Gépjárművezetés, adózás, orvosi diagnosztika vagy akár egy kísérleti fúziós reaktor üzemeltetése – ezek mind olyan területek, ahol a mesterséges intelligencia utat talált magának. Várhatóan az MI mind markánsabban és mind több területen lesz jelen a jövőben, kérdést csak azt jelent, hogy miként lehet jobb mesterséges intelligenciákat fejleszteni. A válasz pedig nem feltétlen kizárólag a rendelkezésre álló számítási kapacitástól függ, hanem attól is, hogy miként lehet lefaragni az MI gyengeségeit, amit az emberekhez képest mutatnak. A Kaliforniai Egyetem kutatói a megoldást magában az emberben látják.

Arra már korábbi kutatások alapján rájöttek, hogy a több ember vagy a több mesterséges intelligencia együttesen pontosabb, megbízhatóbb előrejelzést ad, mint egyetlen ember vagy egyetlen MI. Ezt nevezik a „tömeg bölcsességének”, és egy ilyen kutatásról korábban mi is írtunk. A mostani vizsgálat pedig új szintre lép – immár nem sok embert vagy sok MI-t vizsgál külön-külön, hanem egy rendszer segítségével a kettőt kombinálja úgy, hogy az emberek és az MI-k gyengeségeit egyaránt a lehető legjobban ki lehessen küszöbölni.

A rendszert természetesen nem úgy kell elképzelni, mint a Robotzsarut – kiborg helyett mindössze egy új matematikai modellről van szó, amely az emberi és az algoritmikus előrejelzések és megbízhatósági pontszámok kombinálásával javíthatja a rendszer összteljesítményét. Mint a kutatók elmondták:

„Az embereknek és a gépi algoritmusoknak vannak egymást kiegészítő erősségei és gyengeségei. Mindegyik különböző információforrást és stratégiát használ az előrejelzések és a döntések meghozatalához.”

A keretrendszer tesztelése érdekében a kutatók egy képosztályozási kísérletet végeztek, amelyben az emberi résztvevők és a számítógépes algoritmusok külön-külön dolgoztak, hogy beazonosítsák különböző állatok és hétköznapi tárgyak – székek, palackok, kerékpárok, teherautók – eltorzított képeit. A humán résztvevők azt is értékelték, hogy mennyire biztosak a képek beazonosításában (mennyire értékelik ezt pontosnak) – ami az értékelésük szerint lehetett alacsony, közepes vagy magas. A gépi osztályozó ehhez képest folyamatos pontszámot generált. Az eredmények nagy különbségeket mutattak az emberek és az MI algoritmusok közötti megbízhatóságban a különböző képek esetén. Bizonyos esetekben az emberi résztvevők egészen biztosak voltak abban, hogy egy adott képen például egy szék látható, miközben az MI algoritmusa összezavarodott. Más képeknél viszont az MI algoritmus magabiztosan tudott címkét adni a bemutatott objektumnak, miközben az emberi résztvevők nem voltak biztosak abban, hogy a torz képen akad-e felismerhető tárgy.

Amikor viszont a kutatók az új keretrendszerrel kombinálták az előrejelzéseket és a megbízhatósági pontszámokat, a hibrid modell jobb teljesítményt eredményezett, mint akár az emberi, akár a gépi előrejelzések önmagukban.

(Kép: Pixabay/Tumisu)