Szerző: Hlács Ferenc

2017. június 2. 09:30

Greg Corrado: a gépi tanulás feladatokat helyettesít, nem munkahelyeket

Milyen hatással lesz a gépi tanulás, a mesterséges intelligencia elterjedése a munkahelyekre? Milyen területen van még bőven csiszolni való a technológián? Többek között ezekre a kérdésekre kereste a választ a Google szakértője Budapesten.

Magyarországon járt Greg Corrado, a Google mesterséges intelligenciáért felelős vezető kutatója. A szakértő sajtóbeszélgetésen mutatta be a terület jelenlegi és várható helyzetét - a beszélgetés során amellett, hogy a technológiában rejlő számos aktívan használt, illetve még kiaknázás előtt álló lehetőséget felsorolt, óva intett a mesterséges intelligencia és a gépi tanulás túlmisztifikálásától. Ahogy hangsúlyozta, továbbra is egy eszközről van szó, ráadásul nem is újdonságról, hiszen a  gépi tanulás elméletben már évtizedek óta velünk van. A koncepció ugyanakkor eddig nem tudott teret nyerni, csak az utóbbi években lett széles körben elterjedt, miután a gyakorlati megvalósításhoz szükséges számítási kapacitás és az algoritmusok betanításához szükséges megfelelő méretű adathalmaz egészen sokáig nem volt széles körben elérhető.

Ez mára gyökeresen megváltozott, nem csak olcsóbb lett a számítási kapacitás, de a Google még saját céleszközöket is tervezett a gépi tanulási feladatokra, ezek a területen kiemelten hatékony TPU-k, amelyek második generációja a cég fejlesztői konferenciáján mutatkozott be. Emellett időközben a nagyméretű adathalmazok is széles körben elérhetővé váltak - elegendő csak az irdatlan mennyiségű fotóra gondolni, amelyhez a Google hozzáfér. A technológia tehát ma virágzik és egyre több területen vetik be a gépi tanulási, deep learning megoldásokat különböző problémák megoldásához. Corrado itt a házon belüli fejlesztéseket hozta példaként, amelyeknél az utóbbi néhány évben elképesztően népszerű lett a gépi tanulási eszközök használata: míg 2012-ben a cégen belül ritkaságnak számítottak a hasonló megoldások, mára közel ötezer belsős projekt hajt igába valamilyen machine learning rendszert.

A mesterséges intelligencia kapcsán gyakran megjelenő félelem, hogy az egyre okosabb és hatékonyabb algoritmusok a munkaerőpiacra is erős hatást gyakorolnak majd, elterjedésük pedig sokak állását veszélyezteti. A Google szakértője más megvilágításba helyezte a problémát: a gépi tanulási megoldások nem bizonyos munkaköröket, sokkal inkább egy-egy feladatot helyettesítenek majd, amelyet gyorsabban, hatékonyabban végeznek el, mint az ember. Ez persze óhatatlanul ahhoz vezet, hogy bizonyos területeken kevesebb munkavállalóra lesz szükség - ez ugyanakkor a technológiai fejlődés egyenes következménye volt mindig is. Ezzel párhuzamosan azonban az AI megoldások elterjedése, népszerűsödése új munkahelyeket is hozhat, amelyeket ma még nem látni pontosan, ahogy az internet megjelenése előtt nem láthattuk a SEO-szakértők vagy épp bloggerek érkezését. Az átalakulásra mindenesetre, ahogy Corrado hangsúlyozta érdemes tudatosan készülni, a piacról kiszoruló munkavállalókat pedig új területekre felkészíteni.

Igaz a gépi tanulás egyre több tudományterületen és iparágban válik kiemelten hasznos eszközzé, azért még mindig van hova fejlődnie, megvannak a maga korlátai. Ilyen például, a nagy mennyiségű, strukturált adat szükségessége a rendszer betanításához, hiszen nyers adathalmazból a szoftver egyelőre nem tud tanulni - ez azonban a későbbiekben változhat, jelenleg is aktívan folynak a kutatások az úgynevezett "unsupervised" vagy felügyelet nélküli gépi tanulás területén, ugyanakkor ahogy a Google szakértője is elmondta, áttörést egyelőre nem sikerült elérni ezen a téren.

Toxikus vezetők szivárványa

Az IT munkakörülményeket, a munkahelyi kultúrát alapjaiban határozzák meg a vezetők, főleg ha még toxikusak is.

Toxikus vezetők szivárványa Az IT munkakörülményeket, a munkahelyi kultúrát alapjaiban határozzák meg a vezetők, főleg ha még toxikusak is.

Az adathalmazoknál ugyancsak gondot jelenthet, ha azok valamilyen irányba elfogult forrásból származnak, például ha egy képhalmazban a "háziállatok" kategóriában valós arányaikhoz képest felülreprezentáltak a macskák, netán a tengerimalacok, mert a képek összegyűjtője akarva-akaratlanul is belevitte saját preferenciáit a halmazba. A hasonló elfogultság vagy épp előítélet kiszűrésére lehetséges finomhangolni az algoritmust, hogy fair módon szórja ki az eredményeket - végeredményben azonban egy sokkal inkább jogi-filozófiai, mint technológiai vitához jutunk, ahol valójában azt kell eldönteni, adott kontextusokban mi is tekinthető fair eljárásnak. Hasonló a valós-hamis információk problémája is (amely téma az elmúlt hónapokban az álhíreknek hála kifejezetten aktuális lett), hiszen míg egyes esetekben az igazságtartalom magától értetődik, máskor jóval nehezebb lehet azt meghatározni. Corrado példaként a Gmail ugyancsak gépi tanulásra építő spamfilterét emlegette, amelynek nincs könnyű dolga, hiszen míg a barkácsbolt hírlevele sokaknak érdektelen, bosszantó tartalom lehet, mások azt szívesen böngészhetik át.

A jövőt a szakértő egyértelműen a kollaborációban látja, mind különböző technológiai cégek, mind pedig ember és gép között, ebben a szellemben nyitotta meg a Google 2015-ben TensorFlow gépi tanulási rendszerét is. Ahogy Corrado kiemelte, a gépi tanulás hasznos eszköz, annak legjobb felhasználási módjait azonban még mindig emberek találják meg - amíg ez így marad tehát a benne rejlő lehetőségek a legjobban az együttműködéssel aknázhatók ki.

Nagyon széles az a skála, amin az állásinterjú visszajelzések tartalmi minősége mozog: túl rövid, túl hosszú, semmitmondó, értelmetlen vagy semmi. A friss heti kraftie hírlevélben ezt jártuk körül. Ha tetszett a cikk, iratkozz fel, és minden héten elküldjük emailben a legfrissebbet!

a címlapról