A „gondolkodó” mesterséges intelligencia és a lusta matematikusok

Égetően fontos kérdés, hogy a mindennapjainkban és a felsőoktatásban milyen szerepet játszik és milyen szerepet fog játszani a mesterséges intelligencia, milyen hatással lehet a gondolkodásunkra, illetve annak a megértése, hogy miképp jutottunk el ide, ahol most vagyunk. Az MI nagyjából az elmúlt öt évben vált a földgolyón széles körűen népszerűvé, emberek milliárdjai használják nap mint nap mindenféle kontextusban.

A Sapientia EMTE idén a 25. Tudományos Diákköri Konferenciájával büszkélkedhet, amelynek megnyitóján, május 13-án Dr. Farkas Csaba matematikus plenáris előadását hallgathatták meg az érdeklődők (és persze diákok, vezetőtanáraik) – az egyetem marosvásárhelyi karának oktatója azt a kérdést tette fel, amelyen valószínűleg mindnyájan eltűnődtünk már MI-használat közben:

Matematikai szemszögből nézve négy nagyobb területet érint az, amiről beszélgetünk az MI kapcsán: vannak a formák és a struktúrák (például az algebra vagy a geometria), a változásra, mozgásra, térre vonatkozó számítások, a bizonytalanság és adat közti viszonyok (például valószínűségszámítás vagy statisztika, információelmélet), illetve a döntés és tanulás mikéntje (optimalizálás, algoritmusok, gépi tanulás, nyelvi modellek).

Nos, Farkas szerint a matematikus egy lusta ember, de jó értelemben.

és nem azért, mert kerülné a gondolkodást, hanem mert ha jól megválasztja a változókat, akkor a valóság egy része kiszámíthatóvá válhat. Így a legfontosabb kérdés, amit feltesz: melyik részletet kell megtartanunk és melyiket hagyhatjuk el úgy, hogy a válaszunk még használható maradjon? Egy zavaros valóságból egyszerűsítés útján kell feltenni egy jó kérdést megfelelő változókkal, hogy kijöjjön egy modell, amely úgy számol, hogy becslésre, döntésre juthassunk. Ugyanakkor a modell nem a valóság helyett van, hanem a valóság kezelésére.

Fotó: Sapientie EMTE Kolozsvár / Facebook

Az alapgondolat az, hogy a mesterséges intelligencia algoritmusainál is a választott szűrők és célok döntik el, hogy mit fogunk látni, az MI megértésének az alapja

Farkas itt egy szemléletes példával élt: van egy Drake-egyenlet nevű számítás, amelyet arra használtak a tudósok, hogy megpróbálják kiszámítani, miért nem látogatták meg a bolygónkat eddig a földönkívüliek. Az alapkérdés: vajon egyedül vagyunk-e a világegyetemben?

Erre azonban nem lehet mondani egyetlen számot, így

A Drake-egyenlet képletében megvan, hogy mi feleltethető meg a kérdésben foglaltaknak: csillagok, bolygók, lakható helyek, élet, intelligencia, kommunikáció, időtartam – tehát azt mutatja meg, hogy melyik feltételezésen múlik a válasz (tehát a képlet nem bizonyítja azt, hogy hány civilizáció van). A Drake-egyenlet képletét

Az egyenlet logikájába illesztve a pontos kérdés úgy hangzott, hogy hány potenciális partner felelhet meg neki Londonban, ahol él, így a módszer nem érzésre mond számot, hanem szűrők sorozatára bontja a kérdést, London lakossága, életkor, egyedülálló, végzettség, vonzalom, kölcsönösség és végső becslés alapján. (Megnyugtató: Backusnak a számítás alapján 26 jött ki, ami London lakosságához mérten ezekkel a szűrőkkel igen kevés, de három évre rá meg is nősült.)

Láthatjuk, hogy egy modell úgy jön tehát létre, hogy az kerül bele, amit tudunk: a bemenet, a modell szerkezete, a beállítások és paraméterek, valamint a becsült válasz.

Fontos viszont, hogy a modell csak egy választási mód arra, hogy a valóságnak éppen melyik részét tesszük számolhatóvá! Egy modell alkalmazása nagyon sok területen működik, legyen az az időjárás, gyógyszeradagolás, film és zene vagy az MI „emberi nyelve”.

A modellekben a tér is számít: mérünk bennük távolságot, hasonlóságot és hibát (a víz is másképp folyik egy sík felületen vagy egy domboldalon), így a geometriai analízisre is szükség van. Az, hogy egy modell hogyan viselkedik, azt a megadott paraméterek döntik el, ezt úgy lehet elképzelni, mint valami hangológombokat, amiket huzigálni lehet. Vizuálisan megfogalmazva: egy fotó szerkesztésekor látszik a fény, a kontraszt, a színtelítettség vagy a vágás, ezeket lehet állítgatni, így ugyanaz a kép más hatást kelt. A gépi tanulás esetén ezeket a paramétereket lehet állítgatni, cserélgetni, módosítani. A legfontosabb viszont az, hogy egy modellezés esetén nem minden részletet tartunk meg – lásd az utalást a lusta matematikusokra –, hanem azokat az állapotokat, amelyek a folyamat szempontjából lényegesek. Egy modell attól válik hitelessé, ha a megfelelő paraméterek vannak megadva neki, így ez nem csak feledhető technikai részlet.

Itt ugrik a majom a vízbe: ha mesterséges intelligenciának nevezzük, akkor már világossá válhat, mit is értünk gépi tanulás alatt, hiszen itt bizony hibák csúszhatnak be. Erre való a gradiens módszer, egy olyan matematikai képlet, amely tartalmazza a modell épp aktuális beállítását, az aktuális hibáját és azt, hogy milyen irányba nőne a leggyorsabban a hiba. Ezért nyilvánvalóan az ellenkező irányba megyünk, és az is kiderül, hogy mekkorát kell arra lépni – ez a mesterséges intelligenciában azért fontos, mert egy modell tanítása során nagyon sok ilyen lépés kerül sorra a tipp, a hiba és a javítás egymásutániságában, és egy klasszikus modelltől eltérően a gépi tanulás esetén a modell maga állítja be a paramétereit úgy, hogy minél kisebb legyen a hiba. A matematika nem tűnik el, viszont a nagy fordulat ebben az, hogy a paraméterkeresés hatalmas optimalizálási feladattá válik.

Ezért a mesterséges intelligencia kifejlesztésének egyik kulcseleme a neurális háló, amely sok egyszerű egységből épül fel, ezek az egységek súlyoznak, összeadnak, majd továbbadják a jelet. Egyetlen egység gondolata úgy épül fel, hogy vannak a bemenetek, ebből lesz a súlyozott összeg majd a válasz, és a tanulás során a súlyok változnak. Ha ezt egy hétköznapi példával akarjuk szemléltetni, akkor olyan, mint egy zsűri vagy egy keverőpult: nem minden szempont számít ugyanannyit, de a tanulás során azt jelenti, hogy a rendszer megtanulja, melyik jelnek mekkora súlya legyen.

Farkas Csaba azt is kifejtette, hogy

Azért érezzük intelligensnek, mert képes emberi nyelven kommunikálni, elfedve a háttérben zajló matematikai számításokat.

Hogyan lesz a gépi tanulásból mélytanulás, vagy ahogy nemzetközi szinten emlegetik, deep learning? Itt fontos megjegyezni, hogy amit az MI „érzékel”, az nem azonos az emberi megértéssel, ő mintákat „lát”. Képnél éleket, formákat, tárgyrészeket és végül tárgyakat,

Ebből épülnek fel a szavak, a fordulatok, a stílus és végül az érvelésnek látszó szerkezet (amit mi olvasunk érvelésként). Farkas Csaba szerint itt van az embernek nagy felelőssége, mert nem mindegy, mit nevezünk hibának: a célfüggvény mögött mindig emberi döntés, érték és felelősség áll.

Időbeli áttekintés szempontjából a mesterséges intelligencia fejlődése nem egy hirtelen robbanás, hanem egy 1854-ben kezdődött, évtizedes matematikai és elméleti alapozás eredménye. A fejlődési út legfontosabb mérföldkövei és szereplői a következők:

• 1854: George Boole nevéhez fűződik a Boole-algebra, amely lehetővé tette, hogy a logikával számolni lehessen. Erre épülnek a mai beléptető rendszerek és az egyszerű „igen/nem” döntések is.
• 1931: Kurt Gödel bizonyította be, hogy bármilyen elméletet is építünk fel, mindig maradnak olyan kérdések, amelyeket nem lehet eldönteni. Ez rávilágít az MI ítélőképességének korlátaira is.
• 1936: Alan Turing határozta meg, mit jelent kiszámítani valamit. Az ő munkássága alapozta meg az algoritmusokat, amelyek precízen meghatározott lépések sorozatából állnak, mint egy recept.
• 1945: Neumann János nevéhez fűződik annak kidolgozása, hogyan tárolható a program és az adat egyazon rendszerben.
• 1948: Claude Shannon az információelmélet atyja, aki szerint az információ mérhető. Az MI-ben ez úgy jelenik meg, hogy valószínűségeket rendelünk az adatokhoz.
• 1948: Norbert Wiener a visszacsatolás (feedback) elméletét dolgozta ki, amely lehetővé teszi, hogy egy rendszer a hibáiból tanulva javítsa saját működését, hasonlóan egy hőszabályzóhoz.
• 1958: Frank Rosenblatt alkotta meg a perceptront, a neurális hálózatok ősét, ahol egyszerű egységek súlyozzák és összegzik a bemeneti adatokat a döntéshozatalhoz.
• 1986: backprop (backpropagation) fogalma: ez a módszer tette lehetővé a hibák hatékony visszamérését és minimalizálását a hálózatban. Segítségével a rendszer képes azonosítani, melyik bemenet okozta a legnagyobb hibát, és azon változtatni.
• 2017: transformer-modell: ez volt az igazi nagy áttörés, amely képessé tette az MI-t arra, hogy „figyelni” tudjon a kontextusra. A transformer modellek már értik a szavak közötti összefüggéseket (például, hogy egy névmás melyik korábbi főnévre utal vissza), ami elvezetett a mai nagy nyelvi modellekhez (LLM).

Azért, mert jól kezeli a mintázatokat: a stílust, a műfajt, az érvelési formát és a gyakori kapcsolatokat, illetve hosszú kontextust használ, nem csak egy-egy szót. A folyékony szöveg könnyen intelligenciának tűnik, mivel emberi nyelven válaszol. Ugyanakkor a meggyőző mondat nem bizonyíték és a stílus nem igazság. Az, hogy az MI hallucinál, azt jelenti, hogy a modell nyelvileg hihető, de tényszerűen hibás választ adhat, például nem létező hivatkozásokat, hibás jogszabályt, kitalált idézetet vagy összekever személyeket.

Farkas Csaba végül az is ismertette, hogy az Európai Unió milyen szabályozást vezetett be a mesterséges intelligenciával kapcsolatban EU AI Act néven.

Nem minden MI ugyanolyan kockázatú, különbségek vannak a kreatív segédeszközök és a munkaerőpiaci, egészségügyi vagy közszolgálati döntéseket hozó fajtákból. Az AI Act augusztus 1-jén lépett hatályba, de 2025-ben két döntést is hoztak a tiltott gyakorlatokról és a MI-műveltségről, illetve az általános célú MI-modellek szabályairól. 2026-ban fog érvénybe lépni a fő alkalmazási dátum és 2027-től terjed majd ki egyes magas kockázatú rendszerekre.

Az egyetemi szférában, mint azt Farkas Csaba is kifejtette, a felelős integráció az irányelv, ugyanis a generatív MI (például a Claude, ChatGPT, a Gemini) jelen van az oktatásban, a kutatásban s az adminisztrációban,

A Sapientia EMTE példája az, hogy megőrizze az önálló tanulást, az akadémiai integritást, az adatvédelmet és a kritikai gondolkodást: az MI lehet hasznos eszköz (ha a tanulást támogatja, például vázlatot ad, fogalmakat magyaráz, kritikát ad szövegre, javít vagy gyakoroltat), de nem válhat a hallgatói, oktatói vagy kutatói felelősség helyettesítőjévé (például azzal, hogy kész dolgozatot íratnak vele, forrásellenőrzés nélkül vesznek át hivatkozásokat, bizalmas vagy személyes adatokat töltenek fel).