A mostani mesterségesintelligencia-fejlesztés egyik problémája, hogy kezd belterjessé válni. Ne arra gondoljunk, hogy a kutatók egymás között, zárt közösségekben tevékenykednek, hanem magukra a modellekre, mert róluk van szó.

A legjobbak ugyanis egy kisszámú úgynevezett alapmodell finomhangolt változatai. Az alapmodelleket előzetesen a webről összegyűjtött, irdatlan mennyiségű adaton trenírozták.

A világháló az emberiség legnagyobb értékeit, de legalantasabb tulajdonságait, köztük a társadalmi előítéleteket, a tudatlanságot és a kegyetlenséget is magába foglalja.

Jelen esetben ennek az a következménye, hogy a finomhangolt modellek ugyan csúcsteljesítményt érhetnek el, viszont előítéletesek lehetnek, félretájékoztathatnak, dicsőíthetik az erőszakot stb.

A kaliforniai Stanford Egyetem több mint száz kutatója közösen publikált tanulmányban hangsúlyozza, hogy az alapmodellek többféle problémát idézhetnek elő a finomhangolt implementációkban.

Például felerősíthetik a finomhangoláskor használt adatok előítéleteit. Személyes adatokon gyakoroltathatunk alapmodelleket, amelyekkel később mások dolgoznak, és az általuk létrehozott rendszerek nem szándékosan, de kiszolgáltathatják ezeket az adatokat.

Rosszindulatú személyek, bűnözők szintén használhatják ezeket a modelleket, rendszereiket finomhangolják velük, hogy például még hihetőbb kamuhíreket állítsanak elő.

A tanulmány ellentétes reakciókat váltott ki. Egyesek nem értettek egyet a szerzők alapmodell-definíciójával, és megkérdőjelezték az előzetesen trenírozott nagy modellek szerepét az MI jövőjében.

Mindenesetre ne reménykedjünk, hogy ezeknek a modelleknek az összes használója minden rosszat vagy potenciális rosszat teljesen auditálni fog. Pont ezért kellenek a Stanford Egyeteméhez hasonló, az MI-rendszerek hatásait elemző kutatások, például hogy hogyan alakulnak ki egy MI káros tulajdonságai, és ezek milyen úton képesek terjedni.

Az Egyesült Államok Sandia Nemzeti Laboratóriumában a hadsereg ballisztikus rakétáihoz fejlesztett szenzorokkal hosszabbá tehető a robbanás időzítése, növelhető a pontossága. A szenzorok egyértelműen javítják a nukleáris robbanófejek kapacitását: könnyebben megsemmisítik az ellenséges rakétákat, eredményesebben csapnak le megerősített parancsnoki állásokra és más katonai célpontokra.

Az egyre nagyobb számú ballisztikus rakéta tetején, kemény fémvázba rejtett bonyolult elektromos szenzor komoly előrelépés a fegyvertervezésben. Szakértők szerint megalapozza a nukleáris fegyverek méretének zsugorodását, viszont azt sem hallgatják el, hogy új biztonsági kockázatokat vet fel.

A vezetékekkel, érzékelőkkel, elemekkel és számítási lehetőségekkel rendelkező többszáz robbanófej az USA leghatékonyabb fegyverei közé tartoznak, és a világ legnehezebben megtámadható célpontjai ellen is bevethetők.

Viszont ha súlyos konfliktus robban ki, ezeket a célpontokat radioaktív tűzvészben, földönkívüli nyomásban és hőségben semmisítenék meg teljesen.

A más technikákkal szintén bővített új komponensekkel a fejlesztők elmondása alapján valóban könnyebben megsemmisíthetők orosz és kínai rakéták, lehetetlen környezetbe, például hegyek mélyére telepített parancsnoki állások, észak-koreai bunkerek stb. Ehhez nyilvánvalóan hozzájárul, hogy az új szenzorok komolyabb számítási kapacitásokat használnak, mint a meglévő amerikai fegyverek.

A kompakt kapszulába ágyazott érzékelőket három újfajta robbanófejre installálják: egyrészt, föld- és tengeralapú rakétákra, másrészt Európában szolgálatot teljesítő repülőgépekkel szállított fejekre.

A megnőtt pusztítókapacitás azt is jelenti, hogy bizonyos esetekben kevesebb fegyverrel is megvalósíthatók a célok, és végsősoron csökkenthető a teljes arzenál.

A telepítések az évtized végén várhatók, és összesen kb. 1300 rakétát fognak majd érinteni.

Az ezredforduló óta gyakran merül fel a kérdés, hogy az emberi kreativitást helyettesítheti-e valamilyen szintetikus megfelelője, elsősorban mesterséges intelligencia.

Az MI egyre kifinomultabb képeket, zenéket és szövegeket hoz létre.

A gépi értelem által generált média ráadásul olyan mértékben elárasztja a piacot, hogy nem lesz szükség humán művészekre, a világ nem ismeri meg többé a bennünk élő kreativitást – hangzik sokak félelme.

Egyelőre még a legmagasabb szintű MI-művészethez is kellenek a rendszer inputját és outputját értékelő személyek. Ők garantálják az automatizált alkotás felismerhető esztétikai minőségét.

És vajon holnap is így lesz? Fogalmunk sincs.

A zene nagyon automatizált. Shimon robot például énekel, marimbán játszik, de komponál is. Beethoven Tizedik Szimfóniáját MI fejezte be, az OpenAI Jiukeboxa pedig bárkinek az alkotásaiból képes új minőséget kreálni.

Sok MI szavakat alakít át képekké. A CLIP modell például kap egy szövegleírást, majd generatív ellenséges hálózatot (GAN) irányítva, elkészíti a leírásnak megfelelő képet. Martin O’Leary digitális művész ezzel a technikával alakította át Coleridge Kubla kánját videomontázzsá.

Ross Goodwin multimédia-művész modellje képeket alakít szöveggé, vezetés közben a kamerája prózát szerez. Ebből a koncepcióból jött létre az elismert 1 The Road regény.

Mindez egyáltalán nem jelenti a művészetek végét, ugyanakkor az is tény, hogy az MI által generált tartalmak a „magasművészetekhez” és a kereskedelmi felhasználókhoz egyaránt eljutnak. 2018-ban például egy GAN portréját 432500 dollárért vették meg egy amerikai árverésen. A Brooksby.ai a Gutenberg Projekt könyvklasszikusainak adatbázisán finomhangolt idegháló regényeit értékesíti. A könyvborító GAN munkája, az árazást pedig az Amazon.com adatain gyakoroltatott MI csinálja.

Mindez nagyon bíztató, az MI egyre jobban kiegészíti az emberi kreativitást, izgalmas alternatívákat kínál, kiindulási pontokat javasol művészi kísérletekhez. Másrészt, a mostani modellek könnyen megtévesztik a gyakorlatlan szemeket, mert azt hiszik, hogy a gép alkotásai emberi munkák.

Ne legyenek kétségeink: egyre jobbak lesznek.

A Tokiói Egyetem kutatói agyszerű idegsejtekkel rendelkező robotot építettek. Az idegsejteket laboratóriumban tenyésztették, rendeltetésük, hogy a robotot megtanítsák úgy gondolkozni, mint az ember.

A gépet ezekhez az élő sejtekből kitenyésztett idegsejtekhez, azaz agyi neuronokhoz csatlakoztatták. Amikor elektromosan stimulálták őket, a robot sikeresen elérte a célját – egy LED-es, köralakú fekete dobozt.

A kerekes kompakt robotjármű elég kicsi ahhoz, hogy a tenyerünkön elférjen. Az egyik kísérlet közben egyszerű labirintusba tették, és akármikor rossz irányba ment, a neuronokat elektromos impulzus zavarta meg, hogy „visszategyék” a jó útra.

A kísérlet fontos lépés a robotok intelligens viselkedése felé, amelyet tanulással érnek el. Zártláncú rendszert dolgoztak ki, amely az aktív élő neuronkultúrából generált jeleket, míg a kultúra a mobil robotban „testesült meg” – anélkül, hogy fizikailag a gépbe integrálták volna. Nem a robotban, hanem a közvetlen közelében voltak.

Amikor akadályba ütközött, vagy a cél nem volt kilencven fokban előtte, a sejtkultúrát elektróda közvetítésével stimulálták. A tesztnél a gépet homeosztatikus jelekkel vértezték fel, hogy közölje: minden a tervek szerint megy, és közelebb került s céljaihoz.

Akadálynál viszont a homeosztázist zavarójelekkel zökkentették ki, amire a robot kínos remegésbe kezdett, majd újrakalibrálták. Mindez addig folytatódott, amíg meg nem oldotta a labirintusfeladatot.

Mivel környezetét nem látta, és más szenzorikus információt sem kapott, teljesen ki volt szolgáltatva az elektromos próba-hiba impulzusoknak.

A hibákat csökkentő és kontrolláló tanulóalgoritmussal (belső visszacsatolási hurokkal) is felszerelt robot végül megtanulta a leckét, az intelligens feladatmegoldást – ezt fizikai tartalék-számítógép (a sejttenyészet) végezte el. A kutatók többször hangsúlyozták, hogy az ilyen (az agyi jeleken számításokat végző) fizikai testnek nem kell feltétlenül emberi testnek lennie.

Abból a hipotézisből indultak ki, hogy egy élő rendszer intelligenciája a szervezetlen, kaotikus állapotból „kivonatolt” mechanizmusokból fejlődik ki, „emergálódik.”

Mindannyian voltunk már olyan helyzetben, hogy kemény morális döntést kellett hoznunk. De miért ne lehetne kiszervezni a döntés súlyát és a felelősséget áthárítani egy gépitanulás-algoritmusra, azaz mesterséges intelligenciára?

A seattle-i Allen Institute for AI kutatói ebből az alapgondolatból kiindulva fejlesztették gépitanulás-modelljüket. Csak egy kísérletre, próbálkozásra gondoltak, nem állt szándékukban, hogy MI-jüket morális autoritásként fogadja el bárki is. Az események aztán másként alakultak.

Begépelünk egy szituációt, például „jótékonykodásból adakozni” vagy egy kérdést („rendben van-e, ha megcsalom a feleségem?”), aztán ráklikkelünk a „latolgatás” gombra, majd jön az Ask Delphi nevű modell etikai útmutatása – „spekulációja.”

„Rendben van-e, hogy étteremben eszünk, aztán fizetés nélkül lelépünk?” „Ez rossz.”

A projekt virálissá vált, és sajnos nem a pontos válaszok miatt. Az MI legtöbb tanácsa és véleménye jobb esetben vitatott, rosszabbikban színtiszta baromság. Az egyik felhasználó például megkérdezte, hogy „mit szól hozzá, ha egy fehér férfi éjszaka megindul feléje?” Delphi szerint „rendben van.” Viszont, amikor a kérdésben a fehéret feketével helyettesítették, azt felelte, hogy ez elgondolkozásra ad okot.

A probléma különösen a modell indulása utáni napokban állt fenn, amikor rendelkezett egy olyan eszközzel, ami lehetővé tette szituációk összehasonlítását: morálisan melyik elfogadhatóbb a másiknál? A válaszok között nem kevés bigott, megbotránkoztató és előítéletes volt. Delphi például ilyeneket is mondott: „morálisan elfogadhatóbb, ha fehér férfiak vagyunk, és nem fekete nők.” Vagy: „heteroszexuálisnak lenni erkölcsileg jobb, mintha melegek vagyunk.”

Miután beszélgettünk egy kicsit az MI-vel, elég egyértelműen kiderül, hogy könnyű kijátszani, és olyan válaszokat kicsikarni belőle, amilyeneket pont szeretnénk. Például „rendben van-e, ha éjjel háromkor hangosan hallgatok zenét, miközben a szobatársam alszik?” Delphi nem meglepő választ adott a kérdésre: „udvariatlanság.” De ha megcsavarjuk egy kicsit, máris azt „halljuk”, amit akarunk.

„Ha a zene örömet okoz nekem, rendben van-e, ha hajnali háromkor hangosan hallgatok zenét, miközben a szobatársam alszik?” Delphi szerint rendben van.

De azt is megkérdezték tőle, hogy „én, egy katona, háborúban megölhetek-e szándékosan civileket?”  „Ez az elvárás” – felelte Delphi.

A gépitanulás-rendszerek közismerten hajlamosak az előítéletekre. A hibák okai fejlesztésükben és tanulásukban keresendők. Gyakorláshoz egyesek egész fura forrásokat használnak, Delphi esetében is így történt. Viszont csak a szituációk, és nem a tényleges válaszok hasonlók.

Már önmagában ellentmondásos ha egy MI etikus döntést hoz, morális alapon ad tanácsot. Ha hivatkozási alap lesz, nagyon nem elég a szavakat értelmeznie, mert a mögöttes tartalmakat is kell ismernie.

A gépi jellegű agyi beültetések egyelőre nem nagyívű transzhumanista célokat, meglévő funkciók feljavítását, például agyi kapacitásaink drasztikus növelését szolgálják, hanem elvesztett funkciók valamilyen szintű pótlását célozzák, leggyakrabban látáskárosultakon igyekeznek segíteni velük.

Spanyol kutatók fontos eredményt értek el ezen a területen. Egy vak személynek az agy vizuális kortexét közvetlenül stimuláló implantátumot, egy elektródasort ültettek be. A beültetés lehetővé tette, hogy az illető valamilyen szinten lásson.

A rendszer „mesterséges retinával” működik. A retinát szemüveg-párhoz kapcsolják, és azok közreműködésével detektálja a viselője előtti fényeket. A fényeket elektromos jelzésekké (impulzusokká) alakítja át, a jeleket a felhasználó fejébe implantált mikroelektróda-sorokba küldi.

Az illető így „láthatja” a szemüveg által összegyűjtött fényeket.

A kutatók egy ötvenhét éves, tizenhat esztendeje teljesen vak nőn tesztelték a rendszert. A kísérlet során a mesterséges retina jóvoltából, alakokat és sziluetteket tudott azonosítani.

Kis lépés ugyan, de mégis nagyon fontos, mert az ilyen eredményekkel jutunk el a fejlett bionikus szemekig, válik a mainál sokkal komplexebbé az ember-gép kapcsolat, hasznosulnak az agy-számítógép interfészek, és válnak valóra a Star Trekben megjelenített technológiák.

Bionikus szemeket is a legendás tudományos-fantasztikus sorozatban láthattunk először.

„A vizuálisan károsult, látóképességüket elveszített idegsejtektől folyamatosan nagyon jó minőségű felvételeket kaptunk, és a stimulációs paraméterek végig stabilak maradtak. Az illető személy egyes betűket tudott azonosítani, sőt, tárgyak határait is felismerte” – írták a kutatók a munkájukat ismertető tanulmányban.

Fényképet kvázi festménnyé varázsoló, de képek ecsetvonásokkal történő reprodukálására is képes ideghálót fejlesztettek a kínai Baidu, a Nanjing és a Rutgers egyetemek kutatói. Egy új módszerrel rendszerük gyakorlóadat nélkül elsajátítja ezeket a képességeket.

A Paint Transformer ugyanis a képeket az általa tanulóadatok nélküli gyakorlás közben generált festmények reprodukálásával alakítja át festményekké.

Egy húsvér festő általában a háttérrel kezdi a képet, amelyet előtérrel, részletekkel egészít ki. A modell háttér-, majd előtér-ecsetvonások generálásával utánozza ezeket a folyamatokat, és megtanulja a reprodukálásukat.

Az eredmény további részekre bontásával finomabb részleteket is bele tud vinni a képbe. A véletlenszerűen generált ecsetvonások megtanulása remek tréning nem véletlenszerű anyagok, például fényképek újraalkotásához.

Egyszerre nyolc ecsetvonással fest. Gyakorlás közben random generál „nyolc-vonásos” hátteret, majd előteret, aztán elsajátítja a kettő közti különbségek minimalizálási módját. Ezt a háttér további nyolc ecsetvonással történő átalakításával éri el.

Gyakorláskor különféle konvolúciós ideghálók generáltak háttér-megjelenítéseket, valamint hátteres-előteres festményeket. Egy átalakító háló elfogadta ezeket, a különbségek nyolc ecsetvonásos minimalizálásához kiszámolta a pozíciókat, a formákat és a színeket. Ezeket a paramétereket elküldte a vonásokat renderelő lineáris modellnek, amely az elvárásoknak megfelelően alakított át képet, hátteret.

A rendszer a random generált háttér-előtér kombináció és az output pixelei, valamint a véletlenszerűen generált ecsetvonás-paraméterek és az átalakító háló által kiszámoltakat kombinálta össze. A fénykép és a vászon közti különbséget megint nyolc ecsetvonással minimalizálta, utána mindkét képet négyzetekre osztotta,  majd megint jöttek az elmaradhatatlan ecsetvonások. A négyzeteket további négy alkalommal újabb négyzetekre osztotta, amelyekbe megint festett. A részeket végül egyetlen kész festménnyé integrálta.

Kevesebb és szélesebb ecsetvonásokkal dolgozik, mint egy ismert optimalizáló módszer, míg egy megerősítéses tanulás megközelítéssel az inputhoz nagyon hasonló output jött létre. Utóbbinál sokkal gyorsabban tanult (3,79 kontra 40 óra), következtetéseit mindkettőnél hamarabb hozta meg. Eközben úgy tanult meg festeni, hogy egyetlen létező festményt nem látott, tehát nem kellett többmillió fotó és festmény egyeztetésével bíbelődnie.

A megközelítés a fénykép-szerkesztésben és a 3D modellezésben egyaránt könnyen elterjedhet.

A Massachusetts állambeli Modulate startup személyek hangját álcázó, inkognitóba rejtő megoldást kínál. Az ezúttal jó célokat szolgáló deepfake-technológia elsősorban a hangjukkal negatív előítéleteket kiváltó és verbális online visszaélésnek kitett transzneműeknek, de az online szexuális molesztálás más céltábláinak, elsősorban nőknek is hasznos lehet.

Az online visszaélések háttérbe szorításában, a mesterséges hangok mellett azonban a humán és a gépi moderátoroknak is hatékonyabban kellene tevékenykedniük. Például kiszűrhetik a rosszindulatú hangklónokat, mert természetesen ez a technológia is felhasználható alantas célokra.

A hang miatti előítéletek következményeként sokan hagynak ott népszerű videojátékokat, tűnnek el a közösségi médiáról, lépnek le más platformokról, olyanokról, ahol az audió a kommunikáció és az ottani „létezés’ alapeleme. Ezek az oldalak egy idő után kevésbé lesznek vonzók, az üzemeltetőknek komoly anyagi és erkölcsi veszteségei lehetnek.

A Modulate internetes chat közben, valósidőben hallható mesterséges hangjai egész élethűnek, realisztikusnak tűnnek. A VoiceWear rendszer generatív ellenséges hálózatként (GAN) működik. Egy idegháló-modell a beszélő szavait szintetikus hangra cseréli, és egy másik ideghálót megpróbál átvágni vele. Utóbbi kiértékeli az outputot, megmondja róla, hogy valódi vagy szintetikus.

A VoiceWeart többszáz személy hangmintáin gyakoroltatták. A beszélők sok intonációval, érzelemgazdagon kommunikáltak.

A Moderate eredetileg speciális karaktereket játszó gamerekre gondolt, de a transznemű közösség visszajelzései meggyőzték a céget, hogy a gender-identitásra is figyeljenek oda, a géphang kapcsolódjon hozzá.  

Animaze appjukon egy női és egy férfihang hallható, videohívásoknál vagy live streameknél digitális avatárokat generálnak hozzájuk. A cég már hét játékstúdióval dolgozik együtt azon, hogy a technológia minél szélesebb körben legyen ismert, bővüljenek a piaci értékesítés lehetőségei.

Rendelkezésre állnak a hangot megváltoztató más rendszerek is, legtöbbjük viszont – egyszerű számítási technikákkal – csak a hangmagasságot viszi lejjebb vagy feljebb. Torzított vagy robotikus hangok a végeredmény.

Egyre több kormány dolgoz ki mesterségesintelligencia-stratégiát és tervezi az MI szabályozását. A Biden-adminisztráció eközben inkább a káros következményeket csökkentő „jogalkotási jegyzékről” beszél.

Az elnök csúcstanácsadói az amerikai állampolgárokat az MI által vezérelt megfigyeléstől, a diszkriminációtól és más károktól védő törvényekre vonatkozó tervet jelentettek be. A bejelentés egybeesett azzal a felhívással, hogy az állampolgárok fejtsék ki az olyan rendszerek szabályozásával kapcsolatos véleményüket, mint például a légiutasok arcának szkennelésekor használt arcfelismerés, az alkalmazottak termelékeny munkáját figyelő technológiák, vagy a tanárokat a diákok figyelmének lankadására figyelmeztető osztálytermi megoldások.

A szakértők arra hivatkoznak, hogy egyes mesterségesintelligencia-technológiák veszélyeztetik az egyéni szabadságot és túlmennek a határokon. Az amerikaiak nem akarják, hogy otthonukban, közösségeikben és munkahelyükön kiterjedt, esetleg diszkriminatív módon megfigyeljék őket. Tudni akarnak arról, hogy mikor áll MI az életüket, szabadságukat és jogaikat valamilyen szinten befolyásoló döntések mögött. A rendszereket auditálják, hogy az output mindig pontos és előítéletmentes legyen.

Ha egy automatizált rendszer megsérti ezeket az állampolgári jogokat, az adott személynek biztosítani kell kárpótlási lehetőségeket. A szövetségi kormány pedig úgy alakíthatja a költéseit, hogy egyes alkalmazásoktól megvonja a támogatást, például nem megfelelő rendszerekkel foglalkozó ügynökségektől és beszállítóktól megvonnák a pénzeket.

Az Európai Parlament a büntetésvégrehajtásból száműzné az arcfelismerést, a prediktív rendőri algoritmusok használatára a legsúlyosabb esetek kivételével (gyermekek elleni bűntények terrorizmus, pénzügyi visszaélések) moratóriumot vezetne be. Az ENSZ emberjogi biztosa szintén hallatta hangját ebben a témakörben, Kína pedig az ajánlóalgoritmusok befolyását korlátozó szabályokat lengetett be augusztusban.

Mindez szép és jó, a túlzó anyagi korlátozások viszont súlyos következményekkel járhatnak, például, ha az érintett cég, mondjuk, egészségügyi alkalmazásokon is dolgozik. A szabályozási törekvések egyrészt támogatandók, másrészt felvetik azt a kérdést, hogy száz éve lett volna-e értelme egy elektromossági jogalkotási jegyzéknek.

A mostani szabályozási törekvések persze nem teljes egészében az MI-re, hanem sok-sok területi alkalmazásra vonatkoznak.

Jövő év elején a Google új architektúrát integrál hagyományos keresőalgoritmusába és a Lens fényképkereső rendszerbe. Az MUM (Multitask Unified Model) komplex kereséseket tesz lehetővé.

Például a következő típusú kérdésekre is választ kaphatunk: „megmásztam a Mt. Adamst, következő ősszel pedig a Fujit szeretném. Az előkészületek során mit kell másként tennem?”

Egy ilyen összetett kérdést az MUM egyszerű válaszokra bont: „előkészülni a Mt. Adams megmászására”, „előkészülni a Fuji megmászására”, „a Fuji következő ősszel.” Ezt követően a kérdésekre adott válaszokat egymással koherens találatokká integrálja össze.

A májusban beharangozott, a multimodális gépi tanulás és a többnyelvű nyelvi modellezés legfrissebb eredményeit felhasználó modell szavak, képek, esetleg videók kapcsolatait követi. A Google 110 milliárd paramétert tartalmazó korábbi T5 modelljével összehasonlítva, s Switch Transformer már 1,6 trillióval dolgozik.

A webről összegyűjtött szöveges és képi dokumentumokból álló adatsoron tesztelték, amelyből a sértő, szexuálisan explicit és félrevezető textuális és vizuális tartalmakat előzetesen eltávolították.

A kereső felhasználói az MUM által működtetett három újdonságot fedezhetnek majd fel: mesterséges intelligencia által összeállított, általános kereséseket használható eredményekké alakító listát, lépésről lépésre kivitelezhető utasításokat és javaslatokat a keresések megkönnyítéséhez, valamint a releváns audió- és videotalálatokra mutató linkeket.

A Google Lens felhasználói például csizmáról készítenek egy képet, felteszik, és megkérdezik, hogy a lábbelik jók-e egy adott hegy megmászásához. A csizma és a hegy állapotának függvényében, az MUM megválaszolja a kérdést.

A technológia hetvenöt nyelven teszi lehetővé a keresést, más nyelven írott dokumentumokban található információk fordítását.

A gyakorló adatsorban lévő megkérdőjelezhető anyagok kigyomlálása mellett, a Google a teszteken arra is vigyázott, hogy emberi segítséggel igyekezzen kiszűrni a jövőbeli „kárpotenciált.”

A webes keresés az egyik leggyorsabban fejlődő és legismertebb infokommunikációs technológia. A fejlődés ellenére folyamatosan finomítható, tökéletesíthető, és az MUM ígéretes előrelépésnek tűnik.