Előadás

Párhuzamok

M.I. fénycsóvák az akadéMIai világítótornyokból

2024. március 12. 14:00BME Informatikai épület, IB025 · Budapest

Átirat · 1:14:53

lehetőséget eredetileg tanszékvezető úr arra kért hogy beszéljek az elte mesterséges

Átirat · 1:15:01

intelligencia tanszékéről amit meg is fogok tenni az előadásom második felébe mert rájöttem

Átirat · 1:15:08

hogy sokkal több dologról tudnék itt beszélni ugyanis ez az esemény ez a

Átirat · 1:15:16

tmitről szól elsősorban és az a helyzet hogy én a témiten töltöttem eddig a

Átirat · 1:15:22

legtöbb időt ez ez a tansz ahol a doktorimat szereztem ezért nyilván innen

Átirat · 1:15:30

indítanám az előadást lehet hogy többen ismernek több mint 20 éve kerültem a

Átirat · 1:15:38

témitre ugye ez távközlési és médainatika tanszék egy érdekes párhuzam mindjárt

Átirat · 1:15:47

itt az elején az az hogy amikor én erre a tanszékre kerültem akkor ez távközlési

Átirat · 1:15:54

és matatikai tanszéknek hívták és 2003-ban nevet változtatott ez a tanszék

Átirat · 1:16:02

akkor lett távküés és méia informatikai tanszék ami egy érdekes párhuzam a mostani esette hiszen ha jól tudom

Átirat · 1:16:09

akkor most újabb nevet fog változtatni ez a tanszék és a mesterséges intelligencia bele fog

Átirat · 1:16:17

kerülni ugye akkor tá több mint 20 évvel ezelőtt a mesterséges intelligencia egyáltalán nem volt divatos terület nem

Átirat · 1:16:26

foglalkoztak ezzel olyan sokan viszont engem már akkor ez a terület kezdett érdekelni de sosem mainstream

Átirat · 1:16:35

vonalon dolgoztunk az em-ek bizonyos magvai voltak megtalálhatók ezen a tanszéken

Átirat · 1:16:42

akkor elsősorban fázi logikával foglalkoztunk illetve evolúciós algoritmusokkal ezekre majd röviden

Átirat · 1:16:50

utalnék a továbbiakban is hogy ezek utána hogyan alakultak a doktori értekezésem

Átirat · 1:16:57

címe amit 2008-ban védtem meg ezen a tanszéken látjuk hogy azért egy-két mostani kifejezés már benne van p tanuló

Átirat · 1:17:05

algoritmusok gradiensn meg ilyesmi szavak illetve két tézispontszerűséget ide ki is vetítettem ezekről fogok

Átirat · 1:17:15

röviden beszélni ugye elsősorban fáz rendszerekkel foglalkoztunk meg bizonyos típusú

Átirat · 1:17:22

neurális hálózatokkal ezek emberközeli szabályrendszerek tehát olyan szabályrendszerek amik az emberi gondolkodáshoz közelebb

Átirat · 1:17:31

állnak illetve az egy előnyük még hogy tehát ezáltal magyarázó magyarázat képesek

Átirat · 1:17:39

ugye mai szóhználattal élve viszont a tanításuk nehézkes de de azért mégis csak ezek tanítható rendszerek tehát

Átirat · 1:17:47

tanítható szakértó rendszerekről beszélünk amelyek az emberi gondolkodásmódhoz közel állnak kihívás volt hogy hogyan tudunk ilyen

Átirat · 1:17:54

rendszerekkel tanítani erre az egyik megközelítés az

Átirat · 1:18:00

evolúciós algoritmusok voltak az a lényeg hogy egy ilyen

Átirat · 1:18:10

szabályrendszert le tudtunk valahogy kódolni ezekben a szabályrendszerekben úgynevezett tagsági függvények voltak ezek teljesen hasonlóak mondjuk egy

Átirat · 1:18:17

neurális hálózat aktivációs függvényeihez és az volt itt a fő kérdés hogy hogyan tudjuk ezeket a

Átirat · 1:18:24

ezeket a függvényeket beállítani betanítani itt evolúciós algoritmusokkal

Átirat · 1:18:31

foglalkoztunk ami ugyanúgy egy természet által inspirált dolog mint a neurális hálózatok persze fontos megjelegyezni hogy itt tényleg csak

Átirat · 1:18:40

inspirációról van szó ugyanúgy mint a neurális hálózatok esetén tehát nem a természetnek a szó szerinti leutánzásáról van szó ami egészen furcsa

Átirat · 1:18:48

lenne ez az egyik kedvenc animációm azért tettem be az inspirációra vonatkozó van tehát itt igazából csak

Átirat · 1:18:57

ötleteket merítünk ugye a természetből ez a neurális hálózatokra is elmondható illetve az evolúciós algoritmusokra is amelyek gyakorlatilag úgynevezett

Átirat · 1:19:06

egyedekbe befogalmazva képesek paraméteroptimalizációra képes keresésre és egyéb feladatokra gépi tanulási

Átirat · 1:19:14

feladatokra is ez nem egy mainstream irány ma ráadásul mi még ezen a az evolúciós irányon belül is egy nem mainstream ir

Átirat · 1:19:22

iránnyal foglalkoztunk az úgy nevezett bakteriális algoritmusa ami ami japánból

Átirat · 1:19:29

eredeztethető kicsit máshogyan működött mint a a klasszikus evolúciós algoritmusok ezekben ilyen egyedek vannak a populációban és ezek fejlődnek

Átirat · 1:19:38

bizonyos szabályok szerint ilyen különböző operátorokkal úgynevezett bakterérios mutációval meg génátadással ezek röviden

Átirat · 1:19:47

úgy működnek hogy fogunk egy ilyen egyedet ami tényleg valami számokat ír le paramétereket vagy bármit ezek lehetnek

Átirat · 1:19:55

tanulópaméterek hiperparaméterek vagy egyszerűen optimalizációs paraméterek ezeket lemásoljuk több példányban valahogy módosítgatjuk és akkor a

Átirat · 1:20:03

győztesek túlélnek és akkor azok mennek tovább egy következő generációba tehát ilyen végtelenül egyszerű alapötletek

Átirat · 1:20:11

mentén dolgoznak elnézést csak azért nézem mindig a kivetítót mert itt a monitoron nekem az első slajnál megakadt

Átirat · 1:20:18

a prezentáció h és nem látom hogy hol tartunk ezeken az operátorokon kívül mi azért

Átirat · 1:20:26

foglalkoztunk gradiens alapú módszerekkel is elsősorban az őet levenbg marcard algoritmussal

Átirat · 1:20:34

foglalkoztunk ami eg gradián alapú tanításokra volt képes ennek több előnye volt a akor ti a back propagation

Átirat · 1:20:43

algoritmusokhoz képest ez egy kvázi másodrendű módszer ami azt jelenti hogy ez a módszer ez jól egyensúlyt tud

Átirat · 1:20:52

teremteni a hagyományos legmeredekebb lejtő illetve gaus newton típusú módszerek között itt láthatjuk ennek a a

Átirat · 1:21:00

a az az update szabályát tehát hogy hogyan módosítunk egy egy paraméter vktort ebben az algoritmusban

Átirat · 1:21:09

és ennek a két tagja hát az első az a jakobi transzponált jakobi plusz a második tag ezek tudnak egyensúlyozni a

Átirat · 1:21:16

legmeredekebb lejtő és a gaus newton irány között ennek a matematikájába nem érdemes most részletesebben belemenni az

Átirat · 1:21:25

a lényeg hogy mindenféleképpen egy finomabb megközelítést tudott adni mint a egy sima klasszikus gradiensn algoritmus

Átirat · 1:21:33

és ezt tudtuk alkalmazni ilyen evolúciós folyamatok felgyorsítására tehát ezt bele tudtuk inkorporálni péld ezekbe a

Átirat · 1:21:41

bakteriális algoritmusokba ehhez persze ugye ki kellett számolni a gradienseket de hát ezt a legtöbb gradiensn alapú tanuló

Átirat · 1:21:49

algoritmusnál ki kell számolni ugye volt egy másik operátor is ebben a az evolúciós algoritmusban ami arról szólt

Átirat · 1:21:56

hogy ezek az egyedek hogy tudják egymást segíteni tehát ugye mindegyik egyed valami megoldást jelölt az adott

Átirat · 1:22:02

problémára és ezek az egyedek a egy jó egyed információ átadásával segíteni tud

Átirat · 1:22:10

egy rossz egyedet és ezáltal az még jobbá válik és így egy evolúciós folyamat segítségével

Átirat · 1:22:17

fejlődnek ezek az egyedek ezek ez a fajta evolúciós algoritmus ez

Átirat · 1:22:26

japánból eredeztethető de mi azért gradiáns alapú tanításokkal tovább fejlesztettük annak idején

Átirat · 1:22:35

ezt a modellt illetve ezt alkalmaztuk egy kicsit más formában alkalmaztuk

Átirat · 1:22:42

neurális hálózatok struktúrájának az optimalizálására is itt egy akortá divatos neurális hálózat

Átirat · 1:22:50

irány volt a radiális bázis függvényalapú neurális hálózat ezen belül a bispline hálózatokkal

Átirat · 1:22:57

foglalkoztunk ezeknek az aktivációs függvényei leírhatók különböző formában

Átirat · 1:23:04

viszont az hogy milyen rendőaktivációs függvényt írunk le hogyan hogyan helyezkednek el ezeknek a paraméterei satöbbi ez mindegy összetett tanulási

Átirat · 1:23:12

kérdés amire a korábbi bakteriális megközelítésnek egy kiegészített változatát alkalmaztuk

Átirat · 1:23:20

ami struktúra optimalizálásra volt képes úgynevezett fastruktúrák tudtak ezek az egyedek fejlődni például

Átirat · 1:23:27

van egy egyed amit le lemásolunk több példányba és ennek a az a fának egy bizonyos

Átirat · 1:23:36

részét kijelöljük és ezeket módosítjuk ugyanazt a részfát az egyedekbe és a legjobb részfa túlélésével tudnak

Átirat · 1:23:43

fejlődni ezek az egyedek illetve az előbbi génátadás operátor is amikor egy jobb egyed megsegít egy rosszabb egyedet

Átirat · 1:23:51

ez úgy tud működni egy fastruktúrán hogy a jobb egyed ből kijelölünk egy részfát meg a rosszabb egyedből is kijelölünk

Átirat · 1:23:58

egy részfát és akkor a jobb egyed ezzel a részfátadással segíti a rosszabb

Átirat · 1:24:05

egyedet ezt elég sok feladattípusra tudtuk alkalmazni én a a témites idő

Átirat · 1:24:15

után nagyon hosszú időre japánba kerültem ahol elsősorban robotikával

Átirat · 1:24:22

kezdtem el foglalkozni egy elég ismert tokiói laborban ez a naujuki kubota professzornak a laborja volt és sok-sok

Átirat · 1:24:31

évet töltöttem el hét évet ebben a laborban ahol sokféle feladattal foglalkoztunk és akkor jöttem rá hogy

Átirat · 1:24:39

igazából a mesterséges intelligencia hogyha nem valami robotban alkalmazzuk hanem csak úgy önmagába ál mint egy

Átirat · 1:24:46

szoftver az igazából hazugság jó tehát az igazi intelligencia mint az ember esetén is az valami

Átirat · 1:24:55

testhez kötött ez egy érdekes felismerés volt japánban több témával foglalkoztunk ott

Átirat · 1:25:02

például robotok útvonal tervezésével foglalkoztunk egy egy et robotpner létrehozásával amely egy kognitív

Átirat · 1:25:11

robotikai modellt megvalósítva képes volt verbális és nem verbális kommunikációra

Átirat · 1:25:18

emberekkel és itt természetesen építettünk a mesterséges intelligencia módszereire neurális hálózatok ra az előbb említett fazáé rendszerekre

Átirat · 1:25:27

illetve evolúciós algoritmusokra ennek a robotnak az érzelmi modeljében egy speciális típusú neurális hálózatot

Átirat · 1:25:34

alkalmaztunk ezt is röviden majd elmesélem később ez az úgynevezett spiking neurális hálók ami megint csak nem egy mainstream irányzat viszont egy

Átirat · 1:25:43

nagyon érdekes ígéretes irányzat és ugye ez egy érdekes újabb kapcsolódás

Átirat · 1:25:51

hogy ugye japán ahonnan ezek a bakteriálisok algoritmusok is származnak egy újabb egy ilyen kötődési pont vagy

Átirat · 1:25:58

párhuzam itt a történetben volt még egy nagyon érdekes téma nem tudom ez a videó el fog-e

Átirat · 1:26:06

indulni vagy nem nem nem indul el itt ez a videó ez azt mutatja hogy egy robotjárást hogy

Átirat · 1:26:14

tudtunk megvalósítani neurális alapon úgy hogy a robotnak a a különböző jointjait valahogy egy neurális modellel

Átirat · 1:26:23

kódoltuk viszont az hogy ez milyen neurális struktúrát igényel ennek a megvalósítása ugye egy adott jointban hány neuron legyen ezek milyen más

Átirat · 1:26:30

neuronokhoz kapcsolódjanak satöbbi ezt meg megint csak egy egy ilyen evolúciós algoritmusal fejlesztettük ki és gyakorlatilag nulláról megtanult ez a

Átirat · 1:26:38

robot járni sajnálom hogy ez a videó nem indul el de azt láthatjuk hogy ez a robot először egy szoftveres szimulációban után pedig egy tényleg egy

Átirat · 1:26:46

valódi robotban amit ott építettünk hogyan tud megvalósulni ez a robot

Átirat · 1:26:54

járás hát sok érdekes témával foglalkoztunk tényleg japánban és a sok-sok év japán után visszakerültem

Átirat · 1:27:04

magyarországra és egy kis kitérő után az a megtiszteltetésért hogy én lehettem az elte mesterséges intelligencia

Átirat · 1:27:12

tanszékének a vezetője ez egy érdekes tanszéki konstrukció egy ipari tanszékről van szó

Átirat · 1:27:22

amely teljes ö összefűződéssel a boschhoz kötődik tehát

Átirat · 1:27:29

gyakorlatilag a bosch cég vett részt ennek a tanszéknek a

Átirat · 1:27:36

társalapításában és ez azért egy fontos fontos esemény mert ez gyakorlatilag az

Átirat · 1:27:43

egyetem 3.0 szemléletet képviseli ugye egy klasszikus egyetem 1.0-nál ami régen ahogy az egyetemek működtek az

Átirat · 1:27:50

egyszerűen egy egy oktatási szemlélet volt hogy az egyetem az valami oktatás tevékenységet valósít meg ugye egy egyetem 2.0 az az amikor már az oktatás

Átirat · 1:27:59

mellett kutatás is megjelenik az egyetemeken ez egy továbblépés volt viszont az egyetem 3.0 amikor emellett

Átirat · 1:28:06

még megjelenik az innováció megjelennek a az ipari lehetőségek és teljes szoros együttműködésben tudunk működni ipari

Átirat · 1:28:14

partnerekkel ez volt a fő koncepció a bosch esetén is bosch részt vett a az

Átirat · 1:28:22

egyetemi terünknek a a kialakításában ugye ott az egyetemi helyiségeknek a felújításában

Átirat · 1:28:30

illetve két évvel ezelőtt tavasszal mi egy újabb párhuzam itt a témit esetén nekünk is

Átirat · 1:28:36

volt egy ilyen hivatalos megnyitónk ez 2022 májusában

Átirat · 1:28:44

történt ez a hivatalos megnyitó mi mi is tartottunk egy ilyen egy ilyen konferenciát erről is van egy kép lehet

Átirat · 1:28:53

hogy többen részt vettek például bencúr andrás láttomott illetve janasi márkot aki akit szintén üdvözölhettünk ezen a

Átirat · 1:29:02

konferencián előadóként és ma is fog előadni milyen

Átirat · 1:29:09

megközelítések célok voltak ugye cél manapság egy emberközpontú mesterséges intelligencia létrehozása megbízható

Átirat · 1:29:18

megmagyarázható számos megközelítéssel foglalkozunk kompozitájal számítási intelligenciával neurális információ

Átirat · 1:29:25

feldolgozásával sokféle technológia találkozik ugye a legfontosabb mainstream technológiá a a deep learning a métanulás amely a legtöbb mesterséges

Átirat · 1:29:34

intelligencia motorja de ugye nem csak ezzel foglalkozunk hanem ahogy mondtam például a robotikai megközelítéseket nagyon fontosnak tartjuk az előbb

Átirat · 1:29:42

említett evolúciós technológiákat illetve kollektív intelligenciával kapcsolatos kutatásokat például rintelligencia multiágens rendszerek

Átirat · 1:29:52

satöbbi rengeteg olyan téma tmánk van ami az ipari partnerünkhöz kötődik ugye tehát a a boschhoz elsősorban önvezetéses témákra

Átirat · 1:30:01

kell gondolni az önvezetésen belül egy egyik téma az autonom percepció ezen egy

Átirat · 1:30:08

doktoranduszom dolgozik itt ugye különböző szenzoroknak a a fúziója ami

Átirat · 1:30:16

ami felmerül itt konkrétan most lidar adatokkal kezdtünk el dolgozni lidar adatokkal kapcsolat interpolációs

Átirat · 1:30:24

feladatokon amik a percepcióhoz szükségesek viszont számos más téma is folyik a a tanszéken

Átirat · 1:30:33

ugye például ritka mesterséges neurális hálókkal kapcsolatos kutatások ahol egy érdekes megközelítés a a hálózattudomány

Átirat · 1:30:42

eszköztárának a a bevonása másik dolog ugye ugyanúgy a a robotika

Átirat · 1:30:50

az fókuszban van van egy robotkarunk a t széken amely amely a boschhoz kötődik és

Átirat · 1:30:56

egy boschos ipari projekt végrehajtásában segít

Átirat · 1:31:04

ennek részleteiről nem nagyon tudok beszélni viszont számos más feladatra is tudjuk alkalmazni ezt a ezt a robotkart

Átirat · 1:31:12

itt például ez a karácsonyi ünnepségünkön különböző tansiki portrékat rajzoltunk ez nem én vagyok

Átirat · 1:31:19

egyébként hanem egy egy drorandusomnak a a portréja egy másik érdekes téma szintén

Átirat · 1:31:28

eg robotikához kötődő ez a zongorázó robot amit szintén kifejlesztettünk teát az a lényeg hogy hogy tudunk ugye

Átirat · 1:31:36

hatékony emberrobot kommunikációt megvalósítani emberközeli módon és itt például ugye hogy az emberek kommunikálnak egymással az legtöbbször

Átirat · 1:31:44

nonverbális kommunikáció az emberi kommunikáció több mint 70%-a az az az nem verbális módon történik és ezt érdemes ugye ezt a robotikában is

Átirat · 1:31:53

alkalmazni ezt a megközelítést egy ilyen nem verbális kommunikáció például zenében a kodáféle szolmizációs

Átirat · 1:32:02

kézjelek és ilyen szomizációs kézjelek segítségével építettünk egy zongorázó robotot ami ezeket a kézjeleket

Átirat · 1:32:08

megtanulja egyébként a korábban említett spiking neurális hálókat alkalmazzuk itt egy-két szót mondanék erről a spiking

Átirat · 1:32:17

neurális háló témáról ami egy fajta következő generációja lehet a neurális hálózat kutatásoknak és eltérően a a a

Átirat · 1:32:26

korábbi neurális hálózatoktól itt igazából nem az információnó nagyság az ami az ami a ami a az információt

Átirat · 1:32:34

kódolja hanem a neuronok tüzelésének az időpontja és ezek a tüzelési időpontok mint ilyen úgynevezett spike trainek

Átirat · 1:32:42

ezek hordozzák igazából az információt a spiking neurális hálózatokban ezek mindenféleképpen energiahatékonyak tehát összehasonlítva mondjuk egy klasszik

Átirat · 1:32:50

neurális hálóval körülbelül nyolcadannyi ener energia befektetéssel végre tudunk hajtani majdnem hasonló pontossággal

Átirat · 1:32:58

bizonyos feladatokat ezekre javasoltunk többféle tanulóalgoritmust az egyik egy klasszikus hebby alapú megközelítésnek

Átirat · 1:33:07

és az elemes tanulóalgoritmusnak a kombinációja volt amit publikáltunk pár éve illetve most egy viszonylag újabb eredmény hogy ilyen

Átirat · 1:33:15

spiking hálókat kaputó derivált alapján is tudunk tanítani kaputó deriváltak azok olyan olyan deriváltak amely nem klasszikus

Átirat · 1:33:24

egészértékű deriváltak hanem hanem úgynevezett töltrendű deriváltak ezek a töltrendű deriváltak egészen hatékony

Átirat · 1:33:33

eredményeket tudtak mutatni egy klasszikus mondjuk első rendű deriválthoz képest egy ilyen töltrendű

Átirat · 1:33:41

derivátnak a leírását látjuk ennek a matematikájában nyilván nincs idő belemenni itt pedig egy spiking hálónak

Átirat · 1:33:48

a a működési mechanizmusát láthatjuk igen és akkor tényleg még 1000er más

Átirat · 1:33:56

téma van ugye nincs idő mindent bemutatni ha valakit érdekel akkor elmondom lezárásként egy egy aktuális téma amit úgy tudnék megfogalmazni hogy

Átirat · 1:34:05

ez a megint egy párhuzamként hogy ez a korábbi evolúciós vonal találkozik a mondjuk a deep learninggel vagy a

Átirat · 1:34:12

mostani mainstream megközelítésekkel itt például azt csináltuk egy nemrég elfogadott cikkben hogy hogyan lehet

Átirat · 1:34:20

hatékonyan mondjuk egy auto encoder architektúráját át felépíteni konkrétan hiperparaméter

Átirat · 1:34:28

optimalizáció evolúciós megközelítéssel amit mi kitaláltunk az hogy a a ennek az

Átirat · 1:34:35

autoencodernek a struktúráját egy bas gőbe alapon kódoljuk le ez meg egyébként egy újabb kapcsolódás a a a bisine

Átirat · 1:34:43

korábbi megközelítéshez tehát rengeteg ilyen kapcsolódási pont van amiket az előadás összerakása közben vettem észre

Átirat · 1:34:51

és az a lényeg hogy ezzel a bz görbvel le tudunk írni kontroll pontokat és ezek alapján tudjuk az autoenkod struktúráját létrehozni itt csak két

Átirat · 1:35:00

egyszerű példa hogy egy hiperparaméter a rétegek száma egy hiperparaméter a kódméret

Átirat · 1:35:08

illetve van egy harmadik paraméter aminek a bez görbének a kontrollpontja két koordinátával egy x meg egy y ezek

Átirat · 1:35:16

együttesen definiálnak egy görbét azt equekvidisztánsan beosztva megkapjuk az auto encoder rétegenkénti neuron

Átirat · 1:35:23

struktúráját tehát ez az ami itt történt itt látunk erre két számpéldát

Átirat · 1:35:32

egyszerűen tehát gyakorlatilag van egy megint egy egyedünk ami egy evolúciós algoritmusban fejlődik az egyed ugye

Átirat · 1:35:39

meghatároz egy vezégörbét a bezégörbe az meg leír egy neuron struktúrát ami meg egy autoencóerhez tartozik tehát

Átirat · 1:35:47

körülbelül ez a megközelítésnek a lényege nyilván a a hibánál figyelembe vesszük a losson kívül a a komplexitást is az egy

Átirat · 1:35:56

fontos szempont hogy egy megfelelő egyensúlyt tudjunk tartani a a pontosság érték illetve a modell

Átirat · 1:36:03

komplexitása között e egy nagyon fontos megközelítés ezt egy valós problémán alkalmaztuk egy bosshhoz

Átirat · 1:36:12

kötődő anomáli detetekciós problémán alkalmaztuk ahol egyébként a az alap

Átirat · 1:36:20

domain expertek által felismert anomáliákon kívül még egyéb

Átirat · 1:36:27

korábban fel nem ismert anomáliákat is képes volt az módon létrehozott felépített háló megtanulni

Átirat · 1:36:39

és ennek látjuk itt a a részletes eredményeit én azt hiszem hogy gyakorlatilag ennyivel készültem nagyon

Átirat · 1:36:47

szépen köszönöm a meghívást örülök hogy itt lehettem és sok sikert kívánok a tanszékműködéséz köszönöm

Átirat · 1:37:00

szépen köszönöm jános és a a közös siker egyik letételényeseként egy ilyen szépen

Átirat · 1:37:07

bet haadjak átzéen köszönöm köszönjük szépen köszönöm szépen biztosan együtt fog még működni szeretettel üdvözlök mindenkit újra itt a távközés és

Átirat · 1:37:16

mesterséges intelligencia rendezvénysorozatunk 2024 márciusi állomásán aminek a az fénycsóvák az

Átirat · 1:37:24

akadémiai világító tornyokból az al címe és a szünet után folytatjuk janosiky márkkal aki a szegededi

Átirat · 1:37:33

tudományegyetem tanszékvezetője szintén mesterséges intelligencia és algoritmusok tanszék márk tied a szó

Átirat · 1:37:40

köszönöm remélem működik a mikrofon úgy hallom hogy igen annyit szeretnék még így elmondani

Témák

MI-támogatott

Összefoglaló

MI-támogatott

Botzheim János személyes és szakmai párhuzamokon keresztül mutatja be kutatói útját a BME TMIT-től Japánon át az ELTE Mesterséges Intelligencia Tanszékéig. Felidézi a fuzzy rendszerekkel, evolúciós és bakteriális algoritmusokkal végzett munkát, robotikai kutatásait, majd bemutatja az ELTE–Bosch ipari tanszék emberközpontú MI-, autonóm percepciós, robotikai és spiking neurális hálózati kutatásait.

Videó navigáció

Fejezetek

MI-támogatott