How does artificial intelligence learn? - Briana Brownell

Fordító: Balázs Nagy Lektor: Zsófia Herczeg

Today, artificial intelligence helps doctors diagnose patients,

Napjainkban a mesterséges intelligencia segít az orvosoknak diagnosztizálni,

pilots fly commercial aircraft, and city planners predict traffic.

a pilótáknak repülőgépet vezetni, a várostervezőknek forgalmat előrejelezni.

But no matter what these AIs are doing, the computer scientists who designed them

Bármit is csináljanak ezek a rendszerek, az őket tervezők valószínűleg nem tudják,

likely don’t know exactly how they’re doing it.

hogy pontosan hogyan is működnek ezek a gépek.

This is because artificial intelligence is often self-taught,

Ez azért van így, mert a mesterséges intelligencia önmagát tanítja,

working off a simple set of instructions

egyszerű utasítások halmazából kiindulva

to create a unique array of rules and strategies.

jut el végül egyedi szabályok és stratégiák gyűjteményéhez.

So how exactly does a machine learn?

Hogyan tanul tehát egy gép?

There are many different ways to build self-teaching programs.

Sok különféle módja van az öntanító programok megalkotásának,

But they all rely on the three basic types of machine learning:

de mindegyik három alapvető gépi tanulási típusra támaszkodik:

unsupervised learning, supervised learning, and reinforcement learning.

a nem felügyelt tanulásra, a felügyelt és a megerősítéses tanulásra.

To see these in action,

Ahhoz, hogy ezeket működés közben lássuk,

let’s imagine researchers are trying to pull information

képzeljük el, hogy a kutatók

információt akarnak kinyerni egy orvosi adathalmazból,

from a set of medical data containing thousands of patient profiles.

amely több ezer páciens profilját tartalmazza.

First up, unsupervised learning.

A munka a nem felügyelt tanulással indul.

This approach would be ideal for analyzing all the profiles

Ez a módszer ideális arra, hogy megvizsgáljuk az összes profilt,

to find general similarities and useful patterns.

hogy megtaláljuk az átfogó hasonlóságokat és hasznosítható mintázatokat.

Maybe certain patients have similar disease presentations,

Néhány páciensnél lehet, hogy ugyanúgy jelenik meg a betegség,

or perhaps a treatment produces specific sets of side effects.

vagy egy adott kezelés bizonyos mellékhatásokat okoz.

This broad pattern-seeking approach can be used to identify similarities

Ez a mintázatfelismerési módszer használható arra,

hogy hasonlóságokat azonosítsunk a betegek között,

between patient profiles and find emerging patterns,

új mintázatokat találjunk,

all without human guidance.

mindezt pedig emberi közreműködés nélkül.

But let's imagine doctors are looking for something more specific.

De képzeljük el, hogy az orvosok valami konkrétabbat keresnek.

These physicians want to create an algorithm

Az orvosoknak egy algoritmusra van szükségük ahhoz,

for diagnosing a particular condition.

hogy egy bizonyos betegséget azonosítani lehessen.

They begin by collecting two sets of data—

Először is kétféle adathalmazt gyűjtenek:

medical images and test results from both healthy patients

felvételeket és laboreredményeket mind az egészséges,

and those diagnosed with the condition.

mind a betegséggel diagnosztizált páciensektől.

Then, they input this data into a program

Ezután az adatokat betáplálják egy programba,

designed to identify features shared by the sick patients

amely felismeri a beteg páciensek

but not the healthy patients.

egészségesektől eltérő közös tulajdonságait.

Based on how frequently it sees certain features,

Attól függően, hogy ezek milyen gyakran jelentkeznek,

the program will assign values to those features’ diagnostic significance,

a program az adott minta diagnosztikai fontossága szerint értékkel látja el őket,

generating an algorithm for diagnosing future patients.

így létrejön a diagnosztikára alkalmas algoritmus.

However, unlike unsupervised learning,

A nem felügyelt tanítással szemben

doctors and computer scientists have an active role in what happens next.

itt már az orvosok és informatikusok vesznek részt a döntéshozatalban.

Doctors will make the final diagnosis

Orvosok állítják fel a diagnózist,

and check the accuracy of the algorithm’s prediction.

és mérik meg az algoritmus előrejelzési pontosságát.

Then computer scientists can use the updated datasets

Az informatikusok a frissített adathalmazt arra használják,

to adjust the program’s parameters and improve its accuracy.

hogy finomhangolják a paramétereket a pontosabb előrejelzés érdekében.

This hands-on approach is called supervised learning.

Ezt a gyakorlatias megoldást hívják felügyelt tanulásnak.

Now, let’s say these doctors want to design another algorithm

Tegyük fel, hogy az orvosoknak olyan algoritmusra van szükségük,

to recommend treatment plans.

amely kezelési javaslatokat ad.

Since these plans will be implemented in stages,

Mivel ezeket fázisonként fogják megvalósítani,

and they may change depending on each individual's response to treatments,

és változhatnak is a kezelésre adott egyéni válaszok függvényében,

the doctors decide to use reinforcement learning.

az orvosok megerősítéses tanulást alkalmaznak.

This program uses an iterative approach to gather feedback

A program iterációkban gyűjt visszajelzést arról,

about which medications, dosages and treatments are most effective.

hogy melyik gyógyszer, milyen adagolás és milyen kezelés a hatásos.

Then, it compares that data against each patient’s profile

Ezután összeveti az adatokat mindegyik páciens profiljával,

to create their unique, optimal treatment plan.

hogy létrehozza az egyedi, optimális kezelési tervet.

As the treatments progress and the program receives more feedback,

A kezelés előrehaladtával a program egyre több visszajelzést kap,

it can constantly update the plan for each patient.

és folyamatosan frissíti mindegyik páciens kezelési tervét.

None of these three techniques are inherently smarter than any other.

A bemutatott három technika egyike sem jobb önmagában a többinél.

While some require more or less human intervention,

Némelyik több-kevesebb emberi közreműködést igényel,

they all have their own strengths and weaknesses

de megvannak a maguk erősségei és gyengeségei,

which makes them best suited for certain tasks.

amelyek miatt alkalmasak bizonyos feladatokra.

However, by using them together,

Együttes használatukkal viszont

researchers can build complex AI systems,

a kutatók komplex intelligens rendszereket hozhatnak létre,

where individual programs can supervise and teach each other.

melyek felügyelhetik és taníthatják egymást.

For example, when our unsupervised learning program

Például amikor a nem felügyelt tanulással működő program

finds groups of patients that are similar,

hasonló páciensekből álló csoportokat képez,

it could send that data to a connected supervised learning program.

akkor ezeket az adatokat elküldheti egy felügyelt tanulású programnak.

That program could then incorporate this information into its predictions.

Ez a program pedig beépítheti az adatokat a saját előrejelzéseibe.

Or perhaps dozens of reinforcement learning programs

Vagy talán tucatnyi megerősítéses tanulású program

might simulate potential patient outcomes

szimulálhatja a kezelés lehetséges kimenetelét,

to collect feedback about different treatment plans.

hogy visszajelzést gyűjtsön az egyes kezelési tervekről.

There are numerous ways to create these machine-learning systems,

Többféle módon hozhatunk létre, gépi tanulási rendszereket,

and perhaps the most promising models

és talán az egyik legígéretesebb az,

are those that mimic the relationship between neurons in the brain.

amelyik az agyban a neuronok közötti kapcsolódásokat utánozza.

These artificial neural networks can use millions of connections

Ezek a mesterséges neurális hálózatok több milliónyi szinapszissal oldanak meg

to tackle difficult tasks like image recognition, speech recognition,

olyan bonyolult feladatokat, mint a kép- és beszédfelismerés,

and even language translation.

vagy akár a gépi fordítás.

However, the more self-directed these models become,

Viszont minél önállóbbak lesznek ezek a modellek,

the harder it is for computer scientists

úgy lesz egyre nehezebb az informatikusoknak követni,

to determine how these self-taught algorithms arrive at their solution.

hogyan jutnak el a megoldáshoz.

Researchers are already looking at ways to make machine learning more transparent.

A kutatók már vizsgálják, hogyan tehetnék átláthatóbbá a gépi tanulást.

But as AI becomes more involved in our everyday lives,

Amint a mesterséges intelligencia egyre több teret nyer,

these enigmatic decisions have increasingly large impacts

ezek az átláthatatlan döntések egyre jobban befolyásolják a munkánkat,

on our work, health, and safety.

az egészségünket és a biztonságunkat.

So as machines continue learning to investigate, negotiate and communicate,

Tehát amíg a gépek vizsgálni, egyeztetni és kommunikálni tanulnak,

we must also consider how to teach them to teach each other to operate ethically.

közben nekünk is gondolnunk kell rá, hogy etikus működésre tanítsuk őket.