Végtelen horizont – Az IoT-edge computing-AI mágikus háromszögben rejlő lehetőségek

Intro: Ez az MI Stúdió, ahol a legmenőbb szakértők segítségével fejtjük meg a mesterséges intelligencia rezdüléseit és követjük le a legújabb MI trendeket. Hörömpöli-Tóth Levente vagyok – tartsatok velünk!

H-T. L.: – Még mielőtt belekezdenénk mai mondandónkba, fel szeretnénk hívni a figyelmet egy közelgő eseményre: április 15-én, csütörtökön kerül ugyanis sor a Budapest ML Fórumra. Ez a Data Science, gépi tanulás és AI fókuszú online konferencia a szakma hazai nagyágyúit vonultatja fel. Képviseltetik magukat a behemótok csakúgy, mint a témába motorozó startupok és scaleupok, köztük számos MI Koalíció taggal. Előadókat küld a Continental, a dmlab, a Hiflylabs, a Turbine.AI, a Datapolis, de ott lesz többek között a KH Bank, az OTP, vagy a Vodafone is. A program egy nyílt estével zárul mentorsarokkal, data syentists karrier tippekkel és Networking lehetőséggel. Ezúttal mindazonáltal az online térre korlátozódva. Jegyek és további infó a Budapest ML Fórumról a budapestml.hu weboldalon találhatók. Az MI Stúdió hallgatói ráadásul húszszázalék kedvezménnyel vehetnek részt az eseményen. Használd a következő kódot: MISTUDIO20 ékezetek nélkül, csupa nagybetűvel a húszat számmal írva. Tehát MISTUDIO20 ez az a kód, amellyel húszszázalékot spórolhatsz a Budapest ML Fórumra szóló jegyed árából. Ne hagyd ki, tehát a Budapest ML Fórumot, regisztrálj most az MISTUDIO20 kuponnal, ott találkozunk!

H-T. L.: – 3. évad 12. epizód ez itt az MI Stúdió, ahonnan mindenkinek óriási Üdv! Nagyon úgy néz ki, hogy beindult ez a tavasz, úgyhogy úgy gondoltuk, hogy ideje tovább növelni a sebességet és lesz mire várni, hiszen a következő hetekben olyan nagyívű témákkal jövünk majd, mint a digitális reinkarnáció, az AI karrierutakra gyakorolt hatása, vagy az e-sport és a gameing kölcsönhatása a mesterséges intelligenciával. Szóval forrónak ígérkezik a tavasz érdemes lesz minket hallgatni és ez a mai alkalommal sincs másként különösen azért, mert ezúton is mélyvizekre fogunk evezni, jelesül beleássuk magunkat az AI és az edge computing, valamint az IoT közötti kapcsolatba. Szakkommentátorunk pedig nem más, mint Szalontay Zoltán, a IFUA Horváth & Partners szenior IoT szakértője, aki LinkedIn profiljában így írja le magát: Generalist, CTO, Maker és Edge Impulse Expert. Először is nagyon köszönjük, hogy itt vagy velünk Zoli! Szia! Másrészt ezzel a lendülettel áruld el nekünk, hogy mit takar ez a Generalist és a Maker megnevezés a te olvasatodban?

Sz. Z.: – Szervusztok Szalontai Zoltán vagyok és üdvözlöm a hallgatókat! A Generalist az azt jelenti, hogy árral szemben úszom a mai magyar világban. Ha megnézed a LinkedIn profilokat akkor csak specialistát keresnek és csak specialista van a munkaerőpiacon. Tehát az alterület specialistái az sem mindegy, hogy networking, de Cisco Networking és azon belül a tűzfal Networking lehetőleg. Most már nagyon kevés ilyen aggregált pozíció van, tehát az a szaki, aki már mindent és az ellenkezőjét is látott. Én 1985-ben diplomáztam a Műegyetemen villamosmérnök vagyok, folyamatirányítás, folyamatszabályozáson végeztem tehát mondhatni úgy is, hogy utolért engem a világ egy olyan laza 40 év késéssel és az IoT kezdett elterjedni. Tulajdonképpen nekem az IoT a szakmám, de ahhoz, hogy egy IoT-t jól csináljon az ember ahhoz kell érteni a hardverhez olyan szinten, hogy átérezze, fájjon neki kellőképpen, hogy sokat fogyaszt ez a szerkezet és nem működik akkumulátorról például. Terepen viszonylag gyenge a kommunikáció, a kommunikációhoz is kell érteni vagy vezetékes vagy rádiós húha, akkor mind a kettőt kell érteni, de valami szoftver kéne arra a kis kütyüre akkor a szoftverhez is olyan szinten érteni lehetőleg a legalja tehát a hardver közeli programozás. De hát valahogy át kell küldeni az adatot, ott fogadni kell tudni, azt le kell tárolni nem ragozom a legvégén azért mégis csak meg kell mutatni, ezt az ügyfélnek és ez még csak a legszimplább szcenárió, tehát az egész, mondjuk így, hogy az egész IoT pipeline-t azt az elejétől a végéig ismernem kell, ezért mondom azt, hogy generalista vagyok, de hát hogyha megnézed az önéletrajzomat azért van ott még néhány érdekes terület. Üzleti architekt is voltam.

H-T. L.: – Igen, mindenesetre nagyon úgy néz ki, hogy jó lóra tettél és hogy ez az egész generalista irány ez nagyon jön föl. David Epstein könyvét szeretném itt ennek kapcsán megemlíteni, aki a Why Generalists Triumph in a Specialized World (2019) című könyvében pontosan ezt taglalja, hogy igazából a generalisták korszaka következik és igen lehet, hogy 40 évet kellett rá várni, hogy téged beérjen ez…

Sz. Z.: – Türelmes vagyok.

H-T. L.: – … a trend, de úgy látszik, hogy megérte. Nahát akkor szerintem most kanyarodjunk is rá akkor mai témánkra, mert ugye a trendek között olvasva ez valóban egyre nagyobb aktualitással bír. Úgy néz ki, ugyanis a vállalatoknak egyre több pénzt kell bele tolniuk az edge computingba és hát ugye ez a bizonyos edge computing kéz a kézben jár a mesterséges intelligenciával, vagyis megérkeztünk azt gondolom. Tehát első körben nézzük meg, hogy mit is takar ez az edge computing, mint fogalom és miért nyer vajon egyre nagyobb teret a cégek életében?

Sz. Z.: – Nagyon nagy az igény arra, hogy minél lejjebb oldjuk meg, minél inkább a való világ mellett, ott a helyszínen oldjuk meg a problémákat. Például minek járassunk körbe mondjuk egy teljes videó streamet föl az Amazon vagy a Microsoft Azure felhőjébe, hogy ott ismerjük föl, detektáljuk az arcokat, amikor, ha már van olyan eszközünk, ami olcsón költséghatékonyan a helyszínen is meg tudja csinálni. Ilyenkor én annak vagyok a híve, hogy döntsük el a helyszínen, hogy mi a helyzet és a meta információt azt, hogy arcot találtam vagy Leventét, vagy Zolit találtam az ajtó előtt ezt az információt küldjük el, ezt a néhány bitet küldjük csak el, ami releváns a fönti, a magasabb szintű döntéshozatalhoz. A lenti döntéseket ott a helyszínen hozzuk meg. Na, erről szól az edge computing és ennek nagyon sok szintje lehet. A legtöbb gyártó, hardvergyártó, szoftvergyártó, IoT gyártó az leginkább azon dolgozik, hogy a már megszokott PC kategóriájú dolgokat hogyan tudják összezsugorítani egy gyufásskatulya méretű dobozba. Na most én még csak nem is ennek vagyok a híve, hanem annak, hogy a létező legkisebb dolgokba suvasszunk bele cipőkanállal valahogy egy mesterséges intelligencia modellt. Mindig más és más problémákat, néha egész komoly problémákat kell megoldani az eszközoldalon és nem mindig engedheti meg magának az ember, hogy elmenjen Norvégiába az adat, ott feldolgozzuk majd visszaküldjük az akciót. Van, amikor ott helyben azonnal be kell avatkozni, vagy biztonsági vagy architektúra és technológia okok miatt: lassú a kommunikáció, érzékeny a kommunikáció, nem szeretnénk. Utalnék arra például, hogy nem tudom hallottad-e ezt a történetet, talán egy éve volt világhír, hogy amerikai katonák Irakban valami kiképzőbázison ott rohangásztak jobbra-balra a kiképző pályán és mindegyiknek a zsebében vagy a karján volt egy Fitbit és a Fitbit az trackelte merre szaladgáltak és posztolta föl este, amikor a pihenőjük volt posztolta fel a Fitbit.com-ra az adatokat és ebből szépen kirajzolódott, hogy hol van a katonai kiképzőtábor. Tehát egy IoT megoldásnál egészen extrém dolgokra is kell gondolni, néha. Származtatott adatok is árulkodók lehetnek.

H-T. L.: – Mondhatjuk, hogy ez az edge computing, IoT és AI egy ilyen mágikus háromszögként funkcionál és ahogy kiveszem a szavaidból gyakorlatilag most már ugye eljött az az idő, hogy most már egész komoly műveleteket tudunk ugye akkor elvégezni és rábízni a mesterséges intelligenciára, egészen ott, tehát egészen közel ahhoz, ahol a dolgok történnek.

Sz. Z.: – Igen. Javaslok mindenkinek egy tanfolyamot a coursera-n, én is végig kattintottam. Van egy Edge Impulse nevű cég edgeimpulse.com és az ő tréningük ez. Ők tulajdonképpen azt vállalták be, hogy mikrokontrollereken egészen apró kis mikro programozható számítógépeken, amik szenzorokat tudnak kezelni, ezeken az eszközökön fejlesztünk machine learning, tehát mesterségesintelligencia-modelleket, oldunk meg mesterséges intelligencia problémákat, de oly módon, hogy a szenzorok adatait fölküldjük a felhőbe, ott betréningezzük a modellt a kész modellből pedig olyan kódot varázsol fönt ez a felhőszolgáltatás az Edge Impulse, amit változtatás nélkül le lehetne futtatni itt ezen a mikro eszközön. Na most ez egy irtó nagy áttörés, tehát tulajdonképpen én ezt tartom a jövőnek és ez a technológia nagyon-nagyon fejlődik, hogy mekkora modellt tudunk belerakni egy ilyen mikrokontrollerbe. Azt képzeld el, hogy talán nevetségesnek és furcsának hangzik, így a hallgató számára, de amíg mondjuk egy átlagos modell mondjuk egy PC-n vagy egy Raspberry Pi-n minden további nélkül lehet hatvan megabájt nem egy kicsi vagy nem egy nagy, egy átlagos modellről beszéltem, egy neurális háló kiexportálva egy fájlba addig mondjuk egy ilyen mikroeszközön, – amit most neked itt mutatok képzeljenek el egy ilyen negyven lábú kis áramkört a hallgatók – hat kilobájt hat kiló nem mega, kilobájt, hat kilobájt és kilencvenszázalékos sikerrel jól dönt.

H-T. L.: – Hol működnek ilyen rendszerek már és egyáltalán ez idehaza is téma tehát megvalósulnak ilyen projektek? Mennyire érett itt ez a piac, ha egyáltalán beszélhetünk itt már érettségről?

Sz. Z.: – Azt gondolom, hogy most indul be, most jön le arra a szintre, hogy az átlagemberek számára elérhető a technológia, nem kell gurunak lenni, tehát ez annyira a most, hogy egy másfél éve, egy éve a Mesterséges Intelligencia Koalíció belső kommunikációs csatornán bedobtam egy kérdést, hogy csinált-e már valaki olyat, hogy mikrokontrolleren machine learning modellt futtatni és nulla darab választ kaptam, és tavaly nyáron én már megtudtam ezt oldani elég nagy hákolással tehát mondjuk negyedévet kellett kutatnom hozzá mire megnyekkent és mondjuk egy sinus x-et már meg tudott jósolni. Tehát ha azt mondtam neki, hogy sinus 90 fok akkor már majdnem egy környéki számot mondott és mostanra odáig jutottunk, hogy vannak ilyen nem is egy, nemcsak az Edge Impulse két-három másik olyan szolgáltató, webes alkalmazás szolgáltató, akik interaktívvá tették a teljes folyamatot. Tehát az adatgyűjtést, a címkézést, a tréningezést, a hiperparaméter tuningolását és utána a modellnek az úgynevezett deploymentjét, tehát gyakorlatilag a használatba vételét és a folyamatos üzemet ezt mind tudják biztosítani, ezek a keretrendszerek. Még egyszer mondom programozás nélkül.

H-T. L.: – Nekem ebből az jön le, hogy gyakorlatilag a lehetőségek végtelenek és hogy tehát ez egy ilyen iparágakon átnyúló sztori és ahogy említed gyakorlatilag a mindennapjainkba is így le fog szivárogni. Mondjunk egy-két tipikus példát, ahol mondjuk adott esetben, hogyha egy-egy cég gondolkozik ennek az alkalmazásán, hogy ott baromi jól jöhet, hogy lássuk, hogy tényleg, amikor akcióban van ez az egész technológia akkor, hogy tudja megkönnyíteni a cégek életét és hát ugye említetted már itt a mindennapokat is arra is kitérhetünk természetesen.

Sz. Z.: – Egy rezgés felügyelet, egy rezgésnek a folyamatos feldolgozása az ma már – legalábbis olyan nyolc kilohertzes sávban – az már megoldható egy ilyen mikrokontrolleren gond nélkül, beépítve a saját giroszkópja például ennek, amit az előbb neked mutattam az tizenhat kilohertzzel tud mintavételezni Sharon törvénye alapján az azt jelenti, hogy nyolc kilohertzes tényleges fizikai rezgéseket még fel tud dolgozni. Nyolc kilohertz az például egy beszédfeldolgozásra alkalmas, mivel, hogy körülbelül háromszáztól három, három és fél kilohertzig van a beszélt sáv. Ez azt jelenti, hogy például azt a szót, hogy „Alexa” vagy azt, hogy „oké Google” ezt fel lehet ismerni egy ilyen mikrokontrollerrel. Továbbmegyek ilyen mikrokontrollerek vannak az echo device-okban vagy a Google Home Device-okban, eszközökben, amik fölismerik ezt a kezdeti szót és ha ezt a strófát mondtuk akkor a mögötte levő hullámformák felküldik a felhőbe és a komplex dolgokat, mondattani elemzést már ott végzik, de a kezdeti első lépés, hogy egyáltalán dolgoznia kell azt a helyszínen csináljuk és azért csináljuk a helyszínen, hogy ne kelljen az összes beszédünket a konyhában vagy a hálószobában, ami zajlik azt felküldeni a felhőbe, mert érzékeny adatokról van szó.

H-T. L.: – Világos.

Sz. Z.: – Tehát mondom egy-két dimenzió, egy-két ilyen feature van, az még átlátható egy hullámgörbén, egy felületen, hogy most körülbelül minimumon vagy maximumom vagyunk. Jól nyomtat-e az a nyomtató egy fotó alapján egy 3D nyomtatóról beszélek, de amikor már van tízezer vagy egymillió mintád, akkor az egymillió dimenziós térben az emberi agy nem tud gondolkodni. Ilyenkor jönnek a mesterséges intelligencia modellek. Neki, egy ilyen modellnek teljesen mindegy korlátozottan, de mondjuk néhányezer bemenő feature-ig simán tudnak futni ilyen mikrokontrollereken modellek.

H-T. L.: – Mi a helyzet a hardver igénnyel, mert ugye egyrészt a beszélgetés előtt már itt mutattál nekem egy csomó dolgot, amit te magad csináltál, de egyébként úgy általában, hogy látod, milyen beruházási igényt támaszt a hardver parknak a beszerzése? Akár mondjuk céges szinten, mennyire kell így megrettenniük a cégeknek attól, ha egy, hogy ilyen beszerzésre adnák a fejüket?

Sz. Z.: – Hát a hardver beszerzés az mindig is egy ilyen… attól függ, hogy honnét nézem, ha most az árukeresőn rákeresek egy véroxigén mérőre – véroxigén-mérő így – akkor mondjuk háromezer forinttól talán százezer alatt áll meg a léc. Mi a különbség a sávok között? A legolcsóbban ugyanaz van nagy eséllyel, mint a legalább a közép kategóriában harmincezer forintig bezárólag. Ugyanaz a szenzor van, ugyanaz a vezérlő van, csak monokróm kijelző, nagyon színes kijelző, nagy színes kijelző, Bluetooth-t is tud, exportálja, a felhőbe rakja. Tehát ezek a csingi-lingik igazából azok, amik a hozzáadott érték és nagyon-nagyon megdobja az árat meg persze, hogy Európába gyártották vagy Kínában. Viszont maga az alap szenzor egy ilyen eszköznél AliExpressen egy dollár húsz cent plusz néhány száz forint szállítás. De a COVID miatt van, hogy nem ingyenes az állítás, tehát ez tényleg a veszek tíz darabot, akkor ez egészen biztos, hogy ilyen háromszáz-négyszáz forintos költség maga a szenzor. A vezérlő, ami ezt analizálja és amin akár machine learning modell is futhat az egy három-négy dollár tízig is el tudok menni, hogyha már nagyon-nagyon válogatok akkor és tényleg egy komolyabb machine learning modellt szeretnék futtatni, akkor tízezer forintos nagyságrendig is el tudok menni. Ezzel az összeggel lehet számolni körülbelül. És persze utána jön nagyon gyakran az a kérdés, hogy az akkumulátor például, ha ez egy akkumulátoros készülék, nem hálózati tápról működik, akkor onnantól nagyon gyakran a legdrágább komponens az egész IoT eszközben az akkumulátortartó, ahova belerakom a cserélhető akkumulátort. El nem tudod képzelni milyen drága relatíve ahhoz képest amilyen maga a vezérlő. Egy 32 bites wifis, Bluetooth-os vezérlő ma tényleg ilyen ezerkétszáz forint, de ha én produkálok neki öt Voltot az az öt Volt az egy Nokia töltő, 4-5 ezer forint. Ezek az arányok. Tehát ma még villanyt csinálni mindig nehezebb, mint machine learninget az Edge-n.

H-T. L.: – Oké na legalább ez egy jó hír, de ha már itt tartunk, akkor ejtsünk még néhány szót a wearable computingról is, mert ezen eszközök piaca is óriási növekedésnek néz elébe ugye ezt is jó tudni. A Cisco szerint 2030-ra ötszázmilliárd eszköz lesz a hálózatba kapcsolva és ugye a viselhető okoskütyüknek a száma is hát addigra már bizony ilyen milliárdos nagyságrendbe fog rendelkezésre állni. Hogy viszonyulnak ezek az eszközök az edge computinghoz? Miért fontosak nyilván amellett, hogy óriási üzletnek ígérkezik majd itt ebbe beszállni.

Sz. Z.: – Akár lehetne olyat is csinálni, ma már egy mobiltelefonnal, csak hát egy néhány kilós akkumulátor kellene, tehát nyilván kéne jó nagy akkumulátor hozzá, de akár folyamatos kamera üzem mellett lehet objektum detektálást csinálni. Ma már, bármelyik mobiltelefonnal meg tudom csinálni, hogy egy – nem megyek tovább – egy COCO dataseten tréningelt objektum detektálás, ami majdnem száz féle objektumot, tárgyat jó persze benne van a papírsárkány meg a zsiráf is, amik viszonylag ritkán, Magyarországon ritkán előforduló tárgyak is, de mondjuk egy autót vagy egy falat, vagy egy dobozt föl tudnak ismerni és tudják riasztani az illetőt, hogy mondjuk oldalról jön egy autó, amerre nincsen szemem. Tehát ilyeneket is simán el lehet képzelni. Vagy például social distancingre: másfél méterre van-e tőlem valaki, ha közelebb jött, akkor visítson ilyet is lehet, hogy egy ilyen kabát mondjuk. Minden további nélkül el tudok képzelni olyan baseballsapkát amelyik ilyeneket néz. Vagy baseballsapkába rakott UV érzékelő, ami méri, hogy hány perce vettem le a sapkámat vagy raktam föl a sapkámat, tehát hogy az UV sugárzás és az idő kettős dimenziójáttól függően riaszt. Ugyanezt meg lehet csinálni egy inggel is, hogy föltűrtem-e az ujjamat vagy nem és akkor leég a karom vagy nem: – „most már húzd le barátom a hosszú ujjú pólódat”, tehát ilyet is lehet csinálni. Nagyon-nagyon sok ötlet van, de minden területen. Hát most nyerte a héten volt. Olvastam egy cikket, hogy egy magyar startup tavaly valamilyen hackathonon nyert. Kórházi betegeknek, az ágyban fekvő betegeknek karkötőt csináltak, ilyen okoskarkötőt és kórtermenként egy ilyen koncentrátor, egy hub és akkor ez küldi föl: pulzus-, vérnyomás-, véroxigénmérést csinálnak. Ők még csak logolják ezeket az adatokat és riasztanak, de mi lenne, ha konkrétan szólna, hogy extraszisztoléja van az illetőnek. Ott a karperec tehát időbeliséget, időbeli predikciót, partner recognitiont ugyanúgy lehetne futtatni ott helyben és nem kell egy iszonyatosan nagy központi gép, amelyik egyszerre mondjuk kétszáz betegre futtatja párhuzamosan mindegyikre az extraszisztolés vizsgálatokat. Tehát én úgy gondolom, hogy nagyon is helye van annak, hogy minél közelebb vigyük az emberekhez, a természethez, vagy tárgyakhoz, vagy a fizikai mennyiségekhez a mesterséges intelligenciát. Ennek egy nagy kulcskérdése van, ha mobil eszközről beszélünk, akkor milyen az áramellátás: napelemes-, töltősakkumulátor, és itt jön be az úgynevezett timing machine learning, a timing ML ebből nőte ki magát az Edge Impulse is, amit már korábban említettem. Ők arra tették fel a fejlesztéseket, az életüket, egyébként egy Google fejlesztő indította el a TensorFlow keretrendszert mikrokontrolleren futtatni és az egésznél, ha egy mondatba akarom kifejezni a kihívást az az, hogy egymilliwatt fogyasztás, alatt neurális hálót futtatni és ezért dolgoznak. És itt már nem elég a hardver, persze nagyon-nagyon fontos, hogy elég gyors és elég jó, és nagyon alacsony fogyasztású hardver legyen és például az Arm is például az ARMv5TE-vel már hihetetlen, hogy miket alkot, de itt már a szoftveren is rettenetesen el kell gondolkodni, hogy hány processzor ciklussal pontosan mit csinálok, hogy egy bitet se mozgassak fölöslegesen.

H-T. L.: – Azt gondolom, hogy már rengeteg mindent átbeszéltünk és sajnos kezdünk, így a beszélgetés végére érni, úgyhogy én azt javaslom, hogy zárjunk egy ilyen kitekintéssel. Indítsuk be itt a jósdát nézzünk bele itt a nagy varázsgömbbe, hogy látod merre megy ez az egész? Ugye említettük, hogy itt az utóbbi egy évben is hihetetlen változások zajlottak, mondjuk akár öt év múlva, hol tarthatunk és mire kell itt készülni akár üzleti, akár magán alkalmazásokban?

Sz. Z.: – Az IoT egy nagyon-nagyon hálás terep a teljes informatikai piacnak én még olyan platformot vagy olyan stratégiai komponenst nem láttam adatbázis kezeléstől kezdve a tűzfalakig, bármi, ahol a piac összes szereplője úgy gondolja, hogy ezt ő fogja megnyerni. Ez hihetetlen, ez megy öt éve, tehát az Arm, az Espressif Systems, az összes kis mikrokontroller gyártó, az összes kommunikáció gyártó, a Bluetooth gyártók, a felhő gyártók, az adatbázis gyártók, mindenki meg van győződve szentül, hogy ezt ő fogja megnyerni és egyébként igazuk van, mert akkora a piac, hogy egyszerűen itt még több évtizedig elképesztő, hogy mekkorákat lehet fejlődni. Egyszerűen most annyi történik, hogy egy teljesen logikus lépéssel és avval az el nem hanyagolható körülménnyel, hogy most már alkalmasak az edge oldalon lévő legkisebb eszközök is, tulajdonképpen az történik, hogy a machine learning, ami eddig ugye a back anden, a felhőben, a legtetején az NVIDIA GPU-k tízezreivel futottak ennek egy elképesztően kicsi, miniatürizált változata itt fut, viszont néhány milliárd példányban. Tehát külön-külön kicsi problémákat oldunk meg és ezeket a mikroproblémákat, amiket megoldottunk ezeknek az eredményeit küldjük föl a felhőbe további feldolgozás céljából. Tehát én egyszerűen csak annyit mondok, hogy ez a mérleghinta most kezd egy kicsit kivízszintesedni és az értelmes dolgokat kicsit lehoztuk az földre is.

H-T. L.: – Szuper. Óriási távlatok tehát, nagyszerű lehetőségek nagyon úgy néz ki, hogy ez pontosan egy olyan terep, ahol szinte végtelen számú szereplő beszállhat, senki nem késett le még semmiről. Nagyon érdekes volt, köszönjük szépen Zoli, hogy megosztottad velünk ezeket az értékes gondolatokat, gyere máskor is a stúdióba.

Sz. Z.: – Nagyon szívesen, köszönöm szépen a figyelmet. Sziasztok!

H-T. L.: – A hallgatóknak pedig köszönjük a figyelmet. A technikáját továbbra is Nőthig Ádám kollégám varázsolja, mint ahogy fogja a következő adásban is – találkozunk legközelebb. Kövessetek minket kedvenc ott podcast lelőhelyeteken, illetve böngésszétek gyűjtő oldalunkat az ai-hungary.com-ot és ne feledjétek, aki bújt, aki nem: MI kihívás, cél a százezer teljesítő. Csak két óra és már meg is vagy az ingyenes online MI alapozónkkal. Sziasztok!

Outro: Ez volt az MI Stúdió, ahol a legmenőbb szakértők segítségével fejtjük meg a mesterséges intelligencia rezdüléseit az MI Stúdió az MI Koalíció podcastja, amely a hazai mesterséges intelligencia ökoszisztéma szakmai fórumaként működik. Még több tartalomért kövesd az MI Stúdiót a nagyobb podcast platformokon és ne felejtsd el értékelni az adást. Az észrevételeket, megjegyzéseket az [email protected] e-mail címre vagy a Mesterséges Intelligencia Koalíció közösségi médiafelületein várjuk. Találkozunk a következő epizódban.

Podcastunkat a SpeechTex technológiájával leiratozzuk.