Kortársként is egyértelműen látszik, hogy a ­mesterséges intelligencia, karöltve az infokommunikációs technológiával, a harmadik évezred elejének egyik meghatározó nóvumává vált. Milyen területeken alkalmazzák már jelenleg is, és világviszonylatban hol helyezkednek el hazai kutatói? Dr. Levendovszky Jánost, a BME tudományos és innovációs rektorhelyettesét kérdeztük.

Madácsy Tamás

Madácsy Tamás

– A mesterséges intelligencia, azaz artificial intelligence (AI) fejlődése az ezredfordulót követően lépett szintet. Helytálló-e ezt a tudományterületet úgy definiálni, hogy számítógépeken futó programok olyan intelligens és önálló megoldásai, amelyeket korábban még csak emberi közreműködéssel lehetett kivitelezni?

– Manapság már igen árnyalt definíciók léteznek; megkülönböztetjük az úgynevezett gyenge (weak AI) és az erős (strong AI) mesterséges intelligenciát. Előbbi hagyományosan speciális feladatok végrehajtása, pl. a kognitív intelligencia köré csoportosul. Ide tartozik a beszédfelismerés vagy a digitális képfeldolgozáshoz kapcsolódó folyamatok, valamint az algoritmusok alapján történő döntéshozatal. Ugyanakkor ma már egyre közeledünk az utóbbihoz, amely valójában az emberihez mérhető intelligencia elérését jelenti. Jelenleg az AI-nek széles körű alkalmazásai vannak az automatizált közlekedési rendszerekben, online pénzügyi feladatok ellátásában (pl. algoritmikus kereskedés), hogy csupán e kettőt említsem. Az AI elterjedésében szerepet játszott a neurális hálózatok széles körű alkalmazása, amely az agyhoz kapcsolódó biológiai modellek absztrakt változata. Ezek rétegbe szervezett processzáló elemeket tartalmazó architektúrák, ahol az intelligenciát a konnekciós (összekötöttségi) struktúra és az ezekhez tartozó súlyok reprezentálják. A neurális hálók tanítására a deep learning algoritmusokat alkalmazva egyre kifinomultabb feladatok oldhatók meg a mesterséges intelligencia segítségével. Az emberi intelligencia teljes megvalósításától azonban még messze vagyunk, de már elindultunk az oda vezető úton.

– A mérnöki tudományok és a mesterséges intelligencia összekapcsolódásáról mikortól beszélhetünk?

– Már az ötvenes–hatvanas évektől kezdve beszélhetünk a különböző perceptron modellek megjelenéséről, amelyekre a mesterséges intelligencia első lábnyomaiként tekinthetünk. Ezeket követte az ágensalapú rendszerek kutatása, azonban az igazi áttörés a ’90-es évek végéig váratott magára. A mesterséges intelligencia egyes algoritmusai már régebb óta rendelkezésre álltak, de az áttörést a hardver- és szoftvertechnológia előretörése segítette, amely megnyitotta az utat a komplex AI architektúrák implementálása és ezen algoritmusok valós idejű futtatása felé. Például a deep learning egy úgynevezett mély (nagyon sokrétegű) neurális hálózaton fut, amely sok ezer elemet tartalmaz. Ez a mennyiségi többlet eredményezte azt, hogy a mesterséges intelligencia egyre növekvő szerepet kapjon a mérnöki tudományokban, és egyre több mérnöki feladatot tudjunk mesterséges intelligencia alkalmazásával megoldani.

– Az alkalmazási területeknek se szeri, se száma az autókban és a kötött pályás eszközökben működő önvezető rendszerektől kezdve a fordító és internetes publikációkat népszerűsítő alkalmazásokon át a pénzügyi, tőzsdei felhasználásig. Melyek azok a területek, amelyeken a kutatás jelenleg a legfelkapottabb?

– A kérdésben felsorolt kutatási területek valóban a legnépszerűbbek, számos projekt finanszírozza ezen szegmensekben a kutatásokat. A pénzügyi alkalmazások kapcsán az algoritmikus kereskedést emelném ki, amely tőzsdei idősorok megfigyelése alapján valós idejű kereskedési döntéseket hoz, illetve portfóliót optimalizál. Ezen módszerek alkalmazásának elterjedése már az ezredfordulótól nyomon követhető. Az ilyen típusú alkalmazások sikeressége az algoritmusok futási idején is múlik, hiszen itt az ún. window of opportunity hamar eltűnik, mivel a versenytársak is hasonló mintázatokat fedezhetnek fel a megfigyelt idősorokban. A terület fellendüléséhez elengedhetetlen volt a mesterséges intelligencia és az infokommunikációs technológia szerencsés együttállása, hiszen ez utóbbi fejlettségi szintje teszi ma már lehetővé, hogy a „tick” adatokon, tehát a nagyon finom granulátumú idősorokon is lehessen kereskedni. Ezzel lehetővé vált, hogy az elektronikus hozzáféréseken keresztül a mesterséges intelligencia által vezérelt algoritmusok hatékonyan tudjanak kereskedni. Egy másik érdekes terület pl. a sentiment mininghoz kapcsolódó alkalmazások köre, amely a hírportálokon megjelenő hírek pozitív/negatív hangulatait számszerűsíti egy adott skálán, majd az adatokat tőzsdei adatsorokkal korrelálja, és ezáltal a piaci hangulat is beépíthetővé válik a döntéshozatalba.

– A jövő önvezető rendszerei ugyancsak a mesterséges intelligencián alapulnak.

– Az autonom driving, tehát az önvezető rendszerek fejlesztése itthon prioritást élvez (pl. ZalaZone kísérleti tesztpálya és infrastruktúra), hiszen a terület kutatása a magyar nemzetgazdaság szempontjából is kulcsfontosságú. A fent említett célokhoz az AI és infokommunikációs technológiák integrációja szükséges; pl. az 5G kommunikáció gyors adatátviteli sebessége ma már lehetővé teszi az eszközök nagyon kis késleltetésű kommunikációját. Ebből adódóan a közlekedési helyzetekre adott, mesterséges intelligencia által vezérelt választ is kellő sebességgel hajthatja végre a rendszer.

– Hol tartunk most egy másik élen járó kutatási területen, nevezetesen a természetes nyelvek feldolgozásán?

– Ugyancsak a kognitív intelligencia alkalmazásához kapcsolódik a beszédfelismerés és a gépi fordítás fejlődése, ami szintén óriásléptekkel halad. Nálunk, a Műegyetemen élen járó fejlesztések zajlanak a kimondott magyar beszéd írott szöveggé alakításában, azaz a felhasználó képernyőjén való automatikus feliratozásban. Ez utóbbi fejlesztést, ugyancsak a mesterséges intelligenciára alapuló alkalmazást a Magyar Állami Televízió is használja. A folyamat fordított irányú menetét, vagyis az írott szöveg beszéddé átalakítását is igen jól kezeli a neurális háló. Egy tanulóidőszakot követően, mely során bizonyos írott szövegekhez megadjuk a hozzájuk tartozó hangképeket, a neurális háló bármilyen új szöveget képes „felolvasni”, tehát önállóan beszédet generálni. Ugyanakkor a nyelvek feldolgozásában (a nyelvtechnológiákban) a fordító algoritmusoknak is nagy szerepük van.

Megkülönböztetjük az úgynevezett gyenge (weak AI) és
az erős (strong AI) mesterséges intelligenciát: utóbbi valójában az emberihez mérhető intelligencia elérését jelenti.

– Feltételezem, hogy összetettsége és hangzóinak sokasága miatt a magyar nyelv okozhat némi fejtörést.

– Az egyetemünkön fejlesztett beszédfelismerő alkalmazás igen nagy pontossággal működik. Igazából csak a mondatok központozása bizonyul nehéz feladatnak. Ezalatt azt értem, hogy a kimondott szóképekből az alkalmazásnak ki kell „találnia”, hogy az elhangzó beszéd folyamán mikor érünk a mondatok végére. Összefoglalásképpen elmondható, hogy bizonyos nyelvekre könnyebb mesterséges intelligencián alapuló fordítóprogramokat fejleszteni, másokra viszont – a nyelv finom struktúrája miatt – nehezebb. Nem nehéz kitalálni, hogy anyanyelvük az utóbbi csoportba tartozik.

– Áttérve az oktatás területére, az egyetemi hallgatók hogyan viszonyulnak a mesterséges intelligenciát fejlesztő projektekhez, és milyen tudás szükséges ennek kutatásához?

– A Műegyetem a terület oktatásában és kutatásában vezető szerepet tölt be, a Felsőoktatási Intézményi Kiválósági Programban is jelentős támogatásban részesült, ahol az idevágó kutatások felelőse vagyok. Tapasztalataink szerint nagy a hallgatói érdeklődés az ezen a területen végzett projektek iránt, ugyanakkor ehhez elengedhetetlen az egzakt háttértudás is. Ismerniük kell a különböző matematikai diszciplínákon alapuló algoritmusokat, különböző módszerek teljesítőképességét, mindezek ugyanis együtt teszik lehetővé azt, hogy valaki sikeres alkalmazást fejleszthessen.

– Világviszonylatban mely egyetemek, szakmai műhelyek vezetnek a mesterséges intelligencia kutatásában, és ilyen összevetésben hová helyezhetők el az itthon elért eredmények?

– Mivel a világban már szinte mindenhol zajlanak e célból kutatások, nem beszélhetünk olyan tradicionálisan úttörő műhelyekről, mint amilyen korábban az -USA-beli Carnegie Mellon University volt, ahonnan tulajdonképpen az alapkutatások elindultak. Jelentős AI-kutatóközpont jött létre Cambridge-ben, de kiváló eredmények születnek Kínában is, ahol ezt a terület kiemelt állami prioritásként kezelik. Egyszóval már nem lehet egyértelműen csúcs kutató helyeket megjelölni, inkább arról értesülünk, hogy bizonyos algoritmusokat éppen melyik kutatóhely publikálta. Magyarország egyáltalán nem áll rosszul ezen a területen, és idehaza nem csupán a BME-n, hanem – a teljesség igénye nélkül – az MTA Sztakiban, a Szegedi Egyetemen és az ELTE-n végzett kutatómunka is kiemelkedő. Kijelenthető, hogy Magyarországon is rendelkezünk a szükséges tudományos és szoftverfejlesztői potenciállal. A mesterséges intelligencia egyes területeinek fejlesztése szerencsére nem mindig eszközigényes, így nem visszatartó erő az infrastruktúra magas költsége.

– Sokan magánszférájukba behatoló veszélyként tekintenek a mesterséges intelligencia egyre növekvő terjedésére. Mások a munkájuk elvesztésétől tartanak. Talán nem is alaptalanul?

– Megítélésem szerint elkerülhetetlen, hogy a mesterséges intelligencia teret nyerjen mindennapjainkban. Új területeken is meg fog jelenni, és forradalmian fogja átalakítani a munkaerőpiacot. Olyan feladatokat lesz képes átvenni az emberektől, amelyek nem igényelnek különösebben nagy kreativitást. A cégek és a munkaerőpiac egészének adekvát válasza erre az alkalmazottak továbbképzése kell, hogy legyen. Ez a társadalom és a döntéshozók felelőssége. Ennek hiányában valóban úgy érzékelhetjük majd, hogy a mesterséges intelligencia sokunkat kiszorít a munkaerő-piacról.

– A piac törvényeit ismerve némileg szkeptikusak lehetünk a munkaerő képzésére szánt pénzügyi források mértékével kapcsolatban…

– Természetesen senkinek sem érdeke, hogy ez kegyetlen folyamat legyen. Az ebből adódó feszültség elkerüléséhez szükséges, hogy a döntéshozók napirenden tartsák a kérdést. A mesterséges intelligencia kontextusában szintén etikai kérdéseket vet fel, hogy a megfigyelhető szoká-sainkat, életünk eseményeit milyen szinten dolgozza fel a mesterséges intelligencia, és milyen értékrend, valamint milyen adatvédelmi szabályozás szerint von le ebből következtetéseket.

A Műegyetemen elvégzett eredményes kutatások a mesterséges intelligencia területéről

Adatbiztonság
Saját védekezést dolgoztak ki, amely a tanulási adathalmaz átalakításán – anonimizálásán – alapul. Az érzékeny adatok mérése esetén a javasolt módszer proof of concept implementációja mint demoalkalmazás 80%-a elkészült.

Adaptív és tanulórendszerek
Megtervezték és elkészítették a mélytanuló rendszerek hiperparaméter-optimalizációjához szükséges rendszert, mely heurisztikákkal keresi a megfelelő hálózati topológiát és tanítási paramétereket. Létrehoztak alap- és komplex mélytanuló rendszereket beszédjelek modellezésére. Megvizsgálták a kvantumszámítógépek gépi tanításának lehetőségeit is.

Robotika és intelligens gyártás
Multiágensű mobilis robotrendszerek koordinációját és kooperációját valósították meg a robotmanipulátorok robusztus irányítása és mesterséges intelligencián alapuló hibakeresések, illetve intelligens gyártást támogató együttműködő gépek, robotok területén. A korábbi kiberfizikai gyártórendszer-kutatások alapján egy mintagyártórendszer tervét és megvalósítását dolgozták ki.

Járműintelligencia és kommunikáció
Egy „virtuális vezetőfülke” alapú VR-szemüveges teleoperáció funkciót hoztak létre, illetve automatikus ütközéselkerülést kutatnak a LIDAR szenzor alkalmazásával. Kidolgozták a tesztszínterek fájlformátumát, és megvalósultak a járműviselkedés alapvető építőelemei és az első virtuális tesztjelenetek (parkolás, előzés, városi navigáció).

Smartrendszerek
Az okos településirányítás intelligens adatrendszerének felépítése érdekében az éves adatokat közös platformra hozták, az idő- és térbeli reprezentációk, valamint idősoros elemzések céljából. Modult fejlesztettek, amely automatikus gráfreprezentációt készít az úthálózatból és az ott lévő szenzorhubokból a forgalmi jelenségek terjedésének nyomon követhetőségére.

A hálózatok kutatása területén
A korlátos hálózati információs modell a hálózati szinten történő késleltetésmérések és a logikai topológia összevetése alapján megbecsüli a hálózat fizikai leíróit.

Idősorok adatbányászata
A pénzügyi idősorok autoregresszív rejtett Markov-modelljeit algoritmikus kereskedésre használták fel. Az MCMC algoritmust hatékonyan párhuzamosították a GPGPU‐n, ami lehetőséget teremtett, hogy a mögöttes folyamat jövőbeli eloszlását is becsülhessék. Bizonyították, hogy jelentős profit érhető el a módszer alkalmazásával, opciók kereskedése által. 

Innovatív városi mobilitási szolgáltatások
Kidolgoztak három scenariót a lehetséges töltési helyzetek modellezésére, és genetikus algoritmust építettek be az optimalizációs folyamatba. A kutatás másik fókuszában a megosztott autonóm járművek hatásait vizsgálják a tevékenységi láncban.

Autonóm járművek
Ipari partnerekkel együttműködésben az 5G hálózatba kapcsolt és autonóm járművek tesztelésére alkalmas környezet koncepcióját dolgozták ki a ZalaZone tesztpálya támogatásával. A SciL tesztkörnyezet kialakítása összhangban áll a ZalaZone tesztpályához kapcsolódó 5G kompetenciaközpont céljaival is.

Intelligens épületek
A kialakított irodaház demomodelljén energetikai szimulációt végeztek el, és a generált eredményekből választották ki az energiaellátás és a gépészet be-ren-de-zé–seit. Az okos épületkialakítás tartalmazza az irodaházak energiaellátó és épületgépészeti rendszereinek a modellezését, ami kiterjed az intelligens rendszerautomatika alkalmazására és az üzemeltetés optimalizálására is. A sugárzási aszimmetria és a huzat együttes hatásmechanizmusát is kutatták, ami során numerikus, műszeres és élőalanyos mérések segítségével vizsgálták a helyi diszkomforttényezők együttes hatását.