Az „AI” betűszó az elmúlt években úgy robbant be a köztudatba, mintha egy mindent megoldó csodatechnológia lenne. ChatGPT, Gemini, generatív AI, AGI, prompt, machine learning, LLM, amely az újságok címoldalától lassacskán már a főzés rovatig mindenhol olvasunk.
Korábban írtunk arról, hogy a vállalati AI-projektek jelentős része nem éri el a célját, mert a technológia valós lehetőségeit túldimenzionálják. Ha ez igaz a nagyvállalatoknál, adódik a kérdés azaz tényleg tudjuk, miről beszélünk? Az eligazodáshoz először a fogalmakat érdemes tisztázni.
Mi micsoda?
LLM (Large Language Model) Nagy nyelvi modell, amely hatalmas mennyiségű szöveges példából tanul mintázatokat, és ezek alapján állít elő válaszokat. LLM-alapú rendszerek például a Grok (xAI), ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google).
Chatbotok (Grok, ChatGPT, Claude, Gemini) Olyan LLM-ekre épülő szolgáltatások, amelyekkel természetes nyelven beszélgethetünk. A felület, ami a „csevegés”, hátterében speciális modellek és modulok dolgoznak (pl. szöveg, kép, kód).
Generatív AI olyan AI, amely új tartalmat hoz létre, vagyis szöveget, képet, hangot, videót. A „generatív” szó szó szerint azt jelenti, hogy létrehoz. Sok platform többmodulos, azaz például a csevegőfelület mögött külön képgeneráló modell fut (nem ugyanaz, mint a szövegmodul), még ha egy szolgáltatásként is jelenik meg.
Vállalati AI általában zárt környezetben működő megoldások gyűjtőneve. Nem feltétlenül „betanítják” a cég adataira, gyakori, hogy visszakeresés-alapú kiegészítést (RAG) használnak. A modell a kérdéshez kapcsolódó vállalati dokumentumokból idéz és azokra támaszkodva fogalmaz választ. Tipikus felhasználások az ügyfélszolgálati automatizálás, riportkészítés, dokumentum-összefoglalás, prediktív karbantartás. Ezek nem „gondolkodnak”, amely eszközök, mint egy nagyon fejlett automatizmus.
Prompt az utasítás/kérés, amit a modellnek adunk (pl. „Foglaljad össze ezt a szerződést 5 pontban”). A jó prompt világos célt, kontextust és korlátokat ad.
Machine Learning (gépi tanulás) Az AI egyik fő ága. A rendszer adatokból tanul, hogy előrejelzéseket, besorolásokat vagy generált kimeneteket készítsen. Ide tartoznak a klasszikus módszerek (pl. döntési fák, logisztikus regresszió) és a mélytanulás is.
AGI (Artificial General Intelligence, amely általános mesterséges intelligencia)
Az elméleti cél az, hogy egy rendszer bármilyen intellektuális feladatot el tudjon látni emberi szinten, amely rugalmasan, több területen, kevés példából is tanulva, új helyzetekben is, általánosan jól.
- Miért nem AGI a mai AI? A mai modellek erősek szűk feladatokban (pl. fordítás, kódolás, képgenerálás), de általános célformálásuk, stabil valóság-modellezésük, hosszú távú tervezésük és megbízható önellenőrzésük korlátozott. Gyakoriak a téves következtetések (hallucinációk) és a kontextusfüggő hibák.
- Egyesek szerint a gyorsan fejlődő, multimodális, eszközhasználatra képes modellek már „küszöbközelben” vannak, míg mások szerint az általános értelemhez hiányzik a tartós belső világmodell, az oksági megértés és az autonóm célhierarchia.
- Miért több ez technikánál? Az AGI kérdésköre filozófiai és etikai, mégpedigaz hogyan definiáljuk az „értelmet”? Milyen kockázatokkal jár az autonóm döntéshozatal, és hogyan biztosítható az igazodás az emberi értékekhez? Jelenleg nincs konszenzus, és nincs létező AGI.
