Gépi tanulás (Machine Learning)
Az AI azon területe, ahol a rendszer nem előre megírt szabályok szerint működik, hanem adatokból tanulja meg, hogyan kell egy feladatot elvégezni.
Analógia
Mint a csecsemő tanulása: nem tanítjuk meg expliciten a grammatika szabályait, mégis megtanulja a nyelvet rengeteg hallott példa alapján.
Miért fontos?
Ezen alapul a modern AI: a ChatGPT, a Claude és a Gemini egyike sem kézzel programozott szabályok alapján válaszol. A gépi tanulás megértése segít megítélni, mire képes egy rendszer és mire nem — és miért hibázik olykor látszólag kiszámíthatatlanul.
Hogyan működik?
Gépi tanuláskor a fejlesztő nem ír le minden lehetséges helyzetre külön szabályt. Ehelyett példákat és visszajelzést ad a rendszernek, amely ezek alapján olyan belső paramétereket állít be, amelyekkel egy feladatot egyre jobban végezhet. A tanítás célja lehet például kategóriák felismerése, érték becslése vagy következő szövegrész előállítása. Az így kapott modell a tanult mintákat új bemenetekre alkalmazza; nem feltétlenül tudja megmagyarázni az eredményt, és olyan esetben is hibázhat, amely eltér a tanítási példáktól.
A mindennapokban gépi tanulás segíthet a levélszemét felismerésében, a beszéd leírásában, képek csoportosításában vagy egy gépi asszisztens válaszainak létrehozásában. A rendszer teljesítménye függ a példák minőségétől, attól, milyen feladatot tanítottak neki, és mennyire hasonlít az új helyzet a tanult esetekhez. Ha változik a környezet, a régi minták kevésbé lehetnek hasznosak. Ezért a tanítóadatok és a valós működés ellenőrzése legalább olyan fontos, mint maga a választott algoritmus.
Példa
Egy levélrendező rendszer korábban megjelölt üzenetekből tanulja meg, mely levelek tűnnek kéretlennek, majd az új üzeneteknél is javaslatot tesz a besorolásra.
Gyakori tévhit
A gépi tanulás nem azt jelenti, hogy a rendszer minden használat közben automatikusan tanul. Sok modellt csak külön, ellenőrzött újratanításkor frissítenek.