Bevezető

Ha úgy gondolod, hogy a mesterséges intelligencia téged nem ér utol, gondolj szegény sakknagymesterekre, akiket laposra vert egy gép. Ha sakkozni jobban tud, mint egy ember, vajon programozni, HR-es feladatokat végezni, traktort vezetni vagy marketingelni jobban fog-e tudni, mint te?

A válasz egy nyilvánvaló és hatalmas IGEN.

Ebben a szép új világban azok lesznek előnyben, akik uralják, irányítják, értik ezeket a gépeket. Programozó, HR-es vagy traktorista – egyre megy. Ha érted, te vagy a főnök. Ha nem érted, ő lesz a főnököd.

De sajnos a világ összeesküdött ellened. Úgy érzed, sosem fogod megérteni az AI-t, mert a szakértők az egészet eltakarják előled a szakmai rizsájukkal. Ilyeneket mondanak: „hisz ez könnyű, a mátrixot megszorzod egy vektorral!” Meg „rányomunk egy szigmoid függvényt” és „a perceptronban a back propagation algoritmus ötvendimenziós teret igényel”!

A valóságban nem olyan bonyolult ezek megértése, ha lebontjuk róla a szakmai rizsát és azokat a felesleges képleteket, amelyek kettős célt szolgálnak:

  • Lehetőleg te ne értsd meg, amit magyaráznak neked
  • Istenként tekints fel azokra, akik viszont kiigazodnak a képleteken

Mi egy másik utat fogunk követni. A megértés útját. A megértéshez egyszerűsítéseken keresztül vezet az út. Hisz az egész pofon egyszerű!

Ebben próbálunk meg segíteni neked ezzel a tanfolyammal.

Neuronhálózatok

A mesterséges intelligencia tág terület, ezen belül a neuronhálózatok a legvadabbak. Hát kezdjük ezekkel! Felemelő érzés a legbonyolultabb izék működését érteni! Nem kell hozzá zseninek lenni.

A neuronhálózatok megértéséhez, „felgöngyölítéséhez” az okosságot megvalósító egyes neuronok működésének megértésén keresztül vezet az út. Ha a neuront nem érted, az egészet nem érted. Ha a neuron működését megérted, mindent meg fogsz érteni, ami erre épül.

Deep Convolutional Network, General Adversarial Network, Extreme Learning Machine – mind a lábad előtt fognak heverni.

Jöhet a brutális egyszerűsítés?

A mesterséges neuronhálózat valójában egy kockásfüzet-módszer. Ennek megfelelően egy jól betanított neuronhálózat annyira intelligens, mint egy kockás füzet. Nem meglepő, hogy nem jutott egyről a kettőre az AI vagy negyven évig! Kockás füzettel Garry Kasparov ellen!

Valami megváltozott az elmúlt években, mert be kell látnunk, hogy az önvezetés, vagy számítógépes kétlábon járás elérhető közelségbe kerültek. Hogy képes erre egy spirálfüzet?

A változást Deep Learningnek hívják, és külön tanfolyamon foglalkozunk majd vele. Most elégedjünk meg annyival, hogy ezt a bohóckodást, amit most fogunk csinálni a zsiráffal, a Deep Learning magától megcsinálja. Nem kell hozzá ember. Magától fogja tudni, mitől zsiráf a zsiráf, és mitől döglik a légy. De ez egy másik történet.

Egy darab neuron

Régóta tudja az emberiség, hogy az idegsejtek, vagy neuronok igazából számológépek. Megszámolják, hogy rengeteg lábacskájuk (dendritek) mindegyikén mennyi impulzust kaptak, és ha ezek darabszáma és mintázata megegyezik egy bennük lévő “ismerettel”, akkor tüzelnek a másik végükön (axon), és szólnak a következő neuronnak a hálózatban, hogy “bingó!”.

Most képzeljünk el egy olyan neuront a saját agyunkban, amit arra hozott létre a ter(mészet/emtő), hogy zsiráfokat ismerjen fel. Csak ezt az egy funkciót látja el. Hogyan működik? Mik a bemenetek (dendrit), és mi a kimenet (axon)? Elő azzal a kockás füzettel!

Rajzoljunk bele egy általános iskolai koordinátarendszert, x és y tengellyel. Megvan? Jó. Az x-tengelyre írjuk rá, hogy “Nyak hossza”, az y-tengelyre pedig azt, hogy “lábak száma”. Most mérjük meg egy zsiráf nyakát, legyen mondjuk a nyak hossza 2,4 méter. Az x tengelyen lépegessünk el a 2,4-es beosztásig, ott forduljunk “északnak”, és lépegessünk fel négyet. Ez a pont jelenti a kétdimenziós koordináta rendszerünkben a zsiráf helyét. Rajzoljunk ide egy pontot. A végeredmény valami ilyesmi lesz:

Bemenetek: nyak hossza és lábak száma. Ha a nyak hossza 2,4, és a lábak száma 4, a neuronunk „tüzel”, és az kiáltja: ZSIRÁF!

Többkörös tanulás, tanulási minták

Ha valaki manapság gépi tanulással foglalkozik, mindig szüksége van egy csomó tanítóadatra, amivel növelni tudja a neuronhálózat asszociációs képességét, vagyis azt, hogy sokféle zsiráfot ismerjen fel. Ezt úgy tudjuk elérni, ha jó sok zsiráfhoz odamegyünk, és mindegyiknek megmérjük a nyakát - és megszámoljuk a lábait is.

Ezután megkérdezzük az egy darab neuronunkat, hogy a négylábú, 2,2 méteres nyakú állat vajon zsiráf-e, és - kezdetben - azt válaszolja, hogy nem. Jobban mondva csendben marad, nem tüzel. De ez így nem jó. Vegyünk fel még egy pontot a koordinátarendszerben a 2,2 méteres nyakhosszú zsiráfoknak? Az sem jó. Mégpedig azért nem jó, mert kizárólag végtelen hosszúságú listában tudnánk felsorolni, milyen méretek számítanak zsiráfnak, ehhez pedig végtelen mennyiségű neuronra lenne szükségünk.

Mit tehetne ez az egyetlen pont a koordinátarendszerben, hogy okosabb legyen? Például alakot válthatna. Lehetne pont helyett mondjuk egy kör. Ha az előző pont köré rajzolunk egy kört, reménykedhetünk, hogy minden, ami a körön belül van, az zsiráf.

A kör egy nagyon durva egyszerűsítés lenne, olyan, mint a lapos Föld. Mindaddig talaj van a lábad alatt, amíg el nem sétálsz a világ széléig, és ott leesel a semmibe. Na ez az, amit az AI-szakemberek nem szeretnek. Leesni a semmibe. Túl nagy a zuhanás. A Föld szélére csúszda kell, a zsiráf-karika szélére elmosódás kell, mert a világ nem fekete-fehér.

A zsiráfok és nem-zsiráfok között az átmenet nem zuhanásszerű, hanem fokozatos. A tényleges zsiráfokon kívül vannak kevésbé-zsiráfok, a félig-zsiráfok meg az alig-zsiráfok.

Ezt az átmenetet a kockás füzetünkben nem karikával, hanem elmaszatolással tudjuk ábrázolni:

A „maszatolás” hatása az lesz, hogy a kockásfüzet-neuronunk általánosításra, asszociációra lesz képes, vagyis “felismeri” a 2 méterestől a 3 méteres nyakhosszig a zsiráfokat, illetve a három és fél, valamint a négy és fél lábú zsiráfokkal is könnyedén megbirkózik.

Persze minél távolabb vagyunk az eredeti ponttól, egyre bizonytalanabbul, bátortalanabbul kiáltja azt, hogy „zsiráf!”. A maszatolás erősségének megfelelően elkezd valószínűségeket hozzárendelni az eredményhez. Az egyik zsiráf 100%-ban az, a másik meg, amelyiknek rövidebb a nyaka, már csak 60%-os eséllyel, míg amelyiknek hiányzik egy lába, az csak 20%-os eséllyel zsiráf.

Oktató

  • Marcell Fóti

    Fóti Marcell

    AI Researcher

    A NetAcademia alapítója, egyben oktatója vagyok immár 20 éve. Kedvenc témaköreim az adatbáziskezelés, ebben otthon is vagyok, valamint a webfejlesztés, amihez nem értek. Ezért készítek ebben a témában kezdő tanfolyamokat. Ezen felül minden érdekel, a mesterséges intelligencia éppúgy mint az abszulút hallás megtanulása. Azt vallom, mindent meg lehet tanulni. A világ megismerése tanulás, és nem bambulás, esetleg tiltakozás útján történik.

Értékelések

  • Köszi, feldobta az estém

    Gábor Romvári

    Fóti Marci stílusa, a misztifikálható és gyakran misztifikált tudás logikus és gyorsan felfogható formában történő átadása mindig lenyűgöz. Pont, mint Feynman.

    Fóti Marci stílusa, a misztifikálható és gyakran misztifikált tudás logikus és gyorsan felfogható formában történő átadása mindig lenyűgöz. Pont, mint Feynman.

    Kevesebb megjelenítése
  • Jó volt

    Hungary Zrt. JCDecaux

    csak rövid

  • AI, bevezető a kulisszák mögé

    Zoltán Bogdán

    Nagyon jó összefoglaló, bátorítás a téma komolyabb megismeréséhez.

    Nagyon jó összefoglaló, bátorítás a téma komolyabb megismeréséhez.

    Kevesebb megjelenítése
  • Szórakoztató

    Makra Edit

    Könnyen érthető, szórakoztató. Köszönöm!

    Könnyen érthető, szórakoztató. Köszönöm!

    Kevesebb megjelenítése
  • Értékelés

    József Károlyi

    Érthető

  • AI: neuronhálózati alapismeretek, egy zsiráf felismerése

    Zsolt Perkó

    Nagyon szórakoztató és egyszerű volt. Várom a mélyebbre hatoló folytatást.

    Nagyon szórakoztató és egyszerű volt. Várom a mélyebbre hatoló folytatást.

    Kevesebb megjelenítése
  • neuronhálózati alapismeretek

    Juhász László