Az MI áttörésének pillanata – miért volt mérföldkő az AlphaGo

2016 márciusában történt valami, ami azóta is nagy hatással van a technológiai világra. A Google DeepMind által fejlesztett AlphaGo nevű mesterséges intelligencia legyőzte a többszörös világbajnok dél-koreai gojátékost, Lee Sedolt. Bár elsőre ez csupán egy „tech-hírnek” tűnhet, valójában jóval több annál. A go az emberiség egyik legősibb stratégiai játéka, ahol a szabályok viszonylag egyszerűek, a lehetséges lépések kombinációi viszont szinte végtelenek. Ez a hatalmas variációs tér az, ami évtizedeken át meggátolta, hogy egy szoftver győzelmet arathasson az ember felett, még akkor is, amikor a sakkban vagy éppen a pókervilágban már fel-feltűntek komoly számítógépes kihívók. Az AlphaGo színre lépése egy új korszakot nyitott, hiszen megmutatta, hogy a gépi tanulás és a mesterséges intelligencia kreativitásra is képes és sokkal jóval nagyobb potenciál van benne, mint azt sokan előzetesen gondolták.

A sakkal ellentétben a go-ban nem működik jól a „brute force” megközelítés, vagyis a gépnek nem elég minden lehetséges lépést végigpörgetnie, pusztán hatalmas számítási kapacitással, nem lehet legyőzni az embert. A tábla 19×19-es mérete és a játék különleges szabályai miatt a lépési lehetőségek mennyisége exponenciálisan nő, ami meghaladja még a legerősebb szuperszámítógépek kapacitását is. Az AlphaGo teljesen más stratégiával állt a probléma megoldásához, nem a hagyományos programozás eszközeivel, hanem a mély neurális hálók és a megerősítéses tanulás (reinforcement learning) kombinációjával. Ez röviden azt jelenti, hogy a gép úgy tanul, hogy saját magával játszik és ezernyi, majd milliónyi partin keresztül tanulja meg, mikor melyik lépést érdemes választani. A hibák által folyamatosan fejlődik, miközben egyre bonyolultabb mintázatokat is képes felismerni a táblán.

2016 márciusában, az előbb említett módszerrel felkészített AlphaGo csapott össze Lee Sedol Dél-Koreai világbajnokkal, a sportág ikonikus alakjával. A párharcot az egész világ követte, és sokan bíztak benne, hogy az emberi leleményesség – különösen egy olyan kifinomult játékban, mint a go – még mindig egyedülálló és különleges. Végül azonban az AlphaGo 4:1 arányban győzött. A meccsek során szoftver néhány egészen „emberfelettinek” tűnő lépés húzott, különösen a harmadik partiban, a 37. lépés sok profi játékos szemében teljesen érthetetlen volt, mégis kulcsfontosságúnak bizonyult a későbbi győzelem szempontjából. Ezzel új fejezetet nyitott a gépi „kreativitásban”.

Elsőre úgy tűnhet, hogy ennek a történetnek csak a go-rajongók számára van jelentősége, de ennél jóval többről van szó, itt mutatkozott meg először, milyen potenciál rejlik ebben az új technológiában. Az AlphaGo győzelme rávilágított a mesterséges intelligencia egy speciális, és egyben kritikus jelenségére is, a „black box” vagy „fekete doboz” hatásra. A neurális hálók (az AlphaGo alapja) ugyanis rendkívül sok paraméterrel és bonyolult belső réteggel rendelkeznek, így sokszor a fejlesztők sem tudják megmondani, miért és hogyan hozta meg a rendszer a döntéseit a probléma megoldásában. A gyakorlatban ez azt is jelenti, hogy a technológia jelenleg előrébb tart, mint a tudomány, ami egy újfajta felelősséget is helyez a kutatók és az ipari szereplők vállára. Miközben ugyanis lenyűgöző, hogy egy mesterséges intelligencia saját magát tanítja és teljesen új megoldásokat is képes kitalálni, a működésének átláthatatlansága komoly felelősségi kérdéseket is felvet például olyan területeken, mint az egészségügyi diagnosztika vagy a pénzügyi döntéshozatal.

Az AlphaGo forradalma tehát túlmutat a go táblán. A világot  rádöbbentette ugyanis, hogy a mesterséges intelligencia többé nem „gyors, de buta” algoritmus, hanem hatalmas, valódi kreatív potenciállal bíró rendszer, amelynek tanulási képességei határtalanok. Ez a felismerés gyorsította fel anno, hirtelen  az MI-fejlesztéseket. A vezető technológiai cégek, kutatóintézetek és kormányok sorra jelentettek be új projekteket, melyek mára az önvezető járművektől a gépi látáson alapuló orvosi diagnosztikán át egészen a mesterségesen irányított energiafogyasztás-optimalizálásig terjednek.

Egy másik ok, amiért az AlphaGo és Lee Sedol mérkőzése mérföldkőnek nevezhető, mert a laikusok figyelmét is felkeltette a technológia iránt. A mérközést nagy sajtófigyelem is kísérte, melynek eredményeként egyre többen értették meg, hogy a mesterséges intelligenciáról folyó diskurzus már nem pusztán sci-fi. Előtérbe kerültek olyan kérdések is: Ha a gép így felülmúlhat egy embert a go-ban, akkor mi minden másra lehet még képes? Hogyan tudjuk megakadályozni, hogy egy rosszul felügyelt rendszer veszélybe sodorjon emberi életeket, vagy igazságtalan döntéseket hozzon? Hol a helye a humán kontrollnak és a beépített fékeknek egy olyan rendszerben, ami nem mindig „magyarázza el” a döntéseit?

A legnagyobb kihívás, hogy a különféle algoritmusok ma már rengeteg helyen jelen vannak az életünkben, alkalmazzuk őket a közlekedés szervezésében, a hitelbírálatoknál, a munkaerő-felvételi folyamatokban és az orvosi vizsgálatok során is. Ha a technológia működése viszont hasonlóan átláthatatlan, mint az AlphaGo, akkor előfordulhat, hogy nem mindig látjuk, milyen mechanizmus szerint születnek a döntések. Egy hiba vagy elfogult adatkészlet akár beláthatatlan következményekkel is járhat. Éppen ezért ma is az egyik legnagyobb kihívás a kutatók számára, hogy pontosan megértsék, mi van a technológia döntései mögött (explainable AI). A cél feltárni a neurális hálók pontos belső működését.