MI Tudástár

AI – Artificial Intelligence

Artificial general intelligence (AGI)

AI ethics

AI ethics AI ethics refers to the issues that AI stakeholders such as engineers and government officials must consider to ensure that the technology is developed and used responsibly. This means adopting and implementing systems that support a safe, secure, unbiased, and environmentally friendly approach to artificial intelligence.

Az (AI ethics) MI etika azzal foglalkozik, hogyan lehet a mesterséges intelligenciát felelősségteljesen és igazságosan fejleszteni, alkalmazni, illetve használni, úgy, hogy minimalizáljuk a negatív hatásokat, és maximalizáljuk a társadalom számára nyújtott előnyöket. Ez a terület nemcsak technológiai, hanem filozófiai, jogi és társadalmi kérdéseket is érint. Az MI etika fő kérdései Átláthatóság: Hogyan működik egy MI rendszer? Az emberek megérthetik, hogyan hoz döntéseket egy algoritmus? Adatvédelem: Hogyan biztosítható, hogy a mesterséges intelligencia ne sértse meg a felhasználók magánéletét? Hogyan kezeljük a személyes adatokat etikus módon? Elfogultság (bias): Hogyan kerüljük el, hogy az MI-rendszerek előítéletes döntéseket hozzanak? Például ne diszkrimináljanak bőrszín, nem vagy életkor alapján. Felelősség: Ki a felelős, ha egy MI-rendszer hibát követ el vagy kárt okoz? Például, ha egy önvezető autó balesetet okoz, kit terhel a felelősség? Munkahelyek és gazdasági hatások: Hogyan kezeljük azokat a problémákat, amelyeket az MI automatizáció okoz, például a munkahelyek elvesztését? Hogyan oszthatjuk el igazságosan az MI által generált gazdasági előnyöket? Társadalmi hatások: Hogyan biztosítható, hogy az MI rendszerek előmozdítsák az egyenlőséget, és ne növeljék a társadalmi különbségeket? Fegyverkezési verseny: Hogyan akadályozható meg az MI katonai célú, pusztító felhasználása? Példa az MI etikára Képzeljünk el egy álláspályázatok értékelésére használt MI-rendszert. Ha a rendszer tanításához használt adatokban előítéletek vannak (például a múltban kevesebb nőt vettek fel vezetői pozíciókra), akkor az MI-rendszer is előítéletes döntéseket hozhat. Ez diszkriminációhoz vezethet. Az MI etika itt azt vizsgálja, hogyan lehet ezt a problémát elkerülni, például igazságosabb adatokkal, átlátható algoritmusokkal vagy az emberi döntéshozás bevonásával. Etikai irányelvek az MI fejlesztésében Igazságosság: Az MI-rendszerek ne diszkrimináljanak. Biztonság: A technológia megbízhatóan működjön, és ne okozzon kárt. Átláthatóság: Az emberek értsék és ellenőrizhessék a rendszert. Adatvédelem: Az emberek személyes adatait védeni kell. Emberi ellenőrzés: Az MI döntéseit mindig felügyelje egy ember. Gyakorlati példa Egy egészségügyi alkalmazás mesterséges intelligenciát használ, hogy diagnosztizáljon betegségeket. Az MI hatékonyabb lehet az orvosoknál bizonyos szituációkban, de etikailag fontos, hogy: Az alkalmazás ne adjon félrevezető vagy pontatlan diagnózist. Az emberek értsék, hogy ez egy segédeszköz, nem helyettesíti teljesen az orvost. Az adatok, amiket a diagnózis során használ, titkosak és védettek legyenek.

OECD etikai ajánlás principles of AI 2020 01.

AI safety

AI safety AI safety is a wide-scope field covering various concepts about ensuring that artificial intelligence systems are not just smart but well-behaved and good-natured, even in unfamiliar settings. It refers to principles, practices, and research efforts dedicated to studying an AI system’s design, build, and deployment. The goal is to minimize risks like unreliable output, unintended consequences, and potential harm to humanity.

Az (AI safety) MI biztonság azzal foglalkozik, hogyan fejleszthetünk és alkalmazhatunk mesterséges intelligenciát úgy, hogy minimalizáljuk a kockázatokat, és biztosítsuk, hogy az MI-rendszerek mindig az emberi érdekeket szolgálják. Ez különösen fontos a fejlett MI-rendszerek, például a jövőbeli mesterséges általános intelligencia (AGI) esetében, amelyek potenciálisan jelentős hatással lehetnek a társadalomra. Az MI biztonság kulcsfontosságú területei Hibák elkerülése: Az MI rendszerek gyakran nagy mennyiségű adat alapján működnek, de hibás vagy hiányos adatok esetén rossz döntéseket hozhatnak. Például egy önvezető autó rosszul értelmezheti az útviszonyokat, és balesetet okozhat. Kiszámíthatóság és ellenőrizhetőség: Az MI rendszereknek kiszámítható módon kell viselkedniük, és az embereknek képesnek kell lenniük megérteni és ellenőrizni a döntéseiket. Például egy orvosi diagnosztikai MI-nek világosan meg kell magyaráznia, miért javasol egy adott kezelést. Kártékony felhasználás megakadályozása: Az MI technológiák rossz kezekbe kerülve káros célokra is használhatók, például hamis információk terjesztésére vagy kiberbiztonsági támadásokra. Példa az MI biztonság fontosságára Képzeljünk el egy önvezető autót, amely balesetet szenved egy váratlan helyzet miatt (például hirtelen felbukkan egy gyalogos). Az MI biztonság itt azt jelenti, hogy: Az autó rendszere képes legyen felismerni a veszélyt időben. Az algoritmusok úgy legyenek programozva, hogy a lehető legkevesebb kárt okozzák. Biztonsági protokollok legyenek beépítve, hogy a rendszer hibája esetén a vezető átvehesse az irányítást.

AI Algorithm

AI Algorithm An AI algorithm is a sequence of rules given to an AI machine to perform a task or solve a problem. Common algorithms include classification, regression, and clustering.

Az MI algoritmus egy matematikai és logikai eljárás, amelyet arra terveztek, hogy a mesterséges intelligencia rendszerek adatokat dolgozzanak fel, tanuljanak azokból, és döntéseket hozzanak. Az algoritmusok képezik az MI alapját, mivel ezek határozzák meg, hogy a rendszer hogyan tanul, következtet vagy hajt végre feladatokat. Az MI algoritmusok típusai Felügyelt algoritmusok (Supervised Learning): A rendszert úgy tanítják, hogy bemeneti adatokat és azokhoz tartozó kimeneti eredményeket (címkéket) adnak meg. Példa: Egy algoritmus, amely képes felismerni a képeken látható gyümölcsöket (pl. „alma” vagy „narancs”), miután több ezer ilyen címkézett képet látott. Nem felügyelt algoritmusok (Unsupervised Learning): A rendszer címkék nélkül kap adatokat, és önállóan keres mintákat vagy csoportokat. Példa: Egy ügyfélelemző rendszer, amely az ügyfeleket viselkedésük alapján csoportosítja (pl. hűséges vásárlók, alkalmi vásárlók). Megerősítéses tanulás (Reinforcement Learning): Az algoritmus kísérletek és hibák révén tanul, úgy, hogy egy adott környezetben jutalmat kap a jó döntésekért. Példa: Egy robot, amely megtanul átmenni egy szobán anélkül, hogy nekimenne a falaknak. Félig felügyelt algoritmusok (Semi-supervised learning): Olyan rendszerek, amelyek egyszerre használnak felügyelt és nem felügyelt tanulási technikát. Példa egy egyszerű MI algoritmusra Képzeljünk el egy algoritmust, amely megjósolja, hogy esni fog-e az eső. A bemeneti adatok lehetnek: Hőmérséklet Páratartalom Felhőzet Az algoritmus megtanulja, hogy a múltbeli adatok alapján milyen feltételek mellett esett az eső, majd új adatok alapján képes lesz megjósolni, hogy szükségünk lesz-e esernyőre.

Prezi Szamlazz.hu Logiscool Scikit-learn XGBoost TikTok Spotify

Application programming interface (API)

Automated decision-making

Big data

Chatbot

Cognitive computing

Computer vision

Computer vision Computer vision is an interdisciplinary field of science and technology that focuses on how computers can gain understanding from images and videos. For AI engineers, computer vision allows them to automate activities that the human visual system typically performs.

A számítógépes látás egy interdiszciplináris tudományág, amely a számítógépek képességét vizsgálja arra, hogy képeket és videókat értelmezzenek, és azokból hasznos információkat nyerjenek ki. A cél az, hogy a gépek utánozzák az emberi látórendszert, és képesek legyenek automatizált módon érzékelni, felismerni és elemezni vizuális adatokat. Fő alkalmazási területek Arcfelismerés: Emberek azonosítása vagy hitelesítése képek vagy videók alapján. Példa: Okostelefonok arcfelismerő zárolásának feloldása. Objektumfelismerés: Tárgyak, járművek vagy személyek felismerése valós időben. Példa: Rendszámfelismerő rendszerek a parkolóban. Képfelismerés az egészségügyben: Orvosi képek elemzése betegségek diagnosztizálására. Példa: Rákos sejtek felismerése röntgenfelvételeken. Önvezető autók: A járművek érzékelik és elemzik a környezetet, például az úthasználókat és a közlekedési táblákat. Példa: Egy Tesla autó automatikusan felismeri a gyalogosokat és az útszéli akadályokat. Kiskereskedelem: Vásárlói viselkedés elemzése, például a boltokban elhelyezett kamerákon keresztül. Példa: Egy kamera elemzi, mely termékek keltik fel leginkább a vásárlók érdeklődését. Mezőgazdaság: Növények és termés állapotának monitorozása drónokkal és képanalízissel. Példa: Egy rendszer azonosítja a beteg növényeket a mezőn. Szórakoztatóipar: Képek és videók automatikus szerkesztése, animációk generálása. Példa: Képen lévő személyek automatikus retusálása. Gyakorlati példa Egy biztonsági rendszer számítógépes látást használ: Valós időben elemzi a kameraképeket. Felismeri a gyanús viselkedést, például, ha valaki betörni próbál. Értesíti a biztonsági személyzetet, és automatikusan rögzíti az eseményeket.

Almotive SignAll RecoSense OpenCV Google Photos Microsoft Azure Computer Vision Tesla autopilot Clearview AI

Data mining

Data science

Deep learning

Deep learning Deep learning is a function of AI that imitates the human brain by learning from how it structures and processes information to make decisions. Instead of relying on an algorithm that can only perform one specific task, this subset of machine learning can learn from unstructured data without supervision.

A mélytanulás az MI olyan ága, amely a gépi tanulás fejlettebb formája. Ez a technológia az emberi agy működését utánozza, több rétegből álló neurális hálók segítségével dolgozza fel az adatokat. A mélytanulás képes strukturált és strukturálatlan adatokból (például képekből, hangokból, szövegekből) mintázatokat felismerni és tanulni, akár emberi felügyelet nélkül is. Mélytanulás alkalmazási területei Képfelismerés: Arcok, tárgyak vagy helyek azonosítása. Példa: Arcfelismerő rendszerek, amelyek zárolják vagy feloldják a telefonokat. Természetes nyelvfeldolgozás (NLP): Szövegek megértése és generálása. Példa: Chatbotok vagy szöveges fordítóprogramok, mint a Google Translate. Hangfelismerés: Emberi beszéd elemzése és szöveggé alakítása. Példa: Digitális asszisztensek, mint a Siri vagy az Alexa. Autonóm járművek: Önvezető autók környezetük érzékelése és döntéshozatal alapján. Példa: Egy Tesla autó felismeri a gyalogosokat és a közlekedési táblákat. Orvosi diagnosztika: Betegségek azonosítása orvosi képek, például röntgenfelvételek alapján. Példa: Egy rendszer, amely felismeri a daganatokat a radiológiai felvételeken. Szórakoztatóipar: Videók és képek generálása, hangalapú rendszerek fejlesztése. Példa: Egy GAN-rendszer, amely mesterséges zeneszámokat készít. Gyakorlati példa Egy orvosi diagnosztikai rendszer,amimélytanulást használ: Egy röntgenfelvételt elemezve azonosítja a lehetséges daganatos területeket. Az algoritmus felismeri a mintákat, amelyeket az orvos figyelmen kívül hagyhat. Javaslatot tesz a további vizsgálatokra vagy kezelésekre, segítve az orvosi döntéshozatalt.

Almotive Barion SignAll TensorFlow PyTorch DeepL NVIDIA DeepStream OpenAI DALL-E

Deepfake

Emergent behavior

Fine-tuning

Frontier AI

Generative AI

General-purpose AI

Generative adversarial network – GAN

Generative adversarial network – GAN Generative adversarial networks are a driver of recent AI developments. These are made up of two sub artificial neural networks: a generator network and a discriminator network. The generator network is fed training data and generates artificial data based on patterns in training data. The discriminator network compares the artificially generated data with the ‘real’ training data and feeds back to the generator network where it has detected differences. The generator then alters its parameters. Over time the generator network learns to generate more realistic data, until the discriminator network cannot tell what is artificial and what is ‘real’ training data and the AI model generates the desired outcomes. See also artificial neural networks and transformers.

A generatív adverzális hálók (GAN) a mesterséges intelligencia egyik legfejlettebb technológiája, amely különösen népszerűvé vált a generatív MI területén. A GAN-ok két egymással „versengő” mesterséges neurális hálóból állnak: a generátor és a diszkriminátor hálóból. Ezek a hálók egymás tanítására és fejlesztésére építenek, aminek eredményeként a generátor egyre élethűbb adatokat képes létrehozni. Hogyan működik a GAN? A GAN működése egy ismétlődő folyamat, amely a következőképpen épül fel: Generátor Hálózat: A generátor mesterséges adatokat hoz létre, amelyek mintázatok alapján hasonlítanak a valódi adatokra. Példa: A generátor „festményeket” készít, amelyek hasonlítanak a tanításra használt híres művészek stílusához. Diszkriminátor Hálózat: A diszkriminátor összehasonlítja a generátor által létrehozott mesterséges adatokat a valódi adatokkal. Célja, hogy megállapítsa, melyik adat valódi és melyik mesterséges. Visszacsatolás: A diszkriminátor visszajelzést ad a generátornak arról, hogy az általa létrehozott adatok mennyire élethűek. A generátor ezt a visszajelzést felhasználja, hogy javítsa a következő adatok minőségét. Tanulási ciklus: Az ismétlések során a generátor egyre jobb mesterséges adatokat hoz létre, míg a diszkriminátor egyre kifinomultabbá válik a valódi és mesterséges adatok megkülönböztetésében. A folyamat addig folytatódik, amíg a diszkriminátor már nem képes különbséget tenni a valódi és a mesterséges adatok között. Gyakorlati példa Egy GAN alapú rendszer segít egy grafikai stúdiónak új karakterek létrehozásában egy videojátékhoz: A generátor egyedi karakterarcokat hoz létre. A diszkriminátor ellenőrzi, hogy a karakterek mennyire valósághűek. Az ismétlések során a generált karakterek egyre jobban illeszkednek a játék világába.

ELTE AI Lab Almotive DeepArt.io Runway ML This Person Does Not Exist

GPT-3

GPT-4

GPT-4 GPT-4 is an even more sophisticated and trained multimodal model than its predecessor. It can work with both text and image inputs and is capable enough to support complex creative collaboration—think teaming up with it to compose music, craft screenplays, or even emulate your distinctive writing style.

A GPT-4 a Generative Pre-trained Transformer (generatív előretanított transzformátor) modellek negyedik generációja, amely az OpenAI által kifejlesztett multimodális modell. Jelentős előrelépést jelent elődjéhez, a GPT-3-hoz képest, mivel nemcsak szöveges, hanem képi bemeneteket is képes feldolgozni, így komplexebb és sokoldalúbb alkalmazási lehetőségeket kínál. Képességei közé tartozik a kreatív együttműködés, például zene komponálása, forgatókönyvek írása, vagy egyedi írásstílusok utánzása. Alkalmazási területek Oktatás: Személyre szabott tananyagok készítése és tanulási segédanyagok generálása. Példa: Egy adott tantárgy tanulói szintjéhez igazított tananyag készítése. Egészségügy: Orvosi képek elemzése, diagnosztikai jelentések készítése, valamint egészségügyi adatok értelmezése. Példa: Egy röntgenkép alapján gyanús területek megjelölése. Üzleti elemzés: Adatok és trendek elemzése, prezentációk készítése és jelentések írása. Példa: Egy üzleti jelentés szöveges és vizuális adatainak kombinálása. Média és szórakoztatás: Kreatív tartalmak generálása, például forgatókönyvek, zenei kompozíciók vagy művészeti ötletek. Példa: Egy videójáték történetének megírása és a karakterek kidolgozása. Kutatás: Tudományos cikkek elemzése, hipotézisek generálása és kutatási anyagok összefoglalása. Példa: Egy komplex biológiai tanulmány összegzése és az eredmények interpretálása. Gyakorlati példa Egy multimodális GPT-4 rendszer segíthet egy kreatív csapatnak: Forgatókönyv írása: Egy sci-fi film jeleneteinek kidolgozása képi inspirációk alapján. Vizualizáció: A film látványvilágának tervezése egy adott leírás alapján. Marketinganyagok készítése: Szöveges és képi tartalmak generálása a film promóciójához.

MIA (OTP Bank) ChatGPT Duolingo Max Notion AI Khanmigo Code Interpreter

Guardrails

Hallucination

Hyperparameter

Image recognition

Information Processing Language – IPL

Internet of Things – IoT

Large language model – LLM

Limited memory AI

Machine learning

Machine learning Machine learning is a subset of AI that incorporates aspects of computer science, mathematics, and coding. Machine learning focuses on developing algorithms and models that help machines learn from data and predict trends and behaviors, without human assistance.

A gépi tanulás (Machine Learning, ML) a mesterséges intelligencia egy ága, amely a számítástechnika, a matematika és a programozás elemeit ötvözi. Célja olyan algoritmusok és modellek fejlesztése, amelyek segítségével a gépek képesek tanulni az adatokból, előrejelzéseket készíteni és viselkedési mintázatokat felismerni emberi beavatkozás nélkül. Hogyan működik a gépi tanulás? Adatgyűjtés: Az ML rendszereknek nagy mennyiségű, strukturált vagy strukturálatlan adatra van szükségük a tanuláshoz. Példa: Egy webshop vásárlói adatai. Adatelőkészítés: Az adatok tisztítása, normalizálása és átalakítása a modell számára feldolgozható formába. Példa: Hiányzó értékek kitöltése, adatok skálázása. Algoritmus kiválasztása: A feladattól függően különböző gépi tanulási algoritmusokat alkalmaznak. Példa: Lineáris regresszió a predikciós feladatokra, döntési fák az osztályozáshoz. Modell tanítása: Az algoritmus elemzi az adatokat, és egy modellt hoz létre, amely az összefüggéseket tanulja meg. Példa: Egy hitelképességi modell megtanulja, hogy milyen ügyfelek hajlamosak időben visszafizetni a hiteleket. Tesztelés: A modellt tesztadatokon ellenőrzik, hogy megbizonyosodjanak a pontosságáról. Példa: A modell előrejelzéseit összehasonlítják a valódi eredményekkel. Bevetés és finomhangolás: A modellt alkalmazzák valós adatokon, és szükség esetén továbbfejlesztik. Példa: Egy weboldal ajánlórendszere automatikusan frissíti magát az új felhasználói viselkedés alapján. Gyakorlati példa Egy webshop ajánlórendszere: Adatgyűjtés: A rendszer rögzíti a vásárlók viselkedését (pl. kattintások, vásárlások). Modelltanítás: A gépi tanulási algoritmus megtanulja, hogy mely termékek kapcsolódnak egymáshoz. Ajánlások: A modell személyre szabott termékajánlásokat készít az egyes vásárlóknak.

Barion Neticle MediCall TensorFlow Scikit-learn Amazon SageMaker PyTorch IBM Watson

Artificial Narrow Intelligence – ANI

Natural language generation – NLG

Natural language processing – NLP

Neural network

No-code AI

No-code AI No-code development is a way for anyone without coding expertise to conjure up apps and software. With no-code AI, you can typically leverage visual and graphical configurations to create AI applications. It’s all about making tech more accessible.

A kód nélküli mesterséges intelligencia (No-code AI) lehetővé teszi, hogy azok is MI alkalmazásokat hozzanak létre, akik nem rendelkeznek programozási ismeretekkel. Ez a megközelítés vizuális és grafikus eszközökre támaszkodik, amelyek egyszerűsítik a fejlesztési folyamatot, és hozzáférhetőbbé teszik az MI-t a nem technikai felhasználók számára. A cél az, hogy bárki képes legyen kihasználni a mesterséges intelligencia előnyeit anélkül, hogy mélyebb technikai tudással rendelkezne. Hogyan működik a kód nélküli MI? Vizuális felületek: A no-code AI platformok egyszerű, felhasználóbarát grafikus kezelőfelületet kínálnak. Példa: Húzd és ejtsd (drag and drop) funkcióval modelleket lehet építeni. Előre elkészített modulok: A rendszerben kész modulok állnak rendelkezésre, például adatfeldolgozás, gépi tanulási modellek és vizualizációs eszközök. Példa: Egy kattintással kiválasztható egy arcfelismerő modul. Adatok feltöltése: A felhasználó feltölti saját adatait, például Excel táblázatot vagy CSV fájlt. Példa: Egy webshop eladási adatai egy MI modellhez csatlakoznak. Automatikus modellépítés: A platform automatikusan elemzi az adatokat, létrehozza és optimalizálja a megfelelő MI modellt. Példa: Az adatok alapján egy értékesítési előrejelzési modell jön létre. Kimenet generálása: Az MI alkalmazás a beépített modell alapján nyújt előrejelzéseket, osztályozásokat vagy más eredményeket. Példa: Egy MI alkalmazás elemzi az ügyfélszolgálati jegyeket, és javaslatokat tesz a problémák priorizálására. Gyakorlati példa Egy e-kereskedelmi vállalkozás no-code AI rendszert használ: Adatok feltöltése: A vásárlói viselkedési adatok (pl. vásárlási előzmények, keresések) feltöltése a platformra. MI modell létrehozása: Az MI rendszer elemzi az adatokat, és személyre szabott ajánlásokat készít. Automatikus integráció: Az ajánlások azonnal megjelennek a webshopban, növelve az eladások számát.

Prediktor Kódolja.hu Upright Lobe MonkeyLearn DataRobot Runway ML H2O.ai Google AutoML Teachable Machine

Open-source

Optical Character Recognition – OCR

Overfitting

Pattern recognition

Predictive analytics

Prescriptive analytics

Pre-training

Prompt

Quantum computing

Reinforcement Learning

Responsible AI

Robotics

Robotics Machines that are capable of automatically carrying out a series of actions and moving in the physical world. Modern robots contain algorithms that typically, but do not always, have some form of artificial intelligence. Applications include industrial robots used in manufacturing, medical robots for performing surgery, and self-navigating drones

A robotika az olyan gépek tervezésével, építésével és működtetésével foglalkozik, amelyek képesek automatikusan végrehajtani cselekvések sorozatát és mozogni a fizikai világban. A modern robotokban gyakran találhatók algoritmusok, amelyek valamilyen szintű mesterséges intelligenciát tartalmaznak, de nem minden robot használ MI-t. A robotok számos területen alkalmazhatók, például ipari gyártásban vagy egészségügyben. Robotok és mesterséges intelligencia A robotok gyakran, de nem mindig, tartalmaznak mesterséges intelligenciát. Az MI segítségével a robotok képesek: Környezetérzékelésre: Szenzorok és MI algoritmusok alapján elemzik a környezetüket. Példa: Egy drón felismeri a repülési útvonalán lévő akadályokat. Döntéshozatalra: Az MI támogatja a robotokat abban, hogy önálló döntéseket hozzanak. Példa: Egy önvezető autó döntést hoz, hogy mikor álljon meg egy piros lámpánál. Alkalmazkodásra: A robotok tanulhatnak és alkalmazkodhatnak új helyzetekhez. Példa: Egy háztartási robot megtanulja az otthon elrendezését, hogy hatékonyabban működjön. Interakcióra: Az MI segítségével a robotok természetes nyelvet értenek és generálnak. Példa: Egy ügyfélszolgálati robot beszélget a vásárlóval. Gyakorlati példa Egy sebészeti robot: Alkalmazás: A sebészek egy távirányítással működő robotot használnak precíziós műtétekhez. Hozzáadott érték: A robot stabilabb és pontosabb mozdulatokra képes, mint az emberi kéz. Eredmény: Kevesebb komplikáció, gyorsabb felépülési idő a páciensek számára.

Greppi PannErgy Boston Dynamics iRobot SoftBank Robotics Tesla’s Gigafactories Universal Robots