Még egy év sem telt el azóta, hogy 2017 májusában a Google Brain kutatói bejelentették az AutoML létrehozását – ez a mesterséges intelligencia azáltal emelkedik ki a mezőnyből, hogy képes saját mesterséges intelligenciák létrehozására. Az AutoML olyan mesterséges intelligenciát alkotott, amely saját magánál jobban teljesít, vagyis az emberi programozás hatékonyságát felül tudta múlni.

Sosem látott hatékonyság

Megerősítésen alapuló tanulásnak hívják a Google kutatói az általuk használt gépi tanulási modell automatizált tervezési megközelítését. Az AutoML tulajdonképpen egy neurális hálózat vezérlőjeként működik, ami saját mesterséges intelligencia hálózatot hoz létre egy speciális feladat ellátására. Tárgyak, pontosabban objektumok – emberek, autók, közlekedési lámpák, hátizsákok stb. – valós idejű videóban történő felismerésére trenírozták azt az MI-t, amit a kutatók NASNetnek neveztek el.

Az AutoML felmérte a NASNet teljesítményét és a saját maga által létrehozott MI fejlesztésére használta fel. Több ezerszeri ismétlést követően kiderült, hogy a NASNet az "edzésnek" köszönhetően minden más, számítógépes látás témájában létrehozott rendszert felülmúló képességgel rendelkezik. A Google kutatói szerint átlagosan 82,7 százalékos pontossággal dolgozik, ami minden korábban publikált eredményt lepipál.

Emellett elképesztően hatékony is. Az amerikaiak szerint a NASNet a korábbi riválisok mindegyikét minimum 4 százalékkal haladja meg hatékonyság tekintetében. Összességében 43,1 százalékos mAP (mean Average Precision) értéket produkál a rendszer. Ráadásul a Google MI-jének alacsonyabb számítási teljesítményre kalibrált változata minimum 3,1 százalékkal túlteljesítette a korábbi, hasonlóan kompaktra faragott, mobil platformokra fejlesztett megoldásokat.

Mindenki hasznára válik

A gépi tanulás széles körű elterjedésének egyik legnagyobb akadálya, hogy hatalmas mennyiségű adat és idő mellett az információhalmazt feldolgozó mesterséges intelligenciák létrehozása specializált tudást igényel. A hatékony és pontos MI-k automatizált létrehozásával viszont ezt a feladatot is a mesterséges intelligenciára bízhatjuk. Vagyis az AutoML szélesre tárhatja a gépi tanulás területének kapuit a hozzá nem értők számára is.

Ezzel gombamód elszaporodhatnak azok a rendszerek, melyek az emberi észlelési, feldolgozási szintet megközelítik, elérik vagy akár meg is haladják. A NASNetet alapul véve elég csak a gépi látás témáját megvizsgálni: szinte határtalanok a lehetőségek. Kifinomult, MI-vel vezérelt robotok készíthetők, elősegíthető a látásukban korlátozottak életminőségének drámai javítása, az önműködő autók gyorsabban ismerhetik fel a környezetükben található tárgyakat (amivel megnő a balesetek megelőzésének valószínűsége) – és így tovább.

Felismerve a fejlesztés lehetőségét a Google kutatók nyílt forrásúvá tették a NASNetet, abban bízva, hogy a vállalaton bőven túlmutató, gépi tanulással foglalkozó kutatói közösség fel tudja használni ezeket a modelleket. Olyan, számítógépes látással kapcsolatos problémákra kínálhatnak majd megoldásokat, melyeket most az amerikai keresőóriás szakemberei még elképzelni sem tudnak.

Gyorsabban fejlődik, mint társadalmunk – és ez nem biztos, hogy jó

Noha a fentiek remekül hangzanak, azért ne menjünk el teljesen a kérdés mellett, miszerint tényleg jó ötlet-e kiengedni a kezünkből a mesterséges intelligenciák létrehozását? Mit kezdünk azokkal a helyzetekkel, amikor az eredeti MI továbbörökít egy nem kívánt képességet az általa létrehozott MI-kbe? Mi történik akkor, ha az AutoML olyan gyorsan hozza létre az emberiség számára hasznosnak titulált rendszereket, amikkel a társadalmi folyamatok nem tudják felvenni a versenyt?

Nem olyan nehéz elképzelni, hogy például a NASNet automatikus megfigyelőrendszerekben való alkalmazása milyen kérdéseket vethet fel – már a közeljövőben. Ami talán már annyira a nyakunkon van, hogy arra a törvényi szabályozás szinte biztosan nem tud azonnal reagálni – különösen nem proaktívan, előre mutatóan kereteket szabva.