Mesteralgoritmussal győzzük le az AIDS-t és a rákot?

Egy oxfordi felmérés szerint a következő évtizedekben a gépi tanulás a mai állások 47 százalékát helyettesítheti. Meglepő módon nem a kétkezi munkák a legveszélyeztetettebbek, hanem a viszonylag könnyen automatizálható rutinszerű tevékenységek. Egyszerű a magyarázat: utóbbiakban nem kell folyamatosan interakcióban állni a fizikai környezettel, amire egyébként is alkalmasabbak más technológiák, például a robotok. A gépi tanulástól főként az orvosokat és a jogászokat féltik.

Gépi tanulás tegnap, ma, holnap

A szakterület azért sikeres, mert viszonylag egyszerű algoritmusok is képesek komoly feladatokat végrehajtani. Például kapnak egy adatbázist a páciensről és a cukorbetegségről, majd megfelelő mennyiségű tanulás után diagnosztizálják a bajt.

És ez csak a jelen. A jövő rengeteg alkalmazással kecsegtet, amelyek közül az egészségügy az egyik legígéretesebb. A gépi tanulás teljesen megváltoztathatja a medicinát.

Leendő alkalmazásai fontos paradigmaváltáshoz vezetnek. Az ember ősidők óta tervez és alkot tárgyakat, köztük - az utóbbi 75 évben - számítógépeket is. Magas szintű gépi tanulással viszont a komputer veszi át a tervező és az alkotó szerepét; nemcsak parancsokat hajt végre, hanem önálló kreatív tevékenységre is képes lesz.

A hagyományos programozásban a számítógépnek fájdalmas részletességgel el kellett magyarázni, hogy mit tegyen. Kivitelezendő utasítássorokat (algoritmusokat) adtunk neki, amelyekkel jobb esetben megoldotta az adott problémát. De nem tanult, és így nem is fejlődött.

A gépi tanulással, mint önálló szakterülettel ugyan a mesterségesintelligencia-kutatások 1950-es évekbeli kezdete óta foglalkoznak, jelentőségét viszont csak az utóbbi 10-15 esztendőben ismerték fel, és egyre többen állítják, hogy a számítástudomány egyik legforradalmibb változását a saját maguk tanítására programozott rendszerek hozzák el.

Az Amazon és a Netflix tanulóalgoritmusai

Tény, hogy a technológia - alapszinten - a hétköznapok szerves részévé vált, az Amazon termékajánlójától kezdve a webes keresésen keresztül az amerikai Nemzetbiztonsági Ügynökség (NSA) Edward Snowden által kirobbantott megfigyelési botrányáig szinte mindenhol jelen van, kreativitásnak azonban egyelőre csak a csírái fedezhetők fel benne. A webes tevékenységek zöméhez használják: az Amazon termék-, a Netflix filmajánlásra, a Facebook és a Twitter a felhasználónak megmutatásra kerülő bejegyzések kiválasztására használja. Algoritmusok javasolnak könyveket, filmeket, hogy kivel randizzunk, és kivel ne, de a meghirdetett állásra legalkalmasabb jelöltet is segítenek kiválasztani.

Az évente százasával fejlesztett tanulóalgoritmusok működése a nagyjából azonos alapok ellenére jócskán különbözik egymástól. Az Amazon ajánlója például a képzeletbeli könyvesbolt leggyakrabban látogatott polcai felé kalauzol, míg az ízlésünket mélyebben ismerő Netflix kevésbé ismert, szokatlan filmeket is javasol.

Az azonos alapokból kiindulva ötféleképpen csoportosíthatók. A filozófiai, fiziológiai, pszichológiai és logikai ötleteket hasznosító szimbolikus megközelítésben a tanulás egyfajta fordított következtetés. Az idegtudomány által inspirált kapcsolódás-alapúban (konnekcionizmus) az agytevékenység visszafejtésére tevődött a hangsúly. A biológiából merítő evolucionista szemlélet az evolúciót szimulálja számítógépes környezetben. A Thomas Bayes (1701-1761) angol presbiteriánus lelkészről és matematikusról elnevezett módszernek a statisztikában gyökerező valószínűségalapú következtetés a kulcsa. Az analógia-elv a matematikai optimalizálás mintájára von le hasonlóságokból tanulságokat.

A gépi tanulás Szent Grálja

De hogyan gyógyítható velük az AIDS és a rák? Pedro Domingos, a Washington Egyetem (Seattle) professzora (és a nemrég megjelent The Master Algorithm: how the quest for the ultimate learning machine will remake our world szerzője) szerint az öt megközelítést egyesítő Mesteralgoritmussal, a számítástudomány Szent Gráljával. Ha mindegyikből kiszedjük a saját „mesteralgoritmusát” és egyetlen rendszerben integráljuk azokat, akkor - talán holnap, talán 20, talán 200 év múlva - létrehoztuk a gépi tanulás „Nagy Egyesített Elméletét.”

Ha sikerül, ez az algoritmus adatokból, big datából bármit megtanul, és a világ összes ismeretére tud majd következtetni. Például megadjuk neki a DNS szerkezetét, és előáll a kettős spirállal. AIDS- és rákbetegek hatalmas adatbázisából pedig a két gyilkos betegséget diagnosztizálhatja és gyógyíthatja.

Az AIDS-vírus döbbenetes tempójú mutálódása miatt kezelhető nehezen. Nem egy helyen kell megtámadni - mint tesszük az oltásokkal -,hanem sok ponton. E pontok felfedezéséhez viszont elképesztő mennyiségű adat és hipotézis-tesztelés kell. Az ember és a mai csúcstechnológia képtelen ennyit feldolgozni, a Mesteralgoritmus viszont valószínűleg megbirkózik a feladattal.

A rák az AIDS-nél is bonyolultabb. Egyrészt egyes szám helyett a többes szám, rákok használata a pontosabb, másrészt a mutációval és a növekedéssel már ugyanannak a személynek a betegsége is teljesen más, mint volt például négy hónappal korábban. Mesteralgoritmussal viszont eljuthatunk a beteg és a rák genomjáig (a szervezet DNS-be kódolt teljes örökítő információjáig), a szükséges orvosi adatokig, és mindezek alapján előrejelezhető a javasolt gyógyszer-kombináció vagy, hogy milyen gyógyszert kell tervezni a rák különféle típusaihoz.

Domingos nem állítja biztosan, hogy diadalmaskodunk a két kór felett, de a „Nagy Egyesített Elmélet” mindenképpen közelebb visz hozzá. Az orvosok aligha vesztik el az állásukat addig.