Egy felolvasott üzenet vagy a szívbeteg kockázatát becslő program mögött is állhat magyar kutatói munka. Az MTA októberi témanapja a beszélgető alkalmazások mellett a mesterséges intelligencia kevésbé látványos, mindennapi jelentőségű feladataira is ráirányította a figyelmet.
Állítsd be a mivagyunk.hu-t kedvenc forrásként a Google-benA gépi hang régóta velünk utazik
A Magyar Tudományos Akadémia október 7-én rendezte meg a „MI-ért vagy MI-értünk?” című témanapját. A programban a nagy nyelvi modellek mellett beszédtechnológia, kardiológiai előrejelzés, anomáliadetektálás és intelligens gyártás is szerepelt. Már ez a témaválasztás is segít tágítani az MI-ről alkotott képünket: a technológia számos olyan feladatban dolgozik, amelyhez egyáltalán nincs szükség csevegőablakra.
Németh Géza, a BME kutatója a beszédtechnológiáról tartott előadást. Munkásságából ismerős példa lehet a vasútállomások hangos utastájékoztatása: a BME bemutatása szerint nevéhez a MÁV állomási hangrendszere mellett elektronikus leveleket és SMS-eket felolvasó megoldások is kötődnek. Ezek korábbi fejlesztések, amelyek jól érzékeltetik, milyen hosszú előzménye van a gépi beszédnek Magyarországon.
Az ilyen alkalmazás értékét könnyű megérteni annak, aki egy szöveget csak nehezen tud elolvasni, vagy hallás útján szeretne hozzáférni. A felolvasás hozzáférhetővé tehet egy üzenetet, az utastájékoztatás pedig segíthet eligazodni az állomáson. A beszédtechnológia története ugyanakkor többféle eljárást foglal magában; a gépi hang önmagában még nem árulja el, milyen módszer áll mögötte.
A magyar nyelv itt külön feladatot ad a fejlesztőknek. Egy használható rendszerhez a kiejtést és a hangsúlyozást is kezelni kell. Az olvasó számára végül az számít, érthető-e a bemondás, és hozzájut-e a szükséges információhoz.
Mit jelezhet előre egy kardiológiai modell?
Kosztin Annamária, a Semmelweis Egyetem kardiológusa a betegek kimenetelének előrejelzéséről beszélt a témanapon. Ehhez a kutatási területhez kapcsolódó, korábban publikált példa a SEMMELWEIS-CRT kockázatbecslő modell, amelynek fejlesztésében ő is részt vett. A rendszer a szív összehangolt működését segítő eszköz beültetésén áteső betegek halálozási kockázatát becsüli klinikai adatokból.
A modell későbbi külső ellenőrzésében 1367, több európai központból származó beteg adatait elemezték. A 2024-ben megjelent tanulmány szerint az egyéves halálozási kockázat elkülönítésében több hagyományos pontrendszernél jobb eredményt adott. Ez adatbázison végzett ellenőrzés volt; önmagában nem bizonyítja, hogy a modell használata meghosszabbítja a betegek életét.
A különbség a beteg számára is lényeges. Egy kockázatbecslés támpontot adhat az orvos mérlegeléséhez, de az egyéni jövő bizonytalan marad. A kutatók által vizsgált betegcsoport és az előrejelzés időtávja meghatározza, mire értelmezhető az eredmény. A konkrét feladatra fejlesztett modell teljesítményéből egy általános chatbot egészségügyi megbízhatóságára sem lehet következtetni.
Hasonló, adatokból kiinduló megközelítésről írtunk a szepszis korai felismerését célzó pécsi fejlesztésnél is. Az MI egészségügyi értékének megítéléséhez minden esetben a konkrét feladatot és az ellenőrzés eredményét kell látni.
Amikor egy eltérés a fontos eredmény
Horváth Gábor BME-kutató előadása az anomáliadetektálást járta körül; ez a szokatlan mintázatok felismerését jelenti. A hozzá kapcsolódó egyetemi képzésben pénzügyi, hálózati és összetett rendszerekből származó adatok elemzése is szerepel. A feladat ilyenkor egy eltérés észlelése, amely további vizsgálatot indokolhat.
Szemléltetésként képzeljünk el egy gépet, amelynek érzékelőadatai fokozatosan eltérnek a megszokottól. Egy figyelmeztetés lehetőséget adhat a karbantartónak, hogy utánanézzen az oknak. Ez általános példa a módszer céljára; az adott berendezésnél külön kell igazolni, hogy a jelzés használható.
Monostori László, a HUN-REN SZTAKI kutatója az intelligens gyártás fejlődéséről és kihívásairól tartott előadást. Az intézet MI-laborjának kutatási területei között ipari szenzorhálózatok és hiba-előrejelzés is található. Az ilyen fejlesztéseknél a műszaki értéket az mutathatja meg, hogy a kapott információ segít-e a termelésben dolgozóknak.
A kutató felelőssége is része a történetnek
A témanap a tudományos munka átalakulását is vizsgálta. Benczúr András kutató ágensekről beszélt, a záró beszélgetésben pedig előkerült az eredményekért vállalt felelősség és az értő MI-használathoz szükséges tudás.
Ezekből a példákból az a következtetés adódik, hogy az MI ismeretéhez a feladat felismerése is hozzátartozik. Más bizonyíték kell egy érthetően felolvasott mondat, egy kockázati becslés és egy ipari figyelmeztetés értékeléséhez. A magyar kutatások akkor kerülnek közel hozzánk, amikor azt is megértjük, kinek, milyen helyzetben és milyen ellenőrzés mellett segíthetnek.
