A gépi tanulás (angolul: machine learning, ML) a mesterséges intelligencia azon ága, amely lehetővé teszi, hogy a számítógépes rendszerek expliciten programozott utasítások nélkül, tapasztalatból tanuljanak és fejlődjenek. A gépi tanulás algoritmusa egy adathalmazon alapuló modellt épít fel, majd ennek segítségével előrejelzéseket vagy döntéseket hoz. Ez a megközelítés gyökeresen különbözik a hagyományos szoftvertől, ahol a programozó minden lépést előre megad.
A gépi tanulás három fő paradigmája
Címkézett adatokon tanul: minden bemenethez ismert a helyes kimenet. Osztályozás és regresszió főbb feladatai.
Rejtett struktúrákat keres a nem címkézett adatokban: klaszterezés, dimenziócsökkentés és asszociációs szabályok.
Az ágens jutalmak és büntetések alapján tanul optimális stratégiákat kialakítani — játékok, robotika és irányítás.
Mélytanulás: A gépi tanulás forradalma
A mélytanulás (deep learning) a gépi tanulás egy részterülete, amely mesterséges neurális hálózatokat alkalmaz, amelyek több rétegből — ezért „mély" — épülnek fel. Minden réteg a bemeneti adatból egyre összetettebb tulajdonságokat tanul meg reprezentálni. A mélytanulás kulcsszerepet játszik a képfelismerés, hangfelismerés és természetes nyelvfeldolgozás területének előrelépéseiben.
Legfontosabb mélytanulási architektúrák
A mélytanulás területén az elmúlt évtizedben számos alapvető architektúra jelent meg, amelyek különböző feladatokra specializálódtak:
- Konvolúciós neurális hálózatok (CNN): Képfelismerési és osztályozási feladatokban kiváló. A VGG, ResNet és EfficientNet modellek az ipari szabványok.
- Rekurrens hálózatok (RNN/LSTM): Idősorokon és szekvenciális adatokon teljesítenek jól. Hangfelismerés és sorozat-elemzés klasszikus eszközei.
- Transformerek: Az NLP forradalma. Az önfigyelmi mechanizmus lehetővé teszi a párhuzamos feldolgozást, ami a BERT-et, GPT-4-et és Claude-ot megalapozta.
- Diffúziós modellek: A generatív MI meghatározó architektúrája képek, hangok és videók szintetizálásához.
- Gráf neurális hálózatok (GNN): Összefüggő struktúrák — molekulák, közösségi hálók, tudásbázisok — elemzésére kiválóan alkalmasak.
Gépi tanulás a magyarországi iparban
A hazai vállalatok körében végzett 2024-es felmérésünk szerint a gépi tanulási megoldások leggyakrabban három területen jelennek meg: ügyfélszolgálati automatizáció (38% a válaszadók körében), prediktív karbantartás a gyártásban (27%) és kockázatértékelés a pénzügyi szektorban (21%). Ezek az adatok összhangban vannak az EU-s trenddel, ahol a pénzügy és gyártás vezet a ML-adoptálásban.
Etikai és minőségi kihívások
A gépi tanulási rendszerek széles körű elterjedése komoly felelősséget ró a fejlesztőkre és alkalmazókra egyaránt. A tanítóadatokban meglévő torzítások (angolul: bias) az elkészült modellben felerősödhetnek, ami hátrányosan megkülönböztető döntésekhez vezethet. Az EU AI Act kötelezővé teszi a magas kockázatú ML-rendszerek esetén a torzítás-vizsgálatot és az átláthatóság biztosítását.