Miért veszítünk a játékban? Válaszolhat rá a mesterséges intelligencia!
Április elején járta be a világot a hír, hogy a világ nyolc legjobb bridzsjátékosát győzte le egy új mesterséges intelligencia. Ez nem csupán azt jelenti, hogy az MI az egyik olyan játékban kerekedett felül, ahol az emberek ezidáig kitartottak, hanem más, hasonló típusú mesterséges intelligenciák számára is teret nyitott.
A francia NukkAI startup cég NooK nevű bridzsbajnoka eleve másfajta mesterséges intelligenciát képvisel, mint azok a mélytanuló neurális hálózatok, amelyek jelenleg az önvezető autókat működtetik, az okostelefonokat az arcunkkal nyitják fel, vagy éppen dominálnak az olyan stratégiai játékokban, mint a Go.
Bár ezek a mesterséges intelligenciák képesek komplex problémák megoldására, az ember sokszor már nem is tudja pontosan, hogyan csinálják. Ez lényegében egy fekete doboz.
A NooK "gondolkodása" az úgynevezett neuroszimbolikus mesterséges intelligenciát és a mélytanulás hagyományosabb MI-megközelítéseit kombinálja, hogy mélytanulási erősségű algoritmusokat hozzon létre.
"Amit láttunk, az alapvetően fontos előrelépést jelent a mesterséges intelligencia rendszerek állapotában" - mondta Stephen Muggleton, az Imperial College London gépi tanulással foglalkozó professzora a The Guardiannek.
Nem csupán legyőzhet, hanem taníthat is a játékokban a mesterséges intelligencia
A fekete doboz problémáját az jelenti, hogy a mélytanuló mesterséges intelligenciát neurális hálózatok hajtják. Ahogy a nevük is sugallja, ezek az algoritmusok az agyból veszik a tervezési mintákat. Az agyban az egyes neuronok hálózatként működnek együtt, hogy komplex problémákat oldjanak meg, és a mélytanuló mesterséges intelligencia ugyanezt teszi.
A neurális hálók rétegről rétegre történő felhasználásával képesek megoldásokat találni néhány igazán nehéz, az emberi szintet meghaladó problémára, például mintákat találni az adatokban, és hatalmas adatmennyiségek esetén is kiválóan teljesítenek.
Az ilyen mesterséges intelligenciák összetettsége azonban azt is jelenti, hogy gyakorlatilag lehetetlen pontosan megismernünk a válaszaik mögött álló folyamatot - ez tehát az úgynevezett fekete doboz probléma. Ez talán nem tűnik nagy ügynek, amikor valaki az iPhone-ját oldja fel, de amikor autót vezet, valószínűleg tudni szeretné, hogy mit "gondol" a rendszer.
A másik oldalon pedig ugye ott van a hagyományos, szimbolikus mesterséges intelligencia, ahol az algoritmusokat ismert szabálykészlet alapján tervezik, így értelmezni lehet a kimeneteiket. Ezek a szabályalapú MI-k nem igényelnek hatalmas adathalmazokat, és jobban tudnak kezelni absztrakt kérdéseket, feltéve, hogy a kérdések beleillenek a szabályaikba.
Most a kutatók tanulják a két megközelítés kombinálását.
"Ez az egyik legizgalmasabb terület a mai gépi tanulásban" - mondta Brenden Lake, a NYU számítógépes és kognitív kutatója a Knowable-nek.
"A neuroszimbolikus mesterséges intelligencia fontos lesz az olyan feladatoknál, ahol magyarázatot szeretnénk a mesterséges intelligenciától - vagyis lényegében ez a white box, azaz fehér doboz MI" - magyarázta Anh Nguyen, az Auburn Egyetem informatikai és szoftvermérnöki adjunktusa a Freethinknek.
A hibrid neuroszimbolikus MI olyan ismert szabályokból indul ki, amelyek alapján a neurális hálók működnek. Ez mutatkozik meg a NooK-ban, ahol az MI-nek megtanították a bridzs szabályait, majd a játék gyakorlásával kitalálta, hogyan tegye tökéletesebbé játékát.
"A NooK megközelítése olyan módon tanul, amely sokkal közelebb áll az emberhez" - tette hozzá Muggleton a Guardiannek.
A bridzs módosított változatát játszva a NooK 80 szettből 67-et meg tudott nyerni nyolc emberi zseni ellen - bár a játék egy finomított változatában való küzdelem nem éppen a legjobb teszt, ahogy arra a ZME Science rámutatott. Mégis, ez egy nagyszerű győzelem a neuroszimbolikus mesterséges intelligencia még gyerekcipőben járó területe számára.
V.V.
