Sokan összekeverik a mesterséges intelligenciát a gépi tanulással, pedig ez két különböző dolog. Mit várhatunk tőle?

Jelenleg számos gépi tanulási modell van készülőben vagy tesztelési fázisban. Ez az újdonság is itt van már a kapuban tehát, bár nem mindegyik lesz életképes, de az már látható, hogy ezek közül néhányat ténylegesen használni fogunk.

A mesterséges intelligencia elnevezés azt a koncepciót jelenti, amikor egy gép képes autonóm és intelligens feladatok elvégzésére. A mesterséges intelligencia számára az a feladat,  hogy olyan rendszereket hozzon létre, amelyek képesek saját gondolkodásmódjukat használni bármilyen feladat elvégzése során. Eddig a legtöbb létező Mesterséges Intelligencia rendszer egy-egy készségtípusra koncentrált, itt alkalmazott Mesterséges Intelligenciáról beszélünk, mint a képalkotó vagy nyelvi fordító MI. A klasszikus példa erre az egy bizonyos feladatra kifejlesztett MI-re, a tőzsdén kereskedő Mesterséges Intelligencia, amelynek célja, hogy elsimítsa az emberek által befolyásolt pénzügyi piacok szeszélyes működését.

Mit jelent akkor a gépi tanulás?

A gépi tanulás viszont ennél kevesebb, csak egy olyan aspektusa a Mesterséges Intelligenciának, amely azt feltételezi, hogy a gépeknek képesnek kell lenniük önállóan tanulni, mindaddig, amíg elegendő adattal rendelkeznek. Míg sokan a gépi tanulást a MI egy részhalmazának tekintik, mások úgy vélik, hogy a gépi tanulás egy lépés a mindenható Mesterséges Intelligencia fejlődése felé. A gépi tanulás tehát egy tanulási módra utal, az alapja az az elv, hogy a gépeknek képesnek kell lenniük önálló tanulásra, és például egy dedukciós folyamatot használni, ahogy az emberek is teszik.

Íme néhány széles körben nyilvánosságra hozott példa a gépi tanulási alkalmazásokra, amelyeket esetleg ismerhetünk:

• Az állandóan hírekben szereplő, önvezető Google autó? A gépi tanulás az önvezetés lényege.
• Személyre szabott online ajánlók megjelenítése, például az Amazon és a Netflix oldalain? Ezek gépi tanulási alkalmazások a mindennapi életben.
• Megtudhatjuk, hogy mit mondanak a cégünkről az ügyfelek a Twitteren, Facebookon? A gépi tanulás nyelvi szabályalkotással kombinálva.
• Online csalások felderítése? Mai világunk egyik legkézenfekvőbb, legfontosabb felhasználási módja.

A gépi tanulási modellek egyre terjednek. A cégeknek költségracionalizálást, hatékonyságnövelést vagy hatékony marketinget ígérnek; mindezt a szervezés és természetesen a pénzügyi megtérülés javításának érdekében. Ennyit az elméletről. A gyakorlatban ezeknek a modelleknek a többsége soha nem jelent meg a vállalatoknál, ezért el is fognak tűnni.

Annak a vállalatnak, amely ki akarja használni a mesterséges intelligencia és a gépi tanulás lehetőségeit, időt kell szánnia a modellek kidolgozására, de utána be is kell vezetnie azokat, vagyis hatékonyan be kell építeni a termelés, működés folyamataiba, és itt szokott megbicsaklani a folyamat. Ez a vállalat különböző szintjein való együttműködést feltételez az MI-vel és a modell megalkotásától kezdve globális jövőképet jelent, teljesen megváltoztatja a döntési és munkafolyamatokat.

Valójában egy ilyen működő modell kidolgozása a megfelelő kontroll, és a vállalaton belüli különböző szereplők bevonása nélkül egy kicsit olyan, mintha egy bestsellert írnánk, és nem találnánk meg a megfelelő kiadót. A mű a dobozban marad, és soha nem lesz a nyilvánosság számára ismert. Lehetne nagy hatása a világban, a cégben, de mivel nem ismerik, nem alkalmazzák, így a működésének sem lesz hatása.

Bár briliáns, és nagy lehetőségeket tartogat, a gépi tanulás számos modellje haszontalannak bizonyul a vállalatok számára. A modell kidolgozása előtt ezért elengedhetetlen megérteni a modell miértjét és a vállalat igényeit.

A következő kérdések kulcsfontosságúak:

• Milyen igények vannak a rendelkezésre állás tekintetében? Más szóval, a modellnek igény szerint ki számára kell elérhetőnek lennie? Ki fogja használni és milyen célra?
• Mik az igények a sebesség tekintetében? Valós időben kell-e megadni az információt, vagy több órás, akár több napos intervallum is elfogadható?
• Mik a költségkorlátok, az infrastruktúra (tárhely és egyéb dolgok) tekintetében is?
• Mekkora a vállalat által elkülönített költségvetés?
• Hogyan fogjuk fenntartani a modellt hosszú távon?
• Végül a minőségbiztosítás, vagyis hogyan szervezhetjük meg a megbízhatóságára vonatkozó frissítéseket és auditokat?

Bár a valós időben (általában API-n keresztül) eredményeket produkáló modellt gyakran ideálisnak tekintik (ezt hívják on-demand modellnek), nem mindig van rá szükség. Bizonyos esetekben ezért fontos engedményeket tenni, hogy ne veszítsük szem elől a jövedelmezőség és a hatékonyság célkitűzéseit. Az egyszerűbb üzemmódon alapuló modellek számos gyakorlati alkalmazásra nagyon alkalmasak lehetnek. Másrészt bizonyos esetekben szükség van olyan kifinomult modellekre, amelyek valós időben képesek eredményeket produkálni megfelelő tervezéssel.

Mindenesetre egy modellt soha nem lehet megfelelően bevezetni, ha a vállalaton belüli szervezetek nem fogadják el. Ez az emberi vonatkozás fontos kommunikációs erőfeszítéseket, és oktatást is jelent a modell előnyeinek magyarázatára a bevezetés során.

Vállalati internet: Tarr.hu