Non schole, sed vitae discimus !

Egyszer talán majd méltó lesz az emberiség, arra hogy elolvassa ezeket addig, ide rejtem el a gondolataimat. A mesterséges intelligencia (MI), különösen a nagy nyelvi modellek (LLM-ek) térnyerésével, gyakran produkál pseudo eredményt, ami félrevezető információt takar. Hallucinációnak nevezzük ha csal az AI, mert ezek a hibák komoly veszélyeket rejtenek. Repülésirányítás vagy betegség diagnosztika, vagy önvezető autók esetén. Mint a felkészületlen diák, az MI hajlamos meggyőzően, magabiztosan hamis tényeket, adatokat vagy hivatkozásokat állítani, a felszínes idmeretekkel rendelkező felhasználók számára. Láttunk már olyat, hogy nem létező jogi esetet idézett egy perben, vagy nem létező tudományos cikkeket talált ki. Az MI-hallucinációk jelentős pénzügyi veszteségeket okoztak világszerte már a tőzsdei elemzések során. A hiányos algoritmus tervezés miatt, nem képes helyes eredményt abszolválni, csak emulálni a valóságot, de ugyanez a helyzet a hiányos vagy torz adatok esetén: Ha a modell nem találja a választ a betanító adataiban, a statisztikai valószínűség alapján kiegészíti a hiányosságokat, ami félelmetes és ijesztő eredményeket hoz. „Megfelelési kényszer”: Az MI-t úgy programozták, hogy választ adjon. Ha bizonytalan, akkor is megpróbál egy „elég jó” választ generálni, ahelyett, hogy beismerné hogy nem tud válaszolni, mert így van megírva az algoritmus. Egy téves orvosi vagy jogi tanács következményei beláthatatlanok. Képes híreket generálni és tényként aposztrofálni, ek és tények: Valótlan életrajzok, események kreálása. Kódolás: Nem működő vagy nem létező programozási funkciók létrehozása.  A modellek fejlődése ellenére a hallucinációk problémája nem oldódott meg teljesen. Bizonyos területeken, például a személyre szabott kérdéseknél, a hibaarány magas maradhat. Az MI jelenleg nem tévedhetetlen igazságforrás, hanem egy rendkívül gyors generátor. A fact-checking vagyis az ellenőrzés elengedhetetlen lenne de se idő se kapacitás nincs rá, kényelmesebb elfogadni a generált eredményt ami megtévesztésig hasonlit az általunk várt eredményhez. Az emberi beszélgetéseket imitáló chatbotoknak egyik nagy problémájára hogy hajlamosak elferdíteni a valóságot. Bár arra van kiképezve, hogy hiteles szövegeket állítsanak elő, azonban a mondataik olykor kitalált információkat is tartalmazhatnak, a beépített korlátozások, inkább arra késztetik a chatbotokat, hogy elrejtsék a hibáikat vagy szándékait az úgynevezett gondolati láncban (Chain of Thought, CoT). A gondolati lánc gondolkodási modelljei természetes nyelven „gondolkodnak”, amelyet az ember érthet. „Gondolkodásuk” megfigyelése lehetővé tette a kutatók számára, hogy észleljék a helytelen viselkedést, például a kódolási feladatok során végzett tesztek felforgatását, a felhasználók megtévesztését vagy a feladást, ha egy problémát túl nehéznek találtak. Úgy gondolják, hogy e gondolati lánc figyelése lehet egyike azon kevés eszköznek, amellyel a jövő modelljeit felügyelhetik. Írunk egy másik algoritmust ami a gondolatilánc hitelességét vizsgálja.  Azt találták továbbá, hogy a CoT közvetlen optimalizálása, hogy megfeleljen bizonyos kritériumoknak, rövid távon javíthatja a teljesítményt, azonban nem szüntetheti meg az összes helytelen viselkedést, és végül a modell elrejtheti a szándékát. Remélik, hogy a jövőbeli kutatások megtalálják a módját a CoT közvetlen optimalizálásának az említett hátrányok nélkül. Addig is azt javasolják, hogy a fejlesztők, annak érdekében, hogy korlátlanul megfigyelhessék modelljeiket, ne próbálják erősen optimalizálni ezeket. A gondolatlánc (Chain-of-Thought, CoT) a mesterséges intelligenciában egy olyan promptolási technika, amely a nagy nyelvi modelleket (LLM) közbenső lépésekre kényszeríti a végső válasz előtt. Ez jelentősen javítja a komplex érvelési, matematikai és logikai feladatok megoldásának pontosságát. A CoT promptolás lényege és előnyei és a működése során a modell nem közvetlenül a válaszra ugrik, hanem "hangosan gondolkodik", azaz lépésről lépésre vezeti le a megoldást. Alkalmazása: Hatékony összetett szöveges feladatoknál, ahol a problémát részekre kell bontani. Hatékonyság: Segít elkerülni a közvetlen válaszadásból fakadó logikai hibákat. Mindezzel az OpenAI kutatói tulajdonképpen azt mondják, hogy több tízmilliárd dolláros befektetés után még mindig nem tudják, hogyan irányítsák a MI-modelleket, hogy azok megfelelően viselkedjenek. Mindez egyúttal egy figyelmeztetés is azzal kapcsolatban, hogy érdemes fenntartásokkal kezelni a chatbotok válaszait, különösen a kritikus munkák esetében. Jelenleg ugyanis úgy vannak optimalizálva, hogy magabiztosnak tűnő válaszokat adnak, de nem törődnek túl sokat a ténybeli pontossággal, vagyis csak emulálnak pszeudo eredményt konstruálva, ezzel megtévesztve a felszines tudással bíró felhasználót. PErsze ez akár 70%-ra is javítható például a Retrieval-Augmented Generation ami egy visszakereséssel kiterjesztett generáció (RAG)egy mesterséges intelligencia keretrendszerrel, amely javítja a nagy nyelvi modellek (LLM) pontosságát és relevanciáját azáltal, hogy megbízható, külső tudásbázisokból (adatbázisokból, dokumentumokból) kér le adatokat a válasz generálása előtt.Csökkenti a mesterséges intelligencia által okozott hallucinációkat, naprakész információkat nyújt, és a válaszokat konkrét, ellenőrizhető adatokra alapozza. Én a szemantikusweb proglémáját tezaurus felállításával oldottam meg, ami nem érdekelte az emberiséget. A lényeg  az adatok gépek által is értelmezhető formában jelennek meg, lehetővé téve a számítógépek számára az információk közötti összefüggések megértését. Nem dokumentumokat, hanem tényeket kapcsol össze szabványok (pl. RDF, SPARQL) segítségével, elősegítve az intelligens adatkeresést és -megosztást. Az "alma" kifejezés értelmezése nehéz feladat a web 3.0-nak. Lehet almamater mint egyetem, Almaata, almanak, hatalma, almanak, vonzalma, palma, sokadalma, lehet Alma női név, vagy Dalma, Paris almája, a tudás almája, vagy Newton almája, a szlengben a semmit jelenti, és még csak a magyar nyelvterületen vagyunk. Az alma szimbolikája rendkívül összetett; egyszerre testesítheti meg a kísértést, a bűnt, a tudást, a halhatatlanságot, a szerelmet, a termékenységet, a szépséget és a hatalmat is. Na mit tud kezdeni ezzel a mesterséges intelligencia ha nem isképes értelmezni, vagyis megtölteni jelentéstartalommal? Semmit, de ha van egy tezaurusz azzal beazonosíthatja, vagyis jelentéstatalommal ruházhatja fel ezt a négy betüt. Jelentéstan (szemantika): A webes tartalomhoz olyan leíró adatokat (metaadatokat) rendel, amelyek kifejezik az adatok jelentésétígy a gépek is "értik" azokat, nem csak megjelenítik. Adatok összekapcsolása a szemantikus web lényege az adatok közötti összefüggések feltárása és hálózatba rendezése. Szabványok: A W3C által támogatott technológiákra épül, mint az RDF (Resource Description Framework), az OWL (Web Ontology Language) és a SPARQL lekérdezési nyelv. Előnyök: Jobb keresési találatok, pontosabb adatkinyerés, valamint az elosztott adatforrások hatékonyabb integrációja. Tezaurusz készítésből táplálkozik. A hagyományos webtől való fő különbség, hogy míg a jelenlegi web az emberek számára olvasható dokumentumokra fókuszál, a szemantikus web az adatok gépi feldolgozhatóságára helyezi a hangsúlyt. A generatív mesterséges intelligencia képes új tartalmakat létrehozni, adatbázisok elemeiből. Ezek lehetnek szövegek, képek, zenék, videók, kódok vagy akár 3D modellek is. A generatív mesterséges intelligencia az adatok elemzése és tanulása alapján alkot valami újat, nem csupán meglévő minták felismerésére és osztályozására képes,  hanem az emberi intelligencia folyamatait próbálja utánozni. Ez már csak azért is nélkülözhetetlen, mert a tartalom generálásához emberi kér(d)ésekre van szükség, amelyet a számítógépes programnak tudnia kell értelmezni. Az ember könnyen becsapható, rosszak az érzékszerveink. Az mp3-ban mintavételezéssel csal, a vizuális megjelenitésnél a képpontok sűrűségével. Az átverés lényege a felületesség és a slendriánság ötvözete. Az AI algoritmusa gépi tanulási modelleket kezd használni a betáplált tudásanyaggal, amely több milliárd adattal dolgozik, a tudásanyagot másodpercek alatt átfésüli, és a struktúráit is lemásolja, ez a tökéletes megtévesztés, vagy fake. Három mélytanulási neurális modellt használ az LLM, GAN,VAE.

Szinte minden területen alkalmazható, alapvető célja a munkafolyamatok automatizálása, a döntéshozatal támogatása és a hatékonyság növelése azáltal, hogy képes emberi szintű feladatokat tanulni, tervezni és végrehajtani. Személyi asszisztensek: Okostelefonok (Siri, Google Assistant), okosotthon eszközök vezérlése. Tartalomgyártás és kreativitás: Szövegírás, képgenerálás, fordítás, e-mailek megfogalmazása (pl. ChatGPT, Gemini). Személyre szabott ajánlások: Streaming szolgáltatók (Netflix, YouTube), webshopok (Amazon), közösségi média (TikTok, Instagram) tartalmainak testreszabása. Navigáció: Google Maps vagy Waze valós idejű forgalomoptimalizálása.  Üzleti élet és automatizálás (2026-os trendek) Rutinfeladatok kiváltása: Ismétlődő adminisztratív munkák, adatrögzítés automatizálása. Ügyfélszolgálat: AI-alapú chatbotok és virtuális asszisztensek, amelyek 24/7 támogatást nyújtanak. Prediktív analitika: Értékesítési trendek előrejelzése, fogyasztói viselkedés elemzése. Munkatársak toborzása: Önéletrajzok szűrése, jelöltek kiválasztása. Ipar és technológia, prediktív karbantartás: Gépek meghibásodásának előrejelzése, mielőtt az bekövetkezne (gyártásban, infrastruktúrában). Kiberbiztonság: Anomáliák, gyanús tevékenységek valós idejű észlelése és elhárítása. Logisztika és ellátási lánc: Raktárkészlet optimalizálása, szállítási útvonalak tervezése.  Egészségügy és tudomány, diagnosztika: Képalkotó eljárások (röntgen, MRI) elemzése, betegségek korai felismerése. Gyógyszerkutatás: Új molekulák felfedezésének gyorsítása. Pénzügy, csalásdetektálás: Bankkártyás tranzakciók gyanús mintázatainak azonnali azonosítása. Algoritmikus kereskedés: Tőzsdei döntések meghozatala adatok alapjánérzelmek nélkül.  Összességében: Az AI a 2026-os adatok szerint a működési hatékonyság növelésének kulcsa, amely a kreatív munkától a nehéziparig mindenhol alkalmazható..