Előadás

Hogyan vette el az MI a munkámat?

Simon Eszter

K&H

HTE TOP 50 Nők a Mesterséges Intelligencia területén workshop és találkozó

2025. december 8. 14:00BME I épület, E szárny, IE.007 terem · Budapest

Átirat · 24:42

Tied a szó. Köszi. Köszönöm szépen. Üdvözlök mindenkit. Simon Eszter vagyok, ahogy

Átirat · 24:48

Pali fölvezetett. Jelenleg a KNH Banknál dolgozom, ahol a

Átirat · 24:54

KN Bank két nevű digitális pénzügyi asszisztensének a projektcsapatában dolgozom. Azon belül

Átirat · 25:01

is a Natural Language Understanding, vagyis a természetes nyelvi megértésért felelős csoportot vezetem. Mi vagyunk a

Átirat · 25:08

felelősek azért, hogy a két értse azt, amit írnak neki, vagy beszélnek hozzá.

Átirat · 25:13

És az előadásom címéül azt választottam, hogy hogyan vette el az a munkámat, merthogy én korábban kutatóként

Átirat · 25:20

dolgoztam. Verával együtt dolgoztunk több projekten. A volt MTA volt

Átirat · 25:25

nyelvtomány intézetében dolgoztam és aztán utána kis kitérővel a közszférában

Átirat · 25:32

dolgoztam hasonló nyelvtechnológiai, illetve digitális bölcsészeti projektekben. Aztán szültem egy

Átirat · 25:38

gyereket, és utána úgy hozta az élet, hogy most a KNH bankba sikerült váltanom. És most azt fogom

Átirat · 25:47

bemutatni ebbe az előadásba, hogy mik mi milyen változások történtek a a

Átirat · 25:52

Mesterséges intelligencia kutatás területén, illetve egyáltalán a világban, ami miatt

Átirat · 25:57

úgy gondoltam, hogy a kutat kutatói pályáról váltani kell és

Átirat · 26:04

és ugye azt az alcímet adtam neki, hogy adott helyett a másikat, merthogy azért nem vagyok munkanélküli, mint ahogy ez

Átirat · 26:10

látszik a ez szerencsére itt azt hiszem, hogy lehet, hogy pont ebbe a teremben vagy

Átirat · 26:16

egy másik ehhez nagyon hasonlóban volt az, hogy mindig amikor a nyelvtechnológiai bevezető előadást tartok, akkor az elején ki szoktam rakni

Átirat · 26:22

ezt a képet, hogy vajon tudjátok-e, hogy hogy mi ez vagy ki ez. És a a az a

Átirat · 26:28

megdöbbentő esemény történt, hogy manapság hallgatók már nem szokták tudni, de így szerencsére hasonlókorúak

Átirat · 26:34

vannak, mint én általában. Úgyhogy biztos valaki tudja, hogy mi ez.

Átirat · 26:41

Tessék? Szent a Szent Grál. Igen, azt oda fölírtam. Igen,

Átirat · 26:48

igen. [nevetés] Hm. Hal Hal. Igen. Ez a Hal 9000 nevű számítógép a a két gyűrődusszájából,

Átirat · 26:55

ami annyira intelligens lett, hogy utána az ember ellen fordult. És régen úgy

Átirat · 27:01

úgy kezdtem az előadásokat, hogy hát egy olyan az lenne a Szent K, tehát az lenne a célja a kutatásainknak, hogy egy ilyen

Átirat · 27:07

szuper intelligens számítógépet tudjunk létrehozni. Ezt

Átirat · 27:13

most is úgy gondoltam, hogy ezzel kezdem, de most már ez egy kicsit ijesztő, mert ez sokkal közelebb került a valósághoz, mint eddig bármikor volt.

Átirat · 27:20

Úgyhogy most ezt már lehet, hogy legközelebb felülbírálom ezt a szokásomat. De mindenesetre

Átirat · 27:25

a nyelvtechnológia céljáról, arról Vera már beszélt, úgyhogy én csak egy slaj-ot hoztam ide erről. Ugye az lenne a célja,

Átirat · 27:32

hogy olyan rendszereket építsünk, ami fel tudja dolgozni és elő tudja állítani az emberi nyelvet. Ideírtam ezt a

Átirat · 27:38

kitételt, hogy úgy, ahogy az ember teszi, de ez egy ilyen nagyon erős megszorítás. Tehát ezt erre azért valójában ténylegesen nem szoktunk

Átirat · 27:45

törekedni, már csak azért sem, mert azt sem tudjuk teljes mértékben, hogy az ember hogyan teszi ezt.

Átirat · 27:51

Az elméleti motiváció az az, hogy ilyen ezt az emberi nyelvhasználatot leíró formalizált és konzisztens nyelvi

Átirat · 27:57

modelleket hozzunk létre, majd ezek alapján a modellek alapján ezeknek a gyakorlati számítógépes megvalósítását

Átirat · 28:04

hajtsuk végre. Az ami azt jelenti praktikusan, hogy gépi alkalmazásokat hozzunk létre, ami az ember

Átirat · 28:11

nyelv intelligenciájának valamely szegmensét tudja emulálni.

Átirat · 28:17

Ezek a praktikus gépi alkalmazások, ezek bizonyos feladatokra fordulnak le, vagy fordíthatók le.

Átirat · 28:25

amik eddig az eddigiekben, a nyelvtechnológiában, régebben, ahogy ahogy a nyelvtechnológia működött,

Átirat · 28:31

addig, amíg még a neurális hálózatok le nem uralták az egészet. Ez körülbelül így

Átirat · 28:37

nézett ki. Ezt a ez a lánc, amit ide föl rajzoltam, ez ez az elmagyar szöveg

Átirat · 28:44

feldolgozó eszközláncnak egy ábrája, hogy milyen modulokból áll. Ez ez ezen még a Verával is dolgoztunk

Átirat · 28:51

együtt annak idején, és ez azt akarja mutatni, hogy a a szövegfeldolgozás az

Átirat · 28:56

úgy néz ki, az mind ezek ezekbe a sztenderd lépésekbe sorolható be. Tehát bejön a bejövő szöveg, azt fel kell

Átirat · 29:03

bontanunk először mondatokra, aztán szavakra. Az egyes szavakhoz hozzárendelünk különféle tulajdonságait,

Átirat · 29:09

hogy mi a töve, hogy mi a szófaja, hogy milyen toldalékok vannak rajta. akkor szintaktikailag is elemezzük, hogy a

Átirat · 29:15

mondatban milyen szerepet tölt be, tehát hogy alany, állítmánytárgy vagy ilyesmi, illetve magasabb szintű elemzési

Átirat · 29:21

szinteket is meg lehet lépni, tehát meg lehet mondani mondjuk egy szóról, hogy az tulajdonnéve vagy sem, hogy milyen

Átirat · 29:28

típusú. És ennél még magasabb szintű feladatok is vannak, mint például a

Átirat · 29:33

szentimentelemzés, vagy a gépi fordítás, amik amik már az egész szöveg szöveget

Átirat · 29:38

próbálják feldolgozni, de mindegyiknek ugyanaz az alapja, vagy ugyanaz volt az alapja, hogy szépen végigmegyünk,

Átirat · 29:44

darabonként végignézzük a a nyelvi bemenetet, és mindegyik szóról mondunk valamit. Tehát ilyen elemző

Átirat · 29:50

lépésekből áll össze. És ahhoz, hogy ezt az elemzést megcsináljuk, ehhez többféle

Átirat · 29:56

megközelítés létezik. A ezek így nagyjából időben is így alakulnak, mint ahogy

Átirat · 30:02

majd fogom őket ismertetni. A hagyományos módszer az a szabályalapú megközelítés,

Átirat · 30:08

amikor a számítógépes nyelvész a fejében levő nyelvészeti tudást mozgósítja és a

Átirat · 30:14

szabályokat ír, tehát leírja, hogy akkor milyen lépések következzenek egymás után. Ilyen egyszerű, mintaillesztéses

Átirat · 30:20

szabályokkal próbál megoperálni. Ennek a megközelítésnek több előnye is van. Az egyik az az, hogy a fejlesztőnek vagy a

Átirat · 30:27

számítógépes nyelvésznek egy nagy kontrollja van a rendszer fölött. Könnyen lehet értel, tehát könnyen

Átirat · 30:32

értelmezhető a visszacsatolás, könnyen lehet javítani, magas pontosságot lehet vele elérni, és vannak olyan nyelvi

Átirat · 30:39

jelenségek, vagy nyelvi adatok, amik könnyen megragadhatóak ezekkel a szabályokkal, vagy ilyen reguláris kifejezésekkel. Ilyenek például a

Átirat · 30:45

dátumok, amikre nem feltétlenül kell egy egész neurális hálóval rálőni.

Átirat · 30:51

viszont egy csomó hátránya is van, például az, hogy sok kézimunkát igényel,

Átirat · 30:56

nagy szakértelem kell hozzá, az ember iszonyú sok munkát belepakol, és aztán amikor jön egy újabb feladat, vagy

Átirat · 31:02

mindezt át kéne vinni egy másik nyelvre, akkor kezdheti az egészet elölről. És ráadásul

Átirat · 31:07

lehetetlen, tehát hogy tényleg lehetetlen olyan szabályrendszert létrehozni, ami minden olyan esetet lefed, amire az embernek szüksége van,

Átirat · 31:14

és viszont semmi olyat, ami ami amire nem kéne, hogy illeszkedjen az a szabály.

Átirat · 31:20

Többek között ezért a 90-es évek elején a nyelvtechnológiában egy újabb irányzat

Átirat · 31:26

indult el. Ez a statisztikai valószínűségi alapú irányzat, ami már a gépi tanuláson alapul. Ennek több

Átirat · 31:33

irányzata van. A van a felügyelt gépi tanulás, az a felügyelet nélküli gépi

Átirat · 31:38

tanulás, illetve aztán a neurális állók előretörésével a self supervised

Átirat · 31:43

learning nekik, ami igazából nem is tudom, hogy hogy lehet lefordítani magyarra. Nekem még

Átirat · 31:48

nem sikerült. Szóval, hogy visszatérve a felügyelt gépi tanulásra, itt ez maga a gépi tanulás azon a feltételezésen

Átirat · 31:54

alapul, hogy az adatpontok egymástól független elemek, amelyeknek egyenletes az eloszlásuk, és

Átirat · 32:01

azzal a feltételezéssel élünk, hogy az eddig nem látott adatpontokra is igaz lesz ez a feltételezésünk, és ezért

Átirat · 32:06

tudunk következtetni a már látott elemekből a még nem látottakra. Ez minden területen így van, nem csak a nyelvi adatokra vonatkozik, de a

Átirat · 32:14

nyelvészetben, számítógépes nyelvészetben arra van szükség, amiket a Vera is emlegetett, hogy így ilyen nagy

Átirat · 32:19

méretű adatbázisokat, úgynevezett korpuszokat hozzunk létre, amiben amit nyelvi annotációval látunk el, tehát

Átirat · 32:25

kézzel följelöljük benne, hogy ez a szó, ez ennek ilyen a szófaja, vagy olyan tulajdonnév, vagy mit tudom én, tehát

Átirat · 32:30

hogy a megfelelő információkat belerakjuk. És a gépi tanuló az pedig

Átirat · 32:35

ebből tanulja ki ezekre az adott adatpontokra a jellemző jegyeket, és utána később a kiértékelés tesztelés

Átirat · 32:42

alapjául is ez fog szolgálni. Körülbelül így néz ki ennek az áttekintése.

Átirat · 32:48

Itt a ez látszik, látszik. Itt megy be a a

Átirat · 32:53

nyelvi input, és akkor itt van egy ilyen feature extractor lépés. Ez az, ami

Átirat · 32:59

aminek során az történik, hogy a számítógépes nyelvész kitalálja azt, hogy erre az adott feladatra mik azok a

Átirat · 33:05

tulajdonságok, amiket érdemes vizsgálni. Tehát hogyha az ember mondjuk a szó szófaját akarja megtudni, akkor nem

Átirat · 33:10

tudom én vizsgálja meg, hogy milyen karakterek vannak a szó végén, vagy nézze meg, hogy nagy betűvel vagy kis

Átirat · 33:16

betűvel kezdődik-e, vagy hogy milyen hosszú, vagy mit tudom én, tehát ilyesmikre kell gondolni, ilyen tulajdonságokat, de ezt a nyelvész

Átirat · 33:22

találja ki, és utána ezzel a feature extraktorral, ezzel minden egyes nyelvi

Átirat · 33:28

elemet föl featurizálunk, tehát följelöljük ezekkel a tulajdonságokkal.

Átirat · 33:34

És közben itt van ez a címkézett adat, tehát hogy mindezeket fölckézzük azzal,

Átirat · 33:40

hogy ez a szónak ez a szófaja, annak a szónak az a szófaja, és mindezt beadjuk ennek a gépi tanulónak. És utána jön az

Átirat · 33:47

az adat, amit amire prediktálni akarunk. Tehát az általunk még eddig nem látott szöveg, és

Átirat · 33:53

erre ugyanezeket a lépéseket el kell végeznünk. És itt van egy nyelvmodell. Ezt azért

Átirat · 34:00

hoztam igazából ezt az egész ábrát, mert a ugye mindenki azt azt szereti azt

Átirat · 34:06

gondolni, hogy a nyelvmodellek azok 2022-ben keletkeztek, nem? A nyelvmodellek régebben is voltak. A

Átirat · 34:11

nyelvmodellezés az valójában azt jelenti, hogy a a gépi tanuló algoritmus által látott

Átirat · 34:18

korábban látott nyelvi adatok alapján különféle ilyen szabályszerűségeket tanul ki tulajdonképpen. És a nyelvnek,

Átirat · 34:25

az által látott nyelvi adatoknak a alapján a nyelvnek egy reprezentációját

Átirat · 34:30

hozza létre, és az alapján tud jósolni, prediktálni olyan elemekre is, amikkel azelőtt nem találkozott.

Átirat · 34:37

És aztán ez tehát ez ez lenne a klasszikus felügyelt gépi tanulásnak az

Átirat · 34:43

áttekintése. Majd utána 2010-es évek elején nagyot változott a világ, és azóta a

Átirat · 34:49

neurális hálózatok törtek előre, és igazából teljes mértékben ledominálták onnan az egész

Átirat · 34:56

onnantól kezdve az egész nyelvtechnológiát. Itt sok változás történt. Például az,

Átirat · 35:01

amit a amit mondtam, hogy a featuröket az ember találja ki, hogy mely featurök lesznek az érdekesek, az teljes

Átirat · 35:08

mértékben megszűnt. Tehát nincsenek ilyen kézzel kinyert jegyek. Nem az ember definiálja, hogy mi lesz a fontos,

Átirat · 35:14

hanem a neurális háló. És a másik nagy változás, hogy ezek úgynevezett N2

Átirat · 35:19

modellek, tehát end toend megoldást szállítanak. Ö eddig az volt, hogy ugye mutattam ezen a a láncolaton, hogy külön

Átirat · 35:27

kell csinálni egy tokenizálót, külön kellett csinálni egy morfológia jellemzőt, külön egy szintaktiká jellemzőt, satöbbi, satöbbi. És itt

Átirat · 35:34

pedig a ezek a neurális állók, ezek tulajdonképpen így egyszerre adják ki, hogy ez itt a szó, és ez ennek ez a

Átirat · 35:41

szófaja, meg ez az ilyen-olyan nyelvi tulajdonsága meg ilyesmi. Tehát egy lépésben történik a megoldás.

Átirat · 35:48

És először a neurális hálózatoknak, vagy hát nem először, hanem a neurális hálózatoknak ez a a amit ezek

Átirat · 35:54

megvalósítanak, ezt deep learningnek nevezték el, ami nem azért mély, mert annyira okos, hanem azért mély, mert

Átirat · 36:01

mert sok rétegből áll ez a neurális hálózat.

Átirat · 36:07

Itt hoztam egy ilyen összefoglaló ábrát arról, hogy egyáltalán a mesterség és intelligencia fejlődése az hogyan

Átirat · 36:14

történt, illetve hogyan épülnek egymásba ezek a különböző típusok. Általában véve

Átirat · 36:20

ez az ábra, és hát így én is egyetértek ezzel, a

Átirat · 36:25

mesterséges intelligencia. Ugye az is kérdés szokott lenni, ki hogyan definiálja, hogy mi a mesterséges intelligencia. A mesterséges

Átirat · 36:32

intelligenciának ez az ábra azokat a rendszereket tételezi, amik a az emberi

Átirat · 36:39

intelligenciának valamely szegmensét próbálják meg emulálni. Legyen az akár a beszéd, vagy a döntéshozás, vagy a

Átirat · 36:46

tanulás. És ezen belül van tehát az a teljes mesterséges intelligencián belül van a

Átirat · 36:51

gépi tanulás. És akkor utána ezen belül ennek egy alegysége, ez a deep learning, ez a mély

Átirat · 36:57

tanulás, ami a amit a már a neurális hálózatok valósítanak meg. És akkor ezeken belül található az, ami

Átirat · 37:04

mostanában az elmúlt pár évben még jobban letarolt mindent, ez a generatív

Átirat · 37:09

AI, ami arra képes, hogy új tartalmat hozzon létre, akármi is legyen, ez az új tartalom, legyen a szöveg vagy kép vagy

Átirat · 37:15

videó. És mindezen belül a legkisebb buborékot azok azt pedig az ellenemek, a

Átirat · 37:21

nagynyelvi modellek képezik, amik ugye emberi nyelvi

Átirat · 37:27

kimenetet tudnak generálni. És így néz ki ezeknek a nagynyelvi

Átirat · 37:33

modelleknek, illetve hát a neurális hálóknak a térhódítása. 2010-ben,

Átirat · 37:38

illetve a 2010-es évek elején keletkeztek azok a cikkek, amik megalapozták ezt a a neurális hálóknak a

Átirat · 37:46

a Sky rakitolását. 2013-ban egy Tomás Mikolov nevű cse

Átirat · 37:52

csávó munkatársaival, akkor még a Facebookan dolgozott, és akkor írtak egy olyan cikket, ami megalapozta azt, hogy

Átirat · 37:58

tulajdonképpen akkor találták ki ezeket az úgynevezett szóbeágyazásokat, amivel a a szövegeknek a neurális hálókkal

Átirat · 38:05

történő feldolgozása lehetővé vált. És ez annyira gyorsan elterjedt a a

Átirat · 38:11

nyelvfeldolgozás területén, hogy 2016-ban, tehát három év alatt a gépi fordítás, ami ami régebben egy ilyen tök

Átirat · 38:18

nehezen megugorható feladat volt, és valahogy az Istennek nem sikerült ilyen értelmes épkézlábmondatokat lefordítani

Átirat · 38:24

a a gépnek. Biztos emléke emlékeztek még rá. Na, azt azt át átrakták neurálisra, és

Átirat · 38:30

most már egészen használható kimeneteket adnak ezek a neurális gépi fordítók. És ez már rekenss neurális hálókkal

Átirat · 38:37

történt, ami a ami egy olyan neurális háló, amiben van vissza visszacsatolás.

Átirat · 38:42

Tehát mindig felülvizsgálja, hogy a a kimenet, amit adott, az mennyire hasonlít az elvárt kimenetre, és ez

Átirat · 38:48

alapján újra és újra tanult tulajdonképpen. És 2017-ben

Átirat · 38:55

csinálták meg tulajdonképpen az első Transformer architektúrát, ami azért érdekes, mert ez volt az az

Átirat · 39:03

architektúra, ami az alapját képezi a GPT-nek meg a chat GPT-nek, ami utána

Átirat · 39:08

ugye az egész világot szépen felfordította. A Bert modell, akit amit 2018-ban

Átirat · 39:16

csináltak, az az a nyelv megértést tudta jól kezelni, vagy tudja jól kezelni. A

Átirat · 39:22

GPT, a generative pretrain transformer, az pedig már generálni is tud. És a GPT

Átirat · 39:28

az a GPT-ben a generative ugye az, hogy hogy új tartalmat képes generálni. A pretrained az pedig azt jelenti, hogy

Átirat · 39:36

elő van tanítva nagy mennyiségű címkézetlen anyagon. És ez is egy nagy újítás ahhoz képest, mint amit a az

Átirat · 39:43

előbb az a klasszikus, most már klasszikusnak mondható statisztikai megközelítéshez képest változott, hogy

Átirat · 39:49

nem kell kézzel címkéket adni a a nyelvi bemenethez, tehát nem kell megmondani, hogy ennek ez

Átirat · 39:56

a szófaja vagy az a szófaja, hanem teljesen pucér szöveget kell csak betolni, és az alapján tud generálni

Átirat · 40:02

tartalmakat, többek között azt is, hogy mi ennek a szónak a szófaja. És a az első GPT, az első verzió az

Átirat · 40:10

2018-ban jött ki, aztán 19-ben jött a GPT 2, majd 2020-ban a GPT3, de az már

Átirat · 40:18

csak APin keresztül elérhető, mert amikor kitették a GPT egy-et meg kettőt, akkor utána rájöttek, hogy ezt akkor még

Átirat · 40:24

ki volt rakva maga a modell. elérhetően bárki számára, és akkor

Átirat · 40:29

rájöttek, hogy hát ezt rossz dologra is lehet használni, úgyhogy inkább inkább ezt így visszavonták, azóta nem tesznek

Átirat · 40:35

ki ilyeneket, úgyhogy csak apin keresztül hívhatóak ezek. És 2022 berobbantottak ugye a chat GPT-vel, am

Átirat · 40:42

GPT 3.5 verzió van, és most pedig 2025-ben a GPT 5-nél tartunk.

Átirat · 40:50

Kérdés, hogy miért most? Tehát miért most ebben az elmúlt 10-15 évben történtek történtek ezek a változások?

Átirat · 40:58

A neurális hálózatokban igazából mátrixorzások történnek, és ott arra van

Átirat · 41:03

szükség, hogy nagyon gyorsan és lehetőség szerint parallel módon tudjunk

Átirat · 41:09

nagyon nagy mennyiségű mátrix műveltet végezni, amiről kiderült, hogy a a grafikus kártyák, amiket régebben csak a

Átirat · 41:16

legelve temültebb gamerek használtak, az a legmegfelőbb erre. Úgyhogy nem véletlen, hogy az Nvidia Skyitól az

Átirat · 41:22

elmúlt időkben az ennek köszönhető. És 2007-ben

Átirat · 41:27

kiadták a KUDA nevű hát tulajdonképpen egy ilyen viszonylag magasabb szintű programnyelv, amivel közvetlenül a GPT-t

Átirat · 41:33

lehet elérni és programozni. Úgyhogy ez egy közvetlen hozzáférést nyújtott a a

Átirat · 41:39

GPU-hoz. A másik, a ami fontos erőforrás, az az adat. Ugye úgy szokták mondogatni, hogy

Átirat · 41:46

a big data korábban élünk. Szerintem ez már nem big, hanem huge, vagy már nem is tudom milyen jelzővel lehetne illetni, mert

Átirat · 41:53

folyamatosan irgalmatlan mennyiségű adatot kreálunk, egyrészt mi magunk, másrészt meg keletkezik rólunk. Úgyhogy

Átirat · 41:59

azok ahhoz, hogy ezek a nagy neurális hálózatok érvényes kimenetet tudjanak

Átirat · 42:04

produkálni, iszonyú mennyiségű adatra van szükségük, ami egyrészt most van, másrészt meg hát igazából ezekkel újabb

Átirat · 42:11

és újabb adatokat hozunk létre folyamatosan, tehát hogy így szépen pörgeti magát az egész.

Átirat · 42:17

A mögöttes algoritmusok azok is igazából tehát így véletlenül, vagy hát nem tudom

Átirat · 42:22

mennyire véletlenül, de mindenesetre az az állt így össze, hogy

Átirat · 42:28

az algoritmusok fejlesztése, amik szükségesek ezekhez a ahhoz, hogy ezek a neurolés hálózatok jól tudjanak működni,

Átirat · 42:34

plusz az adatok, plusz a GPU, ezek mindig összeértek, és ezeknek a dolgoknak az együttállása vezetett

Átirat · 42:40

ahhoz, hogy hogy utána a chat GPT-t ki lehessen rakni és és az lehessen, ami most van. És persze

Átirat · 42:47

a pénz ugye az mindig ilyen nem elhanyagolható szempont. Szóval ide hoztam a hogy milyen nagyságrendi

Átirat · 42:53

befektetések történtek. A 2025-ös összeg az még az egy-két hónappal

Átirat · 43:00

ezelőtti cikkből van kimásolva, tehát ez még nem az év, ugye még nincs év vége, tehát hogy még nem év végéig

Átirat · 43:05

hogy mennyi pénzt toltak bele a mesterséges intelligencia kutatásfejlesztésbe.

Átirat · 43:11

A másik fontos változás, ami történt, hogy most már tulajdonképpen bárki

Átirat · 43:17

megcsinálhatja a saját kis modelljét, vagy leakaszthat egyet magának, vagy nem

Átirat · 43:22

is egyet, hanem két és 2,2 milliót. Most a van a Hugging Face, az egy ilyen közösségi oldal, amiről le lehet tölteni

Átirat · 43:28

ilyen nyelvmodelleket, vagy hát bármilyen modellt. Igazából egy héttel ezelőtt csekkoltam, 2,2

Átirat · 43:34

millió modell volt rajta elérhető. De ezek mindent tartalmaznak, tehát ezzel nem csak nyelvi, tehát nem nem

Átirat · 43:41

csak szöveget lehet generálni vagy megérteni, hanem képet, videót, nem tudom én, románnyelvű szövegből

Átirat · 43:47

táblázatot csinálni, vagy bármit. Tehát körülbelül bármit lehet ezekkel csinálni, csak magyarra több mint 2000

Átirat · 43:53

ilyen modell létezik. Úgyhogy ha van valakinek ilyen alapvető alap Python ski vannak, akkor tulajdonképpen bármit

Átirat · 43:59

össze tud ezekkel rakosgatni. olyanokat, amiken mi évekkel ezelőtt tök sokat

Átirat · 44:04

dolgoztunk, hogy ebbe az elemzőláncba az egyes modulókat, azokat szépen lefejlesztgessük, az most már körülbelül

Átirat · 44:11

némi túlzással három kattintással megcsinálható. Szóval, hogy összefoglalva, hogy mi

Átirat · 44:16

változott, ezek a hagyományos módszerek, amiket mondtam, a szabályalapú, illetve a klasszikus statisztikai módszerek,

Átirat · 44:23

ezeket igazából eléggé kevéssé használják már.

Átirat · 44:28

A feature engineering, tehát az a rész, amikor a számítógépes nyelvész megmondja, hogy mik a fontos featurök,

Átirat · 44:33

és hogy ezeket tanulja ki a a gépi tanuló algoritmus. Ez megszűnt a szövegfeldolgozási feladatok, amik, hogy

Átirat · 44:40

külön tokenizálunk, külön mondatra bontunk, külön satöbbi, satöbbi. Ezek most már nincsenek, mert entend megoldás

Átirat · 44:46

van. Nagy méretű annotált adatbázisokat nem feltétlenül kell építeni, merthogy a pucér szövegen is kiválóan tanulnak ezek

Átirat · 44:53

a GPT-k. És mindezek tetejébe jött az, hogy hogy ezeket bárki megcsinálhatja

Átirat · 44:59

tényleg. Tehát a a demokratizálódásra, amit az előbb mondtam. Úgyhogy igazából a kutatónak az a több évtizedes munkája,

Átirat · 45:06

amivel szépen felépítette ezt a tudást, meg lefejlesztgette a modulókat, azokat nyugodtan ki lehetett dobni a kukába. És

Átirat · 45:13

akkor ugye mit lehet csinálni? Ilyenkor az ember gondolhatja azt, hogy hát jó, akkor én is csinálok elemet, hogyha már

Átirat · 45:18

mindenki csinál. És hát azért tettem ilyen fekete smile-yt, mert mert hát

Átirat · 45:23

marhára nem éri meg. Tehát, hogy a nagy szolgáltatók által fejlesztett nagy nyelvi modellek azok tényleg annyira

Átirat · 45:30

sokkal nagyobbak és sokkal jobbak, hogy tulajdonképpen teljesen fölösleges az embernek nekiállni magának valami kis

Átirat · 45:36

elelemet reszelgetni. Maximum azt lehet, hogy ő is előveszi az alap Python tudását, és akkor összedugdossa ezeket a

Átirat · 45:42

a nagy modelleket, és akkor arra tesz rá valami posztprocesszálást, vagy valami

Átirat · 45:48

kisebb finom hangolást. De hogy ez meg ezt meg olyan nagyon tudományos munkának

Átirat · 45:53

viszonylag kevéssé tekinthető. Aztán ami szintén nagyon durván változott, az a

Átirat · 45:59

tempó. Erre hoztam egy ilyen ábrát. Ez a a az újonnan megjelent modelleknek a

Átirat · 46:05

számítási kapacitását mutatja a időskálára rakva.

Átirat · 46:10

És igazából nem csak a számítási kapacitás ilyen, hanem a tehát, hogy időben is azt is, azt is jól mutatja,

Átirat · 46:16

hogy időben hogyan változtak a dolgok. Tehát, hogy ott fönt elég nagy a tumultus, és tényleg ilyen irgalmatlanul

Átirat · 46:21

meredeken megy fölfele, ami azt is mutatja igazából, hogy az ember a saját gépén már ezekkel nem tud

Átirat · 46:28

mit csinálni. Tehát, hogy ezt ezt tényleg csak vagy apin keresztül tudja megcsinálni, vagy pedig ninc nincs vagy.

Átirat · 46:34

Tehát, hogy nagyon nagyon nehéz nehéz nehéz ezeket

Átirat · 46:39

megmozdítani. Szóval, hogy brutális tempóban keletkeznek új újabb és újabb

Átirat · 46:44

jönnek ki újabb és újabb modellek. hogyha a tudomány jelen jelen állása szerint

Átirat · 46:51

úgy néz ki, hogy az ember kitalálja, hogy mit írjon, megír egy cikket, beadja, elbírálják, elfogadják, nem

Átirat · 46:57

tudom micsoda, ez ilyen egy másfél éves átfutási idővel rendelkezik. Tehát mire én elolvasok egy

Átirat · 47:02

szakcikket arról, hogy ki mit hozott ki, addigra már megjelenik egy újabb modell. Tehát majdnem majdnem, hogy

Átirat · 47:09

tehát nem lehet tartani a lépést kábé. És akkor ugye mit lehet tenni az ember? vagy elmegy paradicsomot kapálni, vagy

Átirat · 47:16

vagy egy kis hangsúly áthelyezéssel elmegy valami mást csinálni.

Átirat · 47:22

És akkor végül is én is ezt tettem, hogy 14 év kutatás után inkább elmentem máshova, elmentem a Kenth Bankba, és ott

Átirat · 47:30

a két digitális pénzügyi asszisztensen dolgozom, ami egy AI alapú

Átirat · 47:36

mobilbankba integrált eszköz, amivel digitális, tehát egy ilyen end to end

Átirat · 47:42

megoldást tudunk nyújtani a az ügyfél számára. Ez ez nem akar chat GPT lenni,

Átirat · 47:48

tehát nem akar kiváltani minden olyan funkciót, amit a chat GPT-vel meg lehet beszélni. Hogyha megkérdezi az ember

Átirat · 47:54

tőle, hogy hogy hogy mit csináljak a nárcisztikus pszichopata anyósommal, akkor azt fogja

Átirat · 48:00

rá válaszolni, hogy sajnos nem értettem. És továbbá nem is egy call center operátor, tehát lehet vele ordítozni,

Átirat · 48:06

hogy menjen az anyjába, elnézést fog kérni, és és akkor utána megszakítja a

Átirat · 48:12

beszélgetést. Szóval, hogy itt is azért megmutatnám, hogy mi van a

Átirat · 48:17

motorháztető alatt, mert itt is van mesterséges intelligencia. Alapvetően így így épül fel egy egy flow, egy

Átirat · 48:24

konverzációs flow, hogy az elején a az ügyfél vagy beszéddel, vagy

Átirat · 48:30

gépeléssel beviszi a bemenetet, azt mi megértjük. Itt jön a ez a kis robotocska, ez lenne az NLU, a Nature

Átirat · 48:37

Language Understanding, vagyis a természetes nyelvi megértés. És az a feladatunk itt, hogy fölismerjük az

Átirat · 48:43

ügyfélnek a szándékát. Ez is egy gépi tanulással zajlik. Ez egy klasszikus

Átirat · 48:50

intent klasszifikáció, amikor van x darab intentünk és és a egy transformer

Átirat · 48:55

működik itt is a háttérben, de a transformer kimenetét azt lefordítjuk egy az általunk kezelt intentek fölötti

Átirat · 49:02

valószínűségeloszlásra, és az a abból kiválassztjuk a legvalószínűbbet, és akkor az lesz az a szándéka, amit az

Átirat · 49:08

ügyfélnek tulajdonítunk, és azzal megyünk tovább, és ez alapján megyünk végig tovább egy

Átirat · 49:14

ilyen konverzációs folyamaton, egy beszélgetésen ahol mivel itt ilyen banki tranzakciókat is lehet

Átirat · 49:20

csinálni, úgy mint a pénzátutalás, ezért különféle dolgokat is még megpróbálunk különféle infókat kihúzni az ügyfélből,

Átirat · 49:26

mint például, hogy kinek akarja küldeni, mennyit akar küldeni, milyen közleményt akar hozzátenni, meg ilyesmi. És

Átirat · 49:34

ezeket az entitásokat, ezeket is ki kell nyernünk valahogy. És itt is alkalmazunk gépi tanuló

Átirat · 49:41

megoldásokat is, illetve vissza vissza a gyökerekhez, reguláris kifejezéseket is,

Átirat · 49:46

még azok is nagyon jól használhatók bizonyos feladatokra. És a végén, hogyha begyűjtöttünk minden információt, akkor

Átirat · 49:53

utána pedig az ügyfél konfirmál, konfirmálnia kell, tehát jóvá kell hagynia azt, hogy megtörténjen a

Átirat · 49:59

tranzakció, tehát nem magától működik az AI.

Átirat · 50:05

És a végére még azt akartam mondani, tehát hogy igazából, hogyha az ember már, hogyha a Chat GPT vagy a GPT vagy a

Átirat · 50:13

neulásállóká vették az embernek a a kutatói munkáját, akkor akkor igazából csak

Átirat · 50:19

körül kell néznie, mert bárhol talál olyan munkát, ami ami a mesterséges intelligenciáról szól, és használhatja

Átirat · 50:27

az eddigi eddig felhangmozott tudását, merthogy most már mindenhol az van. Köszönöm a figyelmet.

Átirat · 50:35

Akkor következő előadónk dr. Fogariné, Dr. Váti Ágnes, aki a Panon egyetemről

Átirat · 50:41

jött és a Rendszer és számítástudományi tanszik tanszikvezetője, valamint a Mesters Intelligencia rektori biztosa

Témák

MI-támogatott

Összefoglaló

MI-támogatott

Simon Eszter személyes pályaváltásán keresztül mutatja be, hogyan alakult át a nyelvtechnológia a szabályalapú rendszerektől a statisztikai gépi tanuláson át a neurális hálózatokig és a nagy nyelvi modellekig. Bemutatja, hogy a GPU-k, a nagy adatmennyiség, az algoritmikus fejlődés, a jelentős befektetések és a könnyen elérhető modellek miként gyorsították fel a változást, és hogyan csökkent több korábbi, kézi nyelvtechnológiai feladat szerepe. A kutatói pálya után a K&H Kate digitális pénzügyi asszisztensén dolgozik, ahol a természetes nyelvi megértés, a szándékfelismerés és az entitáskinyerés gyakorlati banki folyamatokat támogat.

Videó navigáció

Fejezetek

MI-támogatott