Ez a cikk több mint egy éve került publikálásra. A cikkben szereplő információk a megjelenéskor pontosak voltak, de mára elavultak lehetnek.
Alábbi cikksorozatában a szerző a digitális társadalom különböző aspektusait tárja elénk, igyekezve lényegre törően bemutatni szerkezetének fontosabb csomópontjait, és összegezni a tudásrendszerek, az internet, a mesterséges intelligencia, a hálózati társadalmak fontosabb, a jogalakulás szempontjából releváns mozgásait. Ezúttal a mesterséges intelligencia alapfogalmait veszi górcső alá.
Mesterséges intelligencia: az alapfogalmak vizsgálata
A közbeszédben, a médiában, a különféle nyilvános megszólalásokban, a nyomtatott és a digitális sajtóban megtévesztő zűrzavar uralkodik a mesterséges intelligenciáról szóló diskurzusokban. Összezavarnak és összekevernek egymással jelenségeket és folyamatokat (pl. az algoritmusok és a mesterséges intelligencia közé teljes egyenlőségjelet tesznek), s ebben bűnös némileg a különféle nyelveket használó szakemberek egymás közötti kommunikációja is, pontosabban a fogalmak egyik nyelvről a másikra történő lefordítása. Példaként említjük, hogy a magyar nyelvben meghonosodott mesterséges intelligencia (MI) kifejezés a német fogalomhasználat nyelvi tükre ugyan (Künstliche Intelligenz – KI), azonban a fogalmak értelmezési tartományában a felhívott asszociációk eltérnek egymástól. A künstlich szó az értelmező szótárak szerint olyan valami, ami a művészeteken nyugszik, ám az egyik értelmezési lehetősége a nem-természetes. A magyar kifejezésben az intelligenciá-val van a baj, mert ez az emberi tulajdonságra, az ember gondolkodási képességére utal (igaz, ez a német kifejezésben szintén így van), pedig a jelenség nem erről szól. Olyan gépi (számítógép által vezérelt) logikai rendszerről, amely az emberi elméhez hasonló eredményeket hoz létre.
Az angol és a nemzetközileg elterjedt artificial intelligence- (AI) kifejezés első része az ember által készített, a természetben található dolog emberi utánzatára utal. Maga a fogalom azonban az informatikusok által írt olyan szoftvereket takarja, melyek kreatívan képesek problémákat megoldani. E nyelvi-fogalmi tartalom már majdnem megegyezik a mesterséges intelligenciáról alkotott (egyik) meghatározással, mely szerint „egy rendszert akkor nevezünk intelligensnek, ha önállóan és hatékonyan képes a problémák megoldására. Az intelligencia foka függ az önállóság, a probléma-komplexitás- és a problémamegoldási eljárás hatékonyságának fokától.”[1] A különböző nyelvi tartalmaktól függetlenül használni fogjuk a vitathatónak ítélt kifejezéseket, azonban a Klaus Mainzer által kidolgozott „munkahipotézis” tartalmát értjük alattuk.
Nem pusztán terminológiai gondok vannak az MI körül, néha maguk az informatikusok is bizonytalanok egy-egy fogalom meghatározásában, amit tükröz az általuk adott (néha saját használatra készült) kiegészítő magyarázatok jelentős száma. Pedro Domingos szerint az AI alá tartozik (subfield), azaz az AI hatókörének, terjedelmének, rendszerének alárendelt részét képezi – technikailag – a gépi tanulás (machine learning), amely olyan sikeresen, gyorsan és olyan mértékekben növekedik, hogy lassan elhalványítja a büszke szülőt, forrását, az AI rendszereit.[2] Megfogalmazása egyúttal arra utal, az AI-kutatásokból nőtt ki számos önálló informatikai – logikai (gondolkodási) terület. Amennyiben lehet hinni Domingos-nak, a nyelvi összeakadások okát szintén a történeti fejlődés (fejlesztés) fő sodorvonalában kell keresnünk.
Az AI első fejlesztési lépcsőiben valóban az emberi elme teljesítőképessége, az emberi intelligencia volt az igazodás mércéje. Az 1950-es években kezdődött el az önállóan gondolkodó számítógépek és robotok fejlesztése, sőt a mesterséges intelligencia (AI) elnevezés maga is 1956-ban született. A munka úttörője John McCarthy, a Standford egyetem mesterségesintelligencia-laboratóriumának (SAIL) munkatársa volt, aki 1956-ban az úgynevezett „Dartmouth-i műhelymunka” során indította el a fejlesztési programot. Nem volt mindez előzmény nélküli, hiszen Turing 1940-es években végzett kutatásai, az emberi intelligencia számítógépes módszerekkel történő modellezése és szimulálása egy egész iskola kialakulását tette lehetővé.[3] A gondolkodó gépek első sikerkorszaka az 1970-es évek közepéig tartott, megtorpanásának okát a szakemberek a számítási kapacitások szűkösségében látták. Az újrainduló programok aztán a számítógépek új típusának hadrendbe állításával és egy döntő újítással, az öntanuló algoritmusok új generációjának létrehozásával indultak újra.[4]
A teljes képhez hozzátartozik, hogy a XX. század nyolcvanas éveiben – éppen a gépi tanulás megerősödésének hatására – különböző ellenreakciók alakultak ki, ezek vagy az emberi ész (mind) hagyományos pozícióját védték a gépekkel szemben, vagy – ellenkezőleg – még inkább ösztönöztek az AI-fejlesztésekre. Az ok egyértelműnek tűnik: az AI rendszerére nem lehetett alkalmazni az emberi gondolkodásra épített korábbi megközelítéseket – már csak azért sem, mert az AI a számítógéphez (annak matematikai, informatikai és logikai szerkezetéhez, működéséhez), és nem az ember biológiai felépítéséhez kötődik. A keveredés egyik hírhedt projektje a Cyc-projekt volt, amikor az 1980-as évektől kezdve a szükséges emberi tudás végtelen tárházát kísérelték meg számítógépre átvinni, s így megalapozni az AI további fejlesztését. Három évre tervezték a programot, s harminc év múlva sem fejezték be. Viszont egyértelművé vált, a gépeket nem feltölteni kell az emberi tudással, hanem olyan önálló működési módra kell programozni, hogy képesek legyenek – hibáikból okulva – a programok futtatásával eléjük kerülő, vagy eléjük tárt problémák önálló megoldására. E feladat megoldásában a kutatók már joggal támaszkodhattak az emberi agy működésének szabályszerűségeire, amit elősegített az agykutatás (a neuronok hálózatáról és információátadási rendszeréről – neurális hálózatokról – végzett kutatások) időközben elért eredményeinek közzététele. A programok azonban már nem az azonosságra, az összeolvadásra vagy egyneműsítésre építettek, hanem az agy dinamikus mintázatainak (mechanikáját) követésére.
A fent bemutatott zűrzavaros helyzetet Alessandro Vespignani a korai szemléletmód antropomorfizmusával magyarázza. Napjainkra azonban már az utánzás a jellemző, mivel az uralkodó programozási elképzelések, folyamatok, és az ezeket leíró jelszavak, működések az emberi kognitív funkciókat akarják utánozni. A mesterséges intelligencia (MI) így egy „széles sprektumot mozgó fogalom”, kontextusában azok a „jelszavak”, fogalmak fordulnak elő, melyek a matematikai és a statisztikai logika szerint működő alkalmazásokkal valóban a kognitív struktúra utánzása révén kiépíthető gépi működést, mint gépi gondolkodást célozzák meg.[5]
A mesterséges intelligencia területei között említettük már a gépi tanulást (machine learning), „melynek célja az, hogy lehetővé tegye a számítógépek számára a gépi tanulást.” A központi gondolat itt, hogy az algoritmus „magától megtanulja azonosítani a megfigyelt adatok között a pontos kapcsolatokat anélkül, hogy lennének előre kimondott, előre programozott szabályok és modellek.”[6] Nagy számú különleges utasítást tartalmazó algoritmus és program helyett az algoritmus maga tanul az adatokból, és fokozatosan alkalmassá teszi magát arra, hogy az éppen feldolgozott információkból új információkat szerezzen be – fogalmaz Vespignani.
A gépi tanulás maga szintén „gyűjtőfogalom”. Egyfelől az alkalmazott technikák „végtelen számát” tartalmazza (Vespignani), másfelől a „különféle, specifikus problémákat megoldani hivatott stratégiák csoportját” jelöli (Shelly Fan)[7]. A gépi tanulás hajtóereje napjainkban a mélytanulás (deep learning), amelyet az emberi gondolkodást támogató (biológiai, humán) neurális hálózatok inspiráltak. A neurális hálózatok architektúrája szabályozza a gépi számítások menetét, s a különféle számítástechnikai optimalizációk érdekében szakadatlanul új és új variációkat állít elő.[8] Szakirodalmi példa erre mindennapjainkból a természetes nyelvek feldolgozása, a beszédfelismerés, a különféle személyre szabott ajánlások (Netflix, Amazon, Facebook), ahol megfelelő mennyiségű adat áll rendelkezésre.
A neurális hálózatok egyfelől az emberi agy kognitív képességének utánzását végezik, másfelől az agy neurális információfeldolgozásának mintázatát használják fel a számítógépekkel előállított intelligencia rendszeréhez. A gondolat már Alan Turing írásaiban megtalálható, ám napjainkra érte el a sikeres kibontakozás lehetőségét. A neurális hálózati működés körében értelmezhető a „mélytanulás” (deep learning), amely a neurális hálózatok egyre összetettebb architektúrájának növekvő rétegződéseire épülve, különböző típusú neuron-elágazások és -szerkezetek „mélységében”, egyre magasabb absztrakciós szinten képes a feladatok megoldására.[9] Klaus Mainzer egyik példája az arcfelismerés, amikor a számítógépet úgy stimulálják, hogy az a világos/sötét pixelek azonosításából elindulva végül be tudja azonosítani az arc teljes architektúráját. A számítógép maga tanulja meg az utat, hajtja végre a különböző felismerési-szerkezeti síkok közötti ugrásokat. Az eljárás – írja Mainzer – megfelel az emberi arcfelismerés retinából elinduló menetének.[10]
A gépi tanulás különféle stratégiaiból Vespignani három csoportot emel ki, a felügyelt tanulást (supervised learning), a felügyelet nélküli (ön-) tanulás (unsupervised learning), és a megerősített tanulás (reinforced learning) rendszereit. Árulkodó nevük pontosan megmutatja működésük lényegét, még akkor is, ha a műveleteket nagyrészt algoritmusok végzik. Kiemelnénk a megerősített tanulást, ami – Vespignani szerint – a gépi tanulás határa, mivel itt az algoritmusok a sikeres próbálkozásokból és a hibákból tanulnak, emberi beavatkozás nélkül. Számos mintával próbálkoznak, ezek elvetése, megtartása a helyes/téves eredmények függvényében történik. A próbálkozások során igyekeznek minimálisra csökkenteni a hibák számát.
A vezető nélküli járművek navigálásnak egyik lehetséges módja a megerősített tanulás. Évek óta tart a vita az önvezérlő járművek kártérítési felelősségének jogi megoldásáról, az egyik elképzelés szerint a jármű rossz döntését előidéző hibás programozás készítőjének kell a kár megtérítését felvállalnia. Talán nem véletlen, hogy nincs megegyezés e területen (sem), mivel a megerősített tanulás esetében e megoldás egyszerűen értelmezhetetlen. Nem térünk ki a probléma minden oldalára, egyfelől visszatérünk erre, másfelől a gazdag irodalomhoz fordítjuk az olvasót,[11] megjegyzésünkkel pusztán demonstrálni szerettük volna, hogy az informatikai problémák, a mesterséges intelligencia alatt működő gépi megoldások miként határozhatják meg egy-egy jogalkotási kérdés helyes felvetését.
Egy jármű azonban több mint egy számítógép, nemcsak tömegében, hanem mozog, érzékel, a helyzetekre reagál, jelzéseket ad, jeleket közvetít, feldolgoz, átalakít. E tulajdonságoknak köszönhetően számos szerző robotnak tekinti, akkor is, ha a robot szó nem kifejezetten az önvezető autókat juttatja eszünkbe. A mesterséges intelligencia alkalmazási területeinek széles sávja a gépi és a humanoid robot, az előbbi egy-egy sajátos terület specialistája, az utóbbi ellenben komplex, az emberi létezést rendszerszerűen utánozni képes – testet öltött – mesterséges intelligencia. Mainzer három lépcsőjét különbözteti meg a robotfejlődésnek, mindegyik egy-egy megoldást takar.
A funkcionalista szemléletmód arra épül, hogy a robotnál adott – mint az embernél – a belső, kognitív struktúra, ahol a külvilág tárgyait, tulajdonságait, egymáshoz való kapcsolódásukat, funkcióit, szimbólumok reprezentálják. A külső világ történéseit e szimbolikus modell funkcióiban kell leképezni, hasonlóan ahhoz, ahogy a fizikában a mozgásokról geometriai vektort alkotunk. Ezzel létrehozzuk a robot alkalmazkodási környezetének szimbolikus modelljét – magában a robot gondolkodási struktúrájában. A szemléletmód mögött az 1950-es évek kognitív pszichológiája áll, Herbert Simon, Allen Newell munkája.[12] A probléma azonban az, hogy az ember – talán szemben a robottal? – nem mindig a szimbolikus valóság felépítésének logikájában cselekszik, sőt a racionális, szimbolikus reprezentációkból nem mindig következik a racionális cselekvés sem.
A kapcsolatközpontú megközelítés ezért nem a szimbolikus modellre támaszkodik, hanem arra a tényre, miszerint két különböző kommunikációs egység közötti kölcsönhatásban komplex hálózatok működnek. E szemléletmód ismételten a neurális hálózatokhoz vezet el. Végül a harmadik, a cselekvésorientált szemléletmód a robottest környezetbe ágyazódásából indul ki. A modell alapja, hogy – hasonlóan a környezet/organizmus-kapcsolathoz –, a robot és környezete interakciójában cselekvésvezérelt objektivációk épülnek ki, melyek megváltoztatják a környezetet, majd e megváltozott környezet egy új típusú reakciót vált ki, és így tovább. Nyilvánvaló, e megközelítés csak azoknak a robotoknak kedvez, amelyek cselekvésközpontú vezérléssel rendelkeznek.
A humanoid robot e három alkotóelv „hibridje”, mert szituációvezérelt működéséhez, autonóm reagáláshoz nem pusztán a környezet és robot aktív konstitúciója, hanem a szimbolikus reprezentációk felépítése is szükséges.
A mesterséges intelligencia csúcspontját Mainzer a kibertér integrációja mellett, ahol az MI egy rendszerbe fogja össze az adatfeldolgozást, a kommunikációt, a tárgyi és a szimbolikus infrastruktúrát, a neuromorfikus számítógépekben látja. Amint az elnevezése mutatja, a háttérben a neurális hálózatok, és az emberi elme működésének utánzása áll, azonban a technikai megvalósítás forradalmian új. 2007-ben Stanley Williams a HP munkatársa építette meg az első ilyen számítógépet, tökéletesítése napjainkban is tart. Az evolúció folytatódik, a következő lépcsőfokokról és lehetőségekről könyvtárnyi szakirodalom íródott.
A MI alapfogalmai között végzett barangolásunk végén tartózkodunk az összefoglaló tanulságok leírásától. Ahhoz, hogy eljussunk a döntési rendszereket szabályozni igyekvő jogi megoldások kapujába, először látnunk kell az MI alapján működő döntési rendszerek sajátosságait, majd a különböző algoritmustípusok legfontosabb tulajdonságait. Természetesen be kell mutatnunk a jog rendszerében eddig már sikeresen beillesztett MI-megoldásokat, értékelni kell (negatív vagy pozitív) hatásukat. Az alapfogalmak leírásával aláhúztuk kiinduló tézisünk igazságát: történetünk nem most kezdődött, csak napjainkra állt össze egységes dramaturgiává.
A cikksorozat első részét itt, a másodikat itt, a harmadikat itt, a negyediket itt , az ötödiket itt, a hatodikat pedig itt olvashatja el.
Lábjegyzetek:
[1] Klaus Mainzer: Küstliche Intelligenz – Wann übernehmen die Maschinen? Springer Verlag, Berlin, 2016. 3.
[2] Pedro Domingos: The Master Algorithm. How the Quest for the Ultimate Learning Machine Will Remake Our World. Pengiun Books. 2015. 8.
[3] Alan Turing: Computing machinery and intelligence. Mind (magazin) 1950. 59. 433 – 460.
[4] Részletesen: Shelly Fan: Lecserél-e minket a mesterséges intelligencia? Bevezetés a XXI. századhoz. Scolar, Budapest, 2020. Csepeli György: Ember 2.0. A mesterséges intelligencia gazdasági és társadalmi hatása. Kossuth Kiadó. Felsőbbfokú Tanulmányok Intézete. Budapest, 2020.
[5] Alessandro Vespignani: A jóslás algoritmusa. Libri, Budapest, 2020. 75.
[6] Uo. 77.
[7] Shelly Fan: Lecserél-e minket a mesterséges intelligencia? Bevezetés a XXI. századhoz. Id.mű. 42.
[8] Uo. 43.
[9] Csepeli György: Ember 2.0. A mesterséges intelligencia gazdasági és társadalmi hatásai. Id.mű. 56. Klaus Mainzer: Küstliche Intelligenz – Wann übernehmen die Maschinen? Id.mű. 99.-138.
[10] Klaus Mainzer: Küstliche Intelligenz – Wann übernehmen die Maschinen? Id.mű. 110.
[11] A magyarországi szakirodalomból: Udvary Sándor: Fémrabszolga vagy rivális életforma? A robotok jogi szabályozásának első lépései. Gazdaság és Jog, 2018/12. Udvary Sándor: Az önvezető gépjárművek egyes technikafüggő szabályozási kérdései. In: Gellén Klára (szerk.): Jog, innováció, versenyképesség. Wolters Kluwer, Budapest, 2017. 75–88.
[12] Allen Newell – Herbert Simon: Human Problem Solving. Prentice Hall, Englewood, Cliffs NJ, 1972.
