A reinforcement learning egy ígéretes mesterséges intelligencia módszer arra, hogy az ember kognitív képességeit megközelítő gépet, automat...
A reinforcement learning egy ígéretes mesterséges intelligencia módszer arra, hogy az ember kognitív képességeit megközelítő gépet, automatát, robotot alkossunk. A reinforcement learning alapú rendszerek már most sok területen megközelítik, sőt megelőzik az ember intellektuális képességeit.
A reinforcement learning jutalmazás-büntetés módszere a természetes agy működésének egyik jól ismert alapelve. A reinforcement learning jutalmazás-büntetés alapelvén történő működés is fejleszthető tovább, azonban az intelligenciával rendelkező természetes agy további technikákat is alkalmaz a kognitív képességekhez, amely módszerek fejlesztési területei lehetnek a reinforcement learning alapú mesterséges intelligencia rendszereknek.
Kíváncsiság - motiváció kritikus inger nélkül
A kíváncsiság egy alapvető késztetés a környezet megismerésére. A természetes intelligens rendszerek alaptulajdonsága a kíváncsiság. A kíváncsiság akkor is cselekvésre késztet, amikor nincs elérendő cél, amikor nincs jelen kritikus inger. A kíváncsiság jellegű viselkedés széles körben elterjedt motivációs forma a természetes rendszerekben, fontos, az önfenntartáshoz szükséges tulajdonság. A természetes önfenntartó rendszerek a kíváncsiság motivációja által térképezik fel, ismerik meg a környezetet. A megismert környezet lehetővé teszi a gyors és hatékony cselekvést kritikus inger megjelenése esetén. A kíváncsiság jelenléte evolúciós előnyt biztosít az önfenntartó rendszerek számára.
A reinforcement learning alapú rendszerek működésének a lényege egy kijelölt cél elérése. A rendszer kezdetben nem ismeri a környezetet, nem tudja, hogyan érhető el a cél, de ismeri a célt magát. A működése során érzékelve, hogy még nem érte el a kijelölt célt (azaz kritikus inger van jelen), cselekvésre kényszerül, azaz belső motiváció cselekvésre készteti. A kritikus ingerek jelenlétére adott akciók új, az előző állapottól eltérő állapotot hoznak létre a környezetben. A rendszer - érzékelve a környezet új állapotát - kiértékeli, hogy ez az új állapot közelebb vagy távolabb áll-e az elérendő célhoz, és a kiértékelés alapján az akcióhoz pozitív vagy negatív alkalmassági tulajdonságot rendel, azaz jutalmazza vagy bünteti, megerősíti vagy gátolja a rendszer által kiadott műveletet.
A reinforcement learning rendszer a működésének elején véletlenszerű módon avatkozik be a környezetbe, az ebben az időszakban történő működésének a jellege megfeleltethető a kíváncsiság alapú működésnek. Alapvető különbség azonban, hogy a természetes rendszerek kíváncsiság funkciója elérendő cél nélkül, kritikus inger jelenléte nélkül is aktív, a reinforcement learning alapú mesterséges rendszereknél pedig a véletlenszerű megismerő tevékenység csak akkor aktív, ha a rendszer még nem érte el a célt.
A kritikus inger jelenléte nélküli motiváció a cselekvésre, a kíváncsiság funkciója felfedezővé teszi a mesterséges intelligencia rendszert.
A reinforcement learning alapú rendszerek működésének egyik problémája a lokális minimum csapdája. A csapda lényege, hogy a reinforcement learning rendszer nem a legjobb, leghatékonyabban megoldást találva éri el a célt. A kíváncsiság funkciója mivel kritikus inger nélkül biztosít motivációt a cselekvésre, alkalmassá teszi a rendszert a lokális minimum elhagyására és az alkalmasabb megoldás megtalálására.
Felejtés - eszköz a túlspecifikálódás ellen
A reinforcement learning alapú mesterséges intelligencia rendszerek jelentős problémája a feladathoz való túlzott specializálódás. A túlspecifikálódás hátrányt jelent a változó környezethez való alkalmazkodásban. A túlspecializált rendszer merevvé teszi az irányító rendszert a környezet változásainak követésével szemben.
A változó környezethez sikeresen alkalmazkodó természetes intelligens rendszerek mindegyike hordozza a felejtés funkcióját. A felejtés bár negatív, elkerülendő tulajdonságnak tűnik, az evolúció fenntartja a funkciót, mert szükséges képességeket biztosít a természetes intelligens rendszerek számára. A felejtés nem csupán a meglevő, lekötött, de nem használt erőforrások felszabadítását, és ez által a hatékonyabb működést szolgálja. A felejtés a környezethez való alkalmazkodóképesség rugalmasságát, a rendszer plaszticitását növeli, és egyben a túlspecifikálódás veszélyét csökkenti.
A felejtés által minden felismert alkalmazkodási mechanizmus folyamatos megerősítést igényel. Ha a környezetben felismert kapcsolat továbbra is jelen van, a megerősítés bekövetkezik, a felejtés nem szünteti meg a kapcsolatot. Ha azonban a kapcsolat a környezet változása miatt érvényét vagy jelentőségét veszti, a rendszer elfelejtve a kapcsolatot nem használja azt.
A reinforcement learning büntetés funkciója nem helyettesíti a felejtés funkcióját. A büntetés a helytelen, alkalmatlan válasszal kapcsolatos reakció, a felejtés az alkalmas, de már szükségtelen válasszal kapcsolatos funkció. A felejtés az irányító rendszer plaszticitásában játszik szerepet.
Intelligencia és a mesterséges intelligencia
A mesterséges intelligencia rendszereket alapvetően intelligenciával rendelkezőnek tartjuk, legfőképpen azért, mert olyan feladatot végeznek, amely intelligencia jelenlétét tételezi fel. Az intelligenciára azonban nincs pontos definíciónk azon kívül, hogy problémamegoldó képesség, nem beszélve arról, hogy meghatározzuk, hogy milyen agyi folyamatok hozzák létre. Az intelligencia kvantitatív mérésére is csak közvetett intelligencia tesztek állnak rendelkezésre, nincs módszerünk arra, hogy az agyat közvetlenül megvizsgálva meg tudjuk állapítani az intelligencia mértékét.
Az intelligencia és az agy struktúrája és működése között azonban nyilvánvaló kapcsolat van. Ha ismernénk ezt a kapcsolatot, az segítene intelligensebb mesterséges intelligencia rendszereket építeni. Az intelligenciát azonban meghatározhatjuk a mesterséges intelligencia rendszerek fejlesztésében használt fogalmak segítségével is.
Az intelligencia problémamegoldó gondolkodás. A probléma az, amikor feltételezzük, hogy két állapot között kapcsolat van, de nem ismerjük mi az a kapcsolat, összefüggés. Az intelligencia funkciója ennek a meglevő, de nem ismert, rejtett kapcsolatnak a felfedezését jelenti.
A mesterséges intelligencia rendszerek alapvető, matematikailag jól kidolgozott, szofisztikált funkciója a nagy adathalmazokban az adatok között az összefüggés, kapcsolat keresése. A mesterséges intelligencia rendszerek összefüggés keresési eljárásai az emberi agy hasonló tulajdonságával vetekszik, sőt helyenként jobban is teljesít. Mégis, az emberi intelligenciát magasabb szintűnek gondoljuk a mesterséges intelligenciánál. Miért intelligensebb az ember, fejlettebb a probléma megoldó gondolkodásban, ha a mesterséges intelligencia hatékonyabb az adathalmazokban való kapcsolatok kereséseben?
Az emberi intelligencia nem az adathalmazokban az adatok között az összefüggés keresésének fejlettebb módjában előzi meg a mesterséges intelligenciát, hanem rendelkezésre álló információk megszerzésének módjában és az adatok különböző fajtáiban, tehát a rendelkezésre álló adathalmazok változatosságában áll felette a mesterséges intelligenciának.
A mesterséges intelligencia jelenleg úgy működik, mint az érzékszervei és cselekvőképessége többségétől megfosztott emberi agy. Egy ilyen agy természetesen gyengébb teljesítményt tud produkálni az intelligencia teszteken, mint egy normális feltételek között működő agy. A mesterséges intelligencia még a rendelkezésre álló adathalmazok változatosságának korlátossága esetén is sokszor felülmúlja az emberi intelligenciát az adatok közötti kapcsolatok felismerésében, azaz a probléma megoldó gondolkodásban, az intelligencia mértékében.
Fontos hangsúlyozni, hogy az emberi intelligencia nem azért áll felette a mesterséges intelligenciának, mert nagyobb adathalnaz áll a rendelkezésére, hanem azért, mert a rendelkezésre álló adathalmaz változatosabb. Abban az esetben, amikor a problémamegoldó gondolkodás korlátozott változatosságú adathalmazra épül, mint például számítógépes játékok esetében, ott a mesterséges intelligencia rendszerek a matematikailag fejlett kapcsolatkeresési tulajdonságaik által az embernél jobb teljesítményre képesek.
A mesterséges intelligencia rendszerek a képességek alapján potenciálisan már most magasabb intelligencia szinten állnak, mint az ember, sőt, mivel a számítási teljesítményüknek nincs fizikai határa, potenciálisan az intelligencia szintjüknek sincs felső korlátja.
Gyakori ellenvetés a mesterséges intelligencia rendszerek intelligenciájának korlátaival kapcsolatban, hogy az emberi intelligencia képes az adatok közötti egybeesések közül az ok-okozati kapcsolatok felismerésére. Az emberi agy ilyen jellegű fejlettebb tulajdonsága azonban szintén visszavezethető a rendelkezésre álló információk változatosságára, és az információk megszerzésének módjára.
Az emberi intelligenciához mérhető mesterséges intelligencia rendszerek létrehozásához nem új számítástechnikai módszerek felfedezése szükséges, hanem a rendelkezésre álló adatok változatosságát, és az adatok gépek általi megszerzésének módját szükséges fejleszteni.
Jelenleg az adatok jórészt csak mintegy megjelennek a mesterséges intelligencia rendszerek számára, nem tartozik, nem kötődik hozzájuk az adatok megszerzésével kapcsolatos aktív tevékenység adat jellegű reprezentálása. A mesterséges intelligencia rendszerekben az adatok reprezentálása az információk keletkezésére, eredetére vonatkozóan többségében statikus. A dinamikus-adat reprezentálás a hatékony ok-okozati kapcsolatok felismerésének egyik szükséges feltétele.
Kreativitás és a mesterséges intelligencia
A kreativitás az emberi agy egyedi tulajdonságának látszik. A kreatív ember képes újat alkotni, olyat, ami korábban nem létezett. A kreativitás tudatos (nem véletlenszerű) felfedező tevékenység.
A kreativitás, bár kapcsolatban áll az intelligenciával, mégis más jellegű tulajdonság. Az intelligencia, a problémamegoldó gondolkodás, az adathalmazokban lévő adatok között meglevő kapcsolat keresésének képessége. Azonban a kreativitást is megfogalmazhatjuk a mesterséges intelligencia rendszerek fejlesztése során alkalmazott, információkkal kapcsolatos fogalmakkal. A kreativitás, az új alkotás, olyan aktív tevékenység, amely során az adatokat formáljuk az adatokra vonatkozó külső érvényességi szabályok szerint úgy, hogy korábban jelen nem lévő összefüggések keletkezzenek, új, adatok közötti összefüggések alakuljanak ki.
Az ember miközben kreatív, pl. megalkot egy új festményt, vagy létrehoz egy korábban nem létező szerkezetet, akkor a természeti törvények figyelembevételével úgy alakítja a környezetét, a környezetének a struktúráját, hogy a környezet leírását szolgáló, a környezetre jellemző információs struktúrában új, korábban jelen nem lévő összefüggések, kapcsolatok alakuljanak ki. Ezek az új összefüggések, kapcsolatok lehetnek közvetlenül hasznos új állapotai a rendszernek, de lehetnek csak önkényesnek látszódó, haszontalan kapcsolatok is.
A kreativitás információs struktúrával jellemezhető lényege tehát a meglévő adatok olyan módú formálása, hogy a módosított adatok között korábban jelen nem lévő, új összefüggések, új kapcsolatok alakuljanak ki.
Az emberi agy kifejezetten jó a kreatív tevékenységben. Az emberi agy nagy mennyiségű és változatos minőségű adathalmazokon tud működni, fejlett az adatok közötti kapcsolatok felismerésében, és az effektor eszközeivel képes az adatok módosítására. A mesterséges intelligencia képes ugyanezekre a funkciókra. A mesterséges intelligencia képes a kreativitásra.
Már működnek kreativitást felmutató mesterséges intelligencia rendszerek. A mesterséges intelligencia írt már verset, készített festményt. A kreativitás nem egy új elvi funkció a mesterséges intelligencia rendszerekben, hanem a már meglévő adatkezelési elvek megfelelő alkalmazása. Minél változatosabb adathalmazok állnak rendelkezésre a mesterséges intelligencia rendszerek számára, és minél fejlettebb módon kapcsoljuk össze a mesterséges intelligencia rendszerek adat manipulációs módszereit az adatok közötti kapcsolatok felismerésével, annál kreatívabbá válnak a mesterséges intelligencia rendszerek.
A kreativitás segít az elérendő cél hatékonyabb elérésében is. A kreativitás akkor hatékony, ha nem az adatok véletlenszerű manipulánsa alapján zajlik, hanem a már ismert adatok közötti összefüggések felhasználásával, és a kitűzött cél figyelembevételével zajló célirányos tevékenység. A kreativitás haszna, evolúciós előnye is ebben rejlik. A kreativitás új összefüggések létrehozása által segít a jelen lévő cél hatékonyabb elérésében, vagy a fenntartandó állapot hatékonyabb megőrzésében.
A kreativitás akkor hatékony, ha cél irányítja, azaz az akarat motiválja.
Az akaraton alapuló mesterséges intelligencia
A reinforcement learning kitűzött cél alapú jutalmazás-büntetés motivációs rendszere megfeleltethető a szándék, akarat jellegű működésének. A reinforcement learning alapú rendszerek akarat jellegű mesterséges intelligencia rendszerek. A mesterséges intelligencia rendszerekben az akarat, mint tulajdonság már több gondolatban tárgyalásra került. Az akarat önálló, szabad jellege, és megjelenésének módja is felvetődött korábbi gondolatokban.
A szabad akarat nem filozófiai fogalom, nem a test és a tudat kettősségének bizonyítéka, hanem a változó jelen motivációinak különböző kapcsolata a múlt eseményeivel. Az akarat alapú, és a szabad akarat jellegű viselkedés megvalósulhat motivációra épülő, az adathalmazok közötti kapcsolatok felismerése alapján működő mesterséges intelligencia rendszerekben.
Az emberi intelligenciához, kreativitáshoz mérhető, azt túlteljesítő, akarat irányította mesterséges intelligencia rendszerek létrehozása technológiai fejlődést és nem alaptudományos felfedezést igényel.
AI beyond reinforcement learning - discovery ability, plasticity, intelligence, creativity, will
Agy {button_primary} Elme {button_primary} Intelligencia {button_primary} Mesterséges Intelligencia {button_primary}
Nincsenek megjegyzések