I. Adatmintákon alapuló Intelligencia
Előnyök
- adatokat igényel
- adatokat leíró statisztikai módszerek használata
- korrelációk keresése és megtanulása
- képes további tanulásra
Hátrányok
- adatok emberi értelmezése, címkézése
- korrelációk emberi felismerése
II. Tudás alapú Intelligencia
Előnyök
- nem kell tanulnia a rendszernek
- kevés adat elegendő
- nem szükségesek korreláció
- képes intelligens következtetésre
Hátrányok
- előzetes tudást igényel a rendszer leírásához, ami általában hiányos
III. Adatmintákon alapuló Intelligencia
- Fisher-információt maximalizáló gépek
- gyorsabb, pontosabb közelítés (kvantumszámítógépek)
- korrelációkeresés és tudáskinyerés automatizálása
IV. Tudás alapú Intelligencia
- intelligencia matematikai leírása, és automatizálása
- folyamatokat jellemző intelligencia közvetlen feltárása
- automatizált tudásmodellezés
Mivel a két megközelítés kiegészíti egymást, ezért már most célszerű a fejlesztéseket integrálni – Hierarchikus Megerősített Tanulás révén – így valósulhat meg a Humánkompatibilis Mesterséges Intelligencia fejlesztése.
Mesterséges Intelligencia (MI.)
Ez a részleg az intelligencia elméleti vizsgálatából származó elképzeléseket ülteti át gyakorlati alkalmazásokba. Ennek keretében egy olyan szoftverfejlesztési projektet valósít meg, melynek célja egy olyan fejlett programozási környezet – mint programnyelv – létrehozása, ami lehetővé teszi, hogy a fentebb említett mátrixlogika segítségével megadható fejlett intelligens algoritmusokat munkára foghassuk tetszőleges tudásbázisokban, amihez aztán szervesen hozzákapcsoljuk a manapság használt neuronháló alapú megközelítések programozási és hardveres eljárásait. Erre azért van szükség, mert manapság a mesterséges intelligencia (MI) fejlesztéseit, azon belül is az úgynevezett mélytanulásos vagy több rétegű neurális hálózat-rendszerek létrehozását egyedi programnyelvekhez írt úgynevezett MI modulok segítségével végzik (ilyen nyelvek pl. a Python, a MATLAB, a C és C++, stb.) A fejlesztések felgyorsítása, valamint a már hasznosnak bizonyult rendszerek egységes kezelése és a további fejlesztésekben való alkalmazásuk érdekében előnyösebb lenne, ha mindezt egységesítenénk egy új szoftverkörnyezet létrehozásával. Ez az új programozási környezet szervesen magába foglalja az MI fejlesztéshez manapság használt összes elemet, például:
• intelligens ágensek tervezése modult
• a logikai ágensek modulját
• tudástervezés és tudásbázis reprezentációk modulját
• a tanuló és tanítást segítő ágensek modulját
Több nagy cég, mint például a Google, felhőalkalmazásban már most is biztosít hozzáférést saját erőforrásaihoz és az általuk kifejlesztett MI algoritmusokhoz, de ez az elv eltér az általunk javasolttól.
Az IARIP elméleti és MI fejlesztési programjaiban célul kitűzött projektek révén indult el a javasolt programozási-környezet, illetve annak fentebb felsorolt, egymásba ágyazott rétegeinek a megalkotása. További fejlesztésének lépései:
• A matematikai intelligencia működési alapjának feltárása, logikai visszafejtése, az intelligencia mibenlétének matematikai
megfogalmazása
• Intelligens mátrix-polinomok, szuperfolyékony matematika
• Önszervező tudásbázisok, az öntanulás automatizálásának megvalósítása
Az intézetünk által képviselt kutatás és fejlesztés tehát nemcsak, hogy időszerű, de már most az indulásnál magába foglalja a terület jövőbeli legjelentősebb fejlődési irányvonalait is. Az így piacra kerülő MI termékekkel (pl. biotechnológiai kutatási MI asszisztens) szinte azonnal piacvezető helyzetbe szeretnénk hozni Magyarországot, illetve ez a szektor igen gyorsan a gazdaság egyik húzóágazatává válhat. Az innováció és a technológiai fejlesztés globális térképén Magyarország kiemelt pozíciót foglalhatna el, ami azért fontos, mert jelenleg csak kiszolgáló funkciókra pályázhatunk!
Az általunk javasolt fejlesztés másik előnye és sajátossága, hogy egyedülálló megoldást kínál a szoftveres úton történő úgynevezett erős mesterséges intelligencia megalkotására, illetve az erős MI létrehozásával járó társadalmi veszélyek elkerülésére. Kellő bátorsággal talán azt is mondhatjuk, hogy ez az egyedüli megoldás, amire természetesen előbb vagy utóbb maguk a fejlesztők is rájönnek. Az egységesen használt programozási-környezettel ugyanis a fejlesztés központosítottá, éppen ezért követhetővé és felügyelhetővé válik. Ez azért fontos, mivel a programozási-környezet idővel maga is MI-vé válik az öntanulási rutinok visszahatásai miatt, de mire ez bekövetkezik, addigra a fejlesztésekben betöltött szerepe miatt szerves része marad az emberi tényező, mint tanító, követése és előtérbe helyezése, vagyis működése egy intelligens MI fejlesztési asszisztens hatókörén belül tartható!
Csoporttagok és szakértő tanácsadók:
Dienes István Bsc., Vezető kutató (HKIPI), MSCI szabályozás-technikai mérnök, intelligens tudatfolyamatok, az öntudat mátrixlogikán és kvantum-információn alapuló modellezése
Professzor dr. Diego L. Rapoport PhD. matematikai-fizikus, mátrixlogika alapú intelligencia modellezés
Professzor Alex Hankey PhD., az MIT-n végzett elméleti fizikus, a tudat- és intelligens folyamatok modellezésének szakértője
Szlávik Zoltán PhD. alkalmazott matematikus, gépi látás, kognitív folyamatok modellezése
Répászky László – A biológiai és ökológiai ciklusokat irányító természeti törvényeken alapuló, valódi öko és humán kompatibilis mesterséges intelligencia alapelveinek kidolgozója, a “The-Life! Pure Body Technology” stratégia megalkotója
Középtávú
projekttervek