Az optikai mozgáselemzés módszereit vizsgálta az egervári Vass-Várkövi Márton

Közéjük tartozik Vass-Várkövi Márton, aki az optikai mozgáselemzés módszereit vizsgálta szakdolgozatában, amit idén védett meg a Pannon Egyetemen, ahol programtervező informatikusnak tanul. Az ide vezető útra véletlenül lépett, derült ki az egervári fiatalember szavaiból.

– Sodródtam az árral, nem ezt terveztem – mosolyodott el. – Általános iskola végén kellett volna dönteni a továbbtanulásról, de nekem csak az utolsó előtti nap este jutott eszembe elővenni és kitölteni a jelentkezési lapot. Kedveltem a matematikát, szerettem játszani számítógéppel, így kerültem a Csány informatika szakára. – Az első évben nem jött be nekem a programozás, de a következő évben ez megfordult. Logikai problémamegoldással foglalkoztunk, csapatban dolgoztunk Marancsics Tamás irányítása mellett, és ez már tetszett. Az oktatás színvonaláról csak annyit, az egyetem első félévében semmi újdonságot nem tanultam programozásból – utalt az alapozás időszakára. –  A logikai összefüggéseket szeretem, de ha magolni kell, szenvedek – árulta el.

Az egyetemen az érdeklődését a mesterséges intelligencia iránt egy videó keltette fel, ami négy figurával egyre bonyolultabb térben bújócskát játszó gépet mutatott be.

– A programozó csak a kiinduló teret és a négy játékost alkotta meg, a többit már gép végezte, ő mozgatta az alakokat, és közben rájött arra is, ha a játékossal megfelelő módon áthelyezi az akadályokat, akkor nem lehet elbújni előle, de arra is, miként lehet ezt kicselezni. Nagyon lenyűgözött, ezért kezdtem én is ezzel foglalkozni – idézte fel első lépését a szakdolgozatához vezető úton, amiben a véletlennek megint szerepe volt. A témaválasztásnál időzavarba került, így maradt neki végül feldolgozandó feladatként az optikai mozgáselemzés neurális hálózatokkal, amiben a terület elismert szaktekintélye, dr. Czúni László lett a témavezetője.

– A képeket pixelek alkotják, és a feladat az volt, hogy a pixelek elmozdulását minél precízebben írjuk le. Az egyik módszer előre lekódolt matematikai modellt használ, a másik pedig neurális hálózatot – foglalta össze a lényeget.  

Innentől kezdve merültünk bele a szakma mélységeibe, aminek megértése igazán komoly kihívás a laikus számára, így segítségül hívtunk egy életből vett példát.

A mai világunkban mindenhol találkozunk kamerákkal, az általuk szolgáltatott információk feldolgozását számítógépek végzik. Ennek metódusa történhet tehát előre megírt programokkal, matematikai számításokkal. Alternatív módszer, amikor egymáshoz kapcsolódó  függvények hálózata dolgozza fel az információkat. Ez utóbbit nevezzük mesterséges intelligenciának, utalva arra, hogy az agyi neuronok hálózatához hasonlatos módon kapcsolódnak egymáshoz a matematikai műveletek, függvények sorozatai, mégpedig akár több száz millió, és ezek dolgozzák fel a kapott adatokat. Ráadásul minél többet és többször, annál pontosabb eredményhez jutnak, mert képes az adatok közötti összefüggést feltárni – de persze ezt is a matematika segítségével. Tehát mintegy tanul a hálózat, hasonlatosan az emberhez, aki ugyanazon feladat megoldására is más módszert fog alkalmazni, amint egyre nagyobb gyakorlatra tesz szert.

– A feladatot a két módszer összehasonlítása jelentette, mégpedig ugyanarra a képre, azaz, vajon melyik lesz pontosabb? A neurális hálózat betanításához 1000 képet használtam fel, ez olyan mennyiségű számítást jelentett, hogy hat óráig tartott a folyamat egy közepes képességű számítógép videokártyáján, amit azért használtam, mert ez gyorsabb a processzornál. Ezt felügyelt tanításnak hívják (egyébként többféle metódus létezik), erről röviden annyit, a bemenet értéke és a kimenet értéke adott, de a közte zajló számítások sorozata már úgymond függ a géptől, ami egyre pontosabb eredményre törekszik. A tanulás után jöhetett a két módszer összehasonlítása, és ez pedig azt bizonyította, hogy a neurális hálózattal pontosabb, egyre pontosabb eredményt kapunk. A két kép összehasonlító elemzésekor a matematikai függvény átlagosan 100 pixeleket is tévedett, míg a neurális hálózatnál egyetlen pixel volt a hiba –  jellemezte az eredményt.

– A neurális hálózattal olyan feladatokat lehet megoldani, amelyekre nem írhatók programok, az eredmény is sokkal jobb. Az egész alapja a matematika, függvények tömege kapcsolódik egymáshoz és ezekbe táplált változó paraméterek feldolgozásával zajlanak a számítások milliárdjai – magyarázta.

S miért fontos ez? Nos, elég az önvezető autókra gondolni, ezek irányító rendszere is a neurális hálózatra épül. A gép a tanulási folyamatnak köszönhetően egyre precízebb döntést hoz a szenzoroktól, kameráktól kapott és folyamatosan változó információtömeg alapján, akár egy rutinos vezető, aki az adott közlekedési szituációban már előre meglátja a veszélyt, a megoldandó problémát, azaz megjósolja a közeli jövőt.

Vass-Várkövi Márton látva tekintetemen a hitetlenkedést, még egy példát citált a lehetőségek jellemzésére. Amerikai nagyvárosi kerület egymérföldes körzetének bűnügyi adatait dolgoztatták fel mesterséges intelligenciával, és az idő előrehaladtával, ahogy mind nagyobb tömegű információt tudott a neurális hálózat használni, egyre pontosabb prognózisokat adott. Például nemcsak azt jelezte előre, hogy milyen bűncselekmény elkövetése várható bizonyos területen és időben, de még a lehetséges elkövetői körre is adott iránymutatást. Természetesen az iparban és a gyógyításban is mind több területen vetik be a neurális hálózatokat, de tény, most még leginkább a hadiipar hasznosítja, mondta végezetül Vass-Várkövi Márton, aki elárulta, ugyanebben az irányban halad tovább immár a mesterképzésben.