Az AI szédületes iramban fejlődik, már a múltkori cikkben is utaltam rá, hogy mire befejeztem, addigra a cikk egy része már el is avult:) A nagy igazságok azonban változatlanok, és az alapokkal is érdemes tisztában lenni.

Ma egy vendégblogger, Szigeti Zsolt programozó és szoftverfejlesztő (ügyviteliszoftverek) mesél nektek az AI-ról – a folytatásban az ő írását olvashatjátok.

Már a csapból is Mesterséges Intelligencia folyik, ezért 25+ éves programozói és szoftverfejlesztői múlttal a hátam mögött, beiratkoztam egy Machine Learning (Gépi Tanulás) AI tanfolyamra. Kíváncsi voltam, mi van a kulisszák mögött?  

A tanfolyam átfogó képet mutatott, hogy milyen üzleti-, szervezeti-, folyamati- és technológiai problémákra tud megoldást nyújtani a mesterséges intelligenca (AI), és azon belül is milyen gépi tanulási (ML) megoldásokat/eszközök léteznek. A képzés 6 hétig tartott, és minden héten valamilyen AI-al kapcsolatos feladatot is meg kellett oldani. A tanfolyamot Boros Gerzson Dávid tartotta, akinek 10+ év szakmai tapasztalata van Data science és AI területén.

Mi a különbség egy hagyományos szoftver algoritmus és egy Mesterséges Intelligencia algoritmus között? 

Egy hagyományos program esetén egyértelmű feltételek vannak, amelyek minden esetben ugyan úgy működnek. Egyértelműen el lehet dönteni két számról, hogy melyik kisebb, melyik nagyobb, esetleg egyenlő. Egy karaktersorozatról egyértelműen el lehet dönteni, hogy az szerepel-e egy másik szövegben, illetve megegyezik-e egy másik karaktersorozattal. Emiatt a program működése is jól tesztelhető.

No, de mi a helyzet például egy képen szereplő tárggyal, élőlénnyel? Hogyan tudja egy algoritmus eldönteni azt, ami egy embernek tök egyértelmű, hogy azokon a képeken bizony egy macska vagy egy tigris szerepel? Vagy akár csak azt, hogy minden képen ugyan olyan állat szerepel-e?  

Hiszen, ha 1 másodperc különbséggel készítünk ugyan arról a macskáról egy képet, már abban az esetben is lesznek a képpontok között különbségek, pedig nem változott semmi. Esetleg a fényképezőgép mozdult el 2 millimétert. Vagy közben kisütött egy kicsit a nap.
Ezért, ha a képeket byte-onként hasonlítanánk össze, akkor a két kép teljesen különbözőnek tűnne, pedig ugyanaz a macska szerepel a képen.

Akkor arról már ne is beszéljünk, amikor ugyanazt a macskát egy teljesen más nézőpontból fényképezzük le. Vagy a szomszéd macskájáról készítünk képet, amelyiknek más a színe, rövidebb a farka, és nem áll, hanem éppen alszik a képen. A két kép byteszinten teljesen eltérő lesz, még a méretük és a felbontásuk is lehet, hogy más.

Akkor mégis hogyan történik ebben az esetben az összehasonlítás? Hogyan képes az algoritmus a macska alakját felismerni?

Sokszor még egy ember is képtelen eldönteni egy képről, hogy azon egy tigris vagy egy macska szerepel-e, ha olyan helyzetben van, amikor nem láthatóak az egyértelmű azonosító jegyek. Ilyen esetben az AI sem tudja felismerni az alakokat.

Egy olyan ember, aki soha életében nem látott macskát, azt még felismerné, hogy a képeken ugyanolyan állat van. De azt már meg kell neki tanítani, hogy az egy macska. Onnantól kezdve már tudni fogja, hogy melyik képen van egy macska.

A mesterséges intelligencia algoritmusok az emberi tanulás működését próbálják utánozni, és az AI algoritmusokat* is „tanítani” kell mintaadatokkal. Minél több különböző adattal tudjuk betanítani, annál „okosabb” lesz.

*AI Algoritmus: a különböző cégek által fejlesztett, különböző feladatokra használható AI algoritmusok léteznek. Minden algoritmust más feladatra lehet használni, és nincsen olyan algoritmus, amivel minden feladatot meg lehetne oldani.

De akkor mi is az az AI?

Még a szakembereknél is megoszlik a vélemény hogy mikortól lehet valamire azt mondani, hogy az már mesterséges intelligencia.

A mesterséges intelligencia egy lehetséges definíciója:

Képes emberi intelligenciát mutatni számunkra, úgy tűnik, mintha intelligens lenne, azonban gyakran ez csak egy nagyon kis területre igaz. Egy bizonyos dolgot jól képes elvégezni, akár még jobban is, mint az ember. Például mintázatokat képesek felismerni az adatokban.

A Machine Learning főbb részhalmazai, és alkalmazási területei  

1. Felügyelt tanulás
   Kép felismerés (gyártásban termék hibák ellenőrzése, közlekedési táblák felismerése, önvezető autók)
   Rákdiagnózis röntgenfelvételek alapján
   Email Spamszűrés (ezt AI nélkül is megoldották régebben, csak most kifinomultabb)
   
2. Nem felügyelt tanulás
   Termékek ajánlása webáruházakban (ezt is megoldották régebben AI nélkül, csak most kifinomultabb) 
   Marketingben ügyfél szegmensek meghatározása
   Meglévő értékesítési vagy marketing adatokból valamilyen előrejelzés készítése, tendenciák felismerése
   
3. Megerősített tanulás
   Valós idejű döntéseknél használják. Például mechanikus robotok vezérlésénél.
   
4. Deep Learning (mélytanulás) Neurális hálók segítségével
   Így működik például a ChatGPT
   Rákdiagnózis

Ugyanaz a probléma nem csak egy módon oldható meg. Például a rákdiagnózis esetén a Felügyelt Tanulás és a Deep Learning is alkalmazható, viszont Deep Learning alkalmazása esetén nagyon sok „tanító” adatra van szükség. Bonyolultabb feladatok esetén akár több különböző algoritmust is használhatnak a megoldáshoz. Ilyen például a TikTok, de erről később még lesz szó.

A legfontosabb, hogy nincsen olyan AI algoritmus, ami bármire használható lenne.

Tévhitek a Mesterséges Intelligenciával Kapcsolatban

A Machine Learning (ML) területén számos tévhit és félreértés kering:

1. Gépi tanulás = Varázslat:
   Sokan úgy gondolják, hogy a gépi tanulás minden problémát megold, és egyfajta varázslattal rendelkezik. Valójában a gépi tanulásnak is vannak korlátai, és nem minden problémára alkalmazható hatékonyan.
   
2. Nincs szükség adatokra:
   Egyesek azt hiszik, hogy a gépi tanulás működik anélkül, hogy megfelelő adatok állnának rendelkezésre. A valóság az, hogy a gépi tanulás nagyon adatalapú tudomány, és a jó minőségű adatok nélkül nem lehet jó eredményeket elérni.
   
3. A sok adat a lényeg:
   Minél több az adat, annál jobb lesz a teljesítmény? Bár a méret fontos lehet, más tényezők is számítanak, mint például az adatok minősége, a modell kiválasztása és a hyperparameter beállítások. A megfelelő működéshez megfelelő minőségű, és megfelelő mennyiségű adatra van szükség. Azt, hogy a „megfelelő” mit is takar, mindig az adott feladat határozza meg.
   
4. A modell mindig helyes:
   A gépi tanulási modellek mindig ismeretekre épülnek, ezért néha hibáznak. Fontos megérteni, hogy egy modell nem mindig ad 100%-os pontosságot, és néha téves döntéseket is hozhat.
   
5. A gépi tanulás minden problémára alkalmazható:
   Bár a gépi tanulás sok problémát hatékonyan megoldhat, nem minden helyzetben alkalmazható. Sőt, bizonyos esetekben hagyományos algoritmusok lehetnek a hatékonyabbak.
   
6. Nincs szükség szakmai tudásra:
   Egyesek úgy gondolják, hogy a gépi tanulás alkalmazása nem igényel mély szakmai tudást a problémakört illetően. Valójában a szakmai tudás rendkívül fontos a megfelelő algoritmus kiválasztásában, a modell kialakításában és a kapott eredmények értelmezésében is.
   
   Egy ilyen project elkészítéséhez szükséges minimum egy Data Engineer, egy Data Scientist, egy Data Analist és egy Machine Learning Engineer kell – plusz egy Project Manager, aki az előző négy szakember munkáját összefogja, összehangolja.  
   
7. A gépi tanulás mindig fejlődik:
   Bár a gépi tanulás gyorsan fejlődik, nem minden új megközelítés vagy modell bizonyul automatikusan jobbnak. Néha a régebbi, jól bevált módszerek is hatékonyak maradnak.

AI és ChatGPT… hogyan használd és hogyan NE használd a vállalkozásodban?

A gépi tanulás egy dinamikus terület és a fejlesztések folyamatosan zajlanak. Emiatt a fenti megállapítások idővel változhatnak, és új információk és módszerek jelenhetnek meg a területen.

Hogyan érinti az AI a marketingesek munkáját?

Az előrejelzések szerint 2030-ra az AI jobb szöveget fog írni, mint egy profi író.

Az én véleményem:

Az emberi kreativitást nem tudja semmilyen algoritmus helyettesíteni, sem most, sem később:)

Szigeti Zsolt

Viszont az szinte biztos, hogy a következő években el fog szaporodni az AI által generált tartalom. Ez különösen a marketing területén lesz nagy előrelépés, mert a vevőket személyre szabott hirdetésekkel lehet célozni. Mindenki úgy fogja érezni, hogy az a hirdetés neki szól. Emiatt megnő a konverzió, a hirdetések sokkal hatékonyabbak lesznek, a vevők sokkal többször fognak olyan dolgot megvásárolni, amire semmi szükségük. Ennek az lesz a következménye, hogy egy idő után már elveszíti ez a módszer a hatékonyságát, mert az emberek, lehet, hogy az elején kezdeti lelkesedésből többet vásárolnak, de ez nem tart örökké. Egy idő után ez már annyira természetes lesz, hogy nem lesz meg az újdonság hatása.

AI szakértők előrejelzése szerint egy idő után inkább ellenkező hatást fog kiváltani az emberekben. Bizalmatlanok lesznek, és kevesebbet vásárolnak az így működő helyeken. 

Az biztos, hogy a következő években üzleti előnyhöz juthat az, aki ki tudja használni az AI előnyeit, viszont hosszútávon korántsem biztos, hogy ez tartható lesz.

Ez olyan, mint amikor először megjelentek a névre szóló hírlevelek. Később már az e-mail tárgymezőben is mindenki a saját nevével találkozott. Ez az elején kattintást generált, mert mindenki a sajátjának gondolta az üzenetet, de már az ilyen e-mail egy a sok közül. Sőt, most inkább már manipulatív, és ezért nem is nyitják meg sokan az ilyen leveleket.

Az én véleményem: minél jobban előtérbe kerül az AI, annál jobban fel fognak értékelődni a személyes szolgáltatásokat végző vállalkozások. Sőt, akár a személyes értékesítés is.

Kíváncsi vagyok, hogy 1-2-3 év múlva hogyan fog megváltozni a véleményem. Illetve arra is, hogy addig mi fog megvalósulni az előrejelzésekből.

Mire használható még az AI a marketingben?

1. Mintázatok felismerése az adatokban:

Ha megfelelő mennyiségű, és minőségű adat áll rendelkezésre, akkor lehetőség van a rendelkezésre álló adatok alapján egy mintázatot, egy trendet felismerni, így bizonyos dolgok, például vásárlói szokások, ügyfél lemorzsolódás előre jelezhetőek.

Ennek azonban vannak hátrányai is:

• Ha nem elég változatosak az adatok, akkor lép fel a túltanulás* jelensége.
• Ha a környezetben hirtelen, nem várt változás következik be, amely megváltoztatja körülményeket, és az eddig használt mintázatok megváltoznak, akkor onnantól kezdve az előrejelzés pontatlan lesz. Ezt a jelenséget „concept drift”-nek nevezik. Ez lehet globális valtozás, például egy gazdasági válság, vagy egy COVID. De lehet helyi, ha a cég belső működése változik meg,
• Pontatlan lesz az AI modell, ha az adatokban történik változás. Például megváltozik az adatok szerkezete vagy minősége.  Esetleg az adatok mennyisége hirtelen nagymértékben megnő. Ezt a jelenséget „data drift”-nek nevezik.  

*Túltanulás, túltanult AI modell: Amikor nagyon hasonló adatokkal tanítják be a modellt, emiatt nem képes felismerni más helyzeteket. Például, ha egy tárgy felismerése a cél, és a betanításhoz olyan képeket használnak fel, amelyek az adott tárgyat mindig ugyanabból a nézőpontból mutatják meg, akkor az AI nem fogja tudni a tárgyat felismerni, ha az eltér az eredeti mintától.
(Az embereknél is van ilyen, amikor valakinek hatalmas a lexikális tudása egy nagyon szűk témában, viszont semmi máshoz nem ért – csak azt úgy hívják, hogy szűklátókörű😉)

Túltanulás, Concept drift vagy data drift esetén az AI modellt* újra kell tanítani a megváltozott környezetre, nem tud önállóan alkalmazkodni előre nem látott körülményekhez. Illetve csak olyanhoz tud alkalmazkodni, amire felkészítették. Például a vásárlási szokásoknál az értékesítési adatokon kívül az időjárási adatokat is figyelembe érdemes venni.

*AI modell: A konkrét feladatra „betanított”, és felparaméterezett AI algoritmus. Egy AI modell csak annyirajó, mint a tanítóadatok minősége. A modellek teljesítményét értékelni és finomítani kell a valós környezetben való alkalmazás során.
(A ChatGPT például neurális háló alapú algoritmust használ, és a ChatGPT pedig már a betanított AI modell)  

2. ChatBot alkalmazása a vállalkozásban:  

Mielőtt nagy örömmel elkezdünk chatbotot fejleszteni, hogy most már nem lesz többet gond az ügyfélszolgálattal, érdemes figyelembe venni a célközönség összetételét. Ha idegenkednek ettől a megoldástól, akkor nem tesz jót a vállalkozás hírnevének (és a bevételének sem), inkább elijeszti a vásárlókat. Rossz reklám, ha a ChatBot a kérdések jelentős százalékára nem tud válaszolni, mert az csak felidegesíti a vásárlókat. Egy ilyen bevezetése után feltétlenül érdemes figyelni az eredményességet és a használhatóságot!

Még 2019-ben a Vállalkozz Digitálisan program keretében a helyi Kereskedelmi és Iparkamara felkért egy előadásra. Akkor a túlzott, és felesleges automatizálásra egy éppen akkor aktuális hírt raktam be a prezibe „elrettentő” példának. Ugyanez a helyzet, ha a ChatBot rosszul teljesít, ki kell rúgni! Ne legyen ChatBot a cégben csak azért, mert ez a divat, és mert másnak is van. Kínlódjon vele a konkurencia😊 

3. Honnan tudja a TikTok, hogy nekem mi a jó?

Az ismert közösségi oldal, a TikTok például úgy is tudja a felhasználók számára a legrelevánsabb tartalmakat felajánlani, hogy nem is kap visszajelzést a felhasználóktól.
Nem csak a likeokból dönti el, hogy valakinek tetszik-e egy tartalom, vagy nem, hanem felhasználói szokásokat elemez. Azt figyeli, hogy a felhasználó milyen videókat nézett végig, esetleg többször is megnézte ugyanazt a videót. Ezután a videókat a megadott tartalomcímke (Hashtag) alapján kategorizálja, csoportosítja. De hogyan lehet összehasonlítani két videót, amelyekhez több különböző tartalomcímke (Hashtag) is tartozhat?

Ha szeretnél ebben bővebben elmélyedni, az alábbi cikk röviden megpróbálja elmagyarázni a kategorizálás (klaszterezés) logikáját egy hasonló esetben:

https://statisztikaegyszeruen.blog.hu/2020/04/17/megiscsak_jo_valamire_az_a_pitagorasz-tetel_a_kmeans_-algoritmus

Minél több ilyen adat áll a rendelkezésre egy adott felhasználótól, a későbbiekben annál pontosabban tudja kitalálni az algoritmus, hogy a felhasználónak milyen tartalom tetszik. Ehhez nem felügyelt tanulást, megerősített tanulást, és mélytanulást is használhat. Illetve ezek valamilyen kombinációját. De hogy pontosan mit és hogyan, az TikTok titok;)

@birge.webszovegek

Fontos azonban szem előtt tartani, hogy ha megtörténik az AI betanítása, utána ez nem azt jelenti, hogy az már örökké így fog működni, előállhat a már említett túltanulás. Ez azt eredményezi, hogy az AI egyre többet fog tévedni, ilyenkor újra kell tanitani az AI modellt. Szintén problémát jelent, hogy nem képes adaptálódni az új helyzetekhez.

A fenti példából látható, ahhoz, hogy egy AI működőképes legyen nagy emberi munkával kell előkészíteni, majd utána szintén sok emberi munkával kell gondoskodni a fenntartásáról. Tehát szó sincsen arról, hogy az AI használatával semmi szükség nem lesz az emberi munkára!

Bár az AI egyre több feladatot tud megoldani, egyre jobb eredményekkel, azért a következő évtizedekben az NI (Natural Intelligencia) szerves része marad a mindennapjainknak.