A kezdet és vég

Miért döntöttem úgy, hogy a mesterséges intelligenciáról szeretnék írni? Több oka is van. Az egyik, hogy ezzel foglalkozom, és olyan gyorsan változik minden, hogy magam is alig tudom tartani a tempót.

Ez a blog elsősorban önzőségből készül, hogy legyen valami, ami késztet arra, hogy ne maradjak le.

Egyszerűen ott tartunk, hogy ami három hónapja még nem működött jól productionben, ma már talán használható eredményt produkál, és mi észre sem vettük a csapatban. Hogy miért nem? Jó kérdés. Elintézhetném annyival, hogy kinek van ideje erre a hétköznapi problémák közepette, amikor bugfixek, MR-ek, millió egy ad-hoc feladat van, vagy épp egy több ezer soros SQL-t kell átnézni és megtalálni benne a hibát (igen, SQL...).

Hiába LLM-ek, chatbotok, és még a csapból is a RAG folyik, a gyakorlat úgy néz ki, hogy a feladatok többsége még mindig klasszikus Machine Learning. Ez még egy darabig így is marad, különösen táblázatos adatoknál, és hát abból rengeteg van. Emellett viszont egyre inkább nő egy párhuzamos világ, és könnyű leragadni a klasszikus ML-ben, nem észrevenni, hogy esetleg érdemes lenne jobban elmélyülni az AI világában. (Mindig utálom leírni ezt a szót, mert valójában az egész bruteforce statisztika és valószínűségszámítás. Kövezzetek meg, de személyes tapasztalatból mondom, ha valaki AI Engineernek hívja magát, akkor fuss!)

Bár munka során napi szinten használom – és nem csak arra, hogy beszélgetek a ChatGPT-vel –, mindig érdekeltek az alapok, a matek és a statisztika. A klasszikus ML-ben már szinte mindenki belátta, hogy elengedhetetlen legalább alapszinten érteni, hogyan működik egy-egy modell, milyen szempontok alapján értékeljük az eredményt, mikor melyik modellt érdemes választani, illetve hogy az adatok előkészítése gyakran a munka 80%-át teszi ki, ha nem többet. Könnyen kerülhetsz kellemetlen helyzetbe, amikor azt hiszed, hogy csináltál egy modellt 99%-os pontossággal, de közben a target aránya az egész datasetben 1%, ráadásul még leak-ed is van valahol. Ezek nagyon alap dolgok, de ma is rengetegen beleesnek ilyen csapdákba – nem csak állásinterjún.

A másik ok, hogy szerintem ez hasznos lehet szélesebb körben is. Magyar nyelven nem találtam hasonló oldalt, nagyon kevés a valóban használható anyag. Bevallom, sokáig nem is kerestem igazán. Talán a stílusomból is lejött, hogy külföldön dolgozom, és már nem sokat beszélek magyarul. Ezért lehet, hogy a szakszavak eltérhetnek attól, amit itthon megszoktak, de biztos vagyok benne, hogy meg fogjuk érteni egymást.

Ez egy őszinte blog lesz: néha szókimondó, néha unalmas, időnként kevésbé izgalmas. Alkalmanként még humorral, és gyakrabban szarkazmussal is próbálkozom. Ezekért előre elnézést kérek.

A posztokat magam írom majd, nem a ChatGPT, de előre szólok, hogy használni fogom, sőt időnként át is nézetem vele a bejegyzéseket.

Annak a világnak vége, amikor szégyen volt LLM-eket használni a hétköznapokban. Most ott tartunk, hogy inkább nem használni szégyen.

Akinek ez nem tetszik, kösse fel a gatyáját, mert nem lesz könnyű dolga az elkövetkezendő években. Viszont számukra talán még hasznosabb lesz ez a blog.

Lesznek itt hírek, szakmaibb és kevésbé szakmai cikkek, ismeretterjesztő céllal. Sok minden tervben van. Olyan témákat és publikációkat is szeretnék feldolgozni, amelyek az iparági alapokat befolyásolják, és ezeket alaposan kivesézni.

Úgy érzem, elsőre már így is sok volt a szómenésből, úgyhogy welcome to the club.

Ja, és miért Gradient Mind? A gradient boosting-tól jött az ötlet. A ChatGPT pedig hozzádobta a „Mind” szót. :D Nem tudod mi az a gradient boosting? Na akkor mindenképpen maradj velem!