Szilágyi Ádám

Oktatás az MI-érában – Hogyan működik egy iskola
a tanulóalgoritmusok korában?

1. Bevezetés

A mesterséges intelligencia kifejezés hallatán pár éve még egy olyan filmjelenet juthatott eszünkbe, amelyben néhány robot épp az emberiség irányítása feletti hatalom átvételén dolgozik. Az utóbbi időben viszont a sci-fi rendezők utópisztikus képzeletének szüleményeinek helyét egyre inkább átveszik az önvezető autók, az okostelefonokban található digitális asszisztensek, a robotporszívók, a chatbotok s még sorolhatnánk. A mesterséges intelligenciáról olvasunk akkor is, amikor valamilyen népszerű játékban – legyen az sakk, a Go, vagy az e-sport rendezvények népszerű versenyszámai – a gép megveri az adott terület legjobb játékosait. A sajtóban megjelenő hírek többnyire az intelligens rendszerek teljesítményéről, egy-egy okoseszközbe való integrálásáról, sokrétű alkalmazhatóságáról, s nem utolsó sorban ezek veszélyeiről szólnak. Ahogy az intelligens rendszerek használata beépül mindennapjainkba, úgy a térnyerésükkel kapcsolatos aggályok is egyre inkább válnak valóságos félelmekké. Ezeket az aggodalmakat ráadásul olyan népszerű tudósok is osztják, mint Stephen Hawking[1], vagy a területen aktívan tevékenykedő Elon Musk. Utóbbi, a nukleáris fegyvereknél is veszélyesebbnek tartja az ilyen rendszerekkel való kísérletezést és fejlesztői munkát[2]. Mások a tanulóalgoritmusok munkaerőpiaci trendekre gyakorolt negatív hatásait hangsúlyozzák. Általános vélekedés ugyanis, hogy a mesterséges intelligencia nóvumainak alkalmazásával számos munkahely szűnhet meg, bár a terület fejlődésétől új típusú munkakörök létrejöttét is várhatjuk. A folyamatot a gyártásban, az automatizáció hatására lezajlott folyamatokhoz hasonlíthatjuk, azzal a különbséggel, hogy a változás jelen esetben a szellemi munkaköröket érinti majd[3].

Az aggodalmak ellenére viszont meglehetősen élénk az MI-fejlesztésbe való befektetés. Ehhez az utóbbi években az Európai Unió is hozzájárult, hiszen vállalta, hogy 2020-ra 20 milliárd euróval növeli mesterséges intelligenciával kapcsolatos innovációs és kutatási beruházásokat, melyet a Horizont 2020 program keretében 1,5 milliárd euróval ösztönöz.[4]

A mesterséges intelligencia a szórakozás, közlekedés, egészségügy, vagy munkaerőpiac világán túl, az osztálytermekben is jelen van. Az oktatásban való alkalmazásával kapcsolatban – akár a munkaerőpiac, vagy egészségügy tekintetében – éppoly megha­tá­ro­zóak az iránta táplált várakozások, mint az aggodalmak. Ahhoz, hogy ez utóbbiak tekintetében tisztábban láthassunk, tekitsük át röviden a fogalom jelentését!

2. A mesterséges intelligencia fogalma

Az Oxford Dictionary a következőképp határozza meg a fogalmat: „olyan számítógépes rendszerek elmélete és fejlesztése, melyek képesek olyan feladatok elvégzésére, amelyek általában emberi intelligenciát igényelnek, mint például a vizuális érzékelés, a beszédfelismerés, a döntéshozatal és a nyelvek közötti fordítás”[5]. Találó és kellően megengedő MI-definíciót olvashatunk Francois Chollet mélytanulással kapcsolatos könyvében is. A Google AI kutatója szerint a mesterséges intelligencia nem más, mint „azon erőfeszítések összessége, hogy olyan intellektuális feladatokat automatizáljunk, amelyeket hagyományos módon emberek csinálnak”[6].

Az utóbbi definíciók alapján tehát tudományterületként, vagy kutatómunkaként érdemes az MI-re gondolnunk, amely az emberek képességeinek gépek általi reprodukálására, utánzására irányul. Ha jobban belegondolunk, már az „intelligencia” fogalom megha­tározása sem egyértelmű, magyarázatakor pedig a számítógépes tudományok emlí­té­se helyett alapvetően a pszichológia, idegtudomány, nyelvészet, azaz többnyire az élet­ta­ni, vagy a kognitív tudományok felé érdemes indulnunk[7]. A két fogalom egymástól való elválasztását Nilsson sem kerülte meg. A kutatókhoz köthető MI-definíció leginkább Chollet-éhez áll közel, ugyanakkor nem kerüli meg az intelligencia definiálását sem: „tulajdonság, amely lehetővé teszi alanya megfelelő és körültekintő működését a környezetében.”

3. Emberi és gép intelligencia

Összehasonlítható az ember és a gép? Nilsson szerint igen, ugyanakkor nem a forrás, azaz az emberi/gépi distinkció szerint. A gondolat alapja az, hogy az intelligencia – tehát függetlenül attól, hogy géptől vagy embertől származik – négy tényezőből áll:

• a mértékéből (azaz, hogy az intelligencia alanya mennyire intelligens);
• a sebességéből;
• az autonómia fokából; illetve
• az általánosságából.

Stone és munkatársai szerint ilyen értelemben ugyanazon mércével mérhetünk egy egyszerű számológépet és az emberi tudatot. Persze egy számológép nyilvánvalóan jóval elmarad az emberi tudattól, leszámítva a számolás sebességét. Ugyanakkor egy olyan, a ’60-as ’70-es években népszerű tudásalapú rendszer, mint a fertőzésekre szakosodott, 450 szabályt tartalmazó MYCIN is legfeljebb a „mérték” terén haladhatta meg a számológépet. Ezek a rendszerek más, általánosabb feladatokra aligha voltak használhatóak, az autonómia foka pedig szinte értelmezhetetlen, hisz minden tudásuk az adott tudományterület szabályszerűségeinek, programkódokká való lefordításán alapult.

4. Hogyan tanul a gép?[8]

Amennyiben tudományos irányból közelítünk az MI felé, nagy valószínűséggel találkozni fogunk a „machine learning” és a “deep learning” – azaz gépi tanulás és mély tanulás – fogalmakkal. A gépi tanulás fogalmán valójában különböző algoritmusokat, statisztikai módszereket érthetünk, melyek lehetővé teszik, hogy egy program – vagy ahogy korábban említettük „a gép” – tanuljon, majd tudását újabb helyzetekre alkalmazza. Amennyiben pedig egy szinttel lejjebb ereszkedünk egy ilyen tanulási módszerrel, a deep learninggel találjuk szembe magunkat, mely egy konkrét tanulási – vagy a statisztika nyelvén becslési – módszerhez, a neurális hálókhoz kapcsolódik.

3. ábra: A mesterséges intelligencia részterületeinek kapcsolódása[9]

A mesterséges intelligencia területéhez sorolhatjuk a már említett tudásalapú – vagy másnéven szakértői – rendszereket is, ahogyan a gépi tanuláson is számos módszert (például: döntési fák, klaszterező algoritmusok stb.), köztük a mélytanulást is értjük. A tanulás, mint feladat tehát nem feltétlenül társul a mesterséges intelligencia fogalmához, habár a két fogalom a ma népszerű alkalmazási példák (mint a kép- vagy hangfelismerő programok), alapján erőteljesen összefonódott. A gépi tanulás elve nagyban eltér a klasszikus programozásétól, annak ellenére is, hogy a két megközelítés alkotóelemei csupán a modellben elfoglalt helyzetükben térnek el. Az „összetevők” ugyanis mindkét esetben: adatok, szabályok, illetve a válaszok.

3.1 Gépi tanulás (Machine learning)

A klasszikus programozás során a modell bemeneteként kizárólag szabályokat és adatokat adnánk meg, majd eredményként válaszokat kaphatunk – épp, mint a szakértői rendszereknél. A gépi tanulási módszerek esetében viszont nem válaszokat, hanem szabályokat kapunk, a modellhez pedig adatokra, illetve az adatokhoz tartozó „helyes” válaszokra van szükségünk. A gépi tanulás során tehát „a gép” azt tanulja meg szabályok formájában, hogy az adatokhoz mely válaszok társulnak.

4. ábra: Klasszikus programozás & gépi tanulás[10]

Ha ezt a logikát egy szemléletes, képfelismerési feladatra szeretnénk alkalmazni, akkor az első esetben az adat a kép lenne, a szabály pedig valahogy így hangozhatna: „ha látsz a képen vízpartot, akkor nyaralunk”. A gép válasza ez esetben pedig egy, a képhez társított „nyaralás” címke lenne. Ezzel szemben a gépi tanulás során csupán a kép, illetve a címke áll a program rendelkezésére, az eredmény pedig egy, a gép által hatékonynak ítélt szabály lesz. Ez utóbbit folyamatot hívjuk a gép tanításának (training) nevezzük.

3.2 Mélytanulás (Deep learning)

A cikk további részében a mélytanulásra, azaz a gépi tanulás egy speciális alterületére fókuszálunk. Talán ennek a gépi tanulási módszernek a fejlődése járult leginkább hozzá a mesterséges intelligencia eredményeinek elterjedéséhez. A deep learninghez köthető vívmányokat szintén Francois Chollet (2017) munkája alapján ismertetjük. Eszerint a mélytanulás, más gépi tanulásos módszerekhez képest az alábbi területeken ért el áttörést:

• Közel ember-szintű képfelismerés.
• Közel ember-szintű beszédfelismerés.
• Kézírás közel ember-szintű dekódolása.
• Fejlett gépi fordítás.
• Fejlett szövegfelolvasás.
• Digitális asszisztensek.
• Közel ember-szintű autonóm autóvezetés.
• Fejlett marketing eszközök, célcsoport szerinti célzás, mint amelyet például a Google is használ.
• Fejlett webes keresési technikák.
• A természetes nyelvi kérdések megválaszolása.
• Emberfeletti Go játék.

A deep learning alapja egy mesterséges neuronmodell, mely bizonyos értelemben az emberi agyhoz hasonlítható – bár az összehasonlítást számos tudományos szakember, vagy tudós elvetette. A terület „szárnyalása” 2012-ben indult el: ekkorra a módszer matematikai háttere is megfelelően kidolgozott volt, másrészt pedig elérhetővé váltak elegendően magas számítási kapacitású GPU-k (a számítógépekben grafikai feldolgozásért felelős egységek).

4. Oktatási alkalmazás

A mesterséges intelligencia módszereinek oktatási alkalmazása szorosan összefügg a technológia fejlődésével járó munkaerőpiaci következményekkel. Stone és munkatársai (2016) szerint az átalakulás hasonló lesz a korábban, a munkásrétegben lezajlott folyamat­hoz, ugyanakkor a most zajló ipari forradalom esetében a szellemi munkakörök lesznek érintettek a változásban.

Az oktatás robotizálódó jövőjének képzete nem újkeletű. A korai prognózisok között pedig olyanokat is találunk, melyek meglepő pontossággal közelítik az MI manapság meg­figyelhető/várható trendjeit. A „Closer Than We Think!”30F30F[11] című képregényrovat – mely 1963-ig jelent meg amerikai újságokban – részeként például olyan jóslatokat olvashatunk, minthogy

• a jövőben a tanítás hangosfilmek és táblagépek segítségével megy majd végbe;
• a diákok gombnyomással jelezhetik majd jelenlétüket, egy olyan gép segítségével mely igényeik szerint lesz kialakítva a gyorsabb, személyre szabott haladás érdekében;
• a pedagógusok feladata pedig e folyamatok felülvizsgálata és a személyes segítség­nyújtás lesz.

A több, mint 50 éve született szövegrészlet – talán a jelenlétet jelző gombot leszámítva – szinte egy az egyben lefesti az MI mai oktatási alkalmazási lehetőségeinek főbb irányait és gyakorlatait.

A mesterséges intelligencia oktatási hatásaival foglalkozó cikkek és tanulmányok nagy része egyetért a fenti állítással, mind a pedagógus megújuló szerepének, mind pedig a személyre szabottság növekvő szerepének tekintetében.

Habár a mesterséges intelligencia használatának előnyeiről rengeteget olvashatunk, a technológia alkalmazhatóságához kapcsolódó előnyök többsége épp az intelligencia hiányából – vagy az ismertetett intelligencia-modellben az autonómia alacsony fokából – adódik. Egy algoritmusra vonatkozóan ugyanis értelmezhetetlen az adott feladathoz kapcsolódó lelkesedés, vagy türelmetlenség. A mesterséges intelligencia alkalmazásának egyik előnye tehát épp a jellegéből fakadó fáradhatatlanságban és „toleranciájában” keresendő – pontosabban e fogalmak ismeretének hiányában. Éppen ezért a terület eredményeinek taglalásakor legfeljebb kompetenciák, ezek részeként pedig (gépi) tanulási eredmények (az algoritmus adott feladathoz köthető pontossága) szintjén érdemes gondolkodnunk.

Az MI oktatási alkalmazásában az algoritmusra bízott feladatok nagyobb része ráadásul valójában nem új, hiszen ezeken épp a pedagógusok, vagy más, főként adminisztratív munkakörök automatizálható feladatainak kiszervezését értjük. Szigorúan véve tehát az oktatási kontextusban nem beszélhetünk az MI használatából adódó új munkakörökről, s ehhez kapcsolódó feladatokról. Sőt, alapjaiban véve a pedagógus szerepe sem változik meg: a hangsúlyok eltolódása azonban annál inkább jellemző.

Az MI oktatási alkalmazásának egyik legfőbb előnye épp a feladatmegosztáshoz kötődik. Valójában nincs másról szó, mint arról, hogy mind a pedagógusra, mind pedig a „gépre” olyan feladatokat bízunk, melyben jóval hatékonyabbak a másiknál. Az algoritmus könnyen, másodpercek alatt képes összeállítani akár tanulói, akár osztályszinten különböző kimutatásokat és előrejelzéseket, melyekkel nyomon követhetővé és tervezhetővé válik a gyermek/osztály fejlődése, ahogyan a pedagógus által tartott óra hatékonysága is – a célnak megfelelő adatállomány esetén – könnyűszerrel megítélhető. Ez automatizálás nélkül egy pedagógus számára számottevő terhelést jelentene. Ugyanígy, egy pedagógus számára értelmezhető a kreatív problémamegoldás, szociális készségek fejlesztésének feladata, az innováció, vagy a képzelőerő, mely azonban az algoritmus számára jelentene problémát.31F31F[12] Az MI oktatási alkalmazása tehát nem csupán a pedagógusok tehermentesítéséről szól, hanem olyan feladatok jogos előtérbe kerüléséről is, melyek a tanítás-tanulás folyamatának alapvető és fontos elemei. A változás pedig kellően közvetlen ahhoz, hogy az előnyök az osztálytermi munkára, a tanításra és annak minőségére azonnali, szignifikáns hatást gyakoroljanak.

Mégis, a mesterséges intelligencia mindennapos alkalmazásában, talán az olyan rendszerek járnak legelőrébb, mint az intelligens mentorrendszerek, vagy a tömeges nyílt online kurzusok[13], ezért önállóan is értelmezhetőek mint fejlesztési terület. Az ilyen tanulási felületek tekinthetők ugyanis a „globális osztályterem” kifejezés legközvetlenebb megjelenésének – ahol a kifejezés az adott órán való részvétel „korlátok nélküliségét” jelzi. Természetesen mesterséges intelligencia-módszerek nélkül is vannak online kurzusok, az újdonság a fenti előnyök egyszerű és hatékony hasznosítására irányul.

4.1.Az MI oktatási bevezetésének várható hatásai

Az MI-módszerek oktatási használata jelenleg főként a személyi szintet érinti, az alapfunkció pedig ezekben az esetben is az igényekhez való alkalmazkodás. E folyamat elsődleges célja, hogy segítse a diákok tanulási céljainak hatékony elérését. Mint korábban már jeleztük, a hagyományos iskolai környezetet, illetve az online felületeket érdemes külön kezelnünk. Előbbi esetében az MI-megoldások terjedése Stone és munkatársai (2016) szerint meglehetősen lassú, ennek pedig az lehet az oka, hogy kevés olyan bizonyíték áll rendelkezésre, melyek szerint a személyre szabással valóban elérhető jelentőségteljes növekedés.

Emellett e módszerek kétségkívül hatást gyakorolnak a mindennapos, tanuló–pedagógus interakcióra. Az igények automatikus feltérképezésével ugyanis a pedagógus osztálytermi jelenléte jóval tudatosabb lehet, másrészt az adminisztrációs teher csökkentésével lehetőség nyílik saját, szakmai kompetenciáinak fejlesztésére. Az MI szerepét tekintve tehát leginkább egy asszisztenshez hasonlítható, amely lehetővé teszi, hogy a pedagógus, munkájának nagyobb részében foglalkozhasson a tanítási folyamat kidolgozásával, finomhangolásával. Ilyen értelemben a legkevésbé sem beszélhetünk a pedagógus szerepvesztéséről, sőt: a technológia alkalmazása éppen e szerep hangsúlyozásáról, a tanulási folyamat személye­sebbé tételéről szól.

A mesterséges intelligencia módszereinek alkalmazásából így nagy valószínűséggel mind a diákok, mind pedig a tanárok profitálhatnak. Adottak továbbá olyan csoportok is, melyek esetében a hatás követlenebb. Az ilyen területek között kiemelkedőek a valamilyen hátrányos helyzetben lévők, a várakozások szerint pedig a technológia alkalmazásával 50 éven belül valamennyi hátrányosság kiküszöbölhető (De Lange, 2015)[14]. Erre jó példa, a „Seeing AI” nevű alkalmazás, mely látássérültek támogatására készült. E program – mely bárki számára, ingyenesen letölthető okostelefonokra – képes felismerni a körülöttünk lévő tárgyakat, felolvasni szövegeket akár magyarul is, felismerni a már látott személyeket, vagy egyszerűen leírni a körülöttünk lévő teret a telefonunk kamerájának segítségével[15].

E folyamatot megelőzően viszont szükséges, hogy a pedagógusok megismerjék a mesterséges intelligencia számukra hasznos módszereit, az oktatási rendszer egésze pedig oly módon hasznosítsa a tudományterület nóvumait, mely a pedagógus–gép kollaborációt minél zökkenőmentesebbé teszi. Mindez nagyban hozzájárulhat a pedagógus nevelő szerepének előtérbe kerüléséhez, melyben a tanulók egyéni szintű monitorozása, szükségle­teik felismerése, vagy a tanítási/tanulási folyamat hatékonyságáról szóló elemzések/jelenté­sek alapvetőnek számítanak majd.

Az MI algoritmusainak hatékony felhasználásához elsősorban célzott kutatómunka, s az innovációk rendszerszintű integrálását szorgalmazó intézkedések szükségesek. Ez azonban nem jelent akadályt arra nézve, hogy adminisztratív feladatok ellátására, vagy akár az órai munkába építve már ma használjunk elérhető MI-módszereket. A rendszerszintű változáshoz megkerülhetetlen a digitális eszközökkel támogatott pedagógiai gyakorlat általánossá válása, ahogyan az egyéni szintű tanulói adattárházak kialakítása is. Ez utóbbi cél eléréséhez kiemelt fontosságú annak felismerése, hogy e rendszerek működésének alapvető feltétele a széleskörű, jó minőségű adatállomány, valamint annak elfogadása: az adatok rögzítése arról szól, hogy a pedagógus és a diák jobban megismerjék egymást.

4.2 A bevezetés feltételei

Minden eddigi alkalmazási példa vagy rendszer kiépítésének egyik alapvető feltétele ugyanis a megfelelő mennyiségű és minőségű, minél szélesebb körű, strukturált adat. A másik feltétel – a hagyományos iskolai környezetekben – pedig nem más, mint a mesterséges intelli­gencia alkalmazásával együtt járó adatalapú megközelítésre való nyitottság, nem utolsó­sorban pedig a rendszerek előnyeinek felhasználásához szükséges digitális kompetenciák[16].

5. ábra: A mesterséges intelligencia rendszerszintű alkalmazásának

Bibliográfia

Clifford, C. (2018. március 13). Elon Musk: ‘Mark my words — A.I. is far more dangerous than nukes’. Forrás: CNBC: https://www.cnbc.com/2018/03/13/elon-musk-at-sxsw-a-i-is-more-dangerous-than-nuclear-weapons.html

Stone, P., Brooks, R., Brynjolfsson, E., Calo, R., Etzioni, O., Hager, G., Tambe, M. (2016). "Artificial Intelligence and Life in 2030." One Hundred Year Study on Artificial Intelligence: Report of the 2015-2016 Study Panel. Stanford, CA: Standford University.

Technopedia - Artificial Intelligence. (dátum nélk.). Forrás: Technopedia: https://www.techopedia.com/definition/190/artificial-intelligence-ai

Newman, J. (2014. október 17.). To Siri, With Love. Forrás: The New York Times: https://www.nytimes.com/2014/10/19/fashion/how-apples-siri-became-one-autistic-boys-bff.html

Chollet, F. (2017). In Deep learning with python (old.: 4). Manning Publications Co.

Ghoshal, A. (2017. Augusztus 2). Facebook’s AI creating its own language is nothing to be afraid of. Forrás: The Next Web: https://thenextweb.com/artificial-intelligence/2017/08/02/facebooks-ai-creating-its-own-language-is-nothing-to-be-afraid-of/#.tnw_uq72djJ9

Nilsson, N. (2010). The Quest for Artificial Intelligence: A History of Ideas and Achievements. Cambridge, UK: Cambridge University Press.

Sky News. (2017. szeptember 11). Education revolution: 'AI machines will replace teachers', claims academic. Forrás: Sky News: https://news.sky.com/story/ai-machines-will-replace-teachers-claims-wellington-college-head-11029135

Columbus, L. (2018. január 12). 10 Charts That Will Change Your Perspective On Artificial Intelligence's Growth. Forrás: Forbes: https://www.forbes.com/sites/louiscolumbus/2018/01/12/10-charts-that-will-change-your-perspective-on-artificial-intelligences-growth/#23afb91c4758

Gucs. (2018. Augusztus 7.). Dota 2 - megverte a valódi játékosokat a mesterséges intelligencia által irányított csapat. Forrás: Gamestar: https://www.gamestar.hu/esport/dota-2-mesterseges-intelligencia-251551.html

Bevetették a mesterséges intelligenciát, azonnal talált 72 különös rádiójelet az űrből. (2018. Szeptember 14.). Forrás: hvg.hu: https://hvg.hu/tudomany/20180914_mesterseges_intelligencia_seti_radiokitoresek

Brown, M. (2017. november 2). Stephen Hawking Fears A.I. May Replace Humans, and He’s Not Alone. Forrás: inverse.com: https://www.inverse.com/article/38054-stephen-hawking-ai-fears

Európai Tanács. (dátum nélk.). Artificial Intelligence . Forrás: European Comission: https://ec.europa.eu/digital-single-market/en/artificial-intelligence

Martin, I. (2017. Szeptember 6.). Gépvágy – Az első dal, melyet egy mesterséges intelligencia alkotott.

Mark, H. (2018. December 18.). Self-driving car drove me from California to New York, claims ex-Uber engineer. Forrás: The Guardian: https://www.theguardian.com/technology/2018/dec/18/controversial-engineer-i-travelled-over-3000-miles-in-a-self-driving-car

Mesterséges intelligencia által készített portrét árverez el a Christie's. (2018. augusztus 25.). Forrás: műtárgy.com: https://www.mutargy.com/hirek/mesterseges-intelligencia-altal-keszitett-portret-arverez-el-a-christie-s

Microsoft News Centre. (2018. december 12). Ethical Standards for a More Humane Artificial Intelligence. Forrás: Microsoft: https://news.microsoft.com/hu-hu/2018/12/12/ethical-standards-for-a-more-humane-artificial-intelligence/

Ács, G., Altrichter, M., Dr. Antal, P., Czétényi, B., Csávics, A., Dr. Daragó, L., G. (2011). Mesterséges Intelligencia Elektronikus Almanach. Budapest: Panem Könyvkiadó Kft.

Oxford Dictionaries - Artificial intelligence . (dátum nélk.). Forrás: Oxford Living Dictionaries: https://en.oxforddictionaries.com/definition/artificial_intelligence

Pichai, S. (2018. június 7). AI at Google: our principles. Forrás: Google The Keyword: https://blog.google/technology/ai/ai-principles/

Piekniewski, F. (2018. június). AI Winter Is Well On Its Way. Forrás: Piekniewski's Blog: https://blog.piekniewski.info/2018/05/28/ai-winter-is-well-on-its-way/

Wikipédia. (dátum nélk.). Forrás: Wikipédia: https://hu.wikipedia.org/wiki/Mesterséges_intelligencia

[1] Brown, 2017

[2] Clifford, 2018

[3] (Stone, és mtsai., 2016)

[4] (Európai Tanács)

[5] (Oxford Dictionaries – Artificial intelligence, dátum nélk.)

[6] (Chollet, 2017)

[7] (Stone, és mtsai., 2016)

[8] E fejezetek során Francois Chollet (2017) Deep learning with python című könyvének releváns fejezeteit használtuk. Az említett forrásból átemelt, majd átszerkesztett ábrák helyeit pontosan jelöltük.

[9] Szerkesztett ábra, forrás: (Chollet 2017, p. 4)

[10] Szerkesztett ábra, forrás: (Chollet 2017, p. 5)

[11] A rovat címe magyar nyelven: „Közelebb, mint gondolnánk”

[12] http://www.abc.net.au/news/science/2018-06-16/artificial-intelligence-that-can-teach-is-already-happening/9863574

[13] MOOC – Massive Open Online Course

[14] E gondolathoz kapcsolódik Lévay György az Informatikai Vállalkozások Szövetségének éves, „Menta” konferenciáján tartott előadása is. Az okosprotézisekkel foglalkozó kutató szerint ugyanis a mesterséges intelligencia-robotika vívmányai előbb-utóbb tovább lépnek a hátrányok kompenzálásánál, s kiterjednek a nem hátrányos helyzetűek képességeinek számítógépekkel megnövelt teljesítményére is.

[15] https://www.youtube.com/watch?v=R2mC-NUAmMk&frags=pl%2Cwn

[16] E feltételrendszer jól értelmezhető az autóvezetés kontextusában is. Az első lépés előtti állapot ebben az esetben egy olyan helyzet lenne, melyben az autós segítség nélkül, megpróbálná előre memorizálni a nyomtatott térképet, majd emlékezete alapján navigálni célja felé. Ekkor a vezetés hatékonysága valójában a vezető memóriáján múlna, mely nagy valószínűséggel a kanyarok helyzetét és irányát tartalmazná. Amennyiben az autós digitális kompetenciái adottak lennének, útját előzetesen, digitális eszköz segítségével tervezné meg, ám a közlekedés során ismételten memóriájára támaszkodna. Amennyiben egy szinttel feljebb lépünk, az autós már helyzetét is megosztaná a programmal, így memóriájának nagy része felszabadulna, s csupán asszisztensére kellene hallgatnia. A következő lépés az asszisztencia magasabb szintjéről szólna: ekkor már a program által ismert közlekedési szabályokra hagyatkozna, s igénybe venne vezetéstámogató funkciókat is. A legmagasabb szinten pedig az autó önvezetése állna, melyben az autós már csak felügyelné az algoritmus működését, s szükség esetén szabályozná működését.