Tud-e az MI tanulni adat nélkül?

Az MI és az adatok kapcsolatának megértése

Gondolkodtál már azon, "Tud-e az MI önállóan tanulni adat nélkül?" A legrészletesebb és legésszerűbb válasz érdekében mélyebben vizsgáljuk meg ezt a témát az INVIAI segítségével.

Például a felügyelt tanulás során az MI hatalmas, emberek által címkézett adathalmazokból (képek, szövegek, hangok stb.) tanul, hogy mintákat ismerjen fel.

Még a felügyelet nélküli tanulás esetén is az MI-nek nyers, címkézetlen adatokra van szüksége, hogy önállóan fedezze fel az adatokban rejlő rejtett struktúrákat vagy mintákat.

Ezért, a módszertől függetlenül, az MI-t „táplálni” kell adatokkal – legyen az címkézett adat, öncímkézett adat (önfelügyelt) vagy valós környezetből származó adat. Bemeneti adatok nélkül a rendszer semmi újat nem tud megtanulni.

Gyakori MI tanulási módszerek

Napjainkban az MI modellek elsősorban a következő megközelítésekkel tanulnak:

A megerősítéses tanulás egy szoftverügynök környezetben való viselkedésének megtanítása azáltal, hogy tájékoztatjuk a cselekvései eredményeiről.

— Wikipédia

Egy MI modellt úgy tanítanak, hogy felismerjen vagy osztályozzon olyan tárgyakat/fogalmakat, amelyekről még soha nem látott példákat.

— IBM, a Zero-Shot tanulás meghatározása

Összefoglalva: Mindezek a módszerek azt mutatják, hogy nincs varázslatos módja annak, hogy az MI adat nélkül tanuljon – valamilyen formában mindig szükség van adatra. Az MI csökkentheti az ember által címkézett adatoktól való függést vagy tanulhat tapasztalatból, de semmiképpen sem tanulhat a semmiből.

Népszerű MI tanulási módszerek

Fejlett trendek: tanulás „tapasztalatból” statikus adatok helyett

A kutatók most azon dolgoznak, hogy az MI kevésbé támaszkodjon ember által szolgáltatott adatokra. Például a DeepMind nemrégiben egy „folyamok” modellt javasolt a „tapasztalat-alapú MI” korszakában, ahol az MI elsősorban a világban való saját interakcióiból tanul, nem pedig ember által tervezett problémákból és kérdésekből.

Ezt úgy érhetjük el, hogy az ügynökök folyamatosan tanulnak saját tapasztalataikból – vagyis az ügynök által a környezettel való interakció során generált adatokból… A tapasztalat válik a fejlődés elsődleges eszközévé, meghaladva a mai ember által szolgáltatott adatok mennyiségét.

— DeepMind kutatás, idézi a VentureBeat

Más szóval, a jövőben az MI maga fogja generálni saját adatait kísérletezés, megfigyelés és cselekvés igazítása révén – hasonlóan ahhoz, ahogy az emberek a valós tapasztalatokból tanulnak.

Figyelemre méltó, hogy az AZR, bár nem használ külső tanító adatokat, kiemelkedő teljesítményt ér el matematikai és programozási feladatokban, még a tízezres nagyságrendű címkézett példákon tanított modelleket is felülmúlva. Ez bizonyítja, hogy az MI képes saját „adathalmazt” generálni folyamatosan kihívásokat állítva és megoldva.

Élenjáró trend – tanulás „tapasztalatból” statikus adatok helyett

Főbb tanulságok

Inkább kevesebbet tanul az ember által szolgáltatott adatokból azáltal, hogy:

• Címkézetlen adatokat használ (felügyelet nélküli tanulás)
• Környezeti visszajelzésből tanul (megerősítéses tanulás)
• Saját kihívásokat hoz létre (pl. AZR modell)

Sok szakértő úgy véli, hogy a jövőben az MI egyre inkább a saját maga által gyűjtött tapasztalatokon keresztül fog tanulni, így a tapasztalat lesz a fő „adat”, amely segíti a fejlődését.