Hát ezért nem tökéletes a mesterséges intelligencia
Jelasity Márk egyetemi tanár, a Szegedi Tudományegyetem tanszékvezetője előadásában elmondta: a mesterséges intelligencia modellek adatalapon működnek, így például amikor egy képfelismerő algoritmusnak el kell döntenie néhány képről, hogy kutyát vagy macskát ábrázol, akkor egy adatok sokaságán alapuló függvényt kell összeállítania, amely a kutyákat és a macskákat megkülönbözteti egymástól. Ha egy harmadikféle állatot adunk a modellnek, akkor azt is be fogja sorolni valamelyik előre megadott kategóriába, vagyis
a modellek nehezen kezelik azokat az eseteket, amelyek nem szerepeltek a tanítási adatbázisukban
(ún. eloszláson kívüli példák). Bár léteznek technikák ezen problémák kezelésére, ezek alkalmazása nem mindig egyértelmű és egyszerű. Az AlphaGo nevű neurális háló alapú modell nagy áttörést jelentett a go játékban, hiszen számos emberi játékost legyőzött. Azonban mára kiderült, hogy ezek a modellek sem tévedhetetlenek, és bizonyos helyzetekben hibázhatnak.
Az inkonzisztens viselkedés is gyakori a mesterséges intelligencia modellek esetében: az emberek számára általában természetes, hogy egy eredeti kép tükörképét is ugyanúgy felismerik, a neuronhálóknak viszont ez egyáltalán nem evidens. Bár a modern neurális hálók egyre jobban képesek kezelni az ilyen szimmetriákat is, különösen, ha megfelelő mennyiségű és változatos adatokkal tanítják őket. A képek manipulációja vagy a véletlen zajok alkalmazása pedig olyan illúziókat generálhat, amelyek megtévesztik a mesterséges intelligenciát. A go játék esetében a játéktábla például a 90 fokos elforgatása drámai romlást tud hozni a neuronháló viselkedésében. Szerencsére
a zajokat adataugmentációs technikák segítségével felhasználhatják arra is, hogy a modellek robusztusabbak legyenek,
például az önvezető autókban konkrét problémákat küszöböljenek ki velük. A szakember a mesterséges intelligencia egészségügyi alkalmazásának lehetőségeire is konkrét példákat mutatott be: stroke-on átesett vagy más okból nyelvi kifejezési problémákkal küzdő betegek kommunikációjának megértéséhez is használják a mesterséges intelligencia technológiát. Emellett a technika alkalmas az epilepsziás rohamok előrejelzésére is, EEG-adatok gyűjtése és feldolgozása segítségével.
Csak azt tudja megoldani a mesterséges intelligencia, amiről van adata
Farkas Richárd egyetemi docens, a MILAB nyelvtechnológiai alprojekt vezetője a nagy nyelvi modellekről és a szegedi AI-oktatásról beszélt előadásában. Mint elmondta, a gépi tanulás lényege nem a mesterséges intelligencia öntudatra ébredése, hanem a feladatok emberi megoldásának elősegítése az emberek számára rendelkezésre álló adatok alapján. Az önvezetés területén például a gép adatalapon megtanulja, hogy bizonyos szituációkban hogyan viselkednek az emberek, de ennél többre nem képes. Így mindig lesz olyan szituáció, amivel a gép még sosem találkozott, és ezért nem tudjuk, ilyen helyzetben hogyan fog reagálni.
A nagy nyelvi modellekről szólva a szakember elmondta: a szöveggenerálást alapvetően úgy tanulták meg ezek a modellek, hogy szavakat helyeztek egymás után, és az internetes adatbázisok alapján egyre jobban megértették, mi a helyes mondatszerkezet a leggyakoribb emberi használat alapján.
A nyelvi modellek még mindig nem intelligensek, hanem mintakövetők: azt hajtják végre, amit megtanítottak nekik.
A ChatGPT-nek két feladatot kell nyelvileg megoldania: 1. jó angolsággal írjon, 2. az emberi demonstrációhoz hasonló módon oldja meg a feladatokat.
A ChatGPT előtt is léteztek nyelvtechnológiai megoldások: a Szegedi Egyetemen kifejlesztett HusSpaCy például nem generál szöveget, de rengeteg nyelvi feladat megoldására alkalmas. Neurális hálókon és mélytanuláson alapul, de nem generatív, hanem felismerésen alapul. Viselkedése explicit módon leírható és az ember által kontrollálható, és egy elemzés lefuttatásához ezredannyi erőforrás szükséges, mint egy ChatGPT-mondat legenerálásához. Más nyelvi modellek is léteznek: a kicsit erősebb laptopon is futtatható közepes méretű nyelvi modelleket (medium language models) a Szegedi Egyetemen például nem szöveggenerálásra, hanem más szöveges feladatokra alkalmazzák. A ChatGPT olyan, mint egy svájci bicska:
bármilyen feladatra alkalmazható segítségként, azonban egy cég automatizált feladatainak megvalósításához dedikált eszközökre lehet szükség dedikált algoritmusok segítségével.
Nem a ChatGPT megjelenése volt az igazi meglepetés
Az előadásokat követő kerekasztal-beszélgetésben elhangzott:
a szakértők számára a ChatGPT megjelenése nem volt meglepetés, az viszont igen, hogy a nagyközönség ekkora hype-pal fogadta, és kockázataival együtt használni kezdte.
Nagy dolog, hogy közkinccsé vált az AI, de mindenhatóságát óvatosabban kellene kezelni, mert terjedése megjósolhatatlan kockázatokat jelent sok területen, például a fegyveriparban is.
Németh Balázs, a K&H Csoport innovációs vezetője szerint az OpenAI kialakulóban lévő monopóliuma is komoly kérdéseket vet fel. A szakember elárulta: amikor elkezdték a mesterséges intelligenciával kapcsolatos gondolkodást a banknál, akkor bizony nagy hümmögés fogadta az első elképzeléseket. Mára viszont már azzal foglalkoznak, hogy a mesterséges intelligencia segítségével a pénzügyek intézése miként lehet gyors, egyszerű, gördülékeny és szinte észrevehetetlen az ügyfelek számára. A szakember szerint 3 éven belül nem hoz még nagy csodákat az AI a pénzügyek területén, de később
az ügyfelek adatalapú megértésében komoly áttöréseket fog hozni.
Vadócz Zsolt, a K&H Bank digitális vezetője elmondta: a bank digitális asszisztense, Kate eltérő céljai és tulajdonságai miatt nem a ChatGPT-t vagy egy másik generatív AI-modellt használ, hanem a Szegedi Tudományegyetemmel való együttműködés alapján hazai fejlesztésű, nem generatív nyelvi algoritmusokon alapul. A bank AI-alapú digitális asszisztense nem generálja a szavakat, hanem valódi szándékokat felismerve ad válaszokat – tette hozzá.
Másik cikkünk a K&H Bank sajtóútjáról:
Címlapkép forrása: Education Images via Getty Images
