A fizikai valóság egyedi részletekben gazdag, minden egyes helyszín, személy, tárgy más, mint a többi. Ezzel szemben, az absztrakciókra épülő szoftverek világát viszonylag egyforma programozói környezetek és felhasználó élmények jellemzik.

A mai mesterségesintelligencia-kutatás egyik abszolút szaktekintélye, Andrew Ng érdekes szemléletváltásra hívja fel a figyelmet: a gépi tanulás lehet a két világ közötti híd.

A szoftverek homogének. Amikor például egy keresőmotor- vagy okostelefon-fejlesztő frissíti a termékét, a felhasználók mindenhol ugyanazt kapják. Ez anyagilag még a tervezés és a gyártás magas fixköltségei ellenére is, az alacsony járulékos költségek miatt pedig különösen kifizetődő.

A szoftverekkel ellentétben, a valóság heterogén – érvel Ng, majd példákat hoz fel: az egyik várost hegyek, a másikat síkság, a harmadikat tenger határolja. Az egyikben aszfaltutak, a másikban koszos földutak vannak. Az egyikben francia, a másikban japán a jelzőtáblák nyelve. Mivel nincsenek vagy nem is hozhatók létre platformok és szabványok, „egy méret nem felel meg mindenkinek”, sőt, gyakran csak nagyon keveseknek felel meg.

Többek között ezért nehéz önvezető autót tervezni. Ha minden város nagyjából ugyanazok a behatárolt specifikációk alapján épülne fel, könnyebb lenne, de nem ez a helyzet.

Az önvezető rendszereknek bármilyen szélességű utcát, konfigurációjú jelzőlámpákat és még egy csomó más változót kellene kezelniük, és ez még a legintelligensebb gépitanulás-rendszereknek is borzasztó nehéz feladat.

A szoftverfejlesztő cégek sikeresen elérték, hogy a felhasználók alkalmazkodjanak az „egy méret mindenkinek” jellegű termékekhez. Ng szerint pontosan a gépi tanulás segíthet a szoftvereknek, hogy képesek legyenek kezelni, interakciókat folytatni a sokszínű fizikai valósággal. Nem a városokat kell homogénné tenni, hanem a homogén világban történő navigálásban segítő tanulóalgoritmusokat kell fejleszteni.

Hosszú utat kell még bejárnunk – ismeri be Ng. Vállalata, a Landing AI ezen az úton jár, adatcentrikus mesterséges intelligenciájukkal a gépi tanulás különböző gyárak nagyon eltérő körülményei között is működik. Minden egyes gyárnak saját betanított modellel kell rendelkeznie, hogy az MI felismerje az ottani speciális körülményeket, és a gépi tanulás minden ilyen környezetben tényleg hasznos legyen.

„Használjuk arra, hogy a szoftvereket jobban adaptálja a valósághoz, s ne a valóságot korlátozzuk a szoftverhez való alkalmazkodásra” – összegez Ng.