Alapvető AI technológiai rétegek, amelyek egymásra épülnek. Egyszerűen, érthetően, példákkal.
Adatgyűjtés és tárolás
Bármilyen AI működéséhez szükséges alap: adatok, adatok és még több adat, bármennyi adat. Ez magában foglalja a szenzorokat, adatbázisokat, felhőplatformokat és a Big Data technológiát. A brutális mennyiségű adatok „etetik” az AI-t! Minél több és tisztább az adat, annál pontosabban működnek a lenti modellek. Itt van a Deltának is szerepe, lásd adattárolási megoldások. De már van saját, kis belső üzleti analitikai projektünk is.
Gépi tanulás (Machine Learning)
Az AI univerzum középpontjában áll. Algoritmusok, amelyek megtanulják, hogyan kell feladatokat elvégezni az adatokból. amikor a számítógép elkezd „tanulni” ahelyett, hogy megmondanád neki lépésről lépésre, mit csináljon. Matematikai modelleket használ, amik az adatokból mintázatokat keresnek. A gép adatokból nyer tapasztalatot, és ez alapján javítja a teljesítményét. Magyarán: megmutatod neki a képet a kutyádról ezerszer, és legközelebb magától felismeri, hogy az ott a Bodri. Kevesebb adatból dolgozik, általános algoritmusokkal. Egyszerűbb, és kevesebb számítási erőforrás kell. Használja pld. a Netflix, Spotify – mi legyen a következő film vagy zene, de a SIRI és az Egészségügy is.
Neurális hálózatok (Neural Network)
Egy speciális típusú, nagyon drága gépi tanulási modell. Olyan, mint egy mesterséges agy. Ez az alapja sok mesterséges intelligencia megoldásnak, például a generatív AI-nek is. A neural network mögött az a lényeg, hogy próbálja lemásolni, ahogy az emberi agy működik – persze jóval egyszerűbben. Azért ilyen ütős ez a technológia, mert baromi jó dolgokat lehet vele csinálni, például felismerni arcképeket, fordítani szövegeket vagy épp kinyomozni, miért nem működik egy Excel makró. Rétegekből áll (bemeneti, rejtett és kimeneti rétegek), és ezek között súlyozott kapcsolatok vannak, amik az adatokat feldolgozzák. Rengeteg adat kell neki (milliók, milliárdok), rengeteg számítási, főleg GPU kapacitás. Minden neurális háló gépi tanulás, de nem minden gépi tanulás neurális háló.
Mély Tanulás (Deep Learning)
Az ML egy speciális ága, a gépi tanulás „szupersztárja”, amely neurális hálózatokat használ a bonyolult mintázatok és struktúrák felismerésére. A legbonyolultabb problémákra is megoldást talál. Ez a technológia az, ami miatt az AI képes beszédet érteni, képeket felismerni, vagy éppen egy robotot úgy irányítani, hogy az ne essen hasra. Automatikusan megtalálja a mintázatokat, ezért nem kell kézzel előre megadni, hogy mire figyeljen a modell – az adatokból magától kiszúrja. Minél több adatot adsz neki, annál jobb lesz (pl. több millió képet beletolsz, és már látja a különbséget a sziámi és az orosz kék macska között is, nem csak azt, hogy valami kutya vagy macska). A Tesla önvezető rendszerei is ezt használják, meg a Deepfake technológia és a játékfejlesztés is erre épül. Ez az AI világának a Forma-1-es pilótája. 🚀
Generatív AI (Generative AI)
Az a technológia, ami képes szöveget, képet, zenét, kódot, azaz kreatív tartalmat előállítani. Ahelyett, hogy csak felismerne dolgokat (mint a hagyományos AI), a generatív AI újat teremt. Ez úgy működik, hogy a bemenetként kapott adatok alapján kitalálja, hogy mi lehetne még hasonló vagy releváns tartalom. A generatív AI mögött mélytanulási modellek vannak. Szöveget ír, képet generál, zenét és hangot komponál, videókat és animációkat készít és elég jó programokat is ír (egy programozó ismerősöm állítja, hogy a projektet 75-80 %-át gyönyörűen legenerálja már). A mély tanulás és a generítv AI között a legfontosabb különbség a cél. A mély tanulás célja a minták felismerése és elemzése, míg a generatív AI-t az új tartalmak létrhozására találták ki.
Van már megoldás arra is, hogy helyben futtathatóvá válik egy AI eszköz. Ez az Edge AI, a mesterséges intelligencia helyi (eszközön futó) alkalmazása, csökkentve a válaszidőt és a hálózati terhelést, illetve az esetleges adatkezelési, adattárolási kérdéseket is kezel.
