Mesterséges intelligencia az információkeresésben és -feldolgozásban 2018. június 6-án

A MIBE Telekom székházban tartott konferenciája a mesterséges intelligencia lehetőségeit járta körül.

Elérkezett az a kor, amikor van mit (vö.: hatalmas adattárak) és van mivel (vö.: mesterséges intelligencia) feldolgozni – nyitott Szabados Levente (Budapest AI). Horváth Tamás (ELTE) cizellált: az érintett eszköz, amikor marketingelni kell, akkor mesterséges intelligencia; amikor el kell adni, akkor deep learning; amikor dolgozunk vele, akkor pedig lineáris regresszió. Mindezek praktikusan: a Google asszisztens önálló akciókba kezd a nevünkben, 8 másodpercnyi nyilatkozat felvétellel – a MI segítségével feldolgozva Obama látszatra tökéletes kamuinterjút ad a robotikáról. Varjú Zoltán (Precognox) mondta: A konnekcionizmus (hálózati gondolkodás) találkozása sok adattal és GPU-val (azaz a bivalyerős processzorral). Mindez szép, ugyanakkor nagyot is lehet bukni: botrányt kavart, hogy a Google osztályozórendszere gorillának nevezett afroamerikaiakat – mondta Szabados Levente. Szintén gépi tévedési lehetőség a hibás korreláció: “kimutatható” pl., hogy Maine államban együtt jár a margarinfogyasztás és a válások számával. Vagy hogy a gép kevésbé képes szétválasztani a hátteret az előtér tárgyaitól. Ez arra vezethető vissza, hogy nem tudjuk a gép számára jól megfogalmazni a számunkra köztudott előfeltevéseket. Nehezítik a terepet az ún. ellenséges példák megjelenése, amikor tudatosan vezetik félre a MI-t. A MI-t tehát nem lehet magára hagyni: az előítéletes emberi megnyilatkozásokon tanulva szexistává és rasszistává válhat a gép.
A könyvtárral előtt számos lehetőség áll a MI kihasználásában.

A mesterséges intelligencia a könyvtárakban és az üzleti intelligencia (BI) területen hasonló elemző módszereket alkalmazásával támogatja a tárolt információk kinyerését, a mély analitikus feltárást – fejtette ki Horváth Zoltánné. A könyvtárak és a könyvtári vállalkozások szemantika alapú fejlesztései és jelölőnyelvei (RDF, SKOS, FRBR, stb.) a fogalmi elemzés eszközeivel (ontológiák, szemantikus adatszótárak, stb.) jelentős eredményeket mutatnak fel az interneten lévő tudáshálózatok mellett a mesterséges intelligencia fejlesztések, a pontos szövegfelismerés és értelmezés támogatásában.

A kreativitás a miénk, a többit hagyjuk a robotokra – mondta a chatbotokról szólva Deliága Ákos (Talk-a-bot). Tapasztalata szerint a gépi csevegő eszközök – például az Árkád bevásárlóközpont Plázacicája – kiváltják a nem túlságosan kedvelt telefonos appok műfaját. Az összetettebb gépi tájékoztatás is kezelhető: van lehetőség hibrid, azaz félig gépi chatre is.
Jóföldi Endre (Precognox) jelezte: a tapasztalat szerint a robotok számának növelése egy szinten túl rontja a minőséget, ezért nem éri meg a túl összetett feladatokat a gépre bízni. Fegyó Tibor (SpeechTex) a szövegleiratozás kapcsán elmondta: ha a focipályán reklámozók akkor szeretnék láttatni hirdetéseiket, mikor gól van, akkor a környezet jelei alapján előre kell jelezni e jeles eseményt – mely többé-kevésbé megy is. A beszélgetőrobotok tanítása a már megtörtént események mintáit – pl. gól – előzményeit azonosítják, majd vetítik előre a predikció során. Ilyen logikából az egyes szakterületek beszélőrobotjait az adott szakterület és üzleti cél szöveg- és eljárásmintáin tanítják. (MG)

Hasznos bemelegítő anyagok a témában »

Részletes program:

Mesterséges intelligencia – mire is jó valójában?
– Szabados Levente

Újabb és újabb áttörésekről hallunk a MI kutatás terén, és látványos demonstrációkból sincs hiány. Kérdéseink: milyen változások, fejlődési lépések vezettek az áttörésekig, és melyek az MI technológiák üzleti alkalmazásának reális keretei. Interaktív módon megismerkedünk néhány alapfogalommal, ami lehetővé teszi, hogy felmérjük az alkalmazások reális határait.

Mi az a deeplearning? – Varjú Zoltán

Az utóbbi időben mindenhol a mesterséges intelligenciáról hallunk; elveszi a munkánkat, csodás jövőt hoz vagy éppen az egész emberiséget elpusztítja. A legtöbb ígéret – önvezető autók, személyi asszisztensek, diagnosztikai eszközök, stb. – mögött ma a deeplearning áll. Előadásunkban a “csoda” mögötti módszert mutatjuk be röviden, képletek nélkül. Kitérünk az alkalmazási területekre és a technológia korlátaira is.

Az adatbányászat és gépi tanulás automatizálása – de hogyan? – Dr. Tomáš Horváth

Az egyre gyarapodó adatbányászati feladatok és az adattudósok hiánya miatt terjednek e feladatok automatizálására irányuló kutatások és keretrendszerek. Bemutatjuk a szakterület problématérképét és azt, hogy milyen válaszokat adott a tudomány a felvetett kérdésekre.

Gondolatok a könyvtári intelligens rendszerek fejlődési lehetőségeiről – rokonság az üzleti intelligencia rendszerekkel – Horváth Zoltánné

A mesterséges intelligencia a könyvtárakban és az üzleti területen nem annak hagyományos értelmezése mentén, hanem piaci vonzáskörében fejlődik, pl. az üzleti intelligencia környezetében.

Egy jó chatbot intelligencia-szintje; adatgyűjtés automatizált interjúkészítéssel – Deliága Ákos

A chatbotok technológiája 2016 óta nagyon gyors ütemben terjed a közösségi felületeken, viszont a felhasználók elvárása sokszor magasabb a valós teljesítménynél. Mennyire intelligens egy üzletileg hasznos chatbot? Hogyan lehet már ma automatizálni az okostelefonos információszerzést?

Tű a szénakazalban, sales lead generation mesterséges intelligencia segítségével – Jóföldi Endre

Hogyan találjuk meg potenciális ügyfeleinket? – Különösen fontos b2b-kérdés, hiszen nem annyira nyilvánvaló, kit érdekelhetnek ajánlataink a nagyvilágban. Az internetes kereséssel mintha tűt keresnénk szénakazalban. A Sales Lead Generator segít begyűjteni és rendszerezni az internetes adatokat, így a sales-esek a tartalmak bogarászása helyett a megtalált potenciális ügyfelekkel foglalkozhatnak.

Beszédfelismerés – mi, hogyan, és kinek éri meg?
– Fegyó Tibor

A gépi beszédfelismerés alkalmazhatóságát ma már számos hazai példa is bizonyítja. E példákon keresztül bemutatom, hogy mitől lesz hatékony egy beszédfelismerő rendszer és mi segítheti egyre szélesebb körű használatát.