MI SzemináriumMI közünk hozzá? AIkalmazási példák a NetSoft Lendület Kutatócsoport munkáiból
Sonkoly Balázs: MI közünk hozzá? AIkalmazási példák a NetSoft Lendület Kutatócsoport munkáiból. TMIT MI Szeminárium, 2022. november 29. https://ai.tmit.bme.hu/talks/mi-kozunk-hozza-netsoft-lendulet-sonkoly-balazs/
Átirat · 57:33
Sonkói Balázs-t,
Átirat · 57:35
a BMF minimus-tar kevés
Átirat · 57:37
mta lemület
Átirat · 57:39
győznesének
Átirat · 57:41
egyikét, aki erről a
Átirat · 57:43
sztoriról és
Átirat · 57:45
hát azzal a felkéretléssel, hogy mi
Átirat · 57:47
közünk van hozzá, mint mge,
Átirat · 57:49
alkalmazási példákat hoz
Átirat · 57:51
a csuport eredményével.
Átirat · 57:53
Jaj, igen, tegyél, igen, bocsánat, mikor vagy maga készített, megkérdezz.
Átirat · 58:13
Én is szeretettel köszöntök mindenkit.
Átirat · 58:18
Amikor bekerültem az előadói listába, akkor volt egy önérzésem, hogy mint Pilátus a krédóba,
Átirat · 58:24
nem nagyon értettem, hogy pontosan mi közön van hozzá, meg a kutatócsoportok mi köze van a témához.
Átirat · 58:31
Jó, azon kívül, hogy a MI meg az AI, az mindenbe bele látható.
Átirat · 58:35
Vele szuggeráltam a címbe is, hogy nagyon egyértelmű legyen, de hogy valahogy ezt, hogy tisztázni kellett magamba,
Átirat · 58:42
meg akit az előadáson is tisztázni fogom, akkor mi közünk is van hozzá, meg hogy kerültem ide.
Átirat · 58:47
Mi, akik egy késlehetetési, érzékeny felhő alkalmazások kutatásával foglalkozunk.
Átirat · 58:52
A sztori ennél jól egyszerű, mert minden Roland felhívott valamikor reggel nyolckor,
Átirat · 58:57
hogy vállalom el ezt az előadást, és hát úgy tűnik reggel nyolckor mindent leokézok,
Átirat · 59:01
csak hogy békén hagyjanak, és akkor leokéztem ezt a...
Átirat · 59:05
az előadást, aztán egy-két nappal később átgondoltam, és elkezdtem ezen gondolkodni,
Átirat · 59:09
és igazából utána már kicsit olyan rossz érzés volt, hogy csak 15 percet lehet beszélni erről a témáról.
Átirat · 59:15
Tehát úgy tűnik, hogy eléggé kapcsolódunk mi is ehhez a területhez.
Átirat · 59:19
És akkor egy pár gondolatot szeretnék majd mondani itt az elején a kutatócsoportról,
Átirat · 59:26
mivel is foglalkozunk főleg.
Átirat · 59:29
Utána egy kicsit részletezném akkor, hogy mi közünk hozzá,
Átirat · 59:32
és két alkalmazási példa.
Átirat · 59:35
Milyen időtát szeretnék itt megmutatni, hát nem tudom mennyire lesz időm, hogy pali jelzi, ha már nem lesz rá idő.
Átirat · 59:43
Ugye az MTA célzott lendületprogramja keretében indultunk még 2017-ben.
Átirat · 59:49
Ez a Magyar Tudományos Akadémián egy új program volt akkor,
Átirat · 59:52
ami az alapkutatás mellett az alkalmazott kutatás felkarolását célozta.
Átirat · 59:58
És az volt az elképzelés, hogy itt az MTA adja támogatás egy részét a kutatócsoportnak,
Átirat · 1:00:02
a másik részét pedig egy ipari partnernek kell biztosítania.
Átirat · 1:00:06
Ericsson volt ez a partner, most is ez a partner, akivel együttműködünk,
Átirat · 1:00:10
és biztosítják az egyik részét a támogatásnak.
Átirat · 1:00:14
És itt a Network Software Research Group néven alakultunk meg,
Átirat · 1:00:17
itt a HSL labon belül a mik és a témit hoztott bennünket.
Átirat · 1:00:23
És itt igazából az akkor megfogalmazott fő célok, azok valami olyasmi kódot,
Átirat · 1:00:28
hogy valami próbáljuk ráérezni, hogy milyen ilyen extrém újfajta hálózati alkalmazások várhatók a jövőben,
Átirat · 1:00:35
vagy mi az, amit mi szeretnénk.
Átirat · 1:00:36
Megvalósulnának a közép-távú jövőben, vagy hosszú-távú jövőben.
Átirat · 1:00:40
Tehát nézzük meg azt, hogy ezek miért nem valósíthatók meg jelenleg,
Átirat · 1:00:43
és akkor alakítsuk ki hozzá azokat a rendszereket, amik ezeket majd meg tudják valósítani.
Átirat · 1:00:48
Ha hiányzó komponenseket, akkor kutassuk, vizsgáljuk meg részletesebben,
Átirat · 1:00:52
és hát Ericssonnal dolgozunk együtt, hát nyilván nem elég itt csak polcnak dolgozni,
Átirat · 1:00:56
ahogy Hesslan is mondta, itt működő prototípusokat szeretnénk csinálni,
Átirat · 1:01:01
és ezeket be is szeretnénk mutatni.
Átirat · 1:01:04
Itt a támogatási öt év mostanában fog lejárni, de igazából a tevékenységünk tovább folytatódik,
Átirat · 1:01:10
és egy LKH támogatott kutatócsoport keretein belül folytatjuk a munkánkat.
Átirat · 1:01:16
Több szenior kutatója van a csapatnak, PHD-hallgatók, postdoc kollégák,
Átirat · 1:01:21
MSZC és BSC hallgatók, nyilván most nem megyek bele a részletekbe.
Átirat · 1:01:26
Most csak egy kicsit a háttérről, hogy akkor mivel is foglalkozunk.
Átirat · 1:01:31
Hát mi úgy gondoljuk, hogy a jövő szoftverei azok nem úgy fognak kinézni, mint a mai szoftverek,
Átirat · 1:01:38
ezek tipikusan nem önálló, monolitikus alkalmazások lesznek, amit egy helyen, egy példányban fogunk futtatni,
Átirat · 1:01:46
hanem valahogy ezt a microservice architektúrát fogják követni, egymással kommunikáló, lazán csatolt komponensekből fognak ezek felépülni,
Átirat · 1:01:54
amiket akár különböző helyeken is lehet futtatni, ezek külön életet élhetnek, külön lehet ezeket menedzselni,
Átirat · 1:02:00
külön lehet fejleszteni ezeket, és akkor ennek számos előnye lesz, és számos újfajta kihívást fog majd jelenteni.
Átirat · 1:02:09
És azt gondoljuk, hogy itt önmagában azt, hogy jó szoftvert tudunk csinálni, az még nem elég, mert ezeket a jövőbeli szoftvereket,
Átirat · 1:02:17
vagy nem is annyira távoli jövőbeli szoftvereket, valamennyire jelen szoftvereket is már, felhő platformok fogják futtatni,
Átirat · 1:02:26
ráadásul többféle felhő platform, ezek valamilyen együttműködésben egymással,
Átirat · 1:02:30
és a lazán csatolt microszervisz komponenseket pedig hálózatoknak kell összekapcsolni folyamatosan, mert ezeknek kommunikálni kell egymással.
Átirat · 1:02:38
És valahogy azt látjuk, hogy erre a rendszerre szoftvert tudjunk csinálni, ahhoz értenünk kell ennek a teljes rendszernek az ökoszisztémáját, a működését.
Átirat · 1:02:47
Tehát ezt a platformot is, meg a szoftvert együtt kell tudni kezelni.
Átirat · 1:02:51
És akkor nekünk ez a cloud native technológia az, ami köré tulajdonképpen csoportosul a tevékenységünk mostanában itt az elmúlt években,
Átirat · 1:03:00
ez egy olyan megközelítés, hogy a szoftvereket már előbb úgy fejleszünk, hogy azok majd ki tudják használni a felhő platformokat a végtelen lehetőséget.
Átirat · 1:03:10
Tehát különböző felhő platformok és számítási modellek teljes kihasználását szeretnénk, már a fejlesztés során is, és persze utána az alkalmazás üzemeltetése során is.
Átirat · 1:03:19
És ilyenkor a szoftver akkor az konténerekből épül fel, követve mondjuk a microszervisz architektúrát, ezeket a komponenseket valami felhő platform menedzseri,
Átirat · 1:03:30
a Kubernetes az egy ilyen container management platform, amit még a Google fejlesztett, és azóta már open source-os community fejleszi tovább.
Átirat · 1:03:39
És ez a platform akkor képes arra, hogy automatikusan kezelje ezeket a kis komponenseket, és az igényekhez automatikusan skálázza például ezeket az elemeket.
Átirat · 1:03:50
Ha 10 felhasználó van a rendszerben, akkor 1 microszerviszt indít az adott feladathoz. Ha 1 millió van, akkor indít belőle még pár ezeret.
Átirat · 1:03:57
De ezt ő automatikusan akkor követi, mikor mennyire van szükség.
Átirat · 1:04:00
És akkor nyilván itt áramot tudunk vele spórolni, pénzt tudunk vele spórolni, tehát automatikusan valahogy az igényekhez alakítjuk az erőforrás használatot.
Átirat · 1:04:09
És mellette, hogyha ilyen nagyon gyorsan változik az, hogy minek hol kell futnia, akkor itt nagyon komoly kihívás van a hálózatokon is, mert a hálózatoknak le kell tudnia követni,
Átirat · 1:04:18
kell tudni biztosítani az összeköttetést az egyes komponensek között, és ezt egy ilyen szoftver alapú hálózatok segítségével tudjuk megoldani.
Átirat · 1:04:25
És akkor, ami nekünk érdekes, az, hogy ebben az ökoszisztémában hogy lehet késleltetésérzékeny alkalmazásokat megvalósítani, tehát valahogy ilyen késleltetésérzékeny felhő alkalmazásokat készíteni.
Átirat · 1:04:37
Ugye ez a technológia az alapvetően nem erre van kitalálva, itt nagyon sok minden hiányzik még ahhoz, hogy ez működő képes lehessen.
Átirat · 1:04:44
És akkor egy pár gondolat, hogy akkor mi közünk hozzá, tehát távközlés és mesterséges intelligencia, akkor elkezdtem gondolkodni, hogy mi közünk az MMI-hez,
Átirat · 1:04:54
de akkor igazából azon is lehetne gondolkodni, hogy mi közünk a távközléshez, mert igazából mi már kicsit úgy távolabb léptünk talán a távközléstől, de ezt könnyebb volt megválaszolni.
Átirat · 1:05:04
Tehát itt az elosztott szoftverek vannak, elosztott platformokon futtatva, azokat hálózatok kapcsolják össze, ott késleltetéskövetelményeket kell tudni teljesíteni,
Átirat · 1:05:12
és akkor leokéztem, hogy oké, a távközléshez még azért elég szorosan kapcsolódunk.
Átirat · 1:05:17
A nehezebb feladat volt ez a mesterséges intelligencia megválaszolása, és akkor itt is kicsit szubjektív módon a személyes sztorimat gondoltam végig ebbe,
Átirat · 1:05:27
hogy nekem igazából az első találkozásom, azért mesterséges intelligenciával, az még 2001-ben volt gyerekkoromban, vagy hallgatókoromban itt az egyetemen.
Átirat · 1:05:38
Egy neurális háló alapú zeneszerző programot lehet próbálni.
Átirat · 1:05:42
Ezt már hobáltam készíteni, még Horváth Gábornál a mitent, és ennek kapcsán ezt csak előkerestem, hogy milyen zenéket tudtam szerezni itt 2001-ben.
Átirat · 1:05:51
Nem lettek jobbak azóta, az egészen biztos, és hogy nem tudom, hogy ha ezt bekapcsolom, most van bekapcsolva...
Átirat · 1:06:02
Hú, bocsánat, hallgatódik valami? Bocsánat, ezt nem akarom ezzel húzni, nem sikerültek túl jól, az igazából a lényeg.
Átirat · 1:06:22
És akkor a kontrollt is sikerült elvesztenem a számítógép fölött.
Átirat · 1:06:34
Bocsánat, ilyenkor kell gyorsan kikapcsolni, ugye?
Átirat · 1:06:48
Mégiscsak jól sikerült, tehát valamilyen szempontból azért hatékony.
Átirat · 1:06:54
Hát nem arra a célra, amire annak idején gondoltam ezt készíteni.
Átirat · 1:07:00
Jó, bízom vele, hogy idő után visszatalálok ahhoz az ablakhoz, amihez kéne.
Átirat · 1:07:10
Ilyenkor kell visszaadni a szót Attilának.
Átirat · 1:07:14
Bocsánat, arra nem számítottam, hogy ez a Linux-os desktopot megöli ezt, hogy váltok egyet.
Átirat · 1:07:31
Egy pillanat.
Átirat · 1:07:34
Az volt, hogy kifagyott a plazma a desktop, és ezen nehéz átlendülni, de annak hozzá teplik meg.
Átirat · 1:07:42
Az is paliszóval tartja a közülségét.
Átirat · 1:07:45
A fagyott lazmára meséljétek.
Átirat · 1:07:49
Itt átveszem a szót, mert úgy látod, hogy az időben fog kerülni.
Átirat · 1:07:55
És már úgyis így neki várja a szünetet.
Átirat · 1:08:00
Úgyhogy tartsunk egy 5 perc biológia.
Átirat · 1:08:03
Az egyik gépet és a másik gépet visszavesztük a mesterséges intelligenciától a kontrollt.
Átirat · 1:08:07
És akkor találkozzunk az 5 perc 25 perc múlva.
Átirat · 1:08:15
De akkor a szünet előtt be szeretnénk fejezni a részt az előtt.
Átirat · 1:08:24
Mert azért mi van mondanó, mert talán készültem veled.
Átirat · 1:08:28
Hagyjuk, engedjük.
Átirat · 1:08:33
Tehát itt reklámasztatnám ennek az open source-os tool-okat.
Átirat · 1:08:40
Például a KDE, Plasma Desktop és hasonlókat.
Átirat · 1:08:44
De most ezt nem fogom megtenni, mert önmagáért beszélt, hogy mit tudott a rendszer.
Átirat · 1:08:48
Jó, tehát a neurális háló alapú zeneszerzés hát úgy jól, hogy nem sikerült.
Átirat · 1:08:52
És akkor azóta szeretem úgy megideolózni, megideologizálni, hogy a technológia még nem átkészen akkor.
Átirat · 1:09:00
Ez az elmúlt két évtizedben rengeteg fejlődés volt, meg megtörtént az áttörés itt a MB AI területen.
Átirat · 1:09:08
És azt láttam, láttuk, hogy itt igazából a kőkemény alapkutatásból, nem azt mondom, hogy átment egy alkalmazott kutatásba,
Átirat · 1:09:15
de megjelent egy alkalmazott kutatás a lábba is ennek a területnek.
Átirat · 1:09:19
És akkor nekünk távolról nézve úgy tűnik, hogy ez az ultimate tool, mindenhez tuti jó.
Átirat · 1:09:24
Amihez nem tudunk másrészt közben megoldani.
Átirat · 1:09:26
Ott képes a mesterséges intelligencia rájönni ezekre a komplex összefüggésekre.
Átirat · 1:09:30
Akkor meg tudja tanulni, és utána az alapján mit lehet csinálni, bármit lehet csinálni.
Átirat · 1:09:34
Itt nálunk például az, hogy valamilyen vezérlési döntést tudunk hozni ez alapján, valamilyen erőforrás hozzárendelést tudunk csinálni.
Átirat · 1:09:43
Skálálási döntést tudunk hozni azért, hogy a performancia vagy a késletetési követelme, hogy az tartható legyen.
Átirat · 1:09:49
Tehát mi tipikusan ilyen alkalmazott mesterséges intelligenciát csinálunk, és akkor örömmel rájöttem, hogy akkor az M-ét is ki tudom pipálni itt ezen a területen.
Átirat · 1:09:59
És akkor valahogy ez a képes.
Átirat · 1:10:00
Ha úgy átgondolhatom, ha megnézzük közelebbről, akkor nekünk az a konklúziunk itt ebből, hogy nagyon sok mindenre nagyon jól használható ez a technológia, hogyha tudja az ember, hogy hogy kell használni.
Átirat · 1:10:11
Tehát soros nem az van, hogy itt polcról levehető univerzális megoldások vannak, és akkor minden problémára rá tudjuk húzni.
Átirat · 1:10:16
Mert próbáljuk ezt csinálni, próbáljuk mindenben belelátni az alkalmazhatóságát, de szó sincs erről.
Átirat · 1:10:21
És igazából azt látjuk, hogy adott problémákhoz, konkrét feladatokhoz mindig valami testre szabott mesterséges intelligencia modell,
Átirat · 1:10:30
amiket kell alkotni, vagy adaptálni, és akkor azzal tudunk sikert elérni.
Átirat · 1:10:35
De minden esetben szükség van valami domain knowledge-re is, meg a mesterséges intelligencia szakértelemre is.
Átirat · 1:10:40
Ez sokszor nem ugyanabban az emberben, vagy kutatóban van meg.
Átirat · 1:10:43
És itt is igazából az együttműködés az, ami sokszor segít.
Átirat · 1:10:47
Most nem tudom hány percem van még, mert van egy-két gondolatom, de négy, nagyon jó, az bőven elég.
Átirat · 1:10:52
És akkor két alkalmazási példát szeretnék ebben a négy percben bemutatni.
Átirat · 1:10:57
Az egyik, hogy például,
Átirat · 1:11:00
ilyen proaktív mikroszolgáltatás skálázásra, hogy lehet felhasználni a mesterséges intelligenciát.
Átirat · 1:11:06
Tehát itt loptam egy-két ábrát, de ezeket megjelölte a forrás, persze, mivel nem látszódik.
Átirat · 1:11:11
De hogyha valami microszervisz alapú szoftvert vizsgálunk, az ilyen kis komponensekből épül fel.
Átirat · 1:11:17
A komponensek hívogatják egymást, attól függően, hogy éppen milyen felhasználói kérések érkeznek be,
Átirat · 1:11:22
hány felhasználó használja a rendszert, nagyon sok minden. Az aktuális állapot az nyilván ettől függ.
Átirat · 1:11:27
És ez valami taxi alkalmazásnak a megvalósítása.
Átirat · 1:11:32
És egy ilyen kis konkrét doboz, tehát egy kis microszervisz, az igazából egy kicsit bonyolultabban néz ki,
Átirat · 1:11:38
mert azt csinálja nekünk a rendszer, hogyha beérkezik az igény, a hívás ahhoz a komponensehez,
Átirat · 1:11:44
akkor az oda küldi a megfelelő konténernek, ahol fut ez a szoftver.
Átirat · 1:11:49
Ha éppen nem egy felhasználó van a rendszerben, hanem egymillió, akkor indít még néhány ilyen konténert,
Átirat · 1:11:54
és utána kitalálja, hogy melyikhez kell irányítani a kéréseket.
Átirat · 1:11:57
Ezt szétosztani közöttük, és mindig az igényeknek megfelelően skálázza ezeket az elemeket.
Átirat · 1:12:03
És akkor van hozzá egy ilyen horizontális skálázó, ami kitalálja egyébként mennyi elemre van szükség.
Átirat · 1:12:08
Mert tipikusan ezt ilyen reaktív módon csinálják.
Átirat · 1:12:11
Tehát megnézzük, ha az átlagos CPU load az fölmegy 70% fölé, akkor indítani kell még egy konténert.
Átirat · 1:12:18
Még kettőt, még tizet, még százat. Ha meg nincs terhelés rajta, akkor meg lekapcsolgatja azokat.
Átirat · 1:12:24
És ugye ez mondjuk ilyen webshop esetében, vagy egy taxi alkalmazás esetében,
Átirat · 1:12:27
lehet, hogy jó, de mondjuk egy ilyen távközlési alkalmazásnál, mondjuk egy 5G-s control plane alkalmazásnál,
Átirat · 1:12:34
nem biztos, hogy jó, mert nem biztos, hogy száz millisekundum alatt el tudok indítani egy ilyen konténert.
Átirat · 1:12:39
Még akkor is, ha be van csolgva valami konténerbe egy ilyen alkalmazás, de akkor sem biztos, hogy azt ilyen gyorsan el tudom indítani.
Átirat · 1:12:45
Lehet, hogy percek kellenek hozzá. És akkor addig egy-két percig nem tudom kiszolgálni a telefonálni akaró embereket, ez nyilván nem fér bele.
Átirat · 1:12:52
És akkor itt megtehetjük azt, hogy ezt ilyen proaktívan csináljuk. Próbálunk rájönni arra, hogy a felhasználók hogy viselkednek.
Átirat · 1:12:58
Ez az egyik lehetőség. Nyilván itt a telefonügynálási szokásokra is látszódott, hogy a szezonalitást viszonylag könnyű megtanulni, megbecsülni,
Átirat · 1:13:07
hogy napon belül, héten belül, hogy alakulnak ezek a szokások, és akkor előre megsatszolgatjuk, hogy mennyi konténert kell indítani.
Átirat · 1:13:15
A másik, amit tudunk vizsgálni, hogy az egyes kis komponensek hogy működnek, mennyi erőforrást használnak adott terhelés mellett.
Átirat · 1:13:22
És ezeket felhasználva, akkor igazából tudunk egy ilyen proaktív működési modellre átállni, ahol folyamatosan figyeljük a rendszert, monitorozzuk az adatokat, tanuljuk a viselkedést és a komponenseknek a működését,
Átirat · 1:13:34
és ez alapján előre megmondjuk, hogy hány szoftver komponense lesz szükség az adott feladatra.
Átirat · 1:13:40
És nyilván ezt tovább lehet bonyolítani, azt is meg szeretnénk tanulni, hogy milyen összefüggések vannak a microservice-ek között.
Átirat · 1:13:47
Ez egy Jakubákos hallgatónk TDK-je volt most ebben az évben, ő ezt deep reinforcement learning-el próbálta megtanulni.
Átirat · 1:13:55
Jó, és akkor még szerencsére még mindig van két percem, a másik fő alkalmazási területünk, az a kiterjesztett valóság alkalmazások és ezeknek a felhőben való megvalósítása.
Átirat · 1:14:10
És akkor itt, nyilván most ezt nem vezetem be, mit jelent az, hogy kiterjesztett valóság alkalmazás, mert szerintem ezt már mindenki tudja,
Átirat · 1:14:17
hogy ez kifőből indult, de valóságban landolt, egy ilyen nagyon frappáns képzavarral élve.
Átirat · 1:14:23
És itt ugye egyrészt vannak bonyolult eszközök, amikkel valami virtuális kiterjesztett vagy olyan kevert valóságot vetítünk a felhasználóknak,
Átirat · 1:14:33
és a háttérben vannak brutális számítási feladatok, brutális funkciók, amiket meg kell tudni valósítani.
Átirat · 1:14:39
3D rendelés, objektumok követése, felismerése, stb. stb.
Átirat · 1:14:44
És nyilván itt adódik, hogy hát ezeket miért nem futatjuk a felhőben, vagy a peren felhőben, ami közelebb van a felhasználókhoz.
Átirat · 1:14:51
És igen, ez az egyik ilyen érdekes kutatási irány, hogyha egy ilyen elosztott módon használjuk a felhő, peren felhő eszközök adta platformot,
Átirat · 1:15:00
és ott szétdobjuk a szoftver komponenseket, akkor milyen fajta szolgáltatásokat tudunk csinálni.
Átirat · 1:15:04
És például egy ilyen többfelhasználós AR alkalmazás megvalósítás az jelenleg rettenetes.
Átirat · 1:15:09
Ez egy nagy kihívás. Tehát azt azért nem sokan tudnak ilyet csinálni, nagyon sok minden hiányzik hozzá.
Átirat · 1:15:14
És mi egy ilyennek a megvalósításán dolgoztunk. Itt pár dolgot át kell helyezni a klavukba, most ebben megint csak nem megyek bele itt részletesen.
Átirat · 1:15:22
De gyakorlatilag az eszközöknek a pozícionálását végezzük a felhőben úgy, hogy a képi információkat, szenzoradatokat mindent fölküldjük a felhőbe,
Átirat · 1:15:31
és ott fut egy komponens, ami akkor meghatározza az adott eszköznek a pozícióját.
Átirat · 1:15:35
És mellett a hátétbe épít valami közös térképet.
Átirat · 1:15:38
Jó, és akkor gyakorlatilag olyan alkalmazásokat lehet csinálni, hogy a több usert tudunk koordinálni, és a különböző virtuális objektumok a megfelelő helyen jelennek meg mindenkinél.
Átirat · 1:15:50
Tehát ez különböző koordinátorrendszereket kell realtime-ban összeszinkronizálni, és a megfelelő helyen, megfelelő pozícióban megjeleníteni ezeket a virtuális elemeket.
Átirat · 1:15:59
Tehát itt mindenkinek van egy, hát itt a mobil AR-t használjuk, mindenkinek van egy telefonja, az egy virtuális repülőt tud készíteni.
Átirat · 1:16:05
Mozgatni, és a többi user ezt úgy látja, mintha a saját telefonja előtt mozognak.
Átirat · 1:16:09
És akkor ezt valós időben kell tudni megvalósítani.
Átirat · 1:16:12
Hát itt nem teljesen sikerül, még látod, hogy ha rezegnek ezek az objektumok, itt a cloud-dal való kommunikációnál megjelenik az az extra késleltetés, ami igazából kicsit elrontja a felhasználói élményt.
Átirat · 1:16:24
És akkor arra vannak kutatások, hogy ezt hogy tudjuk javítani.
Átirat · 1:16:27
És akkor a következő szlájdból ez lett volna, amire már nem lesz időm, de hogyha a panelbeszélgetésen majd valaki megkérdezi, akkor szívesen elmondom és megmutatom, hogy ez hogy működik.
Átirat · 1:16:37
Jó, és akkor köszönöm a figyelmet.
Átirat · 1:16:40
Köszönjük, köszönjük Balázsnak és a zenőadóinknak. Még három szakmai előadás, amelyik a panel a szünet után következik, úgyhogy most akkor öt perc szünet, félkor találkozunk.
Témák
iMI-támogatott
Az MI az előadás tartalma alapján javasolja a hozzá leginkább kapcsolódó témaköröket. Szükség esetén új témakört is javasolhat; az új témák szerkesztői jóváhagyással kerülnek be az archívumba.
Összefoglaló
iMI-támogatott
Az összefoglaló az előadás átirata alapján, mesterséges intelligencia segítségével készült. A tartalmat az archívum szerkesztője ellenőrizte. Az MI által készített szöveg ennek ellenére tartalmazhat pontatlanságokat.
Fejezetek
iMI-támogatott
A fejezetcímek és időpontok az előadás átirata alapján, mesterséges intelligencia segítségével készültek.
Kapcsolódó előadások
i
A kapcsolódó előadásokat a témák és előadók közötti átfedések alapján rangsoroljuk. A legerősebb kapcsolódást mutató három előadás jelenik meg.
Az egyező témákat és előadókat kiemeljük.