A mesterséges intelligencia elmúlt 10 éve, a mesterséges intelligencia felépítése - Digital Hungary

Nem vagyok adattudós, nem vagyok fejlesztő és koránt sem vagyok AI szakértő. Egy olyan szakember vagyok, aki tudja, hogy folyamatosan képben kell lenni és tanulni, hogy lépést tudjunk tartani a trendekkel, de főleg az új eszközökkel. Ehhez pedig elengedhetetlen, hogy olyan szakterületekbe is bele lássunk kicsit, ami amúgy távol áll a szakmánktól. Így volt ez annó az értékesítés kapcsán a sales területtel, aztán az employer branding okán a HR-el, és most a technológia rohamos fejlődése miatt a programozással is. Nem kell tudnunk egyik esetben sem profin eladnunk, vagy toboroznunk, vagy akár kódot írnunk, de tudnunk kell, hogy mi hogyan működik. Érteni kell a logikáját. Ezt a logikát igyekszem most bemutatni és körbe járni a mesterséges intelligencia kapcsán.

Kezdjük az alapokkal, mielőtt belevágunk a sűrűjébe. Minden alapja: az adat, amit mi magunk termelünk és teremtünk egyre nagyobb mennyiségben és végtelen variációban. Ezek az adatok mindenhol ott vannak, legyen szó az online térről, de akár az életfunkcióinkról is, amit egy okos óra mér le. Ezekkel az adatokkal dolgoznak az algoritmusok.

I. Algoritmusok

Ha analógiás érvelést szeretnék behozni, akkor a leginkább egy recepthez hasonlíthatjuk az algoritmusokat. Ezeket a recepteket mi magunk írjuk, teszteljük és próbáljuk ki élesben. Folyton fejleszthetőek, de alapvetően egy kötött szabályrendszer szerint állnak össze. Ahogy egy recept lépésről-lépésre utasításokat ad arra vonatkozóan, hogy hogyan készítsünk el egy ételt az alapanyagok kombinálásával, egy algoritmus is lépésről-lépésre utasítások sorozata, amely megmondja a számítógépnek, hogyan végezzen el egy feladatot vagy oldjon meg egy problémát az adatok felhasználásával. Ezek az utasítások pontosak és szigorúak, és általában egyértelműen megadhatók.

• Példa: Ahogy egy recept megmondja, hogy először pucoljuk meg az almát, majd vágjuk fel szeletekre, egy algoritmus is utasításokat ad a számítógépnek, például hogy először rendezzen egy adatlistát, aztán keresse meg a kívánt elemet benne.

Az algoritmusok egymásra gyakorolt hatása változó és sokféle lehet, attól függően, hogy milyen környezetben működnek és milyen célt szolgálnak. Néhány módja, ahogyan az algoritmusok hatnak egymásra:

• Kombinálás: Különböző algoritmusok kombinálása gyakran hatékony megoldásokhoz vezet. Például a gépi tanulásban egyesíthetünk több különböző típusú algoritmust egy ensemble learning rendszerben, ami lehetővé teszi a jobb teljesítmény elérését.

• Kölcsönös befolyásolás: Az egyes algoritmusok eredményei és kimenetei befolyásolhatják egymást. Például egy algoritmus által előállított adatok felhasználhatók bemenetként egy másik algoritmus számára.

• Versengés: A különböző algoritmusok versenghetnek egymással ugyanazon feladat megoldásáért. Például különböző keresőalgoritmusok (például Google, Bing, Yahoo stb.) versenghetnek azért, hogy a felhasználók számára a legjobb találatokat szolgáltassák.

• Fejlődés és adaptáció: Az egyes algoritmusok fejlődése vagy adaptációja befolyásolhatja más algoritmusokat is. Például egy új gépi tanulás algoritmus fejlődése új megközelítéseket hozhat be, amelyeket más algoritmusok is felhasználhatnak.

• Szabályozás és ellenőrzés: Néhány algoritmus szabályozhatja vagy ellenőrizheti más algoritmusok működését. Például egy biztonsági algoritmus ellenőrizheti egy rendszer más algoritmusainak tevékenységét, hogy megakadályozza a rosszindulatú tevékenységeket.

A teljes cikk tovább olvasható a Digital Hungary oldalán: https://www.digitalhungary.hu/e-volution/A-mesterseges-intelligencia-elmult-10-eve-a-mesterseges-intelligencia-felepitese/24391/