Interaktív tananyag

Gépi tanulás

Bevezetés a mesterséges intelligencia fogalomrendszerébe

Szerző: Lengyel ZsoltiTStudy Hungary Oktató- és Kutatóközpont
Lektor: Hartyányi MáriaiTStudy Hungary Oktató- és Kutatóközpont

A gépi tanulás három alkotóeleme: adat, modell és tanulási paradigma — A gépi tanulás alapvető alkotóelemei

Tanulási cél

A mesterséges intelligencia rohamos térnyerése a határtalan lelkesedéstől a munkahelyek elvesztésétől való félelemig szélsőséges reakciókat vált ki. A tananyag célja az MI reális megítéléséhez szükséges elméleti alapok áttekintése, valamint az értő használathoz nélkülözhetetlen fogalmak tisztázása.

A tananyag végére választ kapsz ezekre a kérdésekre

Hogyan tanul és hogyan kommunikál egy számítógép?
Mit értünk gépi tanulás alatt?
Mit jelent az MI-rendszerek nem determinisztikus működése?
Az MI az emberi intelligencia gépesített változata?
Lehet okosabb a mesterséges intelligencia az embernél?

1. fejezet · 1 / 2

Egy tanulni képes gép gondolata

A híres matematikus, Alan Turing 1947-ben, a Londoni Matematikai Társaság előtt tartott előadásában így fogalmazott:

“What we want is a machine that can learn from experience.”„Olyan gépet szeretnénk, amely képes a tapasztalatokból tanulni.”

Az akkori számítógépek még nem tették lehetővé egy ilyen program elkészítését. Több mint hetven évre volt szükség ahhoz, hogy közelebb kerüljünk Turing elképzeléséhez.

Az 1956-os dartmouthi konferencia kutatói fokozatosan kidolgozták a gépi tanuláshoz szükséges matematikai modelleket és algoritmusokat. Közben hozzáférhetővé vált a hatalmas mennyiségű digitális adat, és megjelent a feldolgozásához szükséges számítási kapacitás.

1947Turing felveti a tapasztalatból tanuló gép gondolatát.

1956A dartmouthi konferencia lendületet ad az MI-kutatásnak.

2022A ChatGPT széles körben láthatóvá teszi a nyelvi MI-t.

1. fejezet · 2 / 2

Amikor a gép emberi nyelven válaszol

2022. november 30-án nyilvánossá vált a ChatGPT. A regisztrált felhasználók száma öt nap alatt elérte az egymilliót – a Netflixnek ugyanehhez három és fél évre volt szüksége.

A felületen bárki megtapasztalhatta, hogy a számítógéppel emberi nyelven lehet kommunikálni. A gyors, összefüggő és meggyőző válaszok egyszerre váltottak ki lelkesedést, meglepetést és aggodalmat.

Emberi arc és mesterséges intelligenciát jelképező digitális arc egymás mellett — Az MI emberies ábrázolása befolyásolja, mit feltételezünk a képességeiről.

Idős nő telefonon beszél, a vonal másik oldalát mesterséges intelligencia jelképezi — Amikor „valaki” tökéletes emberi hangon szólal meg

2. fejezet

Tanul a számítógép?

Amikor azt mondjuk, hogy a számítógép „tanul”, nem ugyanarra a folyamatra gondolunk, ahogyan az ember vagy egy kisgyermek tanul. Az emberi tanulás összetett folyamat, amelyet a tudomány ma sem képes teljesen leírni.

Gépi tanulás: az adatokból tanuló algoritmusok és módszerek összefoglaló neve. A számítógép példák alapján mintázatokat ismer fel, majd ezekre támaszkodva előrejelzéseket vagy döntési javaslatokat hoz létre.

A „recept” három összetevőből áll: digitálisan tárolt adatokból, a tanulás módját meghatározó algoritmusból és a megtanult összefüggéseket tároló modellből.

01

Adat

A példák és megfigyelések, amelyekből a rendszer mintázatokat tanul.

02

Algoritmus

A módszer, amely meghatározza, hogyan történik a tanulás.

03

Modell

A betanítás eredménye, amely új adatokon következtetéseket készít.

3. fejezet · 1 / 4

Felügyelt tanulás

A felügyelt tanulás során a gép olyan példákból tanul, amelyeknél a bemeneti adatok mellett a helyes válaszok is rendelkezésre állnak. Ilyen lehet több millió fénykép, amelyekhez megadják a rajtuk látható objektumok nevét.

Képzeljük el, hogy egy modellt arra tanítunk, döntse el egy képről, almát vagy banánt ábrázol-e. A képekhez adott helyes válaszokat címkéknek, az ilyen példákat felcímkézett adatoknak nevezzük.

A modell a példákból vizuális jellemzőket tanul: alakot, színt és más mintázatokat. Ezután korábban nem látott képeket is képes besorolni – valamilyen valószínűséggel.

Kutya és macska képeivel szemléltetett felügyelt tanulás — A helyes címkékkel ellátott példák irányítják a tanulást.

3. fejezet · 2 / 4

A tanító adatoktól a működő modellig

A tanításhoz nagy mennyiségű adatot használnak; ezt tanítóadatbázisnak vagy tanító adatkészletnek nevezzük. A betanítás eredményeként létrejövő modell a megtanult összefüggések alapján új, ismeretlen adatokat is azonosíthat.

Fontos korlát: a modell csak abból tud következtetéseket létrehozni, amit a tanító adatokból megtanult. Nincs az adatokon túlmutató önálló tudása vagy tapasztalata.

Bemeneti adatok, tanuló algoritmus és modell folyamatábrája — Gépi tanulás: modellépítés felcímkézett példákból

Szöveggenerálás ikon — Szöveggenerálás és fordítás

3. fejezet · 3 / 4

Nem felügyelt tanulás

A nem felügyelt tanulásnál nincs előre meghatározott helyes válasz: a gép nem kap címkéket. Az algoritmus feladata, hogy önállóan fedezze fel az adathalmaz rejtett mintázatait, csoportjait, hasonlóságait és eltéréseit.

Ilyen módszerek segítik az ajánlórendszereket: a felhasználói viselkedés alapján érdeklődési köröket azonosítanak, majd személyre szabott filmeket, zenéket vagy termékeket ajánlanak.

Gyümölcsök automatikus csoportosítása hasonlóság alapján — A rendszer címkék nélkül keres szerkezetet az adatokban.

3. fejezet · 4 / 4

Megerősítéses tanulás

A megerősítéses tanulásban egy virtuális „ügynök” a környezetével interakcióba lépve próbál optimális döntéseket hozni. Jutalmak és büntetések alapján tanulja meg, mely lépések vezetnek a legjobb eredményhez.

Ügynök, környezet, akció és jutalom körfolyamata — Az ügynök a cselekvések következményeiből tanul.

1997-ben az IBM Deep Blue hagyományos programozással és nagy számítási erővel legyőzte Garri Kaszparov sakkvilágbajnokot. A Go játék azonban túl sok lehetséges állást kínál a teljes felsoroláshoz.

A DeepMind AlphaGo rendszere megerősítéses tanulással, önmaga ellen gyakorolva jutott el oda, hogy 2016-ban mérkőzéssorozatban legyőzte Lee Sedolt.

Az AlphaGo és Lee Sedol mérkőzése (Forrás: Google Arts & Culture)

4. fejezet

Transzfertanulás és alkalmazási területek

Transzfertanulás

Egy kész, jól működő modell továbbfejleszthető egy szűkebb, speciális területen. Például egy általános nyelvi modell tovább tanítható az oktatásban használt, gondosan kiválasztott forrásokon. Ezt nevezzük transzfertanulásnak.

Felügyelt tanulás

Osztályozás és előrejelzés

Objektumfelismerés, levélszemét-szűrés, hitelkockázat-becslés, orvosi diagnosztika.

Nem felügyelt tanulás

Rejtett szerkezet feltárása

Vásárlói csoportok, rendellenes események, összetett adatok egyszerűsítése.

Megerősítéses tanulás

Döntések sorozata

Robotirányítás, játékprogramok, automatizált vezérlés és közlekedési rendszerek optimalizálása.

5. fejezet

Erőforrások és költségek

A gépi tanulás erőforrásigénye az adatok mennyiségétől, a modell összetettségétől és a választott tanulási módszertől függ.

Felügyelt tanulás: költséges lehet az adatok összegyűjtése és címkézése.
Nem felügyelt tanulás: nagy tárhelyet és számítási kapacitást igényelhet.
Megerősítéses tanulás: sok próbálkozásra és gyakran szimulált környezetre van szükség.

Hamupipőke különböző magokat válogat szét csoportokba — A nem felügyelt tanulás a Hamupipőke-meséhez hasonlóan címkék nélkül keresi meg az adatok természetes csoportjait.

Útravaló tanároknak

Mit tud – és mit nem tud – a mesterséges intelligencia?

„A mesterséges intelligencia nem gondolkodik, hanem beszél.”Csányi Vilmos, 2026

Tudáspróba

Ellenőrizd, mit tanultál!

1Mi a gépi tanulási modell? A betanítás eredménye, amely megtanult mintázatok alapján új adatokon következtet. Egy minden helyzetben tévedhetetlen szabályrendszer. Az emberi agy digitális másolata.

2Melyik módszer használ helyes válaszokkal ellátott példákat? Felügyelt tanulás Nem felügyelt tanulás Megerősítéses tanulás

3Mi jellemzi a nem felügyelt tanulást? Címkék nélkül keres mintázatokat és csoportokat. Kizárólag jutalmakból tanul. Mindig ugyanazt a választ adja.

4Hogyan tanul egy megerősítéses rendszer? Jutalmak és büntetések segítségével értékeli a cselekvéseit. Minden lehetséges választ bemagol. Csak felcímkézett képeket használ.

5Melyik állítás igaz? Az MI válaszai a megtanult mintázatokon alapulnak, ezért ellenőrzést igényelnek. A természetes hang bizonyítja, hogy az MI tudatos. Egy modell tudása független a tanító adatoktól.

Közreműködők és csatolmányok

Impresszum és szerzői jog

Szerző: Lengyel ZsoltiTStudy Hungary Oktató- és Kutatóközpont
Lektor: Hartyányi MáriaiTStudy Hungary Oktató- és Kutatóközpont
Projekt: 2025-1-LT01-KA220-VET-000362456

Csatolmányok

A magyar forrásanyag letöltéseM1-T1-MLC1-TEXT-HU.pdf A gyakorlati feladat letöltéseM1-T1-MLC1-EXC-HU.pdf

Creative Commons Nevezd meg! – Így add tovább! embléma

Ez a mű a Creative Commons Nevezd meg! – Így add tovább! 4.0 Nemzetközi Licenc (CC BY-SA 4.0) feltételei szerint újra felhasználható és átdolgozható.

Az Európai Unió finanszírozásával. A kifejtett nézetek és vélemények kizárólag a szerző(k)éi, és nem feltétlenül tükrözik az Európai Unió vagy a Nemzeti Ügynökség álláspontját.