Tudástár
AI – Artificial Intelligence
| AI (artificial intelligence) AI stands for artificial intelligence, which is the simulation of human intelligence processes by machines or computer systems. AI can mimic human capabilities such as communication, learning, and decision-making. | A mesterséges intelligencia (MI) olyan technológia, amely képes emberi intelligenciát utánzó folyamatokat végezni gépek vagy számítógépes rendszerek segítségével. Az MI célja, hogy olyan rendszereket hozzon létre, amelyek képesek kommunikálni, tanulni, döntéseket hozni, és akár problémákat megoldani az emberekhez hasonló módon. Az MI főbb jellemzői Kommunikáció: Az MI képes az emberi nyelvet megérteni és válaszolni. Példa: Chatbotok, mint például az ügyfélszolgálati rendszerek. Tanulás: Az MI-rendszerek az adatok alapján tanulnak, és idővel fejlődnek. Példa: Egy ajánlórendszer, amely a felhasználói szokásokat elemzi és személyre szabott ajánlatokat tesz. Döntéshozatal: Az MI algoritmusok elemzik a helyzeteket és döntéseket hoznak, gyakran emberi beavatkozás nélkül. Példa: Önállóan vezető autók, amelyek forgalmi helyzetekben hoznak döntéseket. Problémamegoldás: Az MI-rendszerek komplex problémákat oldanak meg algoritmusok segítségével. Példa: Egy MI-alapú diagnosztikai rendszer, amely betegségeket azonosít. |
Artificial general intelligence (AGI)
| Artificial general intelligence (AGI) Sometimes known as general AI, strong AI or broad AI, this often refers to a theoretical form of AI that can achieve human-level or higher performance across most cognitive tasks. | A Mesterséges Általános Intelligencia (AGI) olyan mesterséges intelligencia, amely képes széles körben alkalmazni tudását és készségeit, hasonlóan az emberi intelligenciához. Ez azt jelenti, hogy az AGI nem csak egy adott feladatot tud megoldani, mint a jelenlegi mesterséges intelligenciák (pl. egy sakkprogram vagy egy képértelmező algoritmus), hanem bármilyen problémára képes megoldást találni, amit egy ember is meg tud oldani. Az AGI tehát nem szorítkozik egy adott területre, hanem általános értelemben „okos”. Miért különleges az AGI? A mai mesterséges intelligencia (MI) rendszerek, mint például a ChatGPT, úgynevezett szűk mesterséges intelligenciák (ANI), mert specifikus feladatok elvégzésére lettek tervezve. Az AGI viszont képes lenne: tanulni új készségeket előzetes programozás nélkül,adaptálódni teljesen új helyzetekhez,érteni és megoldani olyan problémákat, amelyeket nem ismer előre. Az AGI tehát hasonlóan működne, mint egy emberi elme, amely kreatív, rugalmas és képes érzelmeket vagy társas interakciókat is kezelni. Példa az AGI-ra Képzeljünk el egy AGI-t, amely egy kórházban dolgozik. Reggel segít diagnosztizálni a betegeket, délután egy kutatási projekten dolgozik, hogy új gyógyszert találjon ki, este pedig segít az adminisztrációban, például bonyolult jogi dokumentumokat elemez. Mindeközben képes az orvosokkal, páciensekkel és kutatókkal is természetesen kommunikálni. Egy ilyen intelligencia nem csak a már meglévő adatok alapján dolgozna, hanem kreatív megoldásokat is javasolna, és tanulna a hibáiból, akárcsak egy ember. | OpenAI DeepMind Anthropic |
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)
| Application programming interface (API) An API, or application programming interface, is a set of protocols that determine how two software applications will interact with each other. APIs tend to be written in programming languages such as C++ or JavaScript. | Az API (Application Programming Interface, magyarul alkalmazásprogramozási interfész) olyan, mint egy jól meghatározott „beszélgetési szabályrendszer” két szoftver között. Úgy kell elképzelni, mintha két ember különböző nyelveket beszélne, de van egy tolmács, aki pontosan megmondja, hogy mit kell mondaniuk egymásnak, és hogyan értsék meg egymást. Az API: Kapcsolatot teremt: Segít abban, hogy két szoftveralkalmazás kommunikáljon egymással. Például, ha egy mobilalkalmazás adatokat kér egy szervertől, az API mondja meg, hogyan kérje és kapja meg az adatokat. Protokollok összessége: Az API tartalmazza azokat a szabályokat és utasításokat, amelyek alapján az alkalmazások beszélgetnek. Ez olyan, mint egy recept, amely lépésről lépésre leírja, mit kell tenni. Programozási nyelvek segítségével íródik: Olyan nyelveken készül, mint például a C++ vagy a JavaScript, amelyek lehetővé teszik a szabályok és a kommunikáció pontos megfogalmazását. Egy egyszerű példa: Képzeld el, hogy elmész egy étterembe. Az étlap az API: meghatározza, hogy mit kérhetsz az étteremtől, és hogyan kapod meg. A pincér pedig a „tolmács”, aki az étlap alapján elviszi a rendelésed a konyhába (a háttérrendszerbe), majd visszahozza neked az ételt (az adatokat). Az API tehát ugyanilyen szerepet tölt be a szoftverek világában: biztosítja, hogy a kérés és a válasz érthető és szabályos legyen. | OTP Bank API Szamlazz.hu API Magyar Posta API OpenAI API Google Maps API Stripe API |
Automated decision-making
| Automated decision-making Both solely automated decisions (no human judgement involved) and automated assisted decision-making (assisting human judgement).” | Az automatizált döntéshozatal olyan folyamat, amelyben egy számítógépes rendszer, általában mesterséges intelligencia (MI) vagy algoritmusok segítségével, adatokat elemez és döntéseket hoz. Ez a döntéshozatal lehet teljesen automatizált, emberi beavatkozás nélkül, vagy félig automatizált (támogatott döntéshozatal), ahol az ember csak segítséget kap a döntés meghozatalához. Példák a gyakorlatban 1. Teljesen automatizált döntéshozatal: E-kereskedelemben: Egy online bolt automatikusan eldönti, hogy egy termék akciós árát növelni vagy csökkenteni kell az aktuális kereslet és készlet alapján. Biztonsági szférában: Egy arcfelismerő rendszer automatikusan eldönti, hogy egy belépési kísérlet jogosult-e az irodába való bejutásra. 2. Támogatott, félig automatizált döntéshozatal: Egészségügy: Egy MI-alapú rendszer elemzi a beteg CT-felvételeit, és jelzi az orvosnak a potenciális problémás területeket, de a diagnózist és a kezelést az orvos határozza meg. Pénzügyek: Egy befektetési platform javaslatokat tesz, hogy mely részvényeket vásárolja vagy adja el a felhasználó, de a végső döntést a befektető hozza. | Foodora Magyar Telekom Google Ads SAP Analytics Cloud UiPath |
Big data
| Big data Big data refers to the large data sets that can be studied to reveal patterns and trends to support business decisions. It’s called “big” data because organizations can now gather massive amounts of complex data using data collection tools and systems. Big data can be collected very quickly and stored in a variety of formats. | A Big Data olyan hatalmas és komplex adathalmazokat jelent, amelyek méretük, gyorsaságuk és változatosságuk miatt meghaladják a hagyományos adatfeldolgozó rendszerek képességeit. Ezek az adatok különböző forrásokból származhatnak, például szenzorokból, közösségi médiából, webes naplókból vagy pénzügyi tranzakciókból. A Big Data elemzése lehetővé teszi a mintázatok, összefüggések és trendek felismerését, amelyek támogathatják a vállalati döntéshozatalt, az innovációt és a hatékonyság javítását. A Big Data forrásai Szenzorok és IoT eszközök: Okosotthonok, gyártási gépek, közlekedési rendszerek. Közösségi média: Facebook, X, Instagram adatfolyamok. Webes tevékenységek: Kattintási adatok, keresési előzmények. Pénzügyi rendszerek: Tranzakciós adatok, hitelkártya-használat. Egészségügy: Elektronikus egészségügyi nyilvántartások, orvosi vizsgálatok adatai. Gyakorlati példa Egy kereskedelmi lánc Big Data segítségével elemzi a vásárlók viselkedését: Összegyűjtik az online vásárlások adatait, az üzletekben használt hűségkártyák adatait, valamint a közösségi médiában megosztott véleményeket. Az adatokat elemezve azonosítják, mely termékek a legnépszerűbbek egy adott időszakban. Az eredmények alapján célzott akciókat és reklámkampányokat indítanak. | WebEye MÁV SuperZone Hadoop Apache Spark Snowflake Google BigQuery Cloudera |
Chatbot
| Chatbot A chatbot is a software application that is designed to imitate human conversation through text or voice commands. | A chatbot egy szoftveralkalmazás, amelynek célja, hogy emberi beszélgetést utánozzon szöveges vagy hangalapú utasítások segítségével. A chatbotok mesterséges intelligencia (MI) vagy egyszerű szabályok alapján működnek, és különböző feladatok elvégzésére használhatók, például ügyfélszolgálati kérdések megválaszolására, információk biztosítására vagy egyszerű beszélgetések lebonyolítására. Példa Egy banki chatbot segíthet az ügyfeleknek: Egyenleg lekérdezésében („Mennyi pénz van a számlámon?”), Tranzakciók végrehajtásában („Utald át ezt az összeget!”), Információk biztosításában („Mikor van nyitva a legközelebbi fiók?”). Az ilyen chatbotok lehetővé teszik az ügyfelek számára, hogy gyorsan és egyszerűen intézzék ügyeiket, anélkül, hogy személyesen kellene bankfiókba látogatniuk. | MIA (OTP Bank) Emag Chatbot Magyar Telekom Chatbot Mitsuku Ada Replika |
Cognitive computing
| Cognitive computing Cognitive computing is essentially the same as AI. It’s a computerized model that focuses on mimicking human thought processes such as pattern recognition and learning. Marketing teams sometimes use this term to eliminate the sci-fi mystique of AI. | A kognitív számítástechnika az emberi gondolkodásmód utánzására tervezett számítógépes modellek és technológiák összessége. Az MI egyik ágának tekinthető, amely a mintázatfelismerésre, tanulásra, döntéshozatalra és problémamegoldásra összpontosít. Míg a mesterséges intelligencia általánosabb fogalomként gyakran a gépek intelligens viselkedésére utal, a kognitív számítástechnika kifejezés célja, hogy az MI-t emberibb, kevésbé sci-fi hatású megvilágításban mutassa be. Gyakorlati példa Egy okos orvosi asszisztens (például IBM Watson) kognitív számítástechnikai rendszert használ: Elemzi a beteg tüneteit, leleteit és az orvosi szakirodalmat. Javaslatot tesz a lehetséges diagnózisokra és kezelésekre. Segíti az orvost abban, hogy gyorsabban és pontosabban hozhasson döntéseket. | MediCall Cognitive Services by IVSZ Erste Bank Hungary IBM Watson Google Cloud AI Microsoft Cognitive Services |
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 mining Data mining is the process of sorting through large data sets to identify patterns that can improve models or solve problems. | Az adatbányászat olyan folyamat, amely során nagy adathalmazokat elemzünk annak érdekében, hogy mintázatokat, összefüggéseket és hasznos információkat találjunk. Ezek az eredmények segíthetnek modellek javításában, problémák megoldásában vagy jobb üzleti döntések meghozatalában. Az adatbányászat az adatfeldolgozás, a statisztika és a mesterséges intelligencia együttes alkalmazásával történik. Gyakorlati példa Egy e-kereskedelmi vállalat adatbányászati módszerekkel elemzi a vásárlói viselkedést: Gyűjtik a weboldal látogatási és vásárlási adatait. Klaszterezéssel azonosítják a különböző vásárlói csoportokat (pl. gyakori vásárlók, alkalmi vásárlók). Asszociációelemzéssel felismerik, hogy a „telefon vásárlók” gyakran vásárolnak védőtokot is. Az eredmények alapján személyre szabott ajánlatokat és marketingkampányokat indítanak. | OTP Bank Neticle Emag Hungary RapidMiner Weka SAS Enterprise Miner Orange |
Data science
| Data science Data science is an interdisciplinary field of technology that uses algorithms and processes to gather and analyze large amounts of data to uncover patterns and insights that inform business decisions. | Az adattudomány egy interdiszciplináris tudományterület, amely algoritmusokat, statisztikai módszereket és technológiai folyamatokat alkalmaz az adatok összegyűjtésére, elemzésére és értelmezésére. Az adattudomány célja, hogy nagy mennyiségű adatból hasznos mintázatokat, összefüggéseket és üzleti szempontból értékes információkat tárjon fel, amelyek segítik a döntéshozatalt. Alkalmazási területek Üzleti elemzés: Adatok elemzése, hogy azonosítsák a piaci trendeket és ügyfélviselkedést. Példa: Egy szupermarket az elemzések alapján növeli a népszerű termékek készletét. Egészségügy: Páciensek adatainak elemzése diagnózisok és kezelések javítása érdekében. Példa: Egy rendszer elemzi a röntgenfelvételeket, hogy felismerje a betegségek jeleit. Marketing: Vásárlói szokások elemzése célzott reklámkampányok kialakításához. Példa: Egy e-kereskedelmi platform személyre szabott ajánlatokat küld a vásárlóknak. Pénzügyi szektor: Csalások észlelése, kockázatkezelés és befektetési stratégiák optimalizálása. Példa: Egy banki rendszer azonosítja a gyanús tranzakciókat. Közlekedés: Forgalom elemzése és útvonalak optimalizálása. Példa: Egy taxis alkalmazás kiszámítja a leggyorsabb útvonalat a forgalmi adatok alapján. Gyakorlati példa Egy légitársaság adattudományi eszközöket használ: Elemzi az utasok foglalási szokásait. Azonosítja a népszerű útvonalakat és időszakokat. Az eredmények alapján dinamikus árazást alkalmaz, hogy maximalizálja a profitot. | Starschema Neticle Jupyter Notebook Google Colab Tableau Databricks Kaggle |
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
| Deepfake Deepfakes (a portmanteau of ‘deep learning’ and ‘fake’) are images, videos, or audio which are edited or generated using artificial intelligence tools, and which may depict real or non-existent people. For how it works see generative adversarial network | A deepfake (a „deep learning” és a „fake” szavak összevonása) mesterséges intelligencia segítségével létrehozott vagy manipulált képek, videók vagy hanganyagok, amelyek valósnak tűnnek, de nem azok. Ez a technológia generatív adverzális hálók (GAN, Generative Adversarial Networks) segítségével működik, és képes valós személyeket hamis helyzetekben vagy nem létező személyeket hiteles módon ábrázolni. Működését lásd: Generális adverzális háló Gyakorlati példa Egy hamisított videóban egy híres politikus olyan kijelentéseket tesz, amelyeket valójában sosem mondott. A videó nagyon valódinak tűnik, és gyorsan terjed az interneten, ezzel félrevezetve a közvéleményt. A deepfake technológia itt káros célokra lett használva, hogy manipulálják az emberek véleményét. | Forensis DeepFaceLab FaceApp Reface Zao |
Emergent behavior
| Emergent behavior Emergent behavior, also called emergence, is when an AI system shows unpredictable or unintended capabilities. | Az emergens viselkedés olyan jelenség, amikor egy mesterséges intelligencia (MI) rendszer váratlan vagy nem előre programozott képességeket és viselkedéseket mutat. Ezek az új képességek az MI rendszer belső komplexitásából, tanulási folyamataiból vagy a környezetével való interakcióból eredhetnek, és gyakran nem előre láthatók a tervezők számára. Példák emergens viselkedésre Nyelvi modellek: Nagy nyelvi modellek (pl. GPT) képesek kreatív írást vagy váratlan kérdések megválaszolását produkálni, még akkor is, ha ezeket a képességeket nem kifejezetten tanították nekik. Játékstratégiák: Egy sakkprogram, amely teljesen új stratégiát talál ki, például olyan lépéseket alkalmaz, amelyeket emberi játékosok nem próbáltak volna ki. Szabályok megkerülése: Egy MI rendszer, amely egy feladatot a szabályok váratlan értelmezésével old meg. Példa: Egy verseny során a robot rájön, hogy a pálya határán kívül gyorsabban érhet célba, mint a pályán maradva. | ELTE Robotics Lab Almotive OpenAI GPT DeepMind AlphaGo NVIDIA Isaac Sim |
Fine-tuning
| Fine-tuning Fine-tuning a model involves developers training it further on a specific set of data to improve its performance for a specific application. | A finomhangolás egy olyan folyamat, amelyben egy már előzetesen betanított mesterséges intelligencia (MI) modellt továbbképeznek egy specifikus adattartományon, hogy javítsák a teljesítményét egy adott alkalmazási területen. Ez egy hatékony technika, mivel nem kell a modellt az alapoktól kezdve újra betanítani, hanem az előző tanulásra építve specializálható az adott feladatra. Gyakorlati példa Egy e-kereskedelmi platform finomhangolja az ügyfélszolgálati chatbotját: Alapmodell: Egy általános nyelvi modell, amely általános ügyfélszolgálati kérdésekre válaszol. Adathalmaz: A cég ügyfélszolgálati előzményeiből gyűjtött kérdések és válaszok. Eredmény: Egy olyan chatbot, amely képes pontosan válaszolni a cég termékeivel, szállítási politikájával és visszaküldési szabályzatával kapcsolatos kérdésekre. | Magyar Nemzeti Bank Prezi OpenAI GPT-3, 4 Hugging Face Transformers Stable Diffusion |
Frontier AI
| Frontier AI ‘highly capable general-purpose AI models that can perform a wide variety of tasks and match or exceed the capabilities present in today’s most advanced models’. Currently, this primarily encompasses a few large language models | A Frontier MI olyan fejlett, általános célú mesterséges intelligencia modellekre utal, amelyek rendkívül sokféle feladat elvégzésére képesek, és teljesítményük eléri vagy meghaladja a jelenlegi legfejlettebb modellek képességeit. Ezek a modellek nagy részben nagy nyelvi modellekből (LLM – Large Language Models) állnak, mint például a GPT-4, amelyek nemcsak nyelvi feladatokat, hanem sok más területet is képesek kezelni, mint például kódolás, érvelés, tervezés vagy kreatív tartalomkészítés. Gyakorlati példa Egy Frontier MI, például GPT-4, egy multinacionális cég napi működését segíti: Dokumentumok elemzése: Automatikusan kivonatolja és elemzi a bejövő üzleti jelentéseket. Kreatív tartalom: Javaslatokat készít reklámkampányokra. Oktatás: Belső tréninganyagokat generál a dolgozók számára. Ügyfélszolgálat: Automatizált válaszokat ad a vásárlók kérdéseire. | OpenAI GPT-4 DeepMind AlphaFold Anthropic Claude Google DeepMind Gemini Cohere |
Generative AI
| Generative AI Generative AI is a type of technology that uses AI to create content, including text, video, code and images. A generative AI system is trained using large amounts of data, so that it can find patterns for generating new content. | A generatív MI olyan mesterséges intelligencia technológia, amely képes új tartalmakat létrehozni, például szövegeket, képeket, videókat, zenéket, kódokat és egyéb kreatív elemeket. Ez a technológia hatalmas mennyiségű adatból tanul, és a tanult mintázatok alapján hoz létre új, egyedi tartalmakat. A generatív MI segítségével gépek kreatív képességeket mutathatnak, amelyek hasznosak lehetnek különböző iparágakban és alkalmazási területeken. Hogyan működik a generatív MI? A generatív MI alapvetően gépi tanulási technikákon, különösen a mélytanuláson alapul. Két fő lépése van: Adatok tanulása: A modellt nagy mennyiségű adattal látják el, például szövegekkel, képekkel vagy hangokkal. A rendszer a bemeneti adatok mintázatait és struktúráit elemzi és tanulja meg. Új tartalmak generálása: A megtanult mintázatok alapján a rendszer új, korábban nem látott tartalmakat hoz létre. Példa: Egy szövegalapú generatív MI új történeteket írhat a meglévő irodalmi adatok alapján. Gyakorlati példa Egy generatív MI platform, például a DALL-E, lehetővé teszi egy grafikus számára, hogy néhány szöveges utasítás alapján elkészítsen egy teljesen egyedi illusztrációt: Utasítás: „Egy futurisztikus város éjszaka, neonfényekkel és repülő autókkal.” Eredmény: A generatív MI néhány másodperc alatt létrehozza a kívánt képet. | Synthesia Hungary SignAll DALL.E ChatGPT Runway ML MidJourney Jasper AI |
General-purpose AI
| General-purpose AI Often refers to AI models that can be adapted to a wide range of applications | Az általános célú mesterséges intelligencia (General-purpose AI) olyan MI modellekre utal, amelyek képesek különféle feladatok elvégzésére, és alkalmazkodni tudnak különböző alkalmazási területekhez. Ezek a modellek széleskörű képességekkel rendelkeznek, és nem egyetlen konkrét problémára vagy szakterületre vannak specializálva, hanem rugalmasan adaptálhatók különböző feladatokhoz. Gyakorlati példa Egy multinacionális vállalat általános célú MI-t használ: Szövegírás: Automatikusan elkészíti a heti marketingkampány szövegeit. Adatelemzés: Az üzleti adatok alapján felismeri a piaci trendeket. Ügyfélszolgálat: Virtuális asszisztens válaszol a vásárlók kérdéseire. Kreativitás: Termékötleteket generál a kutatás-fejlesztési csapat számára. | Google Bard Anthropic Claude ChatGPT AlphaZero BERT |
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-3 GPTs—or Generative Pre-trained Transformers—form an assortment of neural network-based language models developed by Open AI. GPT-3 has been ranked among the most advanced models of its time. With a vocabulary size of 175 billion words, its prowess lies in deciphering and producing human-like text, rendering it a versatile asset for various natural language tasks, from chatbots and content creation to language translation and beyond. | A GPT-3 a Generative Pre-trained Transformer (generatív előretanított transzformátor) modellek harmadik generációja, amelyet az OpenAI fejlesztett ki. Ez az egyik legfejlettebb nyelvi modell a maga idejében, amely 175 milliárd paraméterrel dolgozik, és kivételes képességekkel rendelkezik az emberi nyelv megértésében és generálásában. A GPT-3 képes természetes nyelvi feladatok széles skáláját elvégezni, beleértve a szövegírást, fordítást, kérdések megválaszolását és még sok mást. Alkalmazási területek Ügyfélszolgálat: Chatbotok és virtuális asszisztensek, amelyek segítenek az ügyfelek kérdéseinek megválaszolásában. Tartalomkészítés: Automatikusan generál blogbejegyzéseket, cikkeket vagy marketinganyagokat. Oktatás: Tananyagok készítése és személyre szabott tanulási útvonalak kidolgozása. Kutatás és tudomány: Segítségnyújtás tudományos cikkek írásában és szakmai elemzések készítésében. Nyelvészeti kutatások: Nyelvi mintázatok és szerkezetek elemzése, új nyelvtanok kidolgozása. Programozás: Kódírás és fejlesztői támogatás. Gyakorlati példa Egy GPT-3 alapú rendszer segíthet egy cég marketingcsapatának: Szlogenek írásában: Automatikusan generál kreatív reklámszövegeket. Blogbejegyzések készítésében: Témától függően megír egy cikket. Adatok elemzésében: Kivonatolja a legfontosabb információkat egy hosszú szövegből. | Neticle MIA (OTP Bank) Jasper AI Copy.ai Writesonic AI Dungeon |
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
| Guardrails Guardrails refers to restrictions and rules placed on AI systems to make sure that they handle data appropriately and don’t generate unethical content. | A védőkorlátok olyan szabályok, korlátozások és irányelvek, amelyeket mesterséges intelligencia (MI) rendszerekre alkalmaznak annak érdekében, hogy megfelelően kezeljék az adatokat, elkerüljék az etikátlan tartalmak generálását, és biztosítsák a rendszerek biztonságos működését. Ezek a védőkorlátok kulcsszerepet játszanak az MI-rendszerek etikus és felelős használatában. Miért van szükség védőkorlátokra? Adatvédelem: Az MI-rendszereknek biztosítaniuk kell a felhasználók érzékeny adatainak védelmét, hogy megakadályozzák az adatvédelmi jogsértéseket. Etikai tartalomgenerálás: A rendszereknek kerülniük kell a sértő, káros, diszkriminatív vagy félrevezető tartalmak generálását. Biztonság: Az MI-t biztonságosan kell használni, hogy ne hozzon létre olyan tartalmakat, amelyek veszélyeztethetik az emberek biztonságát. Felelősség: Az MI-rendszereknek átláthatónak kell lenniük, és szükség esetén lehetővé kell tenniük a visszakövethetőséget. Gyakorlati példa Egy chatbot védőkorlátokkal van ellátva: Etikus válaszok: Nem adhat tanácsot veszélyes tevékenységekhez. Adatvédelem: Nem rögzítheti a felhasználók személyes adatait engedély nélkül. Visszajelzés-alapú javítás: Ha a chatbot sértő választ ad, a rendszer frissíti magát a visszajelzések alapján. | Szamlazz.hu OTP Bank Microsoft Azure OpenAI Service Anthropic Claude Google Bard |
Hallucination
| Hallucination Hallucination refers to an incorrect response from an AI system, or false information in an output that is presented as factual information. | A hallucináció az MI-rendszerekben olyan jelenség, amikor a mesterséges intelligencia pontatlan, félrevezető vagy teljesen hamis információt generál, de azt valós és megbízható tényként tálalja. Ez a probléma különösen gyakori a nagy nyelvi modellekben, például a GPT-rendszerekben, amelyek komplex feladatokat végeznek, mint például szövegírás, kérdések megválaszolása vagy adatok elemzése. Miért történik hallucináció? Adathalmaz hiányosságai: Az MI modellt olyan adatokon képezték, amelyek hibás, hiányos vagy nem megbízható információkat tartalmaznak. Túlzott általánosítás: A modell arra törekszik, hogy minden kérésre választ adjon, még akkor is, ha az adott témáról nem rendelkezik megfelelő információval. Kreatív tartalomgenerálás: Az MI megpróbál következtetni és kitalálni a válaszokat, ami téves információhoz vezethet. Kontextus hiánya: A modell nem érti teljesen a felhasználói kérdés kontextusát, így pontatlan válaszokat adhat. Statisztikai alapú működés: A nyelvi modellek nem „értik” a valóságot, hanem statisztikai mintázatok alapján dolgoznak, ami néha hibákhoz vezet. Gyakorlati példa Egy nyelvi modell feladata, hogy történelmi eseményeket ismertessen. A kérdés: „Ki nyerte az 1970-es labdarúgó-világbajnokságot?” A modell helytelenül válaszolhat: „Az Egyesült Államok nyerte,” miközben a helyes válasz Brazília. | SzTAKI ChatGPT Google Bard DeepMind Gemini |
Hyperparameter
| Hyperparameter A hyperparameter is a parameter, or value, that affects the way an AI model learns. It is usually set manually outside of the model. | A hiperparaméter egy olyan beállítás vagy érték, amely befolyásolja az MI modell tanulási folyamatát, de maga a modell nem tanulja meg ezeket az értékeket. Ezeket a hiperparamétereket a fejlesztők manuálisan állítják be, általában a modell tanulása előtt. A megfelelő hiperparaméterek kiválasztása kritikus a modell teljesítménye szempontjából. Miért fontosak a hiperparaméterek? Tanulási sebesség: A megfelelő tanulási ráta gyorsíthatja a modell betanítását, míg a rosszul megválasztott értékek lassú vagy instabil tanuláshoz vezethetnek. Modell pontossága: A hiperparaméterek közvetlenül befolyásolják, hogy a modell milyen jól illeszkedik az adatokhoz. Túlilleszkedés és alulilleszkedés: Az optimális hiperparaméterek segítenek elkerülni, hogy a modell túlzottan az edzési adatokra koncentráljon (túlilleszkedés), vagy hogy alulfejlett legyen (alulilleszkedés). Hatékonyság: A megfelelő beállítások csökkenthetik a számítási erőforrás-igényt és a tanítási időt. Példák hiperparaméterekre Tanulási ráta: Példaértékek: 0,01; 0,001; 0,0001 Hatás: Túl magas érték instabilitást okozhat, míg túl alacsony érték lassítja a tanulási folyamatot. Batch-méret: Példaértékek: 16, 32, 64, 128 Hatás: Nagyobb batch-méret gyorsabb számítást tesz lehetővé, de több memóriát igényel. Dropout-arány: Példaértékek: 0,1; 0,3; 0,5 Hatás: Segít csökkenteni a túlilleszkedést. | Almotive Starschema TensorFlow Keras Tuner Optuna Ray Tune Hyperopt |
Image recognition
| Image recognition Image recognition is the process of identifying an object, person, place, or text in an image or video. | A képfelismerés egy olyan technológia, amely képes azonosítani és értelmezni objektumokat, embereket, helyszíneket vagy szövegeket egy képen vagy videón. A képfelismerés az MI és a számítógépes látás területéhez tartozik, és alapvetően a mintafelismerésen és a gépi tanuláson alapul. Gyakorlati példa Egy képfelismerési rendszer segíthet egy városi forgalomfigyelő központnak: Azonosítja a forgalmi torlódásokat valós idejű kameraképek alapján. Figyelmezteti az operátorokat, ha balesetet vagy szabálytalanságot észlel. Rögzíti az autók rendszámtábláit, hogy támogassa a szabálysértések azonosítását. | Almotive RecoSense Google Lens Amazon Rekognition Microsoft Azure Computer Vision OpenCV Clarifai |
Information Processing Language – IPL
| Information Processing Language – IPL Developed in the late 1950s, Information Processing Language, or IPL, was one of the first high-level programming languages for manipulating data and processing information. Today, IPLs are unique to each artificial intelligence application. | Az Információfeldolgozó Nyelv (IPL) az egyik legelső magas szintű programozási nyelv volt, amelyet az 1950-es évek végén fejlesztettek ki. Az IPL különösen az információk feldolgozására és adatok manipulálására összpontosított, és mérföldkőnek számított a mesterséges intelligencia (MI) kezdeti kutatásai során. Az IPL az MI-algoritmusok megvalósításának egyik elsődleges eszköze volt abban az időszakban. Példák az IPL használatára Logic Theorist: Az IPL-t használták az első számítógépes tételbizonyító rendszer, a „Logic Theorist” megvalósításához, amely matematikai tételeket bizonyított. Játékelmélet: Az IPL támogatta a korai játékstratégiák és döntéshozatali algoritmusok kidolgozását. Gráfkeresés: A gráfokkal végzett keresési algoritmusokat az IPL-ben valósították meg, például az optimális útvonal megtalálására. | ELTE AI Lab Prezi LISP Prolog Mathematica CLIPS Racket |
Internet of Things – IoT
| Internet of Things – IoT The Internet of Things, or IoT, acts as a web of digital objects embedded in our physical world. It’s a network of smart devices, from everyday objects like thermostats and smartwatches to industrial machines, that can collect, exchange, and act on data. When combined with AI, IoT machines display better predictive maintenance capabilities. | A Dolgok Internete (IoT) olyan eszközök hálózata, amelyek a fizikai világban működve kapcsolódnak az internethez, képesek adatokat gyűjteni, megosztani és azokra reagálni. Az IoT lefedi a mindennapi élet eszközeit (például okosórák, termosztátok) és az ipari gépeket, amelyek intelligens megoldásokkal támogatják a hatékonyságot, a kényelmet és a biztonságot. Gyakorlati példa Egy okosotthon IoT rendszere: Az érzékelők figyelik a hőmérsékletet, a világítást és a mozgást. Ha a lakók elhagyják a házat, a rendszer automatikusan lekapcsolja a világítást és csökkenti a fűtést, ezzel energiát takarítva meg. A rendszer egy okostelefonos alkalmazással vezérelhető, amely lehetővé teszi a távvezérlést és a valós idejű jelentéseket. | Logiscool GreenGo Smart City Budapest Nest Philips Hue Amazon Echo Fitbit Samsung SmartThings |
Large language model – LLM
| Large language model – LLM A large language model (LLM) is an AI model that has been trained on large amounts of text so that it can understand language and generate human-like text. | A nagy nyelvi modell (LLM) egy mesterséges intelligencia modell, amely hatalmas mennyiségű szöveges adaton lett betanítva, hogy megértse és generálja az emberi nyelvhez hasonló szövegeket. Az LLM-ek képesek bonyolult nyelvi feladatokat elvégezni, például szövegírást, fordítást, kérdések megválaszolását és nyelvi elemzéseket. Gyakorlati példa Egy LLM alapú rendszer segíthet egy könyvkiadónak: Tartalomgenerálás: Automatikusan létrehoz egy történetet egy megadott témában. Összefoglalás: Rövid összefoglalót készít egy meglévő könyvről. Fordítás: A könyvet több nyelvre is lefordítja. | MIA (OTP Bank) Kódolja.hu GPT-3/4 Claude BERT LaMDA |
Limited memory AI
| Limited memory AI Limited memory is a type of AI system that receives knowledge from real-time events and stores it in the database to make better predictions. | A korlátozott memóriájú mesterséges intelligencia (Limited Memory AI) olyan MI rendszer, amely képes tanulni és alkalmazkodni valós idejű eseményekből származó információk alapján, majd ezeket az adatokat ideiglenesen tárolni a későbbi döntéshozatal támogatására. Ez az MI kategória a gépi tanulási rendszerek közé tartozik, és gyakran használt önvezető autókban, ajánlórendszerekben vagy valós idejű predikciós modellekben. Jellemzői Valós idejű tanulás: Az MI folyamatosan tanul a környezetből érkező új adatokból. Példa: Egy önvezető autó tanul a forgalmi körülmények változásairól. Ideiglenes adattárolás: A rendszer ideiglenesen megőrzi az adatokat egy meghatározott időtartamig, hogy javítsa a teljesítményt. Példa: Egy ajánlórendszer elemzi az előző kereséseidet, hogy releváns termékeket javasoljon. Korlátozott tárolási kapacitás: Az adatok csak addig állnak rendelkezésre, amíg relevánsak, majd a rendszer törli vagy felülírja azokat. Példa: Egy okostermosztát tárolja az elmúlt néhány órás hőmérsékleti adatokat. Jobb előrejelzés: Az MI az előző eseményekből tanult minták alapján pontosabb döntéseket hoz. Példa: Egy önvezető autó kiszámítja a legjobb útvonalat a valós idejű forgalmi adatok alapján. Gyakorlati példa Egy önvezető autó korlátozott memóriájú MI rendszere: Adatgyűjtés: A radar és a kamera érzékeli az útviszonyokat. Adatfeldolgozás: Elemzi a közlekedési táblákat és a gyalogosok mozgását. Tárolás: Az elmúlt néhány másodperc forgalmi eseményeit tárolja. Döntéshozatal: Lassít vagy megáll, ha gyalogos lép az úttestre. | Almotive Prezi Tesla Autopilot IBM Watson Apple Siri DeepMind AlphaGo |
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
| Artificial Narrow Intelligence – ANI Sometimes known as weak AI, these AI models are designed to perform a specific task (such as speech recognition) and cannot be adapted to other tasks. See also general-purpose AI. | A Mesterséges Szűk Intelligencia (ANI), más néven gyenge MI, olyan mesterséges intelligencia rendszerekre utal, amelyek egyetlen meghatározott feladat elvégzésére specializálódtak. Ezek az MI rendszerek nem képesek más típusú feladatokra alkalmazkodni vagy önállóan tanulni új tevékenységeket. Az ANI az MI jelenlegi fejlődésének legelterjedtebb típusa, és számos hétköznapi alkalmazásban megtalálható. ANI vs. AGI Tulajdonság ANI AGI Feladatspecifikusság Egyetlen feladatra korlátozott Képes többféle feladatot kezelni Tanulási képesség Nem képes új feladatokat tanulni Képes tanulni és alkalmazkodni Emberi intelligencia Nem emulálható Az emberi gondolkodás szintjén Példák Beszédfelismerés, képfelismerés Jövőbeli fejlett MI rendszerek Gyakorlati példa Egy banki ANI rendszer: Feladat: A banki tranzakciók elemzése csalás észlelésére. Működés: A rendszer az ügyfelek tranzakcióit elemzi, és gyanús mintázatok esetén riasztást küld. Korlát: Ez a rendszer nem tud más feladatokat, például hitelképesség-értékelést végezni. | Magyar Telekom Chatbot Netflix Amazon Alexa Apple Siri Google Search |
Natural language generation – NLG
| Natural language generation – NLG Natural language generation, or NLG systems, takes facts, figures, and data points and transforms them into coherent narratives, generating reports, articles, and content humans can easily understand. This technology powers automated reports and personalized responses to customers. | A természetes nyelvi generálás (NLG) olyan mesterséges intelligencia technológia, amely adatokból, tényekből és információkból érthető, koherens szöveges narratívákat állít elő. Az NLG rendszerek képesek automatizált jelentéseket, cikkeket és személyre szabott válaszokat készíteni, amelyeket emberek könnyen megértenek. Az NLG technológia kulcsfontosságú az olyan alkalmazásokban, mint az automatizált újságírás, az ügyfélszolgálati válaszok generálása és az üzleti jelentések készítése. Gyakorlati példa Egy pénzügyi szolgáltató NLG rendszere: Adatgyűjtés: A rendszer összegyűjti az ügyfél portfóliójának adatait. Adatelemzés: Elemzi az ügyfél befektetéseinek teljesítményét. Jelentés generálása: Automatikusan létrehoz egy havi jelentést, amely részletesen ismerteti az ügyfél befektetéseinek hozamát és javaslatokat tesz. | Prezi Adverity Wordsmith by Automated Insights Google AI’s BERT Copy.ai Quill by Narrative Science |
Natural language processing – NLP
| Natural language processing – NLP Natural language processing (NLP) is a type of AI that enables computers to understand spoken and written human language. NLP enables features like text and speech recognition on devices. | A természetes nyelvfeldolgozás (NLP) a mesterséges intelligencia egyik ága, amely lehetővé teszi, hogy számítógépek és algoritmusok megértsék, értelmezzék és generálják az emberi nyelvet, legyen az írott vagy beszélt forma. Az NLP célja, hogy az emberek és gépek közötti kommunikáció minél hatékonyabbá és természetesebbé váljon. Főbb NLP feladatok Szövegértés: A számítógép megérti a szöveges bemenet jelentését. Példa: Egy keresőmotor az adott kérdésre releváns találatokat ad. Szöveggenerálás: A rendszer új szövegeket hoz létre a bemenet alapján. Példa: Egy MI cikkeket ír egy adott témáról. Beszédfelismerés: A hangbemenetet szöveggé alakítja. Példa: Egy hangalapú asszisztens, mint az Alexa vagy a Google Asszisztens. Gépi fordítás: Szövegek automatikus fordítása egyik nyelvről a másikra. Példa: Google Fordító. Érzelemelemzés: Elemzi a szöveg érzelmi töltetét (pozitív, negatív, semleges). Példa: Egy cég az ügyfélértékeléseket elemezve felismeri az ügyfelek elégedettségét. Szövegösszegzés: Hosszú szövegek tömörített, lényegi összefoglalása. Példa: Egy hírcikk rövid összegzése. Kérdés-válasz rendszerek: Az NLP válaszol a felhasználó által feltett kérdésekre. Példa: Egy MI alapú ügyfélszolgálat. Gyakorlati példa Egy érzelemelemző rendszer: Feladat: Elemzi az ügyfélvéleményeket. Adat: „Nagyon tetszett a termék, de a szállítás lassú volt.” Eredmény: Pozitív érzelem (tetszett a termék), de negatív észrevétel a szállításról. | Neticle MIA (OTP Bank) SignAll Google Translate ChatGPT Amazon Comprehend spaCy |
Neural network
| Neural network A neural network is a deep learning technique designed to resemble the human brain’s structure. Neural networks require large data sets to perform calculations and create outputs, which enables features like speech and vision recognition. | A neurális hálózat egy mélytanulási technika, amely a biológiai agy felépítését és működését utánozza, hogy összetett problémákat oldjon meg. A neurális hálózatok nagy mennyiségű adatot dolgoznak fel, hogy mintázatokat ismerjenek fel, és ennek alapján előrejelzéseket vagy döntéseket hozzanak. Alkalmazási területek Képfelismerés: Neurális hálózatok segítségével azonosíthatók objektumok, arcok vagy minták képeken. Példa: Egy önvezető autó azonosítja a közlekedési táblákat. Beszédfelismerés: Az emberi beszéd szöveggé alakítása. Példa: Virtuális asszisztensek, mint az Alexa vagy a Siri. Természetes Nyelvfeldolgozás (NLP): Szöveges adatok megértése és feldolgozása, például fordítás vagy szövegösszefoglalás. Példa: Egy chatbot, amely ügyfélszolgálati kérdésekre válaszol. Egészségügy: Orvosi képek elemzése és diagnózisok készítése. Példa: Rákos sejtek azonosítása CT-vizsgálatokból. Pénzügy: Csalásfelderítés és kockázatelemzés. Példa: Egy bank rendszere felismeri a gyanús tranzakciókat. Szórakoztatás: Tartalomajánlók és kreatív eszközök, például zene vagy képek generálása. Példa: Netflix ajánlórendszere. Gyakorlati példa Egy neurális hálózat alapú képfelismerő rendszer: Adatgyűjtés: Rengeteg kép adathalmazából tanul. Tanítás: A rendszer megtanulja felismerni az autók, emberek és közlekedési táblák mintázatait. Alkalmazás: Egy önvezető autó kamerája érzékeli a gyalogosokat és a közlekedési lámpákat, és az adatok alapján döntéseket hoz. | Almotive RecoSense Magyar Telekom TensorFlow DeepMind AlphaGo NVIDIA Deep Learning AI IBM Watson |
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
| Open-source Open-source often means the underlying code used to run AI models is freely available for testing, scrutiny and improvement | A nyílt forráskód egy olyan fejlesztési megközelítés, amelyben a szoftver forráskódja szabadon elérhető, mások által megvizsgálható, módosítható és továbbfejleszthető. Az open-source az MI fejlesztésekben is egyre jelentősebb szerepet játszik, mivel a mesterséges intelligencia modellek és eszközök nyílt forráskódúvá tétele lehetővé teszi a közösségi együttműködést, az innováció gyorsítását és a technológia szélesebb körű elérhetőségét. Főbb jellemzők Szabad hozzáférés: Bárki letöltheti és megvizsgálhatja a szoftver forráskódját vagy az MI modell működését. Példa: Egy kutató szabadon tanulmányozhatja egy nyílt forráskódú MI keretrendszer algoritmusait. Közösségi fejlesztés: A nyílt forráskódú projekteket gyakran egy közösség fejleszti, amely hozzájárul az új funkciókhoz és a hibajavításokhoz. Példa: Egy fejlesztő csatlakozhat egy MI keretrendszerhez, hogy új modulokat hozzon létre. Átláthatóság: A nyílt forráskódú MI rendszerek működése átláthatóbb, ami csökkenti az „fekete doboz” jelenségből adódó aggályokat. Példa: Egy MI modell döntéshozatali logikája könnyebben vizsgálható. Adaptálhatóság: A kód szabadon módosítható, így az MI rendszereket testre szabhatjuk egyedi igényekhez. Példa: Egy cég módosíthatja a nyílt forráskódú chatbotot, hogy az saját ügyfélszolgálati igényeikhez igazodjon. | ELTE AI Lab Starschema TensorFlow PyTorch Hugging Face Keras Scikit-learn OpenCV |
Optical Character Recognition – OCR
| Optical Character Recognition – OCR OCR scans both printed and handwritten text, converting it into machine-readable text. Modern CR tools harness AI to make on-paper content easily editable and searchable, even allowing automated processing with contextual, skim-reading capabilities. | Az Optikai Karakterfelismerés (OCR) egy olyan technológia, amely képes nyomtatott vagy kézzel írott szövegeket digitális formátumú, géppel olvasható szöveggé alakítani. Az OCR lehetővé teszi a papíralapú dokumentumok digitalizálását, kereshetőségét és szerkeszthetőségét. A modern OCR rendszerek mesterséges intelligenciát is alkalmaznak, amely növeli a pontosságot, lehetővé teszi a kontextus alapú feldolgozást, és akár összefüggéseket is képes felismerni a dokumentumokban. OCR modern funkciói MI-alapú javítás: A mesterséges intelligencia segít a hibás karakterfelismerés korrigálásában. Többnyelvű támogatás: Az OCR szoftverek képesek több nyelven írt szövegek kezelésére. Kontextus alapú felismerés: A szöveg környezetét figyelembe véve pontosabb eredményt nyújtanak. Automatizált feldolgozás: Az OCR integrálható más rendszerekbe, például adatfeldolgozási vagy archiválási folyamatokba. Kézzel írott szövegek felismerése: Korszerű OCR technológiák képesek kézírásos dokumentumokat is digitalizálni. Gyakorlati példa Egy szállítmányozási cég OCR technológiát használ a címkék feldolgozására: Beolvasás: A csomagok címkéit kamerák olvassák be. Feldolgozás: Az OCR rendszer felismeri a címeket, vonalkódokat és egyéb adatokat. Automatizáció: Az adatok automatikusan bekerülnek a logisztikai rendszerbe, amely gyorsítja a szállítást és csökkenti az emberi hibákat. | Optical Systems Kft. Minitool Adobe Acrobat Google Cloud Vision OCR Tesseract ABBYY FineReader |
Overfitting
| Overfitting Overfitting occurs in machine learning training when the algorithm can only work on specific examples within the training data. A typical functioning AI model should be able to generalize patterns in the data to tackle new tasks. | A túlilleszkedés (overfitting) a gépi tanulásban előforduló probléma, amikor egy modell túl jól illeszkedik a tanuló adathalmazhoz, és nem képes általánosítani az új, eddig nem látott adatokra. Ilyenkor a modell nem a valódi mintázatokat tanulja meg, hanem az adott adathalmaz véletlenszerű jellemzőit is. Gyakorlati példa Egy e-kereskedelmi weboldal gépi tanulási modellje: Probléma: A modell a vásárlási szokások elemzésére tanul, de a tanuló adathalmazban mindig adott termékek szerepelnek a csúcsidőszakban. Túlilleszkedés tünete: A modell csak a tanuló adathalmaz alapján képes előrejelezni a vásárlásokat, és más időszakokban rossz eredményeket mutat. Megoldás: Az adathalmaz bővítése, amely tartalmazza az év különböző időszakaiban gyűjtött adatokat, valamint regularizáció alkalmazása. | Almotive Prezi TensorFlow Scikit-learn XGBoost Keras Google AutoML |
Pattern recognition
| Pattern recognition Pattern recognition is the method of using computer algorithms to analyze, detect, and label regularities in data. This informs how the data gets classified into different categories. | A mintafelismerés egy olyan számítógépes módszer, amely algoritmusokat használ az adatok elemzésére, a bennük rejlő szabályosságok és összefüggések felismerésére, majd az adatok kategorizálására. Ez a technika az adatok rendszerezésének és értelmezésének alapvető eleme, és a mesterséges intelligencia, a gépi tanulás és az adatelemzés egyik kulcsfontosságú része. Gyakorlati példa Egy képfelismerő rendszer: Adatgyűjtés: A rendszer képeket kap, például gyümölcsökről. Előfeldolgozás: A képek tisztítása és méretezése. Jellemzők kinyerése: A rendszer azonosítja a gyümölcsök színeit, alakjait és textúráit. Osztályozás: A rendszer meghatározza, hogy az adott gyümölcs például alma vagy narancs. Értékelés: A modell pontosságát ellenőrzik egy új, tesztelt adathalmazon. | RecoSense Almotive Google Images IBM Watson Amazon Rekognition Face++ |
Predictive analytics
| Predictive analytics Predictive analytics is a type of analytics that uses technology to predict what will happen in a specific time frame based on historical data and patterns. | A prediktív analitika egy olyan elemzési módszer, amely technológiát és algoritmusokat használ annak előrejelzésére, hogy mi fog történni egy adott időkeretben. A módszer az adatokban rejlő történeti mintázatok és trendek elemzésére támaszkodik, hogy pontos előrejelzéseket készítsen a jövőbeli eseményekről. Ez a technológia kulcsszerepet játszik az üzleti döntéshozatalban, a kockázatkezelésben és az ügyfélélmény javításában. Gyakorlati példa Egy webáruház prediktív analitikai modellt használ: Adatok gyűjtése: A vásárlói előzmények, például korábbi rendelési adatok és keresési előzmények. Adatok elemzése: Az algoritmusok elemzik a mintázatokat, például, hogy mely termékek népszerűek bizonyos időszakokban. Előrejelzések készítése: A modell előrejelzi, hogy mely termékek iránt lesz kereslet a következő hónapban. Alkalmazás: A készletet ennek megfelelően optimalizálják, így csökkentve a felesleges készletköltségeket. | Prediktor MediCall IBM Watson Analytics Salesforce Einstein SAS Predictive Analytics Google Cloud AI |
Prescriptive analytics
| Prescriptive analytics Prescriptive analytics is a type of analytics that uses technology to analyze data for factors such as possible situations and scenarios, past and present performance, and other resources to help organizations make better strategic decisions. | Az előíró (preskriptív) analitika a legfejlettebb analitikai módszerek egyike, amely technológiát és algoritmusokat használ arra, hogy adatok és forgatókönyvek elemzése alapján ajánlásokat nyújtson az optimális döntések meghozatalához. Nemcsak megjósolja, hogy mi fog történni (mint a prediktív analitika), hanem azt is megmondja, hogy milyen lépéseket kell tenni a legjobb eredmény elérése érdekében. Gyakorlati példa Egy kiskereskedelmi vállalat előíró analitikát használ az árképzés optimalizálására: Adatok gyűjtése: Az eladási adatok, szezonális trendek és versenytársak árai. Prediktív modellezés: A rendszer előrejelzi, hogy mely termékek iránt nőhet a kereslet a következő hónapban. Optimalizáció: Az algoritmus javaslatot tesz az árazási stratégiára, hogy maximalizálja a bevételt. Döntéshozatal: A vezetőség az ajánlásokat figyelembe véve beállítja az árakat. | Starschema Almotive IBM Watson Studio SAS Predictive Analytics Oracle Analytics Cloud Google Cloud AI |
Pre-training
| Pre-training Pre-training is the initial phase where AI models learn the basics of accomplishing a particular task, like learning the alphabet before diving into writing full sentences. The models are exposed to large datasets, helping them grasp languages and patterns. This sets the stage for fine-tuning, where they train to specialize in specific tasks. | Az előképzés a mesterséges intelligencia modellek fejlesztésének egy alapvető fázisa, amely során a modellek nagy mennyiségű adaton tanulják meg az alapvető mintázatokat és összefüggéseket. Ez a folyamat hasonlít ahhoz, mint amikor valaki először az ábécét tanulja meg, mielőtt összetett mondatokat kezdene írni. Az előképzés során a modellek általános képességeket sajátítanak el, amelyek később finomhangolással (fine-tuning) egyedi feladatokra optimalizálhatók. Gyakorlati példa Egy nyelvi modell előtanulása: Adatgyűjtés: A modell milliónyi szöveges adatból tanul, például könyvekből, cikkekből és fórumokból. Előtanulás: A modell megtanulja az angol nyelv szintaxisát, nyelvtanát és szókincsét. Finomhangolás: Az előtanult modellt adaptálják egy adott feladatra, például orvosi szövegek elemzésére. | Almotive ELTE AI Lab OpenAI GPT-3/4 BERT XLNet DeepMind AlphaZero Facebook’s RoBERTa |
Prompt
| Prompt A prompt is an input that a user feeds to an AI system in order to get a desired result or output. | A prompt egy olyan bemenet, amelyet a felhasználó ad egy mesterséges intelligencia rendszernek, hogy egy adott eredményt vagy választ kapjon. A prompt lehet egy szöveg, kérdés, parancs, vagy akár több információt tartalmazó kontextus. Az MI rendszerek, különösen a nagy nyelvi modellek (LLM-ek), mint a GPT, a prompt alapján generálnak válaszokat vagy végrehajtanak bizonyos feladatokat. Jó prompt készítésének alapjai Pontosság: A prompt legyen egyértelmű és specifikus. Példa: „Írj egy 200 szavas összefoglalót a klímaváltozás hatásairól!” Kontextus megadása: Adjon releváns információkat, hogy az MI pontosabb választ generáljon. Példa: „Képzeld el, hogy egy 19. századi hajós vagy, és írd le az Atlanti-óceán átkelését!” Cél meghatározása: Fogalmazza meg, mit szeretne elérni a prompttal. Példa: „Készíts egy vicces történetet egy robotról, amely pizzafutárként dolgozik.” Formátum megadása: Adja meg, milyen formában várja a választ. Példa: „Kérlek, írd a választ felsorolás formájában.” Több lépés megadása: Ossza részekre a kérését, ha az összetettebb. Példa: „Először magyarázd el, mi az ökoszisztéma, majd adj példát egy trópusi ökoszisztémára.” | ChatGPT MidJourney DALL.E Gemini Llama |
Quantum computing
| Quantum computing Quantum computing is the process of using quantum-mechanical phenomena such as entanglement and superposition to perform calculations. Quantum machine learning uses these algorithms on quantum computers to expedite work because it performs much faster than a classic machine learning program and computer. | A kvantumszámítást a kvantummechanika alapelveire épülő számítástechnikai technológia jelenti. Ez a megközelítés lehetővé teszi, hogy a kvantumszámítógépek olyan számításokat végezzenek el, amelyek a hagyományos számítógépeken rendkívül lassúak lennének, vagy gyakorlatilag lehetetlenek. Gyakorlati példa Egy gyógyszercég kvantumszámítógépet használ új gyógyszerek felfedezésére: Probléma: Egy új vegyület lehetséges mellékhatásainak szimulációja. Kvantummegoldás: A molekulák kvantummechanikai szimulációja segít gyorsan azonosítani a legjobb összetételeket. Eredmény: A fejlesztési idő csökkentése és a költségek optimalizálása. | IT4Innovations Quantum Leap Hungary IBM Quantum Google Quantum AI Microsoft Quantum Development Kit Honeywell Quantum Solutions D-Wave Systems |
Reinforcement Learning
| Reinforcement Learning Reinforcement Learning (RL) is a branch of machine learning focused on making decisions to maximize cumulative rewards in a given situation. Unlike supervised learning, which relies on a training dataset with predefined answers, RL involves learning through experience. In RL, an agent learns to achieve a goal in an uncertain, potentially complex environment by performing actions and receiving feedback through rewards or penalties. | A megerősítéses tanulás (Reinforcement Learning, RL) a gépi tanulás egyik ága, amely a döntéshozatalra és a cselekvések következményeire összpontosít. Az RL célja, hogy egy ügynök (agent) egy adott környezetben megtanuljon cselekvéseket végrehajtani úgy, hogy maximalizálja a hosszú távú jutalom (reward) összegét. A tanulási folyamat az ügynök által szerzett tapasztalatokon alapul, nem előre meghatározott mintákon, mint a felügyelt tanulás esetében. Gyakorlati példa Egy önvezető autó RL-modellje: Állapot: Az autó aktuális sebessége, pozíciója és a környezet (pl. más járművek, közlekedési lámpák). Cselekvés: Gyorsítás, fékezés, sávváltás. Jutalom: Pozitív pont, ha az autó biztonságosan elér egy célt; negatív pont, ha ütközik vagy szabályt sért. Cél: Maximalizálni a biztonságos vezetés közbeni hatékonyságot. | Netflix YouTube Boston Dynamics DeepMind AlphaGo Alexa |
Responsible AI
| Responsible AI Often refers to the practice of designing, developing, and deploying AI with certain values, such as being trustworthy, ethical, transparent, explainable, fair, robust and upholding privacy rights. | A felelős mesterséges intelligencia (Responsible AI) az a megközelítés, amely biztosítja, hogy az MI rendszerek tervezése, fejlesztése és alkalmazása során olyan alapvető értékeket tartsanak szem előtt, mint a megbízhatóság, etikai normák betartása, átláthatóság, tisztesség, robusztusság és az adatvédelmi jogok tiszteletben tartása. Ez a gyakorlat segíti az MI rendszerek társadalmi elfogadottságát, miközben minimalizálja a technológia káros hatásait. Gyakorlati példa Egy bank felelős MI-t alkalmaz a hitelbírálatok során: Adatok ellenőrzése: Az adathalmazból eltávolítják a nemekre vagy etnikai hovatartozásra vonatkozó torzító tényezőket. Átláthatóság: A rendszer minden hitelbírálati döntést magyarázattal lát el. Etikus működés: Az algoritmus garantálja, hogy minden ügyfelet azonos feltételekkel bírálnak el. | Prezi MediCall Google AI Microsoft AI IBM Watson OpenAI |
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 |
Rule-based system
| Rule-based system A rule-based system relies on predefined rules and logic to make decisions and perform tasks. It’s like having a rulebook, where the AI system follows specific instructions and conditions to reach conclusions or take action. Let’s take a smart home security app as an example. If the motion sensor detects movement—Condition—it triggers a notification to the homeowner’s smartphone—Action. | A szabályalapú rendszer olyan számítógépes rendszer, amely előre meghatározott szabályok és logikai feltételek alapján hoz döntéseket és végez feladatokat. Ez a megközelítés hasonló egy „szabálykönyv” használatához, ahol az MI-rendszer konkrét utasításokat és feltételeket követ, hogy következtetéseket vonjon le vagy cselekvéseket hajtson végre. Példa egy szabályalapú rendszerre Okosotthon biztonsági rendszer: Feltétel: „Ha mozgás érzékelhető az ajtó közelében ÉS az idő éjszaka van.” Cselekvés: „Kapcsold be a biztonsági fényt és küldj értesítést a tulajdonosnak.” Eredmény: Ha este van, és valaki az ajtó közelében mozog, a rendszer automatikusan reagál a szabályok alapján. | Almotive Neticle CLIPS Mycin IBM Watson XpertRule Prolog |
Self-Organizing Maps – SOM
| Self-Organizing Maps – SOM Imagine Self-Organizing Maps or SOM as the data organizers of the AI world. They’re trained to represent high-dimensional data into a simpler model while retaining its original topography. The idea is to make data easier to understand. | Az Önszerveződő térképek (SOM) egy olyan mesterséges neurális hálózati módszer, amely az adatok szervezésére és vizualizálására szolgál. Az SOM képes a magas dimenziójú adatokat egyszerűbb, könnyebben értelmezhető formába hozni, miközben megőrzi azok eredeti topográfiai szerkezetét. Ez azt jelenti, hogy a hasonló adatpontok a térképen egymáshoz közel kerülnek, míg az eltérőek távolabb. Gyakorlati példa Egy kiskereskedelmi vállalat vásárlói viselkedés elemzése: Adatok: Vásárlói előzmények, például vásárolt termékek, költések, gyakoriság. SOM alkalmazása: Az adatok alapján az SOM az ügyfeleket csoportokra osztja, például: Nagy költekezők. Ritkán vásárlók. Akcióvadászok. Eredmény: A vállalat személyre szabott marketingkampányokat indít a különböző csoportok számára. | Starschema Matlab TensorFlow Weka SOM Toolbox Nanonets |
Semi-supervised learning
| Semi-supervised learning A way of training machine learning systems for a specific application. An AI system uses a mix of supervised and unsupervised learning and labelled and unlabelled data. This type of learning is useful when it is difficult to extract relevant features from data and when there are high volumes of complex data, such as identifying abnormalities in medical images, like potential tumours or other markers of diseases. See also supervised learning and unsupervised learning. | A félig felügyelt tanulás egy gépi tanulási módszer, amely ötvözi a felügyelt (supervised) és a nem felügyelt (unsupervised) tanulás előnyeit. Ebben a megközelítésben a rendszer egyszerre használ címkézett és címkézetlen adatokat a tanulási folyamat során. Ez különösen hasznos, ha a címkézett adatok előállítása költséges vagy időigényes, de nagy mennyiségű címkézetlen adat áll rendelkezésre. Gyakorlati példa Egy orvosi diagnosztikai rendszer félig felügyelt tanulást használ: Adatok: 500 képen manuálisan címkézték a rákos daganatokat, míg 5000 képen nincsenek címkék. Tanulási folyamat: A rendszer a címkézett képek alapján tanulja meg a daganatok mintázatait. Ezután a címkézetlen képeket elemzi, hogy azonosítsa a daganatokkal megegyező mintákat. Eredmény: A rendszer képes megbízhatóan azonosítani a daganatokat nagy mennyiségű címkézetlen adat felhasználásával. | Google AutoML NVIDIA Deep Learning LabelProp Amazon SageMaker Microsoft Research |
Sentiment analysis
| Sentiment analysis Also known as opinion mining, sentiment analysis is the process of using AI to analyze the tone and opinion of a given text. | Az érzelemelemzés (angolul: sentiment analysis), más néven véleménybányászat, egy mesterséges intelligenciát használó folyamat, amely egy adott szöveg tónusának és véleményének elemzésére szolgál. Az érzelemelemzés célja, hogy azonosítsa, hogy egy szövegben kifejezett vélemény pozitív, negatív vagy semleges, valamint, hogy mélyebb betekintést nyújtson a felhasználók, ügyfelek vagy közösségek érzéseibe. Gyakorlati példa Egy étteremlánc az érzelemelemzést használja: Adatok gyűjtése: Az ügyfelek online értékelései és közösségi médiás bejegyzései. Elemzés: Az MI-rendszerek azonosítják, hogy az értékelések többsége pozitív, de néhány kritizálja az étterem lassú kiszolgálását. Intézkedés: Az étteremlánc növeli a személyzet létszámát a kritikus időszakokban, javítva az ügyfélélményt. | Neticle MediCall IBM Watson Tone Analyzer Lexalytics Hootsuite Insights MonkeyLearn |
Speech-to-text
| Speech-to-text A nifty technology that listens to your voice and transforms what you say into written words on a screen—that’s it. Whether dictating a message, transcribing a meeting, or using voice commands with your device, speech-to-text makes communication and data entry a breeze. | A beszéd szöveggé alakítása egy olyan technológia, amely képes a beszélt nyelvet írott szöveggé alakítani. Az eljárás során a rendszer a hangadatokat elemzi, és azonosítja az elhangzott szavakat, majd írott formában megjeleníti azokat. Ez a technológia rendkívül hasznos a diktálás, az értekezletek jegyzetelése, valamint a hangvezérlésű eszközök használata során. Gyakorlati példa Egy vállalat beszéd szöveggé alakítás technológiát használ az értekezletek dokumentálására: Beállítás: A résztvevők hangját rögzítik egy mikrofonon keresztül. Felismerés: A rendszer valós időben felismeri és szöveggé alakítja az elhangzottakat. Jegyzetek: Az automatikusan generált jegyzeteket a résztvevők megoszthatják vagy archiválhatják. | Sonar Voicera Google Speech-to-Text Microsoft Azure Speech Service Otter.ai Rev Dragon NaturallySpeaking |
Structured data
| Structured data Structured data is data that is defined and searchable. This includes data like phone numbers, dates, and product SKUs. | A strukturált adatok olyan információk, amelyek előre meghatározott formában vannak tárolva, rendszerezve és ezáltal könnyen kereshetők. Példák strukturált adatokra: telefonszámok, dátumok, termékkódok (SKU), nevek, címek és árak. Strukturált adatok vs. Nem strukturált adatok Jellemző Strukturált adatok Nem strukturált adatok Formátum Táblázatos, előre meghatározott szerkezet Rendezetlen, például szöveg, kép, videó Kereshetőség Könnyen kereshető Speciális eszközöket igényel Példa Telefonszámok, árak E-mailek, közösségi média bejegyzések Alkalmazási terület Üzleti elemzés, CRM Tartalomkezelés, szövegbányászat | Starschema Microsoft SQL Server Oracle Database Google BigQuery Tableau Amazon Redshift |
Artificial Super Intelligence – ASI
| Artificial Super Intelligence – ASI A theoretical form of AI that has intelligence greater than humans and exceeds their cognitive performance in most domains. See also artificial general intelligence. | A mesterséges szuperintelligencia (Artificial Super Intelligence, ASI) egy elméleti mesterséges intelligenciaforma, amely az emberi intelligenciát nemcsak egyenrangúan elérné, hanem minden kognitív területen meghaladná. Ez azt jelenti, hogy az ASI nemcsak az emberek logikai, kreatív és érzelmi képességeit múlná felül, hanem új dimenziókat nyitna a gondolkodásban és a problémamegoldásban. ASI vs. Más MI-típusok Típus Leírás Példa Mesterséges Szűk Intelligencia (ANI) Egy adott feladatra specializált MI. Sakkprogram, arcfelismerő rendszer Mesterséges Általános Intelligencia (AGI) Emberi szintű intelligenciát ér el, képes többféle kognitív feladat elvégzésére. Egy MI, amely egyaránt tanulhat nyelveket és fizikát. Mesterséges Szuperintelligencia (ASI) Az emberi intelligenciát minden területen felülmúlja. Egy MI, amely feltalálja a kvantumfizika új törvényeit. | ELTE AI Lab OpenAI DeepMind IBM Watson Anthropic SingularityNET |
Supervised learning
| Supervised learning Supervised learningis a type of machine learning in which classified output data is used to train the machine and produce the correct algorithms. It is much more common than unsupervised learning. | A felügyelt tanulás a gépi tanulás egyik leggyakoribb és legismertebb formája, amely során az algoritmusokat előre címkézett adatokkal tanítják meg. A modell megtanulja az adatok bemeneti jellemzői és a hozzájuk tartozó kimeneti címkék közötti kapcsolatot, majd ezt a tudást új, ismeretlen adatok esetében is alkalmazza a megfelelő eredmény előrejelzésére. Gyakorlati példa Egy élelmiszer-áruház előrejelzési rendszert készít az eladások optimalizálására: Adatok: A korábbi eladási adatok (például: dátum, termék, ár, értékesített mennyiség). Címkék: Az eladott mennyiség. Modell: A rendszer regresszióval megtanulja, hogy az ár, az időjárás és az ünnepek hogyan befolyásolják az eladásokat. Alkalmazás: A modell megjósolja, hogy egy adott termékből hány darab fog fogyni a következő héten, segítve a készletezés optimalizálását. | TensorFlow Scikit-learn Kaggle Google Cloud AI |
Text-to-image generator
| Text-to-image generator This is a powerful AI tool that takes written descriptions or text-based input data and creates images based on those prompts. | A szövegből kép generátor egy mesterséges intelligencián alapuló eszköz, amely képes írott leírások vagy szövegalapú bemenetek alapján képeket létrehozni. Ezek az algoritmusok a szöveg tartalmát és kontextusát értelmezve vizuálisan jelenítik meg a felhasználó által leírt jelenetet, tárgyat vagy hangulatot. Példa egy szövegből kép generátorra: Midjourney Bemenet: „Egy futurisztikus város az űrben, neonfényekkel megvilágított égbolt alatt.” Kimenet: A rendszer egy részletes, színes képet generál, amely egy űrvárost ábrázol neonfényekkel és futurisztikus építményekkel. | Piktory Mindsworn BotLab DALL.E 2 MidJourney Stable Diffusion Artbreeder DeepAI |
Text-to-speech
| Text-to-speech In contrast to speech-to-text, text-to-speech turns written text into spoken words. Whether a screen reader helping visually impaired individuals or a virtual assistant reading your messages aloud, text-to-speech makes information accessible and communication more inclusive, just like an AI storyteller. | A szövegből beszéddé alakítás (Text-to-Speech, TTS) olyan mesterséges intelligencia-alapú technológia, amely írott szöveget alakít át emberi hangon elmondott beszéddé. Ez a technológia lehetővé teszi, hogy az információkat azok is elérhessék, akik nem tudják elolvasni a szöveget, például látássérült emberek, vagy egyszerűen csak praktikus megoldást nyújt a mindennapi kommunikációhoz. Típusai Formális TTS rendszerek: Statikus hangadatbázison alapulnak, amely előre rögzített szavakat és kifejezéseket kombinál. Előny: Gyors, egyszerű. Hátrány: Kevésbé természetes hangzás. Dinamikus TTS rendszerek: Mélytanulási algoritmusokat használnak, például neurális hálózatokat. Előny: Természetesebb, érzelemgazdagabb hang. Hátrány: Nagyobb számítási kapacitást igényel. Hibrid rendszerek: A statikus és dinamikus megközelítések kombinációja. Példa: Különböző hangszínek és stílusok között váltogat. Gyakorlati példa Egy e-kereskedelmi vállalat TTS rendszert alkalmaz: Használat: Az ügyfelek automatikusan felolvashatják a termékértékeléseket. Eredmény: Az idősebb vagy látássérült vásárlók számára is elérhetővé válik az online vásárlás. | Sonar Kisva Google Text-to-Speech Amazon Polly IBM Watson Text to Speech Microsoft Azure Cognitive Services iSpeech |
Token
| Token A token is a basic unit of text that an LLM uses to understand and generate language. A token may be an entire word or parts of a word. | A token a szöveg feldolgozásának és értelmezésének alapvető egysége, amelyet a nagy nyelvi modellek (Large Language Models, LLM-ek) használnak a nyelv megértésére és generálására. Egy token lehet egy teljes szó, egy szó része, vagy akár egy írásjel is, attól függően, hogy a modell hogyan bontja fel a szöveget. A tokenizáció, vagyis a szöveg tokenekre bontása az első lépés a természetes nyelvfeldolgozásban (NLP). Miért fontosak a tokenek? Nyelvfeldolgozás alapegysége: A tokenek segítenek a modellnek megérteni és kezelni a szöveget. Hatékonyság: A tokenekre bontás optimalizálja a modell feldolgozási sebességét és memóriahasználatát. Pontosság: A tokenizáció minősége befolyásolja a modell teljesítményét, például egy összetett szó helyes bontása fontos lehet a kontextus megértéséhez. Gyakorlati példa Egy szöveg tokenizálása: Szöveg: „A mesterséges intelligencia izgalmas terület.” Egész szavas tokenek: [„A”, „mesterséges”, „intelligencia”, „izgalmas”, „terület”]. Részleges tokenek (BPE): [„A”, „mest”, „erséges”, „intelligencia”, „izg”, „almas”, „terület”]. | JWT (JSON Web Tokens) Coinbase ChatGPT |
Training data
| Training data Training data is the information or examples given to an AI system to enable it to learn, find patterns, and create new content. | A tanulási adat az a speciális információ vagy példaadat, amelyet egy mesterséges intelligencia (MI) rendszerhez adunk annak érdekében, hogy megtanuljon mintázatokat felismerni, összefüggéseket megérteni és új tartalmakat létrehozni. A tanulási adatok alapvető fontosságúak a gépi tanulásban, mivel ezek határozzák meg, hogy a modell milyen pontosan és megbízhatóan teljesít a későbbiekben. Gyakorlati példa Egy nyelvi modell tanulási adatai: Adatok forrása: Könyvek, cikkek, fórumhozzászólások. Feldolgozás: A szövegeket tokenekre bontják, és az algoritmus a szavak közötti kapcsolatokat tanulja meg. Eredmény: A modell képes lesz válaszolni kérdésekre, vagy összefoglalni hosszabb szövegeket. | Almotive Starschema Google AI OpenAI GPT-3/4 Kaggle TensorFlow |
Transfer learning
| Transfer learning Transfer learning is a machine learning system that takes existing, previously learned data and applies it to new tasks and activities. | A transzfer tanulás egy gépi tanulási technika, amelyben egy modell az egyik feladaton tanult ismereteit és mintázatait új feladatok megoldására alkalmazza. Ez azt jelenti, hogy nem kell minden új problémát a semmiből tanítani; az előző tanulási folyamat eredményeit újrahasznosítjuk. Példa: Nagy nyelvi modell finomhangolása Előtanítás: A GPT modellt nagy általános szöveges adathalmazon tanították. Transzfer: Finomhangolják érzelemelemzésre egy ügyfélvisszajelzési adathalmazon. Eredmény: A modell az ügyfél-véleményeket pontosan osztályozza pozitív, negatív vagy semleges kategóriákba. | Google BERT OpenAI GPT-3/4 TensorFlow Hub Microsoft Azure Cognitive Services Keras |
Transformers
| Transformers A transformer can read vast amounts of text, spot patterns in how words and phrases relate to each other, and then make predictions about what word should come next. This ability to spot patterns in how words and phrases relate to each other is a key innovation, which has allowed AI models using transformer architectures to achieve a greater level of comprehension than previously possible. See also artificial neutral networks and generative adversarial networks. | A transzformerek a mesterséges intelligencia egyik leginnovatívabb és legfejlettebb architektúrái, amelyeket elsősorban természetes nyelvfeldolgozási (NLP) feladatokhoz fejlesztettek ki. Képesek hatalmas mennyiségű szöveget feldolgozni, megérteni a szavak és kifejezések közötti mintázatokat, majd előre jelezni, hogy milyen szó vagy kifejezés következik. Ez a képesség tette lehetővé, hogy a transzformer-alapú modellek, például a GPT vagy a BERT, áttörést érjenek el az MI nyelvi megértésében és generálásában. Gyakorlati példa Egy fordítórendszer transzformer segítségével: Bemenet: „Hogyan vagy ma?” Feldolgozás: A transzformer elemzi a szöveget, azonosítja a nyelvtani mintázatokat és a kontextust. Kimenet: „How are you today?” | Google BERT DeepMind AlphaStar Hugging Face Transformers Facebook’s RoBERTa Vision Transformers |
Turing test
| Turing test The Turing test was created by computer scientist Alan Turing to evaluate a machine’s ability to exhibit intelligence equal to humans, especially in language and behavior. When facilitating the test, a human evaluator judges conversations between a human and machine. If the evaluator cannot distinguish between responses, then the machine passes the Turing test. | A Turing-teszt egy olyan elméleti teszt, amelyet Alan Turing, a számítástechnika úttörője alkotott meg annak vizsgálatára, hogy egy gép képes-e olyan intelligens viselkedést mutatni, amely megkülönböztethetetlen az emberi intelligenciától. A teszt különösen a nyelv és a viselkedés alapján próbálja értékelni a gépek képességeit. Hogyan működik a Turing-teszt? Három szereplő: Egy ember: Részt vesz a beszélgetésben, de nem tudja, hogy a másik fél ember vagy gép. Egy gép: Olyan válaszokat próbál adni, amelyek emberinek tűnnek. Egy értékelő (ember): Eldönti, hogy a másik fél ember-e vagy gép. Beszélgetés: Az értékelő a géppel és az emberrel írásban kommunikál, hogy kizárják a hang vagy kinézet alapján történő azonosítást. Értékelés: Ha az értékelő nem tudja megbízhatóan megkülönböztetni a gépet az embertől, akkor a gép „átment” a Turing-teszten. Példa egy Turing-tesztre Értékelő kérdése: „Mi a kedvenc filmed, és miért?” Ember válasza: „Szeretem az Eredetet, mert nagyon jól összefonja az álom és valóság témáját.” Gép válasza: „Az én kedvenc filmem az Eredet, mert nagyon összetett és gondolkodásra késztet.” Értékelés: Ha az értékelő nem tudja eldönteni, hogy az utóbbi választ gép vagy ember adta, a gép sikeresen teljesítette a tesztet. | Prezi Almotive Neticle Google Duplex Mitsuku Replika IBM Watson |
Unsupervised learning
| Unsupervised learning A way of training machine learning systems for a specific application. An AI system is fed large amounts of unlabelled data, in which it starts to recognise patterns of its own accord. This type of learning is useful when it is not clear what patterns are hidden in data, such as in online shopping basket recommendations (“customers who bought this item also bought the following items”). See also semi-supervised learning and supervised learning. | A nem felügyelt tanulás a gépi tanulás egyik típusa, amely során a modell címkézetlen adatokat kap, és önállóan próbál mintázatokat, struktúrákat vagy csoportokat felismerni az adatokban. Ellentétben a felügyelt tanulással, ahol az adatokhoz tartozik egy konkrét címke (pl. „kutya” vagy „macska”), itt az adatok nincsenek előre kategorizálva. Gyakorlati példa Egy online áruház nem felügyelt tanulást használ: Adatok: Vásárlók által megvásárolt termékek listái. Eredmény: Az algoritmus felismeri, hogy az „elemlámpát” vásárlók gyakran vesznek „elemeket” is. Alkalmazás: A rendszer ajánlásokat tesz: „Ha elemlámpát vásárol, érdemes lehet elemet is hozzáadni a kosárhoz.” | K-means DBSCAN Google DeepMind Spotify H2O.ai |
Virtual Reality – VR
| Virtual Reality – VR With the help of AI, it transports you from your physical surroundings into a computer-generated world. | A virtuális valóság (VR) egy technológia, amely lehetővé teszi, hogy a felhasználókat a fizikai környezetükből egy számítógép által generált, interaktív és 3D-s világba helyezze. A mesterséges intelligencia és más fejlett technológiák segítségével a VR-rendszerek valósághű és dinamikus élményeket kínálnak, amelyek a látás, hallás és egyéb érzékszervek bevonásával teszik a felhasználót részévé ennek a virtuális környezetnek. Gyakorlati példa Egy edzés VR-ban: Feladat: Egy virtuális bokszedzés. Működés: A VR-rendszer a felhasználó mozgását érzékeli, és valós időben reagál a bokszütésekre. Eredmény: A felhasználó valósághű, interaktív edzésben részesül, amely javítja az állóképességét. | InnoVirt Neurotechnology Lab (ELTE) VR World Oculus (Meta) HTC Vive Playstation VR Microsoft HoloLens Google Cardboard |
XAI – Explainable AI
| XAI – Explainable AI Explainable AI is a special kind of artificial intelligence designed to show us the thought process inside the AI’s decision-making. With XAI, you don’t have to guess why AI makes certain choices—it tells you. This transparency is super important, especially in crucial areas like healthcare, finance, and self-driving cars, where we need to understand and trust the AI’s decisions. | A megmagyarázható mesterséges intelligencia (XAI) olyan mesterséges intelligencia-rendszerek tervezését és működését jelenti, amelyek képesek átlátható módon megmutatni, hogyan és miért hozták meg döntéseiket. Az XAI célja, hogy a felhasználók, szakemberek és döntéshozók megérthessék az MI működését, növelve a bizalmat és csökkentve a félreértések vagy hibás döntések kockázatát. Gyakorlati példa Egy hitelminősítő rendszer XAI segítségével: Döntés: A hitelkérelmet elutasítják. Magyarázat: Az MI kijelenti, hogy a hitelkérelmet az alacsony jövedelem és a magas fennálló adósság miatt utasította el. Eredmény: Az ügyfél érti, miért született a döntés, és ennek alapján javíthatja pénzügyi helyzetét. | IBM Watson Google Cloud AI Microsoft Azure Machine Learning H2O.ai FICO |
