Átlagemberek elképzelése szerint a robotok gyárakban dolgoznak, és jellemzően olyan monoton munkát végeznek, mint például az autóalkatrészek összeszerelése. Valóban, az iparban elterjedtek az előre beprogramozott utasítások alapján, valamilyen meghatározott mozdulatsort végrehajtó robotok. Napjainkban azonban mind több helyen jelennek meg - többnyire még csak kísérleti jelleggel - az úgynevezett adaptív robotok, amelyek "figyelik" környezetüket, és ahhoz igazítják tevékenységüket. A beépített mesterséges intelligencia segítségével a robot akár az emberrel is együtt tud működni: a bonyolultabb feladatokat az ember végzi, és a robot tudja, mikor következnek az általa végrehajtandó, egyszerűbb munkafolyamatok.
Az említett és ahhoz hasonló feladatokat ellátó ipari robotokon kívül terjednek a háztartási robotok, de egyre bővül azon területek köre is, ahol automatizációval könnyítik meg az ember munkáját. Ez utóbbiak közé tartoznak a különféle irodai, ügyfélszolgálati folyamatok.
Ilyen például az ügyfélszolgálatokra elektronikusan beérkező kérdések, panaszok osztályozása. - Az én megközelítésemben a robotok nemcsak a fizikai térben működő, bizonyos munkafolyamatokat végző eszközök, hanem olyan szoftverfunkciók, robotszolgáltatások, amelyek az ember segítsége nélkül, tipikusan monoton, viszonylag egyszerű feladatokat oldanak meg, tehermentesítve ezzel az embereket. Ilyen például az e-mailek automatikus szortírozása. Ez történhet szabály alapon, mondjuk a fejlécek szerint, de mesterséges intelligencia segítségével is. Ez utóbbira kiváló példa a különféle pénzügyi folyamatok (hitelfelvétel elbírálása, kockázati besorolás meghatározása stb.) automatizálása, az úgynevezett robotic process automation (RPA) - hívja fel a figyelmet Werschitz Ottó, a Neuron Solutions társalapítója, az IVSZ mesterségesintelligencia-szakértője.
Werschitz Ottó mesterségesintelligencia-szakértő, IVSZ
Domén-specifikus alkalmazások
A tudósok fél évszázaddal ezelőtt úgy definiálták a mesterséges intelligencia fogalmát, hogy minden, ami az emberi viselkedést imitálja. Mára finomodott a kép, így beszélünk szűken értelmezett, általános és felsőfokú mesterséges intelligenciáról. Mivel a jelenlegi rendszerek az emberi intelligenciának csupán szűk tartományát tudják kihasználni, az ismert fejlesztések a szűken értelmezett mesterséges intelligenciára épülnek. Ennek következtében egy szövegfeldolgozó rendszer, amely például az orvosok munkáját segíti korábbi anamnézisek értelmezésével, nem tud Shakespeare-idézeteket írni, pénzügyi szerződéseket elemezni vagy önvezető autókban feladatokat ellátni. A mai mesterséges intelligenciát alkalmazó rendszerek tehát rendkívül domén-specifikusak.
A szűken értelmezett mesterséges intelligencia konkrét megvalósításakor egyre jobban előtérbe kerülnek az adaptív megoldások. Jóllehet ezek az úgynevezett gépi tanuló technológiák már évtizedek óta léteznek, az üzleti életbe csak az utóbbi években, a számítási kapacitás növekedésével, a felhő terjedésével, az internet terjedésének következtében megjelent hatalmas adatmennyiségekkel, az adattárolási költségek csökkenésével robbantak be. - A gépi tanulás kulcsa és kritikus pontja, hogy legyen sok adat, számítási és tárolási kapacitás ugyanis már van bőven - jegyzi meg Werschitz Ottó. - A gépi tanulás egyik válfaja a neurális hálókhoz köthető mélytanulás. Ehhez a legbonyolultabb feladatok elvégzésekor, például arc- vagy objektum-felismeréskor, óriási adatmennyiségekből összefüggések kibányászásakor, valós idejű döntések meghozatalakor kell fordulni.
Osztályozás adattípusok szerint
A mesterséges intelligenciát, illetve az arra épülő robotszolgáltatásokat adattípusok szerint is lehet osztályozni. Eszerint megkülönböztetünk számadatokra, hangokra, képi információkra és szövegekre építő megoldásokat.
A számadatok egyik legnagyobb alkalmazási területe, amikor idősoros adatokból, például gépekből érkező szenzorinformációkból vagy távközlési hálózati elemekből nyernek ki olyan hasznos összefüggéseket, amelyeket szabály alapján, vagy csak ránézésre nem lehetne megmondani. Ezzel az eljárással akár előre lehet jelezni egy adott működési problémát, a gép vagy a hálózat meghibásodását, illetve meg lehet határozni a hiba okát, sőt javaslatot lehet tenni annak elhárítására.
A mesterséges intelligencia felhasználhat, értelmezhet emberi vagy egyéb hangokat. Segítségével a gép akár korábban észreveheti az ügyfél hangulatát, idegességét, mint az ügyfélszolgálatos, vagy a beszédhang alapján akár betegségekre is lehet következtetni. Hasonlóképpen a mechanikus gépekből érkező hangok is árulkodhatnak a közelgő meghibásodásról.
Számtalan olyan alkalmazás képzelhető el, amely képi információkra épül. Ha például egy diagnosztikai rendszert több százezres képi adatbázis alapján tanítanak meg arra, hogy mi számít a normálistól eltérőnek, akkor az akár a legkisebb elváltozást is detektálni tudja.
Ha szövegeket elemez a robotszolgáltatás, akkor a kulcsszavas keresésen kívül lehet vizsgálni a jelentéstartalmat is. Egy e-mailből például meg lehet állapítani, kik azok, akik csak valamilyen szokványos ügyben fordulnak az ügyfélszolgálathoz (például telefoncserét kérnek), illetve kik azok, akik elégedetlenek, és így félő, hogy elfordulnak a szolgáltatótól.
Korlátok
Természetesen a mesterséges intelligenciára épülő szolgáltatásoknak megvannak a maguk korlátai. - A feladatot helyesen kell definiálni. A rendszernek magának abban az értelemben nincs intelligenciája, hogy megmondja: rossz a feladat. Ilyenkor is elkezd dolgozni, az eredmény azonban téves lesz. Ha például valaki a napi meteorológiai adatokból akarja meghatároztatni, hogy több év múlva, az év ugyanazon napján mekkora lesz a hőmérséklet, akkor borítékolható a tévedés. Fontos, hogy legyen elég sok, legálisan felhasználható adat, azok ne legyenek torzítottak, illetve reprezentálják a feladatot (a távközlési forgalom esetén például tükrözzék a szezonalitást vagy a rendkívüli eseményeket), függetlenül attól, hogy emberekre vonatkozó döntéseket vagy egy technológiai folyamat döntéseit befolyásolják - hangsúlyozza az IVSZ szakértője.
Arról sem szabad megfeledkezni, hogy a gépi tanuló rendszerek úgynevezett felcímkézett adatokból dolgoznak. Bizonyos esetekben, például CRM-adatbázisokban a címkézés egy adatbázis-lekérdezés nyomán, automatikusan történhet (kik vásároltak egy adott terméket stb.). Egész más azonban a helyzet a képek esetében. Ahhoz, hogy egy képfelismerő alkalmazás helyesen és megbízhatóan működjön, a képet először embernek kell átvizsgálnia, majd a képen található objektumokat felcímkéznie. E feladat elvégzése emberi intelligenciát és sziszifuszi munkát igényel, amire már új iparág jött létre például Kínában és Indiában.
Előnyben a nagyvállalatok
- Sok olyan munkafolyamat van, amelyet automatizálni lehet, de jelenleg nem látom, hogy a robotszolgáltatások, a mesterséges intelligencia bevetése tömegesen veszélyeztetné a munkahelyeket. Napjainkban jellemzően azokat az egyszerű, monoton munkafolyamatokat - alkatrész-összeszerelés, gyümölcsválogatás stb. - automatizálják, amelyekre nehéz embert találni. Az adatbázisokból vagy szenzorokból kinyert adatok pedig csak segítik az ember munkáját. A végső döntést mindig az ember - a humán operátor, az orvos stb. - hozza meg. Más kérdés, hogy a jövőben, például az önvezető autók elterjedésével, amikor nem lesz szükség a kamion- vagy taxisofőrökre, egész iparágak alakulnak majd át - mutat rá Werschitz Ottó.
Vajon hol van ma a legnagyobb relevanciája a mesterséges intelligenciát alkalmazó, meglehetősen domén-specifikus robotszolgáltatásoknak? Leginkább azokban az ágazatokban, ahol sok adat keletkezik. Idetartozik a pénzügyi szektor, a távközlés, az energetika, a logisztika, az online kereskedelem, továbbá minden olyan kereskedelmi tevékenység, amelynél online pénztárgépet, illetve bankkártyát használnak. A mezőgazdaságban hatalmas igény lenne az automatizálásra, ám egyelőre nem áll rendelkezésre elegendő adat.
A sok adattal és speciális problémákkal rendelkező nagy szervezeteknek belső vagy külső adattudósok segítségével saját alkalmazásokat célszerű fejleszteniük. A másik végletet a kis cégek jelentik, amelyeknél kevés adat keletkezik, és amelyeknek jellemzően nincs elég kompetenciájuk és anyagi forrásuk saját gépi tanuló rendszereik felépítéséhez. Számukra az jelentheti a megoldást, ha egy külső partner fejleszt olyan rendszert, amelyet a hasonló problémákkal küzdő vállalatok használhatnak. Például összegyűjti egy piaci szegmensben a felhasználók online viselkedését, és e nagy adatbázis alapján készít ajánlórendszert, amelyhez a kisebb webes kereskedők a felhőn keresztül, nagyobb beruházás nélkül kapcsolódhatnak - foglalja össze a lehetőségeket Werschitz Ottó.
