A magyar származású, de külföldön gépi tanulással foglalkozó világhírű kutatók mellett PhD-diákok közül is nagyon sokan jöttek el a Mesterséges Intelligencia Nemzeti Laboratórium (MILAB) Magyar Machine Learning Találkozójára. A nyári rendezvény kiváló alkalom volt arra, hogy a külföldön és a hazánkban dolgozó kutatók közösen keressenek válaszokat a szakma aktuális kérdéseire.
A HUN-REN SZTAKI által koordinált MILAB immár második alkalommal hozta tető alá a találkozót, amelyen általában a nyári szünetet Magyarországon töltő gépi tanulás kutatók számára biztosítanak lehetőséget egymással és a hazai közösséggel, diákokkal találkozni, eredményeiket bemutatni. A beszélgetéseken – amint Benczúr András, a SZTAKI Mesterséges Intelligencia Kutatólaboratóriumának vezetője, a találkozó szervezője portálunknak elmondta – elsősorban annak okait keresték, hogy a gépi tanulással foglalkozó kutatók miért tudnak külföldön sokkal sikeresebbek lenni, illetve hogy miként lehetne tapasztalataikat itthon is hasznosítani, hogyan tudnák az itthoni közösséget támogatni, akár informális vagy formális, csere- vagy ösztöndíjprogramok keretében.
Több magyar származású külföldi PhD-diák is részt vett az idei eseményen, illetve a Warwicki Egyetemről nem magyar kutatók is csatlakoztak előadásaikkal. Rajtuk kívül többek között például a Google, a Deepmind, a Cambridge és a Stanford University, az ETH Zürich és az AIT Austria kutatói is előadtak a háromnapos rendezvényen.
Mivel Magyarországon is egyre több magyarul nem tudó diák és kutató dolgozik, a program hivatalos nyelve angol volt, a kötetlen beszélgetések természetesen zömmel magyarul folytak.
Jakab Roland, a HUN-REN vezérigazgatója köszöntőjében a HUN-REN Központ kezdeményezéseként létrehozott MI Nagyköveti programról beszélt, amelynek célja az MI eszközeinek beépítése a tudomány minden területébe. A kutatóhelyek dedikált MI Nagykövetei folyamatos támogatást nyújtanak kutatóinknak az MI nyújtotta lehetőségek kiaknázásában. A 2024-ben indított kezdeményezés keretében a kutatók workshopokon, kurzusokon, hackathonokon és oktatásokon ismerhetik meg a gépi tanulási algoritmusok elméletét és gyakorlatát, valamint professzionális segítséget kaphatnak a megfelelő modell kiválasztásához, a kutatási terv kidolgozásához, elfogadásához és végrehajtási szakaszba juttatásához. A vezérigazgató bemutatta a közelmúltban, állami forrásból meghirdetett Research Grant Hungary programot is, amelyre várják a nemzetközi tudományos élmezőnybe tartozó külföldi és külföldön dolgozó magyar kutatók jelentkezését, hogy projektjeiket Magyarországon valósítsák meg.
Elkötelezett csapatunk
- Állandóan tanuló gépek
-
A gépi tanulás a mesterséges intelligencia egy részterülete: olyan algoritmusok és modellek fejlesztésére összpontosít, amelyek lehetővé teszik a számítógépek számára, hogy adatokból tanuljanak és előrejelzéseket vagy döntéseket hozzanak anélkül, hogy kifejezetten programoznák őket. Az intelligens viselkedéshez hozzátartozik a tanulás képessége, az ehhez szükséges adatokkal és algoritmusokkal foglalkoznak a gépi tanulás kutatói. A mesterséges intelligencia mindezen felül magában foglalja a környezettel, az emberrel való interakciót és az ezt megvalósító eszközt is (pl. robot, önjáró autó).
Sok foglalkozást temetnek az MI előretörése miatt, de van, aki szerint az MI alkalmazása önmagában is teremt munkahelyeket. Ezzel kapcsolatban Benczúr András egyelőre úgy látja, hogy nagyobb mértékben nőtt az igény MI-fejlesztőkre, mint amilyen ütemben munkahelyek megszűntek volna. A robotizáció nagyon költséges, a nagy nyelvmodellek ugyan megkönnyítenek sok munkát, de változatlanul igénylik az emberi beavatkozást. Az önvezető autók sem váltották be azokat az ígéreteket, miszerint taxi- vagy teherautósofőrökre nem lesz szükség, viszont a közlekedés biztonságát jelentősen növelik a technológia oldalán kifejlesztett rendszerek, például az adaptív tempomat, a sávtartó-, vagy a gyalogosdetektáló alkalmazások.
Kérdésünkre, miszerint van-e fizikai határa a mesterséges intelligencia számításait segítő szerverparkoknak, amikor mondjuk egy teljes ország energiafogyasztását elhasználnák már a szuperszámítógépek, a SZTAKI laborvezetője kifejtette: „A nagy nyelvmodellek kapcsán láttuk az óriási energiafelhasználású tanítási folyamatokat. Ezek a feladatok nagyjából elérték az adat- és modellméret lehetőségeinek határait, jelenleg nem látszik, hogy nagyságrendekkel nagyobb tanítási kapacitást ki lehetne használni. A jelenlegi modellek energiaigénye valóban nagyon magas, ezek csökkentése a modell minőségének megtartása mellett fontos kutatási téma.
A találkozón felmerült szakmai kérdések egyik konklúziója Benczúr András szerint az, hogy a nagy nyelvmodellek korántsem oldanak meg minden problémát, nagyon sok a nyitott kérdés, például a megerősítéses tanulás hiba-garanciái, a nagy neuronhálók általánosítási képességeivel kapcsolatos elméletek, de a bioinformatikai alkalmazások területein is számos megoldandó kérdés van még. A találkozón szóba került a nyelvi modellek megtéveszthetőségének problémája, az ellenséges példák, a tanító adatkészlet „mérgezése", valamint a nem felismerhető, ellenséges viselkedést indító szoftveres hátsó kapuk kérdésköre.
A gépi tanulás modelljei közül az egyik az úgynevezett felügyelt tanulás, amikor a gépet példával tanítják a fejlesztők. A felügyelet nélküli tanulás esetében viszont a gép „önállóan” tanulmányozza az általában strukturálatlan bemeneti adatokat. Vannak-e ennek veszélyei? – tettük fel a kérdést. A kutató szerint a megerősítéses tanulás hibakorlátokkal való kiterjesztése szolgálja azt a célt, hogy az öntanuló rendszerek a tanulás során se kerülhessenek a rendszer vagy a környezet biztonságát veszélyeztető állapotba. Ezen a területen jelenleg is nagyon aktív kutatás folyik.