A Deep Blue-ra és a sakkban játszott szerepére mindenki emlékszik, voltaképpen ez volt a mesterséges intelligencia hajnala, a fogalom is akkortájt született – fogalmazott Benczúr András, az MTA SZTAKI Informatika Kutató Laboratórium vezetője a CEU Mit adhat az AI a tudománynak? című előadásán.
Az egész azzal kezdődött – mondta Benczúr –, hogy megjelent az innováció, létrejött például az a neuronháló, amellyel szöveget lehetett fejleszteni. Aztán elkezdett fejlődni, s mindenki úgy gondolta, hogy a gép intelligensebb az embernél, és átveszi a hatalmat. Jött a kiábrándultság, de nem vette át a hatalmat, miközben a technológia az évek alatt beépült az életünkbe. Ma már a Chat GTP-ről sem gondoljuk, hogy csúcsintelligens, mégis túl sokat várunk tőle, például számos cég elbocsátotta a kezdő szoftverfejlesztőket, mert úgy gondolták, nincs rájuk szükség. Semmi gond, 2-5 évben belül vissza fogják őket hívni, mert igenis, szükség van rájuk.
Benczúr András kitért a hazai helyzetre is, Magyarországon a 2020-ban alakult Mesterséges Intelligencia Koalícióban több mint ezer szakértő és 400 vállalkozás van, elkészült a tízéves stratégia, de sajnos a kutatásokra nem kaptak akkora pénzkeretet, amennyit reméltek. Folyik azért kutatás, létrejött az AI Nemzeti Laboratórium, amely számos területen dolgozik: a matematikai alapok, a látás és érzékelés gépi világa, a nyelvtechnológia, az egészségügy, minden, ami gyártás – ipar, távközlés –, a biztonság, a személyes adatok védelme, az infrastruktúra. Elhangzott az előadásban, hogy a hazai fejlesztések versenyképessége kérdéses, miként az is, hogy érdemes-e olyan magyar modellt készíteni, amely angolul gondolkodik, s nem érti például a magyar viccet, kultúrát, a társadalmi tényekkel sincs tisztában, nem érti a magyar nyelvű oktatást sem.
A legfontosabb kérdés az, hogy mit várjunk a jövőtől – mondta Benczúr. A válasz az, hogy az emberi beavatkozást megkövetelik a különböző modellek, például az önvezető autóknál sem várjuk a teljes körű önvezetést. Az egészségügyi alkalmazásoknál nagy a helyezkedés, elkezdődött a kiszorítósdi, óriási értékük van – és lesz – azoknak az orvosokat támogató szoftver-rendszereknek, amelyeket AI-vel szerelnek fel.
Szabó Liliána radiológus rezidens, a Városmajori Szív- és Érgyógyászati Klinika munkatársának a képalkotás a szakterülete. Előadásában elmondta, hogy az Európai Szív Képalkotó Társaság segítségével egy felmérést készítenek, arra kíváncsiak, hogy mennyire elfogadott és milyen területeken használják az AI-t. Az orvos kongresszusokon rendre elhangzik, hogy azokat az orvosokat váltja ki az AI, akik nem hajlandóak nyitni, és használni a létező algoritmusokat.
– Mennyi ideig tart egy szív MR-felvétel manuális megkontúrozása? – tette föl a kérdést a radiológus szakember. – Egy rezidensnek akár egy óráig, a gyakorló orvosnak 20-30 percig. Már 2016-ban azt mondták, abba kell hagyni a kézi kontúrozást, és most elérkezett a pillanat a váltásra. Az AI azonnal elvégzi ezt a feladatot, és ennek köszönhetően, míg korábban éveket vett igénybe 1000-5000 beteg szívének manuális kiértékelése, az elmúlt két évben 9000 beteg szívképeit gyűjtötték össze egy modell segítségével.
Nagy kihívás, hogy az orvoslásban használt modelleknél mindig ugyanaz az adat jöjjön ki, és megbízható választ adjanak. Azt már most lehet látni, hogy milyen pluszt adhat az AI: a jövőben kevesebb kontrasztanyag kell az MR- és CT-vizsgálatoknál, optimalizálni lehet a sugárkezelést a CT-ben, egyértelműen több beteget láthatnak el, és ami talán a legfontosabb, hogy ugyanazokból a képekből több és részletesebb információkat kaphatnak, ami a betegség korábbi felismeréséhez vezethet.
Ring Orsolya, az ELTE BTK egyetemi adjunktusa arról beszélt, hogy milyen többletet ad a bigdata-nyelvmodellekkel támogatott szövegelemzés a társadalomtudományi kutatásban. Megdöbbentő szám, de hat nagy hírportálon közel 300 cikk jelenik meg naponta, vagyis 200 ezer cikk évente. Ha mindezt megpróbálnánk kézzel elemezni, ahogyan a hagyományos szövegelemzést folytatjuk, akkor egyesével kellene végigolvasni a cikkeket például arról, hogy 2024-ben Budapesttel kapcsolatban milyen témák jelentek meg és milyen érzelmek kötődtek ezekhez. Az AI nyelvmodell nemcsak elolvassa, hanem meg is jegyzi a cikkek tartalmát, és az összes adatot „fejben tartja”. Pár másodperc alatt listázza azt, amit tudni szeretnénk, nagy mennyiségű médiaadatot lehet így elemezni. Egy szövegről szentiment elemzést is képes elvégezni, vagyis megállapítja, hogy pozitív, negatív vagy semleges véleményt közvetít-e az írás, így azt is meg lehet tudni, hogy az adott hírportál épp milyen véleményt közvetített.
Ring Orsolya konkrét példát is említett.
– Nemrég publikáltuk az eredményét annak a vizsgálatnak, melyben arra kerestük a választ, hogy a Telex, az Origo és az Alfahír portálon a Covid-vakcinával kapcsolatban milyen hírek jelentek meg. Pozitív, negatív és semleges minősítéseket használtunk, és volt egy hipotézisünk. Azt feltételeztük, hogy a Telex a nyugati vakcinát támogatta, az Origo a kínait, az Alfahír pedig az oroszt. Az elemzést úgy végeztük, hogy letöltöttük a cikkeket, amelyeket automatikusan mondatokra daraboltunk, az AI azonosította az oltások nevét, és megállapította azoknak a mondatoknak a szentiment értékét, amelyekben az oltások szerepeltek. Csak részben igazolódott a feltételezésünk. Az elemzésből az derült ki, hogy a nyugati vakcinákat az Origo is támogatta, még egy kicsit pozitívabban is, mint a Telex, az Alfahír támogatta az oroszt, de az az állítás, hogy az Origo támogatta volna a kínait, egyáltalán nem teljesült. A Telex támogatóbb volt, az Alfa pedig nem szerette a kínait. Mit mutat ez az egész? Az AI úgy viselkedik, mint egy szupermikroszkóp, nem helyettesít bennünket, a kutatót nem szorítja ki, az adatokat értelmezni kell, és a modelleket úgymond be kell tanítani, hiszen a gép abból tanul, onnan tudja, mi a pozitív mondat, hogy előtte rengeteg pozitív mondatot megmutattunk neki. Ha megtanítottuk a modellt, szuperösszefüggéseket láttat, olyan helyre is ráirányítja a figyelmet, amit nem biztos, hogy észrevettünk volna.
Az előadók egyetértettek abban, hogy az AI folyamatos tanulás, a társadalomtudósnak és az orvosnak is meg kell tanulnia „informatikusul”, de az informatikusnak is meg kell tanulnia az adott tudományterületet, máskülönben nem tudnak együtt dolgozni.
A szabályozás az egyik legnagyobb kihívás, hiszen az orvosi adatokat védeni kell, ahogyan a szerzői jogot, például a kutatásokban nem lehet olyan szövegeket használni, amelyeknek tisztázatlan az eredete. Ring Orsolya és munkatársai is részt vesznek egy nagy uniós kutatásban, a dezinformáció közösségi médiában való terjedésének a meggátolására fejlesztenének ki modelleket. Míg az uniós szabályozás lehetővé teszi, hogy a kutatóknak anonimizálva oda lehet adni az ehhez kapcsolódó adatokat, addig a szolgáltatók és a tulajdonosok nem adják oda ezeket. Viszont, ha nincs adat, nem lehet modellt kifejleszteni.
Keveset beszélünk az AI környezetvédelmi aspektusáról, pedig nem lehet figyelmen kívül hagyni, hiszen etikátlan nem gondolni arra, hogy ezzel milyen energiafogyasztást és szén-dioxid kibocsátást hozunk létre – hangzott el az előadáson. Nemcsak a gyártásról van szó, hiszen már akkor is, ha a Chat GPT-nek felteszünk egy kérdést, azzal a háttérben forgalmat generálunk és környezetszennyezést hajtunk végre. Az információ előállítása energiába kerül, és minél bonyolultabb, annál többe. Viszont ezzel utána sok mindent lehet optimalizálni, több mindent tudunk sokkal hatékonyabban csinálni.
Benczúr András nagy problémának tartja az AI fegyverkezésben való alkalmazását, látni lehet, hogy az ukrán háborúban mekkora szerepe van az autonóm fegyvereknek. Őrülten fegyverkezik az egész világ, és mindenki azt sejti, hogy az óriási összegek, amiket adatközpontokra építenek, azok már nem a Chat GTP 5 meg a 6 fejlesztésére kellenek, hanem fegyverekhez.
Fotó: Wikipédia