A mesterséges intelligencia két dolgot nem tud: jól kérdezni, és kiszámítani az emberi viselkedést

Nincsen túlélhető és fenntartható jövőnk tudomány nélkül, ahogy nekünk sincsen nélkületek. Támogasd a Qubit munkáját!

Még ha tudjuk is, hogy a körülöttünk lévő okoseszközök az általunk szanaszét szórt adatok és információk révén egyfolytában figyelnek minket, akkor is megijedhetünk, amikor az utcai parkolóóra egyszer csak üzenetet küld a telefonunkra, melyben az autónk pontos helyét közli. Egy pozitív utópiában a mesterséges intelligencia befűti a házat, mire hazaérünk, leparkolja az autót helyettünk, megkeresi a televízióban a kedvenc programunkat, amint a bejárati ajtónál lévő ujjlenyomat- vagy retinaleolvasó alapján kitárja előttünk a lakásunk ajtaját. 

Egy sötétebb, disztopikus világban viszont a rólunk tárolt adatok, az általunk elkövetett hibák alapján eltilt minket a lehetőségtől, hogy repülőjegyet vásároljunk, pontrendszerekben értékeli a társadalmi teljesítményünket, és totális kontrollt biztosít a tömegek felett az elit egy maroknyi csoportjának. Az emberiség feladata, hogy megakadályozza az utóbbit – hirdettek világos programot a mesterséges intelligencia és az elképesztő 21. századi adatözön lehetséges felhasználási módjai és potenciális haszna kapcsán a Közép-európai Egyetem Határtalan tudás című előadássorozatának előadói december 16-án, a CEU budapesti kampuszának nagyelőadójában.

Mit tud a gép és mire nem képes?

Attól, hogy egy közvélemény-kutatásban tízszer, százszor, ezerszer több embert kérdezünk meg, nem feltétlenül kapunk helyesebb eredményt. A minta ugyanis nem lesz automatikusan reprezentatív is, így nem csak a mennyiség számít. Az algoritmusok, hiába számolnak jobban, nem mindig modelleznek helyesebben az embereknél, különösen, ha az emberi viselkedést kellene megjósolniuk – sorolta Koltai Júlia kvatntitatív szociológus, mi mindenben nem jobb egyelőre a legfejlettebb program sem az embernél. 

Koltai Júlia kvantitatív szociológus, a CEU Határtalan tudás című rendezvényén, 2019. december 16-ánFotó: Végel Dániel

Attól, hogy két adatsor párhuzamosan változik, vagyis látszólag nyilvánvaló közöttük az összefüggés, nem biztos, hogy oksági viszony is van köztük, vagyis nem mindenhol van kapcsolat ott, ahol egy gép feltételezné. Ezt Koltai szemléltette is két, egymásnak 96 százalékban megfeleltethető és tökéletesen együtt mozgó függvényen. Az egyik az amerikaiak éves mozzarellafogyasztását, míg a másik az évente építészmérnöki doktori fokozatot szerzők számának alakulását mutatta. Arról pedig nézettségi rekordok tanúskodnak, hogy a patikamérlegen adagolt hozzávalókból nem lesz kasszasikereket garantáló recept, ahhoz jobb hozzáértő szakemberekből álló kreatív csapatot bérelni. 

Erről tanúskodik legalábbis a Netflix online filmes adatbázis és az Amazon Films 2013-as emlékezetes ütközete: az előzetes közvélemény-kutatások és piackutatás alapján mindkét tartalomszolgáltató arra jutott, hogy hatalmas kasszasikert lehetne elérni politikusokról szóló sorozat gyártásával. Az Amazon semmit nem bízott a véletlenre, pilot részeket gyártott, és azok piacra dobása után is hosszan elemezte a nézettségi adatokat, mielőtt igazán belelendült volna Alpha House című, 2013 áprilisától sugárzott, két évadot megélt vígjátéksorozatába, amelyhez John Goodmant is leszerződtette. A Netflix más stratégiát választott: a piackutatás után egyetlen tesztet sem futtatott le, azonnal kreatív csapatot verbuvált, és a további munkát emberekre bízta. Ők a dráma mellett tették le a voksukat, és az általuk gyártott sorozatot 2013 februárjában élesben piacra dobták. A Kártyavár (House of Cards) hat évadot élt meg, és könnyen meglehet, hogy a sikerszériának csak a húzónévként szerződtetett, majd a 6. évadból kiírt Kevin Spacey zaklatási botránya vet véget.

Arra, hogy az emberi viselkedéssel a legfelkészültebb algoritmusok is nehezen tudnak bármit is kezdeni, a Google fejlesztői szolgáltatták a legjobb példát. A kaliforniai cég kutatói 2008 végén az amerikai (és a világ összes többi) epidemiológiai központnál pontosabb becslést adtak arról, hogyan, merre és milyen gyorsan terjed majd a szezonális influenza. A bravúrt a Google keresőmotorját használók által beírt szavak elemzésével sikerült elérniük. A teljesítmény olyan meggyőző volt, hogy az egyik legtekintélyesebb tudományos lap, a Nature is publikálta. Aztán egy évet sem kellett várni a csúfos bukásra: 2009 végén a Google Flu algoritmus csúnyán mellélőtt, amiről a Google kutatói újabb cikket publikáltak, az ugyancsak tekintélyes PLoS One tudományos lapban. A kudarc okát két év alatt derítették ki: az algoritmus nem tudta kiszűrni, hogy a H1N1 vírusvariáns miatt kitört pánik miatt olyan földrajzi területeken is intenzíven érdeklődtek a keresőtmotort használók a tünetek és a betegség lehetséges következményei iránt, ahol amúgy megbetegedés nem, vagy legfeljebb csak mutatóban volt. 

Az emberi elmét nem lehet másolni, de hatékonyabbnak lehet lenni

A mesterséges intelligenciától már rég nem várjuk el, hogy az emberi elmét és annak működését imitálja. Mára tulajdonképpen egyetlen feladata van, a hatékonyság, és ebben számos területen messze túlteljesít mindent, amit akár csak néhány éve is elvártunk volna tőle – tette hozzá a Határtalan tudás fő előadója, Kertész János Széchenyi-díjas hálózatkutató fizikus, a CEU professzora. Ez a hatékonyság a záloga, hogy ma már önvezető autók járják az utcákat, a mélytanuló algoritmusokat pedig tőzsdei árfolyam-ingadozások elemzésétől kezdve a beszédfelismerésen át a legbonyolultabb tervező feladatokig be lehet vetni. 

Kertész szerint, akivel a Qubit a témában interjút is készített, a gépek kis túlzással egy területen maradnak le az emberektől: azt nagyjából már tudják, hogy az adatokból milyen következtetéseket szűrjenek le, de azt nem tudják, milyen kérdéseket kellene feltenniük a világ működésének a megértéséhez. A korábbi ismeretekre alapozó, deduktív, elemző folyamatokban a mesterséges intelligencia már ma is jobban teljesít az embernél. De ha a megismerés induktív módszerét kellene alkalmazni, még a felszínt sem karcolja ahhoz képest, amire az emberi elme képes – foglalta össze a hálózatkutató.

Kertész János hálózatkutató fizikus, a CEU Határtalan tudás című rendezvényén, 2019. december 16-ánFotó: Végel Dániel

A többnyire az elméleti háttér feltárásával foglalkozó tudósok után Veres Dániel kutatóorvos, a Turbine startup vállalat alapítója azt igyekezett a CEU dugig telt előadójában érzékeltetni, hogy a 21. századra exponenciálisan növő adathalmaznak, a big datának gyakorlati haszna is lehet. A rákdiagnosztika és rákgyógyítás forradalmasításával kacérkodó Veres három példán vezette le, hogyan járulhat hozzá a big data és a mesterséges intelligencia a személyre szabott orvoslás térnyeréséhez. Mint előadásából kiderült, a hagyományos orvosi módszerekkel kezelt beteg ellátása során, egy teljesen átlagos orvosi rendelőben (jóllehet, a Veres által kivetített képen a magyarországi átlagnál rendezettebb, frissen felújított és makulátlanul tiszta háziorvosi rendelő látszott) a diagnózis felállítását megelőző panaszfelvétel során nagyjából 8,5 oldalnyi adat keletkezik. Egy rutinos háziorvosnak ebből kellene megállapítania teljes bizonyossággal, mi állhat a hozzá érkezett beteg panaszai mögött.

Jobb eredménnyel kecsegtetne az a Magyarországon még ritkaságszámba menő gyakorlat, amelyben az orvos partnerének tekinti a beteget, a hagyományos vizsgálati technikákon felül még egy-két okoseszköz, például egy egészségmonitorozó okosóra adatait is elemzi. Egy ilyen tudatos orvos-beteg- kapcsolat során 43,5 oldalnyi adat keletkezik, a szükséges kezelésekről ezek alapján döntenek. Innen már csak egy, de azért elég nagy lépés a személyre szabott vagy precíziós orvoslás, ahol mondjuk egy rákbeteg esetében a csak rá jellemző egyedi molekuláris profil alapján dönt egy egész csapatnyi orvos, a páciens számára leginkább megfelelő kezelésről. Az ebben a folyamatban keletkező adatok mennyisége nagyjából 74,5 oldalnyi információt szül. 

Veres Dániel kutatóorvos a CEU Határtalan tudás című rendezvényén 2019. december 16-ánFotó: Végel Dániel

De még innen is van tovább: ahol molekuláris profilt használnak, ott az úgynevezett szimulációs orvoslásra is lehetőség nyílhat. A sok hasonló betegségben szenvedő beteg egyéni profiljai alapján egy számítógépes program segítségével több száz valódi és fiktív páciens kórlefolyását szimulálva egyéni kezelési tervet készítenek. Ehhez képest Magyarországon manapság leginkább csak álom, hogy ne a gyógyszerhez válogassák ki a betegeket, hanem a beteghez igazítsák a gyógyszert. Pedig a big data megfelelő használata éppen erre lehetne alkalmas.

A Határtalan tudás médiapartnere a Qubit.

Interjúink a rendezvénysorozaton korábban fellépő előadókkal: