Mit jelent a gépi tanulás?
A gépi tanulás (Machine Learning, ML) a mesterséges intelligencia azon területe, amelyben a rendszer adatokból tanul mintázatokat felismerni és döntéseket hozni — ahelyett, hogy minden szabályt egyenként beprogramoznánk neki. A klasszikus szoftverfejlesztéshez képest ez egy paradigmaváltás: nem azt mondjuk meg, hogyan dolgozzon, hanem megmutatjuk neki, hogy mi az elvárt eredmény, és a rendszer maga jön rá a logikára.
A gépi tanulás a mélytanulás, a neurális hálózatok és minden modern AI rendszer (beleértve a generatív AI-t és az LLM-eket) alapja.
A három fő típusa
A gépi tanulásnak három alaptípusa van — mindhárom más céllal és más adatigénnyel:
- Felügyelt tanulás (supervised learning) — címkézett adatokkal tanítjuk. Pl. „ez a kép kutya, ez macska". A modell megtanulja a mintázatot, és új képeket osztályoz.
- Felügyelet nélküli tanulás (unsupervised learning) — a rendszer maga találja meg a mintázatokat címkék nélkül. Pl. ügyfélszegmentáció vásárlási viselkedés alapján.
- Megerősítéses tanulás (reinforcement learning) — próba-szerencse alapján tanul, jutalmak és büntetések segítségével. Pl. egy robot, amely megtanul járni.
Üzleti példa
Egy magyar logisztikai cég 5 év szállítási adatát gyűjtötte össze: ki, mit, hová, mikor, milyen áron. Egy gépi tanulási modellt (felügyelt tanulás, regresszió) rátanítottak ezekre az adatokra úgy, hogy az új megrendelésekre képes legyen megjósolni a várható szállítási költséget és időtartamot ±8%-os pontossággal.
A diszpécser eddig 15-20 percet töltött minden új megrendelés árazásával — most 30 másodperc alatt kap egy javasolt árat, amit jóváhagy vagy módosít. Napi 25-30 megrendeléssel ez napi 6-8 óra megtakarítás a teljes csapaton.
Mit kell tudni egy cégvezetőnek?
A gépi tanulás adat-éhes. Kevés vagy rossz minőségű adatból nem lesz jó modell — a befektetés jelentős része nem az algoritmusra megy, hanem adatgyűjtésre, tisztításra, címkézésre.
Két dolgot érdemes előre tisztázni:
- Van-e elég adat? Általános szabály: néhány száztól néhány tízezerig — feladattól függ.
- Mérhető-e a sikerkritérium? Nem mondhatjuk az AI-nak, hogy „legyél jó". Pontosan kell tudni: pontosság %, hibaarány, megtakarított óra, csökkent reklamáció.
A gépi tanulás nem mindenre megoldás. Ha 3 if-else feltétellel megoldható egy probléma, ne hozzunk be ML modellt — a karbantartása költséges és bonyolult. Ott éri meg, ahol az emberi szabályalkotás bonyolultabb lenne, mint amennyit a probléma megér.