A mesterséges intelligencia és a gépi tanulás folyamata az emberek többségét napjainkban egyre inkább foglalkoztatja. Számítógépeink már rengeteg dolgot képesek önállóan megtanulni, az egészen egyszerű műveletektől kezdve az olyan, bonyolultabb és összetettebb feladatokig, mint az emberekkel történő társalgás folyamata. Ha szeretnénk, akkor pedig a témában akár oldalak ezreit is átolvashatjuk, ami nem véletlen, hiszen rendkívül összetett és széles kérdéskörről beszélünk. 

De mit is jelent pontosan a gépi tanulás folyamata röviden és tömören? És hogyan lehet képes egy mesterségesen létrehozott rendszer arra, hogy saját tudását önállóan, emberi beavatkozás nélkül fejlessze? Ebben a bejegyzésben a neurális hálózatok fogalmával fogunk megismerkedni, és megmutatjuk azt, hogyan hasonlíthat egy mesterséges hálózat kialakítása az emberi idegrendszer felépítéséhez.

Hogyan működik az emberi idegrendszer?

Ahhoz, hogy megértsük a gépi tanulás és a mesterséges neurális hálózatok működését, a legjobb, ha az emberi idegrendszer felépítésének megismerésével kezdjük. 

Idegrendszerünk legfontosabb feldolgozó egységei nem mások, mint az agyunkban található idegsejtek, azaz a neuronok. A neuronok minden esetben egy bemenettel és egy kimenettel (dentrit és axon) rendelkeznek, ezeken keresztül képesek kapcsolatot teremteni egymással. Összekapcsolódva egy rendkívül bonyolult hálózatot alkotnak, mely lehetővé teszi azt, hogy új ismereteket sajátítsunk el, és tudásunkat folyamatosan fejlesszük. De mégis, hogyan történik ez?

Amikor valami újat tanulunk, a neuronok között kapcsolatok, úgynevezett szinapszisok jönnek létre vagy épp szűnnek meg. Ezek a kapcsolatok hozzájárulnak ahhoz, hogy rajtuk keresztül továbbítódjanak a bemeneti neuronok által érzékelt ingerületek. 

Egy aktív állapotban lévő neuron a vele kapcsolatban lévő idegsejteket nyugalmi állapotból aktív állapotba hozhatja, vagy épp fordítva, deaktiválhatja őket. Ennek hatására a tanulási folyamat során a sejtek közti kapcsolatok egyre erősebbek vagy gyengébbek lesznek, ami attól függ, hogy a tanult feladat végrehajtásában a szinapszison keresztül továbbított ingerület mennyire volt hasznos a számunkra. Egy problématípus megoldásának gyakorlása során az ehhez használt kapcsolatok így értelemszerűen megerősödnek, a következő alkalommal tehát jobban teljesítjük az adott feladatot.

Ha rendkívül röviden szeretnénk összefoglalni a dolgot, abban az esetben azt mondhatjuk, hogy az idegrendszer hálózata neuronokból és a köztük létező kapcsolatokból áll, a tanulás előtti és utáni állapot esetében pedig nem maguk az idegsejtek, hanem a köztük fennálló kapcsolatok, szinapszisok változnak.

Mik azok a mesterséges neurális hálózatok?

Hasonló a helyzet a gépi tanulás esetében is, hiszen a gépi algoritmusok fejlesztésekor gyakorlatilag ugyanilyen módon, neuronokból építkezünk. Összekötjük őket egymással, a folyamatos gyakorlással, adatbevitellel pedig a köztük létrejött szinapszisokat módosítjuk. A cél minden esetben az, hogy a mesterséges idegsejtek hálózatát sikerüljön úgy átdrótoznunk, hogy az a lehető legpontosabban képes legyen egy adott feladat elvégzésére, probléma megoldására.

Az önálló tanulásra alkalmas programok tehát mesterséges neurális hálózatok, melyeket a biológiai neurális hálózatok ihlettek. Ezek a rendszerek a hagyományos szoftverekkel szemben anélkül képesek megoldani egy adott problémát, hogy konkrétan megmondanánk nekik a megoldás lépéseit. Az előre kódolt utasítások helyett maguktól jönnek rá a megfejtésre, a korábbi tapasztalataikra építve pedig egyre hatékonyabban képesek végrehajtani egy adott feladatot, tehát tanulnak. 

Érdemes megemlíteni azonban, hogy a mesterséges neurális hálózatok esetében minden kapcsolat irányított, ami azt jelenti, hogy az információ kizárólag a két végén található neuron közt, egy irányban áramlik. A bemeneti neuronok az emberi érzékszervekhez hasonlóan állnak kapcsolatban a külvilággal, míg a hálózat utolsó neuronjai az adott program kimenetét képzik.

Hogyan működik a gépi tanulás folyamata?

A neurális hálókat általában olyan feladatokra alkalmazzák, melyeket programnyelveken nehezen lehet megfogalmazni. Ilyen lehet például a kép alapján történő szöveg felismerése, hiszen a különböző betűk jellemzőit komplex és körülményes feladat lenne parancssorokkal meghatározni. 

A neurális hálózatok alkalmazásával azonban a mesterséges intelligencia képes lehet arra, hogy elsajátítsa az ehhez szükséges tudást. És hogy hogyan?

Programunknak a felismerendő betűket szürkeárnyalatos képként adhatjuk meg. Ebben minden egyes képpont egy-egy bemeneti neuronnak felel meg. Ha az adott képpont fekete, akkor a neuron bemeneti értéke 1, ha pedig fehér, abban az esetben 0. A különböző árnyalatokat a 0 és 1 közötti törtszámok jelölik, így a rendszer a kézírás halványabb, kevésbé domináns részeit is képes felismerni. A neurális hálózat a lehetséges betűk számának megfelelő kimenettel fog rendelkezni, ideális esetben ezek közül pedig csak egy vesz fel 1 értéket, a többi pedig 0-t, ami azt jelzi, hogy a hálózat szerint mi volt az a betű, amit a papírról képpontonként sikerült beolvasnia.

Eleinte ez a program nem rendelkezik a tökéletes felismeréshez elegendő tudással, ami azt jelenti, hogy egy beolvasott betűre véletlenszerű választ fog adni, és vagy sikerül eltalálnia a megoldást, vagy nem. Mi viszont tudjuk, hogy az általunk mutatott képen milyen betű látható, így a hálózat paramétereit úgy változtatjuk, hogy a kimeneti neuron aktivációs értéke a helyes válasznak megfelelően emelkedjen. 

A megfelelő input után tehát a rendszer – csakúgy, mint az emberi idegrendszer működése és az emberi tanulás esetén -, már jobban fog teljesíteni, hiszen magáévá teszi a folyamat mögött rejlő logikát. Egészen addig, míg végül megtanul egy elfogadható hibahatáron belül önállóan teljesíteni.

Hol tart ma a neurális hálózatok alkalmazása?

A mesterséges neurális hálózatok komplexitásuknak köszönhetően nagyon hasonlítanak a születéskor tiszta lappal induló emberi agyra, ebből adódóan pedig gyakorlatilag bármilyen probléma megoldására alkalmasak. Különösen sok esetben a mély tanulás során, az összetett vagy sok adatot tartalmazó összefüggések értelmezése esetén alkalmazzák őket. 

Olyan kutatási területeken is elterjedtnek számítanak, mint a digitális nyelvfeldolgozás, a gépi látás vagy épp az önvezető autók fejlesztésének köre. De a hadiipar, a bankszektor és az orvostudomány területén is gyakori a neurális hálózatok alkalmazása.

A Gladstone Intézet kutatói például a petri-csészékben fejlődő sejtek mozgásának és fejlődésének elemzését bízták mesterséges neuron-hálózatokon alapuló, intelligens szoftverekre. Ezek a programok hatalmas áttörést hozhatnak az őssejt-kutatások terén, és a jövőben alapjaiban változtathatnak meg rengeteg dolgot, melyet az orvostudományról napjainkban gondolunk. 

De talán nem is kell ennyire messzire mennünk ahhoz, hogy megértsük, a mesterséges intelligencia mennyire fontos szerepet tölt be abban, hogy a lehető leggyorsabban tudjunk reagálni a minket körülvevő kihívásokra.

Egy közelmúltban született kínai tanulmány rámutat arra, hogy a mesterséges intelligencia képes lehet a koronavírus fertőzésben szenvedő személyeket pusztán egyetlen, a szemükről készült fotó alapján kiválasztani. És habár egyelőre a szemészek és az AI-szakértők is szkeptikusak azzal kapcsolatban, hogy a rendszer valóban képes lenne a COVID-19 tüneteit megkülönböztetni más betegségektől, már maga a kísérlet is nagy áttöréseket hozhat mind az orvoslás, mind pedig a mesterséges intelligencia kutatásának terén.

És ha már a mesterséges intelligencia és a COVID kapcsolatánál tartunk, mindenképp érdemes megemlítenünk egy hazai példát, Ország-Krisz Axel és Vécsey Richárd Deep Model Core Framework nevű projektjét, melyet a közelmúltban 1561 pályamű közül válogattak be a #BuildforCOVID19 nevű globális hackathon legjobbjai közé. A Deep Model Core Framework keretrendszer a neurális hálózat kimeneti számértékeit kezeli és a fejlesztők szavaival élve „a mesterséges intelligencia tanításának határait tolja ki, informatikai és jogi értelemben egyaránt.” 

Segítségével a tanító adatbázisok mérete, valamint a mesterséges intelligenciák betanításához szükséges idő egyaránt csökkenthető. Ezáltal lehetővé válik a nagyméretű betanító adatok nemzetközi cseréje, mely a jelenleginél jóval gyorsabbá és hatékonyabbá teheti a COVID-19 vírus elleni védekezést.

Képesek lehetnek-e a mesterséges neurális hálózatok az emberi agy helyettesítésére?

Összességében elmondható, hogy habár a mesterséges neurális hálózatok tervezése során a legnagyobb inspirációt az emberi agy felépítése jelenti, ezek a rendszerek minden előnyük ellenére sem annyira tökéletesek, mint az a természet által kreált „szuper-számítógép”, mely mindannyiunk fejében megtalálható. A gépi tanulás fejlődése rendkívül előremutató, azonban a mesterséges intelligencia önálló gondolkodásra továbbra sem képes. Ahhoz, hogy ezt a szintet elérjük, gyakorlatilag az emberi agy tökéletes rekonstrukciójára lenne szükségünk.

A tudósoknak azonban egyelőre még csak egy olyan, 1 mm hosszú laposféreg-agyat sikerült hellyel-közzel lemásolniuk, ami mindössze 320 neuronból áll. Ehhez képest az ember testében található szerv 100 milliárd idegsejtet tartalmaz. Ilyen számok mellett első ránézésre a projekt reménytelennek tűnhet, azonban érdemes hangsúlyozni, hogy mindig az első lépések a legnehezebbek, melyeken gyakorlatilag már túl vagyunk. 

Hogy az emberi agy milyen mértékű adatfeldolgozásra képes, azt kiválóan mutatja a Google kutatása, melynek során a tudósoknak sikerült a szerv egy apró darabkájának eddigi legrészletesebb térképét elkészíteniük. A nagyjából nagyjából 1 köbmilliméternyi területet egy korábban még sosem látott, háromdimenziós térkép mutatja be, melynek felépítése során a Google kutatói 50 ezer idegsejtet vettek górcső alá, valamint az ezekhez tartozó, több százmillió nyúlvánnyal és a mintegy 130 millió szinapszissal együtt ábrázolták őket 3D-s formában. 

A szkennelés eredménye mintegy 1,4 petabájtnyi adat, ami nem kevesebb mint egy hagyományos számítógép tárolókapacitásának hétszázszorosa. A Google Research kutatói serint pedig már ez a kinyert adatmennyiség is olyan óriási, hogy jelenlegi tudás mellett nem lennének képesek arra, hogy minden részére elegendő figyelmet fordítsanak, az egész emberi agy feltérképezésével pedig annyi adat keletkezne, amennyi digitális tartalom  a Földön egy teljes év leforgása alatt jön létre. 

Ám, ahogyan korábban az emberi genom feltérképezése esetében is történt, úgy nagy valószínűséggel az agyi idegpályák feltérképezésében rekonstrukciójában is eljön majd idővel az áttörés, mely nem csak a kvantumszámítógépek ugrásszerű fejlődését, de nagy valószínűséggel az agykutatás és a mentális betegségek megismerése, gyógyítása terén is hatalmas előrelépést jelent majd a kutatók számára.

Innentől kezdve pedig a mesterséges intelligencia terét érintő kutatások is nagy valószínűséggel olyan lendületet kapnak, melyek hatására a tudomány belátható időn belül annak a képességnek a birtokosa lehet, mely lehetővé teszi a kisebb állatok, majd az ember agyának tökéletes rekonstrukcióját.