pl tanult órák száma és vizsgán elért pontok. Utána ezeket csoportosítod, szóval 78pont, 4óra tanulás 60 pont 2 óra tanulás ... Ezek után ezt ábrázolod egy koordináta rendszerben. Értelem szerűen minél többet tanulsz, annál több pontot szerzel, szóval az ábrázolt pontok egy lineáris függvény szerű képet fognak adni. Szóval, megpróbálsz rá illeszteni az ábrázolt pontokra egy egyenest, ami mindegyik ponttól a lehető legeslegkisebb távolságra van. Miután ez megvan, bármilyen új adatot felvehetsz, pl 6.33 óra tanulás, ezt ráméred az egyenesre, onnan meg leolvasod hogy mány pont tartozik hozzá. Persze erre vannak csúnya képletek és a folyamat algoritmizálva van és így van leprogramozva.

-A többi algoritmus is hasonlóan működik, vannak adataid, ezek felvesznek valamilyem alakot mikor ábrázolod és ez alapján próbálsz ráilleszteni egy egyenest.

-Mikor ezt csinálod, van tanító adat (training data) és teszt adat (test data). Ezt úgy érdemes csinálni, hogy pl 80% és 20% arányban veszed az adatokat. A teszt adatoknak tudod a kimenetelét pontosan előre, szóval mikor teszteled, akkor.tudni fogod milyen pontos a modelled (min95% kell legyen).

-Amit mesterséges inteligenciának hívnak, azok neurális hálózatokból épülnek fel. Ez ultra bonyolult, az agyban található neuronokat próbálja utánozni működésileg. De ez is egy kiló matek, bonyolult képletek.

-És a neurális hálózatokból jön a deeplearning és EZ az ami a nagy áttörés volt egy évtizede. Ez jelenleg a gépi tanulás csúcsa, minden lenyűgöző MI mögött szinte biztosan ez rejlik.

-Ami még fontos, hogy az ML-hez rengeteg adat kell, pláne ha pontos eredményt szeretnénk kapni. Viszont az adatoknak a problémádhoz kötődnie kell és az algorirmusban is értékelhető szerepet kell betöltenie.

Ezek a neurális hálózatok pl a teslánál esélyeket számolnak (persze ez nagyon nagy ferdítéssel igaz csak, de egyszerűség kedvéért maradjunk ebben). Szóval térképezik az utat és folyamatosan számításokat végeznek, és az esélyek alapján dönt arról hogy mit csináljon.

Amit írtam az nagyon nagy vonalakban ábrázol egy kesze kusza képet, de tényleg nagyon nehéz ezt elmagyarázni. Kérdezz nyugodtan ha valamit nem értettél, segítek szívesen és elmagyarázom jobban. Próbáltam most szűkre fogni.

Ui:

-Onnan értek ehez, hogy dolgoztam ML területen, viszont amilyen menőn hangzik, annyira nem az. Maradtam matekos területen, de ML-t és társait nagy ívben kerülöm.