hirdetés
hirdetés

Gépi tanulás

Már sejteni lehet, hol kezdődik meg a transzformáció

A gépi tanulás, az IoT és az automatizáció ipari környezetben odáig jutott el, hogy be lehet menni a megfelelő boltba, ahol machine learning és deep learning modulokat lehet a kosárba tenni. A saját szakterületnek megfelelő algoritmusokat meg lehet venni, és azokat megfelelő környezetben skálázható módon futtatni. A hogyan továbbról Dobó Mátyást kérdeztük. 

hirdetés

GyT.: Indulhatunk onnan, hogy rendezzük a machine learning és deep learning viszonyát?

D. M.: Ez egy régi történet, ami a mesterséges intelligenciából, az AI-ből indult még valamikor az 50es években. John McCarthy hozta be a köztudatba, és arról szól, hogyan tudnak mérnökök olyan intelligens gépeket létrehozni, amelyek az emberekhez hasonló célokat érhetnek el. Ennek egyik alterülete lett a machine learning, amely a számítógépek programozás nélküli tanulását célozta. Még egy szinttel beljebb fogalmazódott meg a deep learning kifejezés annak a gondolatkörnek a körbeírására, mely szerint a számítógépek egyszer úgy lesznek képesek tanulásra, ahogyan az emberi agy.

Ezek a fogalmak egészen sokáig, elsősorban elméletben fejlődtek és gyarapodtak, mert bár algoritmusok már egészen korán készültek, és el is indult a programozás ebben a témában, a gyakorlati rész valójában egészen a közelmúltig nem állt rendelkezésre. Nem volt meg ugyanis a kellő számítási kapacitás, az adatfeldolgozási és adattárolási képesség sem, ahogyan a szükségesen nagy processzorsebesség is hiányzott. Az utóbbi bő évtizedekben azonban ezek a technológiai-műszaki akadályok lassan elolvadtak, és a gépi tanulás és az AI elméleti modelljeit a gyakorlatban is építeni, majd használni kezdtük.

Fotó: Gyurkovics Anna
Fotó: Gyurkovics Anna

A deep learning (és az ennél is egy szinttel mélyebben cizellált reinforcement learning – ez utóbbi az a szint, amikor már az emberi agy többszintű neuronhálós struktúrája szerinti döntési mechanizmusát célozza a gépi tanulás) talán legismertebb eredménye lett az AlphaGo. A „játékprogram” annak bizonyítéka 2015 óta, hogy egy gép képes lehet akár több ezer évnyi humán tudást is olyan szinten és olyan mélységben megtanulni, hogy a „megérzései” és humán stratégiái jobbak legyenek az emberénél. Ez megváltoztatja a gép és az ember kapcsolatát, mert ma már – ha a go játék az élet extrém módon leszabályozott területének is tekinthető – a gép megoldásait tanulmányozva válhat az ember jobb játékossá.

GyT.: A játéktól az ipari produktivitásig szintén elég hosszú út vezet, de azt már tudjuk, hogy a gépi tanulás ott és akkor működik jól, ha rengeteg az input. Hol van elegendő adat ehhez a gazdaságban?

D. M.: A deep learning számára az egyik nagy slágerterületet ma a képfelismerés jelenti. A gépi algoritmusok már ma is jóval az emberi felismerési szintek feletti hatékonysággal képesek azonosítani állatokat, embereket, formákat. Az igazi változást azonban az jelenti, hogy az utóbbi bő egy évtizedben nem az elméletek gyarapodása vagy cizelláltsága történt meg, hanem ezeknek a gyakorlati megépítése, tesztelése, korrigálása. Megjelent az az ambíció a nagy, globális cégeknél, hogy a meglévő számítási kapacitásukkal és infrastruktúrájukkal képessé váljanak arra, hogy deep learninig algoritmusokat futtassanak. Az Amazontól a Google-ön át az IBM-ig cégek sora ambicionálta azt, hogy ezeket az új, nagy adatmennyiséget tároló és azt feldolgozó algoritmusokat publikusan, a vállalatok számára felhasználható módon elérhetővé tegye. Ez realizálódott az elmúlt 10 évben.

Ma már standard eszközkészletek állnak rendelkezésre, be lehet menni a boltba, és machine learning, illetve deep learning modulokat lehet betenni a kosárba; a saját szakterületünknek megfelelő algoritmusokat lehet megvenni, és azokat olyan környezetben lehet futtatni, amelyek rendelkezésre állnak, skálázhatók.

GyT.: Ezt kezdi el használni az ipar, ami viszont nagyon lassan halad. Miért az óvatosság?

D. M.: Az a modell, hogy a nagy mennyiségű adat felszívásával és gépi analizálásával minden korábbinál hamarabb és pontosabban „meg lehet jósolni” az alkatrészek elromlásának idejét, nagyon jól hangzik. De azért ezt valójában nehéz megtanítani a gépnek, és minden apró lépés mind-mind beruházást jelet. Ráadásul könnyen lehet, hogy a meglévő gépekről fel tudunk venni adatokat, de az már nem biztos, hogy azokat az adatokat tudjuk felvenni, amelyekkel a gépi tanulás a kívánt eredményt tudja hozni. Sok példa van standard, konkrét problémák megoldására, de ezek egyelőre még mind csak építőkockák, amelyekből majd egyszer a megálmodott ház épülhet.

Fotó: Gyurkovics Anna
Fotó: Gyurkovics Anna

A magyar piac viszont még inkább ott tart, hogy még nem a gazdasági megtérülésről kell beszélnünk, hanem hogy egyáltalán: mérjünk, adatokat szívjunk föl az adott területről. Ez után, a következő lépés lehet az, hogy ezekre az adatokra – vagy még többre – alapozva indulhatnak el tényleges hasznot, gyorsulást, energiamegtakarítást ígérő beruházások.

GyT.: Vannak-e olyan platformok, amelyekkel egy közös adathalmazból különböző irányban folytatható gépi tanulási projekteket céloznak? Az iparban pl. cél, hogy a fröccsöntő gépekről származó adatokat összeszedjék a különböző cégektől, és ennek segítségével csináljanak prediktív előrejelzéseket a berendezésekre, vagyis: elvileg közös érdek ezen adatok megosztása is.

D. M.: Ha az a kérdés, hogy van-e valamiféle föderáció e tekintetben, akkor a válasz az, hogy nincs. Mindenkinek magának kell megoldania a feladatát. Általában egy iparág, beszállítói kör mondja azt, hogy nekem megvan egyfajta előrejelzési képességem, és ha megfizeted, neked is „le tudom fordítani”. Leginkább specialisták vannak a háttérben, olyan gigacégek, amelyek a nagy bázis-infrastruktúrát uralják (adatbázist, cloudot, tudási környezetet). Ezek a cégek fejlesztenek különböző machine learning mintákat (pattern), amelyeket a vevőikre, azok saját területére lehet igazítani. Az szerencsés helyzetnek mondható, hogy mint az SAP-nél, a cég a maga által széles vállalati körben értékesített keretrendszerben a mind újabb AI-tudását újra meg újra fel tudja kínálni szolgáltatásként, mivel a cégek ezeket a megoldásokat könnyebben tudják implementálni.

Közös platform azért sincs, mert az ipari területen jelenleg konkrét esetekre aktiválják ezeket a megoldásokat, ahová így nemcsak beruházni kell, de nagyon pontosan kell tudni azt is, hogy milyen adattól fogunk tudni gépi tanulással jobb előrejelzést elérni. Ezek jellemzően nagy capexigényes beruházások, így lassabban is terjednek. Ahol a gépi sebesség, a gyártási minőség fontos kritérium, mint például az autógyártásban vagy a repülőgép-karbantartás területén, ott ezek a beruházások hamarabb felbukkannak. De jellemzően még inkább nem a termelés, hanem annak kiszolgálása az a terület, ahol minderre sor kerül.

GyT.: Az nem kérdés, hogy másfajta embert kíván mindez a munkában, de azt meg lehet-e határozni, hogy mennyire másra volna szükség?

D. M.: Nemrég volt egy nagy prezentáció egy AI-konferencián, ahol egy robotot mutattak be, amely különböző feladatokat végzett el. Bement a konyhába, nagyon profin elmosogatott, tárgyakat pakolt ide-oda, és minden simán ment – robotszinten mérve. Ez emberi szemmel még inkább egy Parkinson-kóros mozgási bizonytalanságának felel meg, de a prezentációtól mindenki megőrült, hogy mikre képes a robot. A videó végén azonban az építők bemutatták, hogy valójában ők vezérelték a robotot – egy joystickkel. Azt demonstrálták, hogy a fizikai adottság már megvan ahhoz, hogy a gép emberi legyen, de a mögöttes intelligencia azért még hiányos mindennek a tökéletes alkalmazásához. Ez a példa arra is jó, hogy „a gépek elveszik az emberek munkáját!”-frázist a helyére lehessen tenni. Kétségtelen, hogy azok a munkafolyamatok, melyek nagyon standardizált, ugyanazt a műveletsort ismételgető tevékenységekből állnak, már most is az automatizáció felé haladnak: a robotok és a beléjük épített gépi algoritmusok ezt az alacsony hozzáadott értékű munkát ki fogják váltani.

Fotó: Gyurkovics Anna
Fotó: Gyurkovics Anna

De az is látszik, hogy nagyon kevés olyan komplett munkakör van, amelynek a teljes spektruma automatizálható. Ezt úgy lehet jól szemléltetni, hogy ha egy napunkat apró részekre bontjuk, akkor azt látni, hogy a mindennapi tevékenység döntések és mozgások sokaságából áll, és bár ezek közül jó néhány elég jól automatizálható (lásd: mosogatógép, robotporszívó, okosotthon stb.), de azért nem ezek jellemzik az egész nap során elvégzett tevékenységmennyiségünket. Az emberrel ellentétben a machine learning egyelőre nem tudja a megszerzett tudást generalizálni, nem tudja azt más környezetben felhasználni. Márpedig az emberek jelentős részének munkaköre abban az értelemben is komplex, hogy az generalizált tudást kíván.

GyT.: Az adatbányászat a tudománnyá válás felé tart több mint 25 éve, és jelenleg már egyetemi kurzusok témája. De mi változik meg e téren a gépi tanulással – már azon kívül, hogy gyorsabb lesz az eredményes kutatás?

D. M.: Az a szint, hogy a gépen belül lesz egy gép, amely olyan döntéseket hoz majd, melyek egyre inkább hasonlítanak – és aztán jobbak is lesznek – az ember által meghozotthoz, még messze van. Tudjuk, hogy eljön majd ez az idő, de azt még nem látjuk, hogy mikor. Jelenleg még csupán az első szinten járunk: felismertük, hogy adatot kell gyártani. Ha mindent dokumentálunk, a nagy ugrás a vállalatok teljes digitalizálódásával érkezik majd el. Ez munkakörök eltűnésével is, de nagyobb részt átalakulásával jár majd.

Dobó Mátyás - A digitális átalakulás kérdéskörében több mint másfél évtizedes nemzetközi munkatapasztalattal is rendelkező 41 éves szakember jól ismert a szcénában. Foglalkozott strartup cégek fejlesztésével, digitális adatbiztonsággal, alapítója volt a SMARTmobil konferenciának és dolgozott a Magyar Telekom üzletfejlesztési igazgatójaként, majd az Invitech stratégiai és üzleti támogatások igazgatóhelyetteseként. 2004 óta publikál webes trendekkel kapcsolatos írásokat a doransky.hu alatt, ezt ma is a legolvasottabb hazai szakmai blogok közt tartják számon.

A következő években az a legvalószínűbb, hogy a vállalatok tevékenységeinek azon a részén, ahol nagy mennyiségű adat keletkezik, mint például a HR, a kommunikáció és a marketing, áthatja a gépi tanulás. A kiválasztás, a döntéssegítés, a könnyen és jellemzően digitális tevékenységhez köthető feladatok egyre inkább ennek hatása alá kerülnek. Más területeken viszont azt tartom a legvalószínűbbnek, hogy az átstrukturálódás eredményeként valamiféle gép-ember hibrid megoldás alakul ki, amely így másfajta munkaköröket is létrehoz majd. Hajlok afelé, hogy ez az átalakulás idővel az összes munkakörben meg fog jelenni. Elsősorban egy nagy digitális transzformáció kell ehhez a vállalatoknál – ez viszont hosszú időbe telik majd.

GyT.: Ezek alapján az ipar 4.0 kifejezés egy elhúzódó, permanens reformfolyamatnak tűnik.

D. M.: Olyan ez, mint a bányagép: lassan forogva vájja ki maga előtt az utat, de mindig megy előre. Jelenleg az látszik, hogy a nagyvállalatok évről évre kevesebb munkaerővel akarnak nagyobb eredményességet elérni. Ez az automatizáció, robotizáció, gépitanulás-alkalmazások mind nagyobb arányú használatát is jelenti. Azt, hogy mindez valahol forradalmi változást idéz-e majd elő, nehéz biztosan megmondani.

Támpontot jelenthet azonban, ha megnézzük, hogy milyen munkák kezdtek a fejlődő országokból visszaáramolni az Egyesült Államokba, mert ebből már sejteni lehet, hol kezdődnek meg ezek a transzformációk. Ez ugyan nem jelent semmiféle garanciát arra, hogy a forradalmi töréspont biztosan kialakul, de például a textiliparban, a ruhavarrásban – amiatt, hogy az áru elkészítése elkezdett közelebb költözni a végfelhasználóhoz – bekövetkezhet a fekete hattyú jelenség. Ha így lesz, az nagy törést jelent majd Tajvan, Vietnam és Törökország számára, ahol sok millió olcsó munkaerő válhat feleslegessé.

De általában is igaz, hogy a legnagyobb kockázatnak a nagy koncentrációjú, alacsony hozzáadott értéket jelentő munkahelyek vannak kitéve. Ha a váltás bekövetkezik, ott mindez nagyon agresszív hatású lehet.

GyT.: Vannak, akik attól tartanak, hogy az AI olyan összefüggésekre jön rá a sok adatból, amit az ember nem feltétlenül tud visszakövetkeztetni, vagyis a logikai utat csak a gép ismeri.

D. M.: Én más problémát látok. Az egyre nyilvánvalóbb, hogy a fenntartható Föld irdatlan mennyiségű mesterséges intelligenciát, és gépi tanulásra átállított gazdaságot, illetve döntési mechanizmust kíván. Az AI fejlődési, elterjedési és alkalmazási tempója és a már jelentkező globális problémák (túlnépesedés, klímakrízis stb.) miatt azonban egyre inkább kérdés az is, hogy az emberiség eljuthat-e odáig.

Szabó M. István
a szerző cikkei

hirdetés
Ha hozzá kíván szólni, jelentkezzen be!
 
hirdetés
hirdetés
hirdetés
hirdetés