SG.hu·
Mesterséges intelligencia - nem véletlenül bukik el sok projekt
A ma mesterséges intelligenciának hívott rendszerek valójában célszerszámok, csak egy dolgot tudnak, de azt nagyon. A svájci bicska még a láthatáron sincs.
Alexander Linden, a Gartner piackutató cég mesterséges intelligencia szakértője és elemzője közölte, hogy már a technológia elnevezése is félrevezető. Utalt azokra az előrejelzésekre, amelyek alapján a gépek egy napon úgy fognak gondolkodni, mint az emberek. Ezek a prognózisok szerinte egyértelműen a fantázia birodalmába tartoznak. Napjainkban a gépi tanulási projektek vagy a képezett megoldások nagyon erősen az egyes alkalmazásokra vannak szabva. A Google Go megoldása például elbukna a Watson Jeopardy teszten, de a helyzet ugyanez lenne fordított esetben is, hiszen a Watson sem tudna a Go játékkal játszani.
Az előzetesen tanított alkalmazások hozhatnak nyereséget, használhatók például a marketing területén olyan előrejelzések készítésére, hogy a felhasználó rákattint-e majd egy reklámra vagy sem, vagy a flottamenedzsmentben, a képfelismerésben és a szövegek kiértékelésében, valamint az ügyfelek hitelképességének a megállapításában segíthetnek. Egy további példa lehet a történeti adatok kielemzése és azok további tényezőkkel, például az időjárási információkkal való ötvözése. Így például előrejelezhető a vásárlási magatartás a következő három hónapra. A példák közé tartozhatnak az önállóan közlekedő autók és a járműadatok kiértékelése is.
Linden fantáziának tartotta azt is, hogy belátható időn belül olyan rendszerek jelenhetnek meg a piacon, amelyek a problémák széles körére kínálhatnak megoldást. Az olyan prognózisokat, hogy egy napon egy szuperintelligencia meghódítja vagy kiirtja az emberiséget, éppúgy korainak tartja, mint a Mars túlnépesedésétől való félelmet. Mégis van értelme a fejlesztésüknek: az egyik lehetőséget az olyan projektek jelenthetik, amelyek nagyon pontos becslést várnak előre meghatározott kérdésekre. De a fókuszált megoldások esetében is nagyon magas a veszélye annak, hogy az egyes programok elbuknak, s ennek különböző okai lehetnek.
Az egyik ok, hogy sok eszköz még nem elég kiforrott vagy felhasználóbarát. Emellett nagyon kevés olyan megoldás van, amelyek megkönnyítik az üzleti szféra és a fejlesztők közötti átfogó adatcserét. További gond, hogy ugyan sok felhőkörnyezeti eszköz van a gépi tanuláshoz, de gyakorlatilag nincsenek hibrid rendszerek a két világ között. A területen jelen lévő szakemberhiány is megnehezíti a megfelelő szakértők megtalálását. Ráadásul a hardverekkel kapcsolatos komoly követelmények is nagyon drágává teszik ezen a területen a kísérletezést.
Linden végül leszögezte, hogy a fejlesztések esetében természetesen egy nagy adag szerencse is kell a valódi válaszok megtalálásához. A vállalatoknak a gépi tanulással foglalkozniuk kellene, de ha korábban mégsem indítottak ilyen projekteket, szerinte akkor sincs okuk még az aggodalomra.
Alexander Linden, a Gartner piackutató cég mesterséges intelligencia szakértője és elemzője közölte, hogy már a technológia elnevezése is félrevezető. Utalt azokra az előrejelzésekre, amelyek alapján a gépek egy napon úgy fognak gondolkodni, mint az emberek. Ezek a prognózisok szerinte egyértelműen a fantázia birodalmába tartoznak. Napjainkban a gépi tanulási projektek vagy a képezett megoldások nagyon erősen az egyes alkalmazásokra vannak szabva. A Google Go megoldása például elbukna a Watson Jeopardy teszten, de a helyzet ugyanez lenne fordított esetben is, hiszen a Watson sem tudna a Go játékkal játszani.
Az előzetesen tanított alkalmazások hozhatnak nyereséget, használhatók például a marketing területén olyan előrejelzések készítésére, hogy a felhasználó rákattint-e majd egy reklámra vagy sem, vagy a flottamenedzsmentben, a képfelismerésben és a szövegek kiértékelésében, valamint az ügyfelek hitelképességének a megállapításában segíthetnek. Egy további példa lehet a történeti adatok kielemzése és azok további tényezőkkel, például az időjárási információkkal való ötvözése. Így például előrejelezhető a vásárlási magatartás a következő három hónapra. A példák közé tartozhatnak az önállóan közlekedő autók és a járműadatok kiértékelése is.
Linden fantáziának tartotta azt is, hogy belátható időn belül olyan rendszerek jelenhetnek meg a piacon, amelyek a problémák széles körére kínálhatnak megoldást. Az olyan prognózisokat, hogy egy napon egy szuperintelligencia meghódítja vagy kiirtja az emberiséget, éppúgy korainak tartja, mint a Mars túlnépesedésétől való félelmet. Mégis van értelme a fejlesztésüknek: az egyik lehetőséget az olyan projektek jelenthetik, amelyek nagyon pontos becslést várnak előre meghatározott kérdésekre. De a fókuszált megoldások esetében is nagyon magas a veszélye annak, hogy az egyes programok elbuknak, s ennek különböző okai lehetnek.
Az egyik ok, hogy sok eszköz még nem elég kiforrott vagy felhasználóbarát. Emellett nagyon kevés olyan megoldás van, amelyek megkönnyítik az üzleti szféra és a fejlesztők közötti átfogó adatcserét. További gond, hogy ugyan sok felhőkörnyezeti eszköz van a gépi tanuláshoz, de gyakorlatilag nincsenek hibrid rendszerek a két világ között. A területen jelen lévő szakemberhiány is megnehezíti a megfelelő szakértők megtalálását. Ráadásul a hardverekkel kapcsolatos komoly követelmények is nagyon drágává teszik ezen a területen a kísérletezést.
Linden végül leszögezte, hogy a fejlesztések esetében természetesen egy nagy adag szerencse is kell a valódi válaszok megtalálásához. A vállalatoknak a gépi tanulással foglalkozniuk kellene, de ha korábban mégsem indítottak ilyen projekteket, szerinte akkor sincs okuk még az aggodalomra.