A mesters\u00e9ges intelligencia megv\u00e1ltoztatja a vil\u00e1got, \u00e9s egyidej\u0171leg egy teljesen \u00faj nyelvet tal\u00e1l fel annak le\u00edr\u00e1s\u00e1ra, hogyan m\u0171k\u00f6dik. T\u00f6lts \u00f6t percet a mesters\u00e9ges intelligenci\u00e1r\u00f3l val\u00f3 olvas\u00e1ssal, \u00e9s belefuthatsz az LLM-ekbe, RAG-ba, RLHF-be \u00e9s egy tucatnyi m\u00e1s kifejez\u00e9sbe, amelyek m\u00e9g a tech vil\u00e1g nagyon okos embereit is bizonytalann\u00e1 tehetik. Ez a sz\u00f3szedet a mi k\u00eds\u00e9rlet\u00fcnk arra, hogy ezt orvosoljuk. Rendszeresen friss\u00edtj\u00fck, ahogy a ter\u00fclet fejl\u0151dik, ez\u00e9rt tekints r\u00e1 \u00e9l\u0151 dokumentumk\u00e9nt, ak\u00e1rcsak az \u00e1ltala le\u00edrt mesters\u00e9ges intelligencia rendszerekre.<\/p>\n\n\n\n
AGI<\/strong> MI-\u00fcgyn\u00f6k<\/strong> (AI-agent) API v\u00e9gpontok<\/strong> (API endpoints) Gondolatl\u00e1nc<\/strong> (Chain of thought) Egy mesters\u00e9ges intelligencia kontextus\u00e1ban a nagy nyelvi modellek eset\u00e9ben a gondolatl\u00e1nc-gondolkod\u00e1s azt jelenti, hogy egy probl\u00e9m\u00e1t kisebb, k\u00f6ztes l\u00e9p\u00e9sekre bontunk le a v\u00e9geredm\u00e9ny min\u0151s\u00e9g\u00e9nek jav\u00edt\u00e1sa \u00e9rdek\u00e9ben. \u00c1ltal\u00e1ban tov\u00e1bb tart a v\u00e1lasz megszerz\u00e9se, de a v\u00e1lasz nagyobb val\u00f3sz\u00edn\u0171s\u00e9ggel helyes, k\u00fcl\u00f6n\u00f6sen logikai vagy k\u00f3dol\u00e1si kontextusban. Az \u00e9rvel\u00e9si modelleket a hagyom\u00e1nyos nagy nyelvi modellekb\u0151l fejlesztik, \u00e9s a meger\u0151s\u00edt\u00e9ses tanul\u00e1snak k\u00f6sz\u00f6nhet\u0151en optimaliz\u00e1lj\u00e1k a gondolatl\u00e1nc-gondolkod\u00e1sra.<\/p>\n\n\n\n (L\u00e1sd: Nagy nyelvi modell<\/a> )<\/p>\n\n\n\n K\u00f3dol\u00f3 \u00fcgyn\u00f6k\u00f6k<\/strong> (Coding agents) Sz\u00e1m\u00edt\u00e1s<\/strong> (Compute) M\u00e9ly tanul\u00e1s<\/strong> (Deep learning) A m\u00e9lytanul\u00f3 MI-modellek k\u00e9pesek maguk azonos\u00edtani az adatok fontos jellemz\u0151it, ahelyett, hogy emberi m\u00e9rn\u00f6k\u00f6kre lenne sz\u00fcks\u00e9g\u00fck ezen jellemz\u0151k meghat\u00e1roz\u00e1s\u00e1hoz. A strukt\u00fara olyan algoritmusokat is t\u00e1mogat, amelyek k\u00e9pesek tanulni a hib\u00e1kb\u00f3l, \u00e9s ism\u00e9tl\u00e9s \u00e9s be\u00e1ll\u00edt\u00e1s r\u00e9v\u00e9n jav\u00edtani saj\u00e1t kimeneteiket. A m\u00e9lytanul\u00f3 rendszereknek azonban sok adatpontra van sz\u00fcks\u00e9g\u00fck a j\u00f3 eredm\u00e9nyek el\u00e9r\u00e9s\u00e9hez (milli\u00f3k vagy t\u00f6bb). Betan\u00edt\u00e1suk jellemz\u0151en tov\u00e1bb tart az egyszer\u0171bb g\u00e9pi tanul\u00e1si algoritmusokhoz k\u00e9pest \u2013 \u00edgy a fejleszt\u00e9si k\u00f6lts\u00e9gek \u00e1ltal\u00e1ban magasabbak.<\/p>\n\n\n\n (L\u00e1sd: Neur\u00e1lis h\u00e1l\u00f3zat<\/a> )<\/p>\n\n\n\n Diff\u00fazi\u00f3<\/strong> (Diffusion) Lep\u00e1rl\u00e1s<\/strong> (Distillation) A desztill\u00e1ci\u00f3 seg\u00edts\u00e9g\u00e9vel egy nagyobb modell alapj\u00e1n kisebb, hat\u00e9konyabb modell hozhat\u00f3 l\u00e9tre, minim\u00e1lis desztill\u00e1ci\u00f3s vesztes\u00e9ggel. Val\u00f3sz\u00edn\u0171leg \u00edgy fejlesztette ki az OpenAI a GPT-4 Turb\u00f3t, a GPT-4 gyorsabb verzi\u00f3j\u00e1t.<\/p>\n\n\n\n B\u00e1r minden MI-c\u00e9g bels\u0151leg haszn\u00e1l lep\u00e1rl\u00e1st, el\u0151fordulhat, hogy egyes MI-c\u00e9gek a hat\u00e1rokon \u00e1t\u00edvel\u0151 modellek utol\u00e9r\u00e9s\u00e9re is haszn\u00e1lt\u00e1k. A versenyt\u00e1rsakt\u00f3l sz\u00e1rmaz\u00f3 lep\u00e1rl\u00e1s \u00e1ltal\u00e1ban s\u00e9rti<\/a> az MI API \u00e9s a chat asszisztensek szolg\u00e1ltat\u00e1si felt\u00e9teleit.<\/p>\n\n\n\n Finomhangol\u00e1s<\/strong> (Fine-tuning) Sok mesters\u00e9ges intelligencia startup nagy nyelvi modelleket vesz kiindul\u00f3pontk\u00e9nt egy kereskedelmi term\u00e9k fejleszt\u00e9s\u00e9hez, de egy c\u00e9lszektor vagy feladat hasznoss\u00e1g\u00e1nak fokoz\u00e1s\u00e1\u00e9rt versengenek az\u00e1ltal, hogy a kor\u00e1bbi betan\u00edt\u00e1si ciklusokat a saj\u00e1t ter\u00fcletspecifikus ismereteik \u00e9s szak\u00e9rtelm\u00fck alapj\u00e1n finomhangolj\u00e1k.<\/p>\n\n\n\n (L\u00e1sd: Nagy nyelvi modell [LLM]<\/a> )<\/p>\n\n\n\n GAN<\/strong> A k\u00e9t modell l\u00e9nyeg\u00e9ben \u00fagy van programozva, hogy megpr\u00f3b\u00e1lj\u00e1k fel\u00fclm\u00falni egym\u00e1st. A gener\u00e1tor megpr\u00f3b\u00e1lja a kimenet\u00e9t a diszkrimin\u00e1toron t\u00falra juttatni, m\u00edg a diszkrimin\u00e1tor a mesters\u00e9gesen gener\u00e1lt adatok kisz\u0171r\u00e9s\u00e9n dolgozik. Ez a struktur\u00e1lt verseny optimaliz\u00e1lhatja a mesters\u00e9ges intelligencia kimeneteit, hogy realisztikusabbak legyenek tov\u00e1bbi emberi beavatkoz\u00e1s n\u00e9lk\u00fcl. A GAN-ok azonban sz\u0171kebb alkalmaz\u00e1sokhoz (p\u00e9ld\u00e1ul realisztikus fot\u00f3k vagy vide\u00f3k k\u00e9sz\u00edt\u00e9s\u00e9hez) m\u0171k\u00f6dnek a legjobban, mint az \u00e1ltal\u00e1nos c\u00e9l\u00fa mesters\u00e9ges intelligencia.<\/p>\n\n\n\n Hallucin\u00e1ci\u00f3<\/strong> (Hallucination) A hallucin\u00e1ci\u00f3k olyan GenAI-kimeneteket hoznak l\u00e9tre, amelyek f\u00e9lrevezet\u0151ek lehetnek, s\u0151t ak\u00e1r val\u00f3s kock\u00e1zatokhoz is vezethetnek \u2013 potenci\u00e1lisan vesz\u00e9lyes k\u00f6vetkezm\u00e9nyekkel (gondoljunk egy eg\u00e9szs\u00e9g\u00fcgyi lek\u00e9rdez\u00e9sre, amely k\u00e1ros orvosi tan\u00e1csot ad vissza).<\/p>\n\n\n\n Az inform\u00e1ci\u00f3kon alapul\u00f3 mesters\u00e9ges intelligencia probl\u00e9m\u00e1ja feltehet\u0151en a betan\u00edt\u00e1si adatok hi\u00e1nyoss\u00e1gaib\u00f3l ered. A hallucin\u00e1ci\u00f3k hozz\u00e1j\u00e1rulnak az egyre specializ\u00e1ltabb \u00e9s\/vagy vertik\u00e1lisabb MI-modellek \u2013 azaz sz\u0171kebb szak\u00e9rtelmet ig\u00e9nyl\u0151, ter\u00fcletspecifikus MI-k \u2013 fel\u00e9 val\u00f3 elmozdul\u00e1shoz, hogy cs\u00f6kkents\u00e9k a tud\u00e1sbeli hi\u00e1nyoss\u00e1gok val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t \u00e9s a dezinform\u00e1ci\u00f3s kock\u00e1zatokat.<\/p>\n\n\n\n K\u00f6vetkeztet\u00e9s<\/strong> (Inference) Sokf\u00e9le hardver k\u00e9pes k\u00f6vetkeztet\u00e9sre, az okostelefon-processzorokt\u00f3l a nagy teljes\u00edtm\u00e9ny\u0171 GPU-kon \u00e1t az egyedi tervez\u00e9s\u0171 MI-gyors\u00edt\u00f3kig. De nem mindegyik k\u00e9pes egyform\u00e1n j\u00f3l futtatni a modelleket. A nagyon nagy modelleknek egy napokba telne el\u0151rejelz\u00e9seket k\u00e9sz\u00edteni p\u00e9ld\u00e1ul egy laptopon vagy egy cs\u00facskateg\u00f3ri\u00e1s MI-chipekkel felszerelt felh\u0151szerveren.<\/p>\n\n\n\n [L\u00e1sd: Edz\u00e9s<\/a> ]<\/p>\n\n\n\n Nagy nyelvi modell (LLM)<\/strong> (Large language model (LLM) Az LLM-ek m\u00e9ly neur\u00e1lis h\u00e1l\u00f3zatok, amelyek milli\u00e1rdnyi numerikus param\u00e9terb\u0151l ( vagy s\u00falyoz\u00e1sb\u00f3l, l\u00e1sd al\u00e1bb<\/a> ) \u00e1llnak, \u00e9s megtanulj\u00e1k a szavak \u00e9s kifejez\u00e9sek k\u00f6z\u00f6tti kapcsolatokat, \u00e9s l\u00e9trehozz\u00e1k a nyelv reprezent\u00e1ci\u00f3j\u00e1t, a szavak egyfajta t\u00f6bbdimenzi\u00f3s t\u00e9rk\u00e9p\u00e9t.<\/p>\n\n\n\n Ezek a modellek k\u00f6nyvek, cikkek \u00e9s \u00e1tiratok milli\u00e1rdjaiban tal\u00e1lhat\u00f3 mint\u00e1k k\u00f3dol\u00e1s\u00e1b\u00f3l j\u00f6nnek l\u00e9tre. Amikor LLM-et k\u00e9r\u00fcnk, a modell a legval\u00f3sz\u00edn\u0171bb mint\u00e1t gener\u00e1lja, amely illik a k\u00e9rd\u00e9shez.<\/p>\n\n\n\n (L\u00e1sd: Neur\u00e1lis h\u00e1l\u00f3zat<\/a> )<\/p>\n\n\n\n Mem\u00f3ria gyors\u00edt\u00f3t\u00e1r<\/strong> (Memory cache) (L\u00e1sd: K\u00f6vetkeztet\u00e9s<\/a> )<\/p>\n\n\n\n Neur\u00e1lis h\u00e1l\u00f3zat<\/strong> (Neural network) B\u00e1r az az elk\u00e9pzel\u00e9s, hogy az emberi agy s\u0171r\u0171n \u00f6sszekapcsol\u00f3d\u00f3 \u00fatvonalaib\u00f3l inspir\u00e1ci\u00f3t mer\u00edtsenek az adatfeldolgoz\u00f3 algoritmusok tervez\u00e9si strukt\u00far\u00e1jak\u00e9nt, eg\u00e9szen az 1940-es \u00e9vekig ny\u00falik vissza, a grafikus feldolgoz\u00f3 hardverek (GPU-k) sokkal \u00fajabb kelet\u0171 \u2013 a videoj\u00e1t\u00e9k-iparon kereszt\u00fcli \u2013 t\u00e9rnyer\u00e9se tette igaz\u00e1n nyilv\u00e1nval\u00f3v\u00e1 ennek az elm\u00e9letnek az erej\u00e9t. Ezek a chipek sokkal alkalmasabbnak bizonyultak az algoritmusok sokkal t\u00f6bb r\u00e9teg\u0171 betan\u00edt\u00e1s\u00e1ra, mint a kor\u00e1bbi korszakokban \u2013 lehet\u0151v\u00e9 t\u00e9ve a neur\u00e1lis h\u00e1l\u00f3zatokon alapul\u00f3 mesters\u00e9ges intelligenciarendszerek sz\u00e1m\u00e1ra, hogy sokkal jobb teljes\u00edtm\u00e9nyt \u00e9rjenek el sz\u00e1mos ter\u00fcleten, bele\u00e9rtve a hangfelismer\u00e9st, az auton\u00f3m navig\u00e1ci\u00f3t \u00e9s a gy\u00f3gyszerkutat\u00e1st.<\/p>\n\n\n\n (L\u00e1sd: Nagy nyelvi modell [LLM]<\/a> )<\/p>\n\n\n\n Ny\u00edlt forr\u00e1sk\u00f3d\u00fa<\/strong> (Open source) P\u00e1rhuzamos\u00edt\u00e1s<\/strong> (Parallelization) RAMageddon<\/strong> Ez mag\u00e1ban foglalja az olyan ipar\u00e1gakat, mint a j\u00e1t\u00e9kipar (ahol a nagyv\u00e1llalatoknak emelni\u00fck kellett a konzolok \u00e1rait<\/a>, mert nehezebb mem\u00f3riachipeket tal\u00e1lni az eszk\u00f6zeikhez), a sz\u00f3rakoztat\u00f3elektronika (ahol a mem\u00f3riahi\u00e1ny t\u00f6bb mint egy \u00e9vtizede a legnagyobb visszaes\u00e9st okozhatja az okostelefon-sz\u00e1ll\u00edt\u00e1sokban<\/a> ), \u00e9s az \u00e1ltal\u00e1nos v\u00e1llalati sz\u00e1m\u00edt\u00e1stechnika (mivel ezek a v\u00e1llalatok nem tudnak elegend\u0151 RAM-ot beszerezni a saj\u00e1t adatk\u00f6zpontjaik sz\u00e1m\u00e1ra). Az \u00e1remelked\u00e9s v\u00e1rhat\u00f3an csak a rettegett hi\u00e1ny megsz\u0171n\u00e9se ut\u00e1n \u00e1ll meg, de sajnos nincs sok jel<\/a> arra, hogy ez a k\u00f6zelj\u00f6v\u0151ben bek\u00f6vetkezne.<\/p>\n\n\n\n Rekurz\u00edv \u00f6nfejleszt\u00e9s<\/strong> (Recursive self-improvement) Meger\u0151s\u00edt\u00e9ses tanul\u00e1s<\/strong> (Reinforcement learning) Token<\/strong> Token \u00e1tviteli sebess\u00e9g<\/strong> (Token throughput) Edz\u00e9s<\/strong> (Training) A k\u00e9pz\u00e9s k\u00f6lts\u00e9ges lehet, mivel sok bemenetet ig\u00e9nyel , \u00e9s a sz\u00fcks\u00e9ges mennyis\u00e9gek folyamatosan n\u00f6vekednek \u2013 ez\u00e9rt a hibrid megk\u00f6zel\u00edt\u00e9sek, mint p\u00e9ld\u00e1ul a szab\u00e1lyokon alapul\u00f3 mesters\u00e9ges intelligencia finomhangol\u00e1sa c\u00e9lzott adatokkal, seg\u00edthetnek a k\u00f6lts\u00e9gek kezel\u00e9s\u00e9ben an\u00e9lk\u00fcl, hogy teljesen a null\u00e1r\u00f3l kellene kezdeni.<\/p>\n\n\n\n [L\u00e1sd: K\u00f6vetkeztet\u00e9s<\/a> ]<\/p>\n\n\n\n Transzfertanul\u00e1s<\/strong> (Transfer learning) A transzfertanul\u00e1s hat\u00e9konys\u00e1gn\u00f6vel\u00e9st eredm\u00e9nyezhet a modellfejleszt\u00e9s ler\u00f6vid\u00edt\u00e9s\u00e9vel. Akkor is hasznos lehet, ha a modell fejleszt\u00e9s\u00e9hez sz\u00fcks\u00e9ges feladathoz rendelkez\u00e9sre \u00e1ll\u00f3 adatok n\u00e9mileg korl\u00e1tozottak. Fontos azonban megjegyezni, hogy a megk\u00f6zel\u00edt\u00e9snek vannak korl\u00e1tai. Azok a modellek, amelyek az \u00e1ltal\u00e1nos\u00edtott k\u00e9pess\u00e9gek megszerz\u00e9s\u00e9hez transzfertanul\u00e1sra t\u00e1maszkodnak, val\u00f3sz\u00edn\u0171leg tov\u00e1bbi adatokon val\u00f3 betan\u00edt\u00e1sra szorulnak ahhoz, hogy j\u00f3l teljes\u00edtsenek a f\u00f3kuszter\u00fclet\u00fck\u00f6n.<\/p>\n\n\n\n
A mesters\u00e9ges \u00e1ltal\u00e1nos intelligencia, vagy AGI, egy hom\u00e1lyos kifejez\u00e9s. De \u00e1ltal\u00e1ban olyan MI-re utal, amely sok, ha nem a legt\u00f6bb feladatban k\u00e9pesebb, mint egy \u00e1tlagos ember. Sam Altman, az OpenAI vez\u00e9rigazgat\u00f3ja egyszer az AGI-t \u00fagy \u00edrta le, mint \u201eegy \u00e1tlagos ember megfelel\u0151j\u00e9t, akit munkat\u00e1rsk\u00e9nt felvehetn\u00e9nk<\/a> \u201d. Ek\u00f6zben az OpenAI alap\u00edt\u00f3 okirata az AGI-t \u00fagy hat\u00e1rozza meg, mint \u201enagyon auton\u00f3m rendszereket, amelyek a legt\u00f6bb gazdas\u00e1gilag \u00e9rt\u00e9kes munk\u00e1ban fel\u00fclm\u00falj\u00e1k az embereket\u201d. A Google DeepMind felfog\u00e1sa kiss\u00e9 elt\u00e9r e k\u00e9t defin\u00edci\u00f3t\u00f3l; a laborat\u00f3rium az AGI-t olyan MI-k\u00e9nt tekinti, \u201eamely a legt\u00f6bb kognit\u00edv feladatban legal\u00e1bb annyira k\u00e9pes, mint az ember\u201d. \u00d6sszezavarodott? Ne agg\u00f3djon \u2013 a mesters\u00e9ges intelligencia-kutat\u00e1s \u00e9lvonal\u00e1ban l\u00e9v\u0151 szak\u00e9rt\u0151k<\/a> is.<\/p>\n\n\n\n
Az MI-\u00fcgyn\u00f6k egy olyan eszk\u00f6z, amely MI-technol\u00f3gi\u00e1kat haszn\u00e1l egy sor feladat elv\u00e9gz\u00e9s\u00e9re a felhaszn\u00e1l\u00f3 nev\u00e9ben \u2013 azon t\u00fal, amit egy alapvet\u0151 MI-cseveg\u0151bot el tudna v\u00e9gezni \u2013, p\u00e9ld\u00e1ul k\u00f6lts\u00e9gek beny\u00fajt\u00e1s\u00e1ra, jegy- vagy asztalfoglal\u00e1sra egy \u00e9tteremben, vagy ak\u00e1r k\u00f3d \u00edr\u00e1s\u00e1ra \u00e9s karbantart\u00e1s\u00e1ra. Azonban, ahogy kor\u00e1bban m\u00e1r kifejtett\u00fck<\/a> , sok mozg\u00f3 alkatr\u00e9sz van ebben az \u00fajonnan megjelen\u0151 ter\u00fcleten, \u00edgy az \u201eMI-\u00fcgyn\u00f6k\u201d kifejez\u00e9s k\u00fcl\u00f6nb\u00f6z\u0151 dolgokat jelenthet mindenkinek. Az infrastrukt\u00fara ki\u00e9p\u00edt\u00e9se is folyamatban van, hogy a tervezett k\u00e9pess\u00e9geit kiakn\u00e1zhassa. Az alapkoncepci\u00f3 azonban egy auton\u00f3m rendszert felt\u00e9telez, amely t\u00f6bb MI-rendszerre t\u00e1maszkodhat a t\u00f6bbl\u00e9p\u00e9ses feladatok v\u00e9grehajt\u00e1s\u00e1hoz.<\/p>\n\n\n\n
Gondolj az API-v\u00e9gpontokra \u00fagy, mint egy szoftver h\u00e1tulj\u00e1n tal\u00e1lhat\u00f3 \u201egombokra\u201d, amelyeket m\u00e1s programok megnyomhatnak, hogy m\u0171veleteket hajtsanak v\u00e9gre rajta. A fejleszt\u0151k ezeket a fel\u00fcleteket integr\u00e1ci\u00f3k \u00e9p\u00edt\u00e9s\u00e9re haszn\u00e1lj\u00e1k \u2013 p\u00e9ld\u00e1ul lehet\u0151v\u00e9 teszik, hogy egy alkalmaz\u00e1s adatokat k\u00e9rjen le egy m\u00e1sikb\u00f3l, vagy lehet\u0151v\u00e9 teszik egy MI-\u00fcgyn\u00f6k sz\u00e1m\u00e1ra, hogy k\u00f6zvetlen\u00fcl vez\u00e9relje a harmadik f\u00e9lt\u0151l sz\u00e1rmaz\u00f3 szolg\u00e1ltat\u00e1sokat an\u00e9lk\u00fcl, hogy egy ember manu\u00e1lisan kezeln\u00e9 az egyes fel\u00fcleteket. A legt\u00f6bb okosotthoni eszk\u00f6z \u00e9s csatlakoztatott platform rendelkezik ezekkel a rejtett gombokkal, m\u00e9g akkor is, ha a h\u00e9tk\u00f6znapi felhaszn\u00e1l\u00f3k soha nem l\u00e1tj\u00e1k vagy nem l\u00e9pnek kapcsolatba vel\u00fck. Ahogy a MI-\u00fcgyn\u00f6k\u00f6k egyre k\u00e9pess\u00e9gesebbek lesznek, egyre ink\u00e1bb k\u00e9pesek \u00f6n\u00e1ll\u00f3an megtal\u00e1lni \u00e9s haszn\u00e1lni ezeket a v\u00e9gpontokat, ami er\u0151teljes \u2013 \u00e9s n\u00e9ha v\u00e1ratlan \u2013 lehet\u0151s\u00e9geket nyit meg az automatiz\u00e1l\u00e1s sz\u00e1m\u00e1ra.<\/p>\n\n\n\n
Egy egyszer\u0171 k\u00e9rd\u00e9sre az emberi agy gondolkod\u00e1s n\u00e9lk\u00fcl k\u00e9pes v\u00e1laszolni \u2013 p\u00e9ld\u00e1ul: \u201emelyik \u00e1llat magasabb, a zsir\u00e1f vagy a macska?\u201d. Sok esetben azonban tollra \u00e9s pap\u00edrra van sz\u00fcks\u00e9g a helyes v\u00e1lasz megtal\u00e1l\u00e1s\u00e1hoz, mivel vannak k\u00f6ztes l\u00e9p\u00e9sek. P\u00e9ld\u00e1ul, ha egy gazd\u00e1nak csirk\u00e9i \u00e9s tehenei vannak, \u00e9s \u00f6sszesen 40 fej\u00fck \u00e9s 120 l\u00e1buk van, akkor lehet, hogy egy egyszer\u0171 egyenletet kell le\u00edrnunk a v\u00e1laszhoz (20 csirke \u00e9s 20 teh\u00e9n).<\/p>\n\n\n\n
Ez egy konkr\u00e9tabb fogalom, mint az \u201eAI-\u00fcgyn\u00f6k\u201d, ami egy olyan programot jelent, amely l\u00e9p\u00e9sr\u0151l l\u00e9p\u00e9sre \u00f6n\u00e1ll\u00f3an k\u00e9pes m\u0171veleteket v\u00e9grehajtani egy c\u00e9l el\u00e9r\u00e9se \u00e9rdek\u00e9ben. A k\u00f3dol\u00f3\u00fcgyn\u00f6k egy speci\u00e1lis, szoftverfejleszt\u00e9sben alkalmazott v\u00e1ltozat. Ahelyett, hogy egyszer\u0171en csak javasolna k\u00f3dot egy embernek, aki \u00e1tn\u00e9zi \u00e9s beilleszti, a k\u00f3dol\u00f3\u00fcgyn\u00f6k \u00f6n\u00e1ll\u00f3an \u00edrhat, tesztelhet \u00e9s hibakereshet k\u00f3dot, kezelve azt az iterat\u00edv, pr\u00f3b\u00e1lkoz\u00e1son \u00e9s hib\u00e1n alapul\u00f3 munk\u00e1t, amely jellemz\u0151en egy fejleszt\u0151 napj\u00e1t felem\u00e9szti. Ezek az \u00fcgyn\u00f6k\u00f6k teljes k\u00f3db\u00e1zisokon k\u00e9pesek m\u0171k\u00f6dni, hib\u00e1kat \u00e9szlelni, teszteket futtatni \u00e9s jav\u00edt\u00e1sokat kiadni minim\u00e1lis emberi fel\u00fcgyelet mellett. K\u00e9pzelj\u00fck el \u00fagy, mintha egy nagyon gyors gyakornokot venn\u00e9nk fel, aki soha nem alszik \u00e9s soha nem vesz\u00edti el a f\u00f3kuszt \u2013 b\u00e1r, mint minden gyakornok eset\u00e9ben, egy embernek tov\u00e1bbra is \u00e1t kell tekintenie a munk\u00e1t.<\/p>\n\n\n\n
B\u00e1r n\u00e9mileg t\u00f6bb\u00e9rtelm\u0171 kifejez\u00e9s, a \u201esz\u00e1m\u00edt\u00e1s\u201d \u00e1ltal\u00e1ban arra a l\u00e9tfontoss\u00e1g\u00fa sz\u00e1m\u00edt\u00e1si teljes\u00edtm\u00e9nyre<\/a> utal , amely lehet\u0151v\u00e9 teszi a mesters\u00e9ges intelligencia modellek m\u0171k\u00f6d\u00e9s\u00e9t. Ez a fajta feldolgoz\u00e1s t\u00e1pl\u00e1lja a mesters\u00e9ges intelligencia ipar\u00e1gat, lehet\u0151v\u00e9 t\u00e9ve sz\u00e1m\u00e1ra a nagy teljes\u00edtm\u00e9ny\u0171 modellek betan\u00edt\u00e1s\u00e1t \u00e9s telep\u00edt\u00e9s\u00e9t. A kifejez\u00e9s gyakran r\u00f6vid\u00edtett elnevez\u00e9se azoknak a hardvereknek, amelyek a sz\u00e1m\u00edt\u00e1si teljes\u00edtm\u00e9nyt biztos\u00edtj\u00e1k \u2013 p\u00e9ld\u00e1ul GPU-knak, CPU-knak, TPU-knak \u00e9s m\u00e1s, a modern mesters\u00e9ges intelligencia ipar\u00e1g alapj\u00e1t k\u00e9pez\u0151 infrastrukt\u00fara-form\u00e1knak.<\/p>\n\n\n\n
Az \u00f6nfejleszt\u0151 g\u00e9pi tanul\u00e1s egy r\u00e9szhalmaza, amelyben a mesters\u00e9ges intelligencia algoritmusait t\u00f6bbr\u00e9teg\u0171, mesters\u00e9ges neur\u00e1lis h\u00e1l\u00f3zati (ANN) strukt\u00far\u00e1val tervezik. Ez lehet\u0151v\u00e9 teszi sz\u00e1mukra, hogy \u00f6sszetettebb korrel\u00e1ci\u00f3kat hozzanak l\u00e9tre az egyszer\u0171bb g\u00e9pi tanul\u00e1son alapul\u00f3 rendszerekhez, p\u00e9ld\u00e1ul a line\u00e1ris modellekhez vagy a d\u00f6nt\u00e9si f\u00e1khoz k\u00e9pest. A m\u00e9lytanul\u00f3 algoritmusok szerkezete az emberi agy neuronjainak \u00f6sszekapcsol\u00f3d\u00f3 \u00fatvonalaib\u00f3l mer\u00edt ihletet.<\/p>\n\n\n\n
A diff\u00fazi\u00f3 sz\u00e1mos m\u0171v\u00e9szeti, zenei \u00e9s sz\u00f6veggener\u00e1l\u00f3 MI-modell k\u00f6z\u00e9ppontj\u00e1ban \u00e1ll\u00f3 technol\u00f3gia. A fizika ihlette diff\u00fazi\u00f3s rendszerek lassan \u201eelpuszt\u00edtj\u00e1k\u201d az adatok<\/a> \u2013 p\u00e9ld\u00e1ul f\u00e9nyk\u00e9pek, dalok stb. \u2013 szerkezet\u00e9t az\u00e1ltal, hogy zajt adnak hozz\u00e1juk, am\u00edg semmi sem marad bel\u0151l\u00fck. A fizik\u00e1ban a diff\u00fazi\u00f3 spont\u00e1n \u00e9s visszaford\u00edthatatlan \u2013 a k\u00e1v\u00e9ban diffund\u00e1lt cukor nem \u00e1ll\u00edthat\u00f3 vissza kocka form\u00e1ba. A mesters\u00e9ges intelligencia diff\u00fazi\u00f3s rendszerei azonban egyfajta \u201eford\u00edtott diff\u00fazi\u00f3s\u201d folyamatot c\u00e9loznak meg a megsemmis\u00edtett adatok helyre\u00e1ll\u00edt\u00e1s\u00e1ra, k\u00e9pess\u00e9 t\u00e9ve az adatokat a zajb\u00f3l visszanyerni.<\/p>\n\n\n\n
A desztill\u00e1ci\u00f3 egy olyan technika, amelyet egy nagym\u00e9ret\u0171, \u201etan\u00e1r-di\u00e1k\u201d modellen alapul\u00f3 AI-modellb\u0151l tud\u00e1s kinyer\u00e9s\u00e9re haszn\u00e1lnak. A fejleszt\u0151k k\u00e9r\u00e9seket k\u00fcldenek a tan\u00e1ri modellnek, \u00e9s r\u00f6gz\u00edtik a kimeneteket. A v\u00e1laszokat n\u00e9ha \u00f6sszehasonl\u00edtj\u00e1k egy adathalmazzal, hogy meg\u00e1llap\u00edts\u00e1k azok pontoss\u00e1g\u00e1t. Ezeket a kimeneteket ezut\u00e1n a di\u00e1kmodell betan\u00edt\u00e1s\u00e1ra haszn\u00e1lj\u00e1k, amelyet a tan\u00e1r viselked\u00e9s\u00e9nek k\u00f6zel\u00edt\u00e9s\u00e9re k\u00e9peznek ki.<\/p>\n\n\n\n
Ez egy mesters\u00e9ges intelligencia modell tov\u00e1bbi betan\u00edt\u00e1s\u00e1ra utal, hogy optimaliz\u00e1lja a teljes\u00edtm\u00e9nyt egy konkr\u00e9tabb feladathoz vagy ter\u00fclethez, mint ami kor\u00e1bban a betan\u00edt\u00e1s f\u00f3kusz\u00e1ban \u00e1llt \u2013 jellemz\u0151en \u00faj, specializ\u00e1lt (azaz feladatorient\u00e1lt) adatok bet\u00e1pl\u00e1l\u00e1s\u00e1val.<\/p>\n\n\n\n
A GAN, vagyis a Generat\u00edv Ellenf\u00e9lh\u00e1l\u00f3zat (Genarative Adversarial Network) egy olyan g\u00e9pi tanul\u00e1si keretrendszer, amely a generat\u00edv mesters\u00e9ges intelligencia n\u00e9h\u00e1ny fontos fejleszt\u00e9s\u00e9nek alapj\u00e1t k\u00e9pezi a realisztikus adatok el\u0151\u00e1ll\u00edt\u00e1sa ter\u00e9n \u2013 bele\u00e9rtve (de nem csak) a deepfake eszk\u00f6z\u00f6ket. A GAN-ok k\u00e9t neur\u00e1lis h\u00e1l\u00f3zat haszn\u00e1lat\u00e1t foglalj\u00e1k magukban, amelyek k\u00f6z\u00fcl az egyik a saj\u00e1t betan\u00edt\u00e1si adatait felhaszn\u00e1lva gener\u00e1l egy kimenetet, amelyet \u00e1tad a m\u00e1sik modellnek ki\u00e9rt\u00e9kel\u00e9sre.<\/p>\n\n\n\n
A hallucin\u00e1ci\u00f3 a mesters\u00e9ges intelligencia ipar\u00e1g \u00e1ltal el\u0151nyben r\u00e9szes\u00edtett kifejez\u00e9s azokra a mesters\u00e9ges intelligencia modellekre, amelyek kital\u00e1lnak dolgokat \u2013 sz\u00f3 szerint helytelen inform\u00e1ci\u00f3kat gener\u00e1lnak. Nyilv\u00e1nval\u00f3an ez hatalmas probl\u00e9ma a mesters\u00e9ges intelligencia min\u0151s\u00e9ge szempontj\u00e1b\u00f3l.<\/p>\n\n\n\n
A k\u00f6vetkeztet\u00e9s egy mesters\u00e9ges intelligencia \u00e1ltal l\u00e9trehozott modell futtat\u00e1s\u00e1nak folyamata. Ez egy modell felszabad\u00edt\u00e1sa, hogy el\u0151rejelz\u00e9seket tegyen vagy k\u00f6vetkeztet\u00e9seket vonjon le a kor\u00e1bban l\u00e1tott adatokb\u00f3l. A f\u00e9lre\u00e9rt\u00e9sek elker\u00fcl\u00e9se v\u00e9gett, a k\u00f6vetkeztet\u00e9s nem t\u00f6rt\u00e9nhet meg betan\u00edt\u00e1s n\u00e9lk\u00fcl; egy modellnek meg kell tanulnia a mint\u00e1kat egy adathalmazban, miel\u0151tt hat\u00e9konyan extrapol\u00e1lhatna ezekb\u0151l a betan\u00edt\u00e1si adatokb\u00f3l.<\/p>\n\n\n\n
A nagy nyelvi modellek, vagy LLM-ek, olyan n\u00e9pszer\u0171 MI-asszisztensek \u00e1ltal haszn\u00e1lt AI-modellek, mint a ChatGPT<\/a> , Claude<\/a> , a Google Gemini<\/a> , a Meta AI Llama<\/a> , a Microsoft Copilot<\/a> vagy a Mistral Le Chat<\/a> . Amikor egy AI-asszisztenssel besz\u00e9lgetsz, egy nagy nyelvi modellel kommunik\u00e1lsz, amely k\u00f6zvetlen\u00fcl vagy k\u00fcl\u00f6nb\u00f6z\u0151 el\u00e9rhet\u0151 eszk\u00f6z\u00f6k, p\u00e9ld\u00e1ul webb\u00f6ng\u00e9sz\u00e9s vagy k\u00f3d\u00e9rtelmez\u0151k seg\u00edts\u00e9g\u00e9vel dolgozza fel a k\u00e9r\u00e9sedet.<\/p>\n\n\n\n
A mem\u00f3ria-gyors\u00edt\u00f3t\u00e1r egy fontos folyamat, amely fokozza a k\u00f6vetkeztet\u00e9st (ami az a folyamat, amelynek sor\u00e1n a mesters\u00e9ges intelligencia v\u00e1laszt gener\u00e1l a felhaszn\u00e1l\u00f3i lek\u00e9rdez\u00e9sre). L\u00e9nyeg\u00e9ben a gyors\u00edt\u00f3t\u00e1raz\u00e1s egy optimaliz\u00e1l\u00e1si technika, amelynek c\u00e9lja a k\u00f6vetkeztet\u00e9s hat\u00e9konyabb\u00e1 t\u00e9tele. A mesters\u00e9ges intelligenci\u00e1t nyilv\u00e1nval\u00f3an nagy okt\u00e1nsz\u00e1m\u00fa matematikai sz\u00e1m\u00edt\u00e1sok vez\u00e9rlik, \u00e9s minden alkalommal, amikor ezek a sz\u00e1m\u00edt\u00e1sok elv\u00e9gz\u00e9sre ker\u00fclnek, t\u00f6bb energi\u00e1t fogyasztanak. A gyors\u00edt\u00f3t\u00e1raz\u00e1s c\u00e9lja, hogy cs\u00f6kkentse a modell \u00e1ltal futtatand\u00f3 sz\u00e1m\u00edt\u00e1sok sz\u00e1m\u00e1t az\u00e1ltal, hogy bizonyos sz\u00e1m\u00edt\u00e1sokat elment a j\u00f6v\u0151beli felhaszn\u00e1l\u00f3i lek\u00e9rdez\u00e9sekre \u00e9s m\u0171veletekre. K\u00fcl\u00f6nb\u00f6z\u0151 t\u00edpus\u00fa mem\u00f3ria-gyors\u00edt\u00f3t\u00e1rol\u00e1s l\u00e9tezik, b\u00e1r az egyik legismertebb a KV (vagy kulcs\u00e9rt\u00e9k) gyors\u00edt\u00f3t\u00e1raz\u00e1s<\/a> . A KV-gyors\u00edt\u00f3t\u00e1raz\u00e1s transzform\u00e1tor alap\u00fa modellekben m\u0171k\u00f6dik, \u00e9s n\u00f6veli a hat\u00e9konys\u00e1got, gyorsabb eredm\u00e9nyeket eredm\u00e9nyez az\u00e1ltal, hogy cs\u00f6kkenti a felhaszn\u00e1l\u00f3i k\u00e9rd\u00e9sekre adott v\u00e1laszok gener\u00e1l\u00e1s\u00e1hoz sz\u00fcks\u00e9ges id\u0151t (\u00e9s algoritmikus munk\u00e1t).<\/p>\n\n\n\n
A neur\u00e1lis h\u00e1l\u00f3zat a m\u00e9lytanul\u00e1s \u2013 \u00e9s t\u00e1gabb \u00e9rtelemben a generat\u00edv mesters\u00e9ges intelligenciaeszk\u00f6z\u00f6k fellend\u00fcl\u00e9s\u00e9nek a nagy nyelvi modellek megjelen\u00e9s\u00e9t k\u00f6vet\u0151en \u2013 alapj\u00e1t k\u00e9pez\u0151 t\u00f6bbr\u00e9teg\u0171 algoritmikus strukt\u00far\u00e1ra utal.<\/p>\n\n\n\n
A ny\u00edlt forr\u00e1sk\u00f3d olyan szoftverekre \u2013 vagy egyre ink\u00e1bb MI-modellekre \u2013 utal, amelyek m\u00f6g\u00f6ttes k\u00f3dja nyilv\u00e1nosan el\u00e9rhet\u0151 b\u00e1rki sz\u00e1m\u00e1ra, hogy felhaszn\u00e1lhassa, megvizsg\u00e1lhassa vagy m\u00f3dos\u00edthassa. A MI vil\u00e1g\u00e1ban a Meta Llama modellcsal\u00e1dja kiemelked\u0151 p\u00e9lda erre; a Linux a h\u00edres t\u00f6rt\u00e9nelmi p\u00e1rhuzam az oper\u00e1ci\u00f3s rendszerek ter\u00e9n. A ny\u00edlt forr\u00e1sk\u00f3d\u00fa megk\u00f6zel\u00edt\u00e9sek lehet\u0151v\u00e9 teszik a kutat\u00f3k, fejleszt\u0151k \u00e9s v\u00e1llalatok sz\u00e1m\u00e1ra vil\u00e1gszerte, hogy egym\u00e1s munk\u00e1j\u00e1ra \u00e9p\u00edtsenek, felgyors\u00edtva a fejl\u0151d\u00e9st \u00e9s lehet\u0151v\u00e9 t\u00e9ve a f\u00fcggetlen biztons\u00e1gi auditokat, amelyeket a z\u00e1rt rendszerek nem tudnak k\u00f6nnyen biztos\u00edtani. A z\u00e1rt forr\u00e1sk\u00f3d azt jelenti, hogy a k\u00f3d priv\u00e1t \u2013 haszn\u00e1lhatod a term\u00e9ket, de nem l\u00e1thatod, hogyan m\u0171k\u00f6dik, ahogyan az OpenAI GPT-modelljeivel is t\u00f6rt\u00e9nik \u2013 ez a megk\u00fcl\u00f6nb\u00f6ztet\u00e9s az MI-ipar\u00e1g egyik meghat\u00e1roz\u00f3 vit\u00e1j\u00e1v\u00e1 v\u00e1lt.<\/p>\n\n\n\n
A p\u00e1rhuzamos\u00edt\u00e1s azt jelenti, hogy sok dolgot kell egyszerre elv\u00e9gezni, ahelyett, hogy egym\u00e1s ut\u00e1n v\u00e9gezn\u00e9nk \u2013 p\u00e9ld\u00e1ul 10 alkalmazott dolgozik egyszerre egy projekt k\u00fcl\u00f6nb\u00f6z\u0151 r\u00e9szein, ahelyett, hogy egy alkalmazott mindent egym\u00e1s ut\u00e1n csin\u00e1lna. A mesters\u00e9ges intelligenci\u00e1ban a p\u00e1rhuzamos\u00edt\u00e1s alapvet\u0151 fontoss\u00e1g\u00fa mind a betan\u00edt\u00e1s, mind a k\u00f6vetkeztet\u00e9s szempontj\u00e1b\u00f3l: a modern GPU-kat kifejezetten arra tervezt\u00e9k, hogy t\u00f6bb ezer sz\u00e1m\u00edt\u00e1st v\u00e9gezzenek p\u00e1rhuzamosan, ami nagyban hozz\u00e1j\u00e1rul ahhoz, hogy az ipar\u00e1g hardver gerinc\u00e9v\u00e9 v\u00e1ltak. Ahogy a mesters\u00e9ges intelligencia rendszerei egyre \u00f6sszetettebbek \u00e9s a modellek egyre nagyobbak lesznek, a munka sok chipen \u00e9s sok g\u00e9pen t\u00f6rt\u00e9n\u0151 p\u00e1rhuzamos\u00edt\u00e1s\u00e1nak k\u00e9pess\u00e9ge az egyik legfontosabb t\u00e9nyez\u0151v\u00e9 v\u00e1lt annak meghat\u00e1roz\u00e1s\u00e1ban, hogy milyen gyorsan \u00e9s k\u00f6lts\u00e9ghat\u00e9konyan lehet modelleket \u00e9p\u00edteni \u00e9s telep\u00edteni. A jobb p\u00e1rhuzamos\u00edt\u00e1si strat\u00e9gi\u00e1kkal kapcsolatos kutat\u00e1s ma m\u00e1r \u00f6n\u00e1ll\u00f3 kutat\u00e1si ter\u00fclet.<\/p>\n\n\n\n
A RAMageddon egy sz\u00f3rakoztat\u00f3 \u00faj kifejez\u00e9s egy kev\u00e9sb\u00e9 sz\u00f3rakoztat\u00f3 trendre, amely v\u00e9gigs\u00f6p\u00f6r a tech iparon: a v\u00e9letlen hozz\u00e1f\u00e9r\u00e9s\u0171 mem\u00f3ria, vagyis a RAM chipek egyre n\u00f6vekv\u0151 hi\u00e1nya, amelyek gyakorlatilag az \u00f6sszes mindennapi \u00e9let\u00fcnkben haszn\u00e1lt tech term\u00e9ket m\u0171k\u00f6dtetik. Ahogy a mesters\u00e9ges intelligencia ipar\u00e1g vir\u00e1gzott, a legnagyobb tech c\u00e9gek \u00e9s MI laborat\u00f3riumok \u2013 mindannyian az\u00e9rt versengenek, hogy a leger\u0151sebb \u00e9s leghat\u00e9konyabb MI-t birtokolj\u00e1k \u2013 annyi RAM-ot v\u00e1s\u00e1rolnak adatk\u00f6zpontjaik m\u0171k\u00f6dtet\u00e9s\u00e9re, hogy a t\u00f6bbieknek m\u00e1r nem sok marad. Ez az ell\u00e1t\u00e1si sz\u0171k keresztmetszet pedig azt jelenti, hogy ami megmarad, az egyre dr\u00e1g\u00e1bb lesz.<\/p>\n\n\n\n
Az AGI-hoz hasonl\u00f3an a rekurz\u00edv \u00f6nfejleszt\u00e9s is k\u00fcsz\u00f6b\u00e9rt\u00e9ket jelent arra vonatkoz\u00f3an, hogy mennyire lehet okos a mesters\u00e9ges intelligencia, \u00e9s mennyire kev\u00e9ss\u00e9 t\u00e1maszkodhat az emberekre. Az RSI forgat\u00f3k\u00f6nyvben a mesters\u00e9ges intelligencia modellek emberi beavatkoz\u00e1s n\u00e9lk\u00fcl kezdik fejleszteni magukat, ami a k\u00e9pess\u00e9gek \u00e9s az auton\u00f3mia hatalmas felgyorsul\u00e1s\u00e1hoz vezet. Egyesek szerint ez egy katasztrof\u00e1lis pillanat lenne, hasonl\u00f3an a szingularit\u00e1shoz, egy olyan pillanat, amikor a mesters\u00e9ges intelligencia modellek immuniss\u00e1 v\u00e1lnak a k\u00fcls\u0151 beavatkoz\u00e1sra. De az RSI egy alapvet\u0151 k\u00e9pess\u00e9get is le\u00edr \u2013 k\u00e9pes-e egy mesters\u00e9ges intelligencia modell megtervezni a saj\u00e1t ut\u00f3dj\u00e1t? \u2013, ami sokkal k\u00f6nnyebb\u00e9 teszi a m\u00e9rn\u00f6k\u00f6k sz\u00e1m\u00e1ra a meg\u00e9p\u00edt\u00e9s\u00e9t. Sz\u00e1mos \u00fajabb mesters\u00e9ges intelligencia startup<\/a> v\u00e1llalkozott rekurz\u00edvan \u00f6nfejleszt\u0151 modellek \u00e9p\u00edt\u00e9s\u00e9re, de a legt\u00f6bbj\u00fck elveti az apokaliptikus k\u00f6vetkezm\u00e9nyeket, \u00e9s az RSI-t egyszer\u0171en a kutat\u00e1s k\u00f6vetkez\u0151 hat\u00e1rter\u00fcletek\u00e9nt mutatja be.<\/p>\n\n\n\n
A meger\u0151s\u00edt\u00e9ses tanul\u00e1s a mesters\u00e9ges intelligencia k\u00e9pz\u00e9s\u00e9nek egy olyan m\u00f3dja, ahol a rendszer \u00fagy tanul, hogy kipr\u00f3b\u00e1l dolgokat, \u00e9s jutalmat kap a helyes v\u00e1laszok\u00e9rt \u2013 p\u00e9ld\u00e1ul amikor jutalomfalatokkal tan\u00edtjuk a szeretett h\u00e1zi\u00e1llatunkat, azzal a k\u00fcl\u00f6nbs\u00e9ggel, hogy ebben a forgat\u00f3k\u00f6nyvben a \u201eh\u00e1zi\u00e1llat\u201d egy neur\u00e1lis h\u00e1l\u00f3zat, a \u201ejutalomfalat\u201d pedig egy matematikai jel, amely a sikert jelzi. A fel\u00fcgyelt tanul\u00e1ssal ellent\u00e9tben, ahol egy modellt egy r\u00f6gz\u00edtett, c\u00edmk\u00e9zett p\u00e9ld\u00e1kb\u00f3l \u00e1ll\u00f3 adathalmazon tan\u00edtanak, a meger\u0151s\u00edt\u00e9ses tanul\u00e1s lehet\u0151v\u00e9 teszi a modell sz\u00e1m\u00e1ra, hogy felfedezze a k\u00f6rnyezet\u00e9t, cselekedjen, \u00e9s folyamatosan friss\u00edtse viselked\u00e9s\u00e9t a kapott visszajelz\u00e9sek alapj\u00e1n. Ez a megk\u00f6zel\u00edt\u00e9s k\u00fcl\u00f6n\u00f6sen hat\u00e9konynak bizonyult a mesters\u00e9ges intelligencia j\u00e1t\u00e9kokra, robotok ir\u00e1ny\u00edt\u00e1s\u00e1ra \u00e9s \u2013 \u00fajabban \u2013 nagy nyelvi modellek \u00e9rvel\u00e9si k\u00e9pess\u00e9g\u00e9nek \u00e9les\u00edt\u00e9s\u00e9re val\u00f3 betan\u00edt\u00e1s\u00e1ban. Az olyan technik\u00e1k, mint az emberi visszajelz\u00e9sb\u0151l t\u00f6rt\u00e9n\u0151 meger\u0151s\u00edt\u00e9ses tanul\u00e1s, vagy RLHF, ma m\u00e1r k\u00f6zponti szerepet j\u00e1tszanak abban, hogy a vezet\u0151 mesters\u00e9ges intelligencia laborat\u00f3riumok hogyan finomhangolj\u00e1k modelljeiket, hogy hasznosabbak, pontosabbak \u00e9s biztons\u00e1gosabbak legyenek.<\/p>\n\n\n\n
Az ember \u00e9s g\u00e9p k\u00f6z\u00f6tti kommunik\u00e1ci\u00f3 ter\u00e9n vannak nyilv\u00e1nval\u00f3 kih\u00edv\u00e1sok \u2013 az emberek emberi nyelven kommunik\u00e1lnak, m\u00edg a mesters\u00e9ges intelligencia programjai \u00f6sszetett algoritmikus folyamatokon kereszt\u00fcl, adatokon alapulva hajtj\u00e1k v\u00e9gre a feladatokat. A tokenek hidalj\u00e1k \u00e1t ezt a szakad\u00e9kot: ezek az ember \u00e9s a mesters\u00e9ges intelligencia k\u00f6z\u00f6tti kommunik\u00e1ci\u00f3 alapvet\u0151 \u00e9p\u00edt\u0151k\u00f6vei, amelyek az LLM \u00e1ltal feldolgozott vagy el\u0151\u00e1ll\u00edtott k\u00fcl\u00f6n\u00e1ll\u00f3 adatszegmenseket k\u00e9pviselik. Egy tokeniz\u00e1ci\u00f3nak nevezett folyamattal j\u00f6nnek l\u00e9tre, amely a nyers sz\u00f6veget falatnyi m\u00e9ret\u0171 egys\u00e9gekre bontja, amelyeket egy nyelvi modell k\u00e9pes feldolgozni, hasonl\u00f3an ahhoz, ahogyan egy ford\u00edt\u00f3program az emberi nyelvet bin\u00e1ris k\u00f3dd\u00e1 alak\u00edtja, amelyet a sz\u00e1m\u00edt\u00f3g\u00e9p meg\u00e9rt. V\u00e1llalati k\u00f6rnyezetben a tokenek a k\u00f6lts\u00e9geket is meghat\u00e1rozz\u00e1k \u2013 a legt\u00f6bb mesters\u00e9ges intelligenci\u00e1val foglalkoz\u00f3 v\u00e1llalat tokenenk\u00e9nt sz\u00e1m\u00edt fel d\u00edjat az LLM haszn\u00e1lat\u00e1\u00e9rt, ami azt jelenti, hogy min\u00e9l t\u00f6bbet haszn\u00e1l egy v\u00e1llalkoz\u00e1s, ann\u00e1l t\u00f6bbet fizet.<\/p>\n\n\n\n
Teh\u00e1t ism\u00e9t, a tokenek a sz\u00f6veg apr\u00f3 darabjai \u2013 gyakran szavak r\u00e9szei, nem pedig eg\u00e9szek \u2013, amelyekre a mesters\u00e9ges intelligencia nyelvi modelljei a nyelvet a feldolgoz\u00e1s el\u0151tt bontj\u00e1k; ezek nagyj\u00e1b\u00f3l a \u201eszavakhoz\u201d hasonl\u00edthat\u00f3k a mesters\u00e9ges intelligencia \u00e1ltal v\u00e9grehajtott munkaterhel\u00e9sek meg\u00e9rt\u00e9se szempontj\u00e1b\u00f3l. Az \u00e1tviteli sebess\u00e9g arra utal, hogy mennyi adatot lehet feldolgozni egy adott id\u0151 alatt, teh\u00e1t a tokenek \u00e1tviteli sebess\u00e9ge l\u00e9nyeg\u00e9ben azt m\u00e9ri, hogy egy rendszer mennyi mesters\u00e9ges intelligencia \u00e1ltal v\u00e9gzett munk\u00e1t k\u00e9pes egyszerre kezelni. A magas tokenek \u00e1tviteli sebess\u00e9ge kulcsfontoss\u00e1g\u00fa c\u00e9l a mesters\u00e9ges intelligencia infrastrukt\u00fara-csapatok sz\u00e1m\u00e1ra, mivel ez hat\u00e1rozza meg, hogy egy modell h\u00e1ny felhaszn\u00e1l\u00f3t tud egyszerre kiszolg\u00e1lni, \u00e9s milyen gyorsan kap v\u00e1laszt mindegyik\u00fck. Andrej Karpathy, a mesters\u00e9ges intelligencia kutat\u00f3ja le\u00edrta, hogy szorong\u00e1st \u00e9rez, amikor a mesters\u00e9ges intelligencia-el\u0151fizet\u00e9sei t\u00e9tlen\u00fcl \u00e1llnak \u2013 ami visszhangozza azt az \u00e9rz\u00e9st, amit posztgradu\u00e1lis hallgat\u00f3k\u00e9nt \u00e9rzett, amikor a dr\u00e1ga sz\u00e1m\u00edt\u00f3g\u00e9pes hardvereket nem haszn\u00e1lt\u00e1k ki teljes m\u00e9rt\u00e9kben \u2013, ez az \u00e9rz\u00e9s j\u00f3l megragadja, hogy mi\u00e9rt v\u00e1lt a tokenek \u00e1tviteli sebess\u00e9g\u00e9nek maximaliz\u00e1l\u00e1sa a ter\u00fcleten szinte megsz\u00e1llotts\u00e1gg\u00e1.<\/p>\n\n\n\n
A g\u00e9pi tanul\u00e1son alapul\u00f3 mesters\u00e9ges intelligencia fejleszt\u00e9se egy betan\u00edt\u00e1snak nevezett folyamatot foglal mag\u00e1ban. Egyszer\u0171en fogalmazva, ez az adatok bet\u00e1pl\u00e1l\u00e1s\u00e1ra utal, hogy a modell tanulhasson a mint\u00e1kb\u00f3l \u00e9s hasznos kimeneteket gener\u00e1lhasson. L\u00e9nyeg\u00e9ben ez az a folyamat, amelynek sor\u00e1n a rendszer reag\u00e1l az adatokban tal\u00e1lhat\u00f3 jellemz\u0151kre, \u00e9s ez\u00e1ltal a kimeneteket a k\u00edv\u00e1nt c\u00e9lhoz igaz\u00edtja \u2013 legyen sz\u00f3 ak\u00e1r macsk\u00e1k k\u00e9peinek azonos\u00edt\u00e1s\u00e1r\u00f3l, ak\u00e1r ig\u00e9ny szerinti haiku k\u00e9sz\u00edt\u00e9s\u00e9r\u0151l.<\/p>\n\n\n\n
Egy olyan technika, amelyben egy kor\u00e1bban betan\u00edtott MI-modellt haszn\u00e1lnak kiindul\u00f3pontk\u00e9nt egy \u00faj modell fejleszt\u00e9s\u00e9hez egy m\u00e1sik, de jellemz\u0151en kapcsol\u00f3d\u00f3 feladathoz \u2013 lehet\u0151v\u00e9 t\u00e9ve a kor\u00e1bbi betan\u00edt\u00e1si ciklusokban szerzett ismeretek \u00fajb\u00f3li alkalmaz\u00e1s\u00e1t.<\/p>\n\n\n\n