Afleveringen
-
Benczúr András az ELTE matematikusaként jutott ki az MIT-re a rendszerváltás után, így elsőkézből ismerhetett meg olyan technológiákat és embereket, akik azóta az AI mint tudományág kiemelkedő alakjai. De mit is sikerült hazahoznia ebből a tudásból, és indokolt-e még mindig az óriási hype az AI körül?
0:00 - Bemutatkozás
1:02 - András munkája a SZTAKI-ban, mint tudományos főmunkatárs
2:37 - Az út az ELTÉ-ről az MIT-ra - Hogyan jutott ki András a rendszerváltás után egy külföldi top-egyetemre?
8:20 - Az MIT-s évek tapasztalati és tanulságai
13:59 - Mihez kezdjen valaki az MIT-s tapasztalataival Magyarországon?
19:48 - Nyitottabb lett-e a magyar akadémikum az elméletek alkalmazására?
22:00 - András tapasztalati a magyarországi nemzetközi projektekkel
25:30 - A járvány hatása a nemzetközi együttműködésekre
28:29 - András startup-tapasztalatai
33:42 - Mik a különbségek a magyar és a nemzetközi startup-kultúra között?
39:15 - Ha ma érdeklődsz az AI iránt, hol érdemes elkezdened?
43:32 - Mennyire indokolt az AI-hype ma?
49:39 - Hol a határ? Végére jár a neurális hálókban rejlő potenciál?
52:04 - Milyen új alkalmazási területeket vár András a következő évektől?
55:44 - Mennyire vannak jelen ezek a területek Magyarországon?
56:59 - András reményei - mely területek a legizgalmasabbak?
58:44 - A jelenleg legizgalmasabb projekt, amin András dolgozik
©2020, minden jog fenntartva
-
Thamó Emese Dunakesziről indult, az egyetemet már Cambridge-ben végezte, épp a PhD-jén dolgozik a Liverpooli Egyetemen és Amszterdamban is dolgozott már - de hogy sikerült mindezt elérnie, mi hajtotta, és hogy kötött ki végül a Machine Learning mellett? Kutatásának fő fókusza az AI-biztonság és a megmagyarázható modellek, emellett viszont beszélgetünk startupokról, adversarial támadásokról (amire egyikünk sem tudott elfogadható magyar fordítást kitalálni) és orvosi AI-ról is!
0:00 - Bemutatkozás
1:24 - Dunakeszi-Cambridge-Liverpool-Amszterdam és matematika szeretete
3:24 - Innováció és AI külfödön - mit csinálhatnánk jobban Magyarországon?
5:36 - Medical AI - mire jók és mire nem a jelenleg elérhető eszközök, módszerek? Pulzus, testhő, légzési gyakoriság meghatározása - videóról? Jogi megkötések, akadályok.
10:35 - Várhatóak jogi változások a modellek széleskörűbb alkalmazásához? Hogyan lehet megoldani a jogi problémákat?
13:33 - Emese kutatási témája - AI-biztonság. Mitől lesz megbízható egy modell? Hogyan magyarázzuk meg egy neurális háló működését?
17:31 - Meg fogjuk valaha teljesen érteni egy-egy neurális háló működését?
19:19 - Hogyan vizsgálahtó egy magyarázat "jó"sága?
21:48 - Mit csinál egy "adversarial attack"? Hogy működnek ezek a támadások? Hogyan függ össze a magyarázhatóság és a modell hibái?
24:16 - Emese kutatása, hipotézisei - támadás-detektorok és ezek magyarázata.
25:59 - Modellek robosztussága - problémák
27:43 - Startup-tapasztalatok és a Game of Dragons
35:15 - Tervek a jövőre - milyen startupot indítana Emese Magyarországon?
36:04 - Tippek és trükkök ha vállalkozni/freelancerkedni szeretnél!
40:04 - Mit vár Emese az AI fejlődésétől a jövőben?
41:58 - Emese elérhetőségei, kapcsolat
Emesét megtaláljátok a LinkedInen: https://www.linkedin.com/in/emesethamo
Kutatói profilja a Liverpooli Egyetem oldalán: https://intranet.csc.liv.ac.uk/~themike/
©2020, minden jog fenntartva
-
Zijn er afleveringen die ontbreken?
-
Jóföldi Endre a gazdasági válság közepén, 2008-ban alapította a Precognox-ot és immár 12 éve profittal zártak minden évet. Mi a titka a sikerüknek? Milyen kihívásokkal kellett eddig szembenézniük? Hogy lehet elkerülni, hogy haszontalan projektet szállítsunk? És mit is jelent az, hogy emberközpontú AI? Ez és még sok minden más is kiderül az eheti epizódból!
0:00 - Bemutatkozás
02:29 - A Precognox története
06:00 - Milyen kihívásokkal hogyan lehet megküzdeni egy induló cégnél? Hogyan lehet jól válságot kezelni?
12:35 - A Gartner szerint 2022-ig a datás projektet 80%-a nem hoz hasznot - miért, és a Precognox mit tesz ez ellen?
26:36 - Mekkora az AI-alapú fejlesztések piaca Magyarországon? Meg lehet élni csak a magyar piacból?
32:23 - Emberközpontú AI - mit jelent ez Endre és az ügyfelek számára?
37:23 - Endre teológiai háttere - hogyan kapcsolódik az etika, a vallás és az AI?
44:03 - Mit vár Endre az AI fejlődésétől a jövőben?
48:32 - Endre elérhetőségei, kapcsolat
A Precognox honlapja: https://www.precognox.com/
©2020, minden jog fenntartva
-
Kovács Dominik mindig is szerette a kihívásokat, többekközt ezért is költözött Dániába, ahol a data science-es tanulmányait szerette volna a gyakorlatban is kamatoztatni. Mi is lehetne erre jobb módszer, mint startupot alapítani? Saját elmondása szerint a legalapabb hibákat is elkövette a Defudger építése során, de tanult belőle - most éppen egy nagy pivot előtt állnak. Hogy mik voltak ezek a hibák, mit tanult belőle, és mit csinál most, az kiderül a beszélgetésből - ezen felül pedig az is, hogy miért fuccsol be egy csomó fejlesztés, ami a társadalom hasznára válhatna, és hogy hogyan kéne szabályozni az AI-t Dominik szerint!
0:00 - Bemutatkozás
00:58 - Miért döntött Dominik úgy, hogy Dániában tanul tovább?
05:04 - Milyen a dán startup-kultúra? Mi működik jól ott, amit Magyarországon is alkalmazhatnánk?
10:54 - A Defudger története - honnan indultak, hogy találtak befektetőket, hogy építették fel a céget? Mik azok az alaphibák, amit Dominikék elkövettek, és mit tanultak belőle?
16:26 - A deepfake felismerés - mindenki szerint hasznos, senki nem fizet érte. Merre pivotál a Defudger?
23:28 - Videogenerálás - etikusan
27:05 - Etikai kérdések - hány etikai problém van, amire a piaci igény hiánya miatt nincs megoldás? Hogy oldjuk fel ezt a helyzetet?
32:12 - Milyen szabályrendszer lehet jó a deepfake-ek etikus felhasználásához?
36:15 - Mit vár Dominik az AI fejlődésétől a jövőben?
39:47 - Dominik elérhetőségei, kapcsolat
A Defudger honlapja: https://defudger.com/
Dominik a LinkedIn-en: https://www.linkedin.com/in/dominikkovacs/
E-mail címe: [email protected]
©2020, minden jog fenntartva
-
Dr. Feldmann Ádám magatartáskutatóként indult, és ez bizony csupán egy lépésre van a mesterséges intelligenciától, ami azóta a hivatásává vált. A "business-t csináljunk, vagy kutatást?"-kérdést egy harmadik, innovatív megoldással válaszolták meg, hiszen a Pécsi Tudományegyetem Alkalmazott Adattudományi-és Mesterséges Intelligencia Csoportjának munkája során ötvözik a kettőt: A legújabb kutatások gyors implementálásával foglalkoznak, hogy üzleteknek tudjanak segíteni vele. A fő fókusz pedig a modellek magyarítása - hogy ez milyen kihívásokkal jár, az kiderül a beszélgetésből!
0:00 - Bemutatkozás
01:16 - Magatartástudósból AI-szakértő - hogyan és miért?
06:25 - Mesterséges vs. természetes neuronok - mik a különbségek? A mesterséges neurális hálók rövid története
09:37 - Alkalmazott Adattudományi-és Mesterséges Intelligencia Csoport - miért alapult, hogyan, és mivel foglalkozik?
12:16 - Business vs. kutatás? Mind a kettő! Ádámék különleges hozzáállása az új projektekhez.
18:05 - Nyelvfelismerő rendszerek - háttér, módszerek, Ádámék projektje
21:43 - Együttműködés a Microsofttal - Magyar BERT tanítása nulláról!
28:25 - Magyar nyelvi modellek - hol tartunk most?
30:47 - Van-e különbség az adatok valós életbeli vs. a kutatásbeli eredmények közt?
34:56 - Adatminőség-problémák - Csak céges probléma, vagy kutatási is? Milyen a "rossz" adat?
37:32 - Hamis adatok kiszűrése, ha nem vagy a terület szakértője - lehetséges? Hogyan?
41:42 - Mit vár Ádám az AI fejlődésétől a jövőben?
42:56 - Ádám elérhetőségei, kapcsolat
Pécsi Tudományegyetem Alkalmazott Adattudományi-és Mesterséges Intelligencia Csoportja: https://aok.pte.hu/hu/egyseg/180/kutatas
©2020, minden jog fenntartva
-
Video guide/tartalom odalent↓↓↓↓↓↓
Biczó Zoltán bölcsész- és business-háttérrel indult, de már évek óta adatszakértőként dolgozik, továbbá az övé az első magyar data science-podcast, az Adatépítész. Az ajánlómotorok által keletkező információs buborékok mellett arról beszélgettünk, hogy milyen adatos fejlesztéseket folytatnak a magyar cégek, miért nem szabad összemosni az AI-t a robotikával, és, hogy várható-e egy újabb AI-tél?
0:00 - Bemutatkozás
3:13 - Bölcsészből Data Scientist? Nem olyan nagy a különbség!
9:01 - Data Science startupoknak vs. nagyvállalatoknak - mik a szempontok, különbségek?
13:45 - Startupként érdemes-e külsőst felvenni adatszakértőként, vagy mindenképp a csapatból kell jönnie a szakembernek?
17:00 - Zoltán jelenlegi megbízásai - mit fejleszt a magyar?
19:19 - A robotika NEM AI!
27:24 - Az RPA nem robot!
30:18 - Várható-e egy újabb AI-tél?
37:17 - Ajánlómotorok - AI, amit te is használsz, de nem is tudod, hogy AI!
46:46 - Etikai kérdések - információs buborékok és radikalizálódás
54:05 - Mit vár Zoltán az AI-tól a jövőben?
58:11 - Zoltán elérhetőségei, kapcsolat
Adatépítész podcast: https://adatepitesz.hu/
©2020, minden jog fenntartva
-
Néhány hete megjelent Magyarország mesterségesintelligencia-stratégiája, én pedig igyekeztem mihamarabb szerezni valakit, aki első kézből tud mesélni róla - így lett vendégem Szertics Gergely, aki szakmai vezetőként dolgozott az MI Koalícióban a stratégia kidolgozásán. Röviden beszélgetünk arról, hogy hogyan lett Gergely szervezetfejlesztőből AI-szakértő, a fő hangsúly viszont a stratégián van - mik a fő célok a következő 10 évre, milyen alappilléreken nyugszik a stratégia, milyen transzformatív programok indulnak és hogyan lehet ezekben részt venni?
0:00 - Bemutatkozás
1:19 - Hogyan lett Gergely szervezetfejlesztőből MI-szakértő? Az MI Stratégia:
2:58 - Gergely szerepe és feladatai szakmai vezetőként
5:05 - Az MI Stratégia célrendszere, a Magyarország által kijelölt célok a következő 10 évre
9:40 - A stratégia alapozó pillérei
17:11 - Szektorális fókuszok - mik ezek, és melyek a kiemelt fejlődési/fejlesztési területek?
19:52 - Transzformatív programok - hogyan támogatják majd a kijelölt területeket?
34:25 - Hogyan és ki csatlakozhat az MI Koalícióhoz, hogyan lehet részt venni a munkában?
38:26 - Mit vár Gergely az AI-tól a jövőben?
39:51 - Gergely és az MI Koalíció elérhetőségei, kapcsolat
Az MI Koalíció honlapja: https://ai-hungary.com/
A teljes, a stratégiát részletező dokumentum: https://ai-hungary.com/files/c0/2d/c02dec104186938b84d95132eecc31ce.pdf
Az MI Koalíció podcast-ja: https://ai-hungary.com/hu/mi-studio ©2020, minden jog fenntartva
-
Szalóczy Nóra szociológusból lett egészségügyi kutató és adatszakértő, és többek közt arról is beszélgettünk, hogy milyen egészségügyi adahalmazok érhetőek el Magyarországon akár cégek, akár kutatók számára, érdekes egészségügyi kutatásokról, a magyarországi egészségügyi dolgozók helyzetéről, a gyógyszeripar és az AI kapcsolatáról és az egészségügy digitalizációjáról - és szóba került pár etikai és szociális probléma is!
0:00 - Bemutatkozás
2:13 - Nóra szociológiai háttere, az AI-fejlődés szociológiai hatása és etikai kérdései
8:49 - Man or Machine - a gépet vagy az embert választod orvosodnak?
14:43 - Az EESZT, milyen adatokat tárolnak rólunk és hogyan, orvosi adathalmazok Magyarországon és ezek használata, problémák
23:09 - Az AI és adatalapú megoldások hatása a gyógyszeriparra, milyen típusú kutatások vannak az egészségügy területén?
32:51 - Személyre szabott orvosi ellátás - lehetőségek és korlátok, az okoseszközök integrálása az ellátásba
39:15 - Néhány érdekes egészségügyi kutatás - az ápolók helyzete Magyarországon, primer- és adatelemző kutatások kapcsolata
46:42 - A nők helyzete a data science-ben
56:59 - Az AI és az egészségügy jövője
1:00:10 - Nóra elérhetőségei, kapcsolat
©2020, minden jog fenntartva
-
Urbán Ida survey-statisztát végzett, de már akkor is elvarázsolta a machine learning és a data science világa. Jelenleg adatszakértőként dolgik az ELTE-n és saját projektje, a Project Nightingale keretein belül fejleszti a deep learning-alapú képletfelismerő-rendszerét, amely vak és látássérült gyermekeknek hivatott megkönnyíteni a matematika-tanulást. Többek közt arról mesél, miért fontos a lányainkat a STEM-tárgyak felé terelni, hogy miért nem jön a gyilkos AI és, hogy milyen tapasztalatokat gyűjtött több startup-verseny résztvevőjeként ÉS nyerteseként!
0:00 - Bemutatkozás
0:53 - Ida és a statisztika
4:41 - Lányok/nők szerepe a tudományban
9:03 - Jön a gyilkos AI!!!
14:44 - ML és az asszisztív technológia - Ida képletfelismerő megoldása, a Project Nightingale (további információ itt: https://www.facebook.com/the.project.nightingale). Módszerek és kihívások, klasszikus képfelismerés (szekvenciális modell) vs. deep learning (end-to-end/globális megoldások).
29:53 - Ida startup-versenyes tapasztalatai - hogyan nyűgözz le egy zsűrit?
34:56 - Mire számíthatunk a Data/ML piacon?
40:49 - Mire számíthatunk a jövőben?
43:16 - Hogyan kerüljük el a túl drága/bonyolult megoldásokat, ha van egyszerűbb/olcsóbb?
45:49 - Ida elérhetőségei, kapcsolat
©2020, minden jog fenntartva
-
A fókuszban: A gráfok!
Rozemberczki Benedek a gráfalapú Machine Learning algoritmusok szakértője, és többek közt arról mesél, miben jóka gráfalgoritmusok, mik egy keretrendszer-építés kihívásai, valamint, hogy miért is nem annyira "state-of-the-art" a state-of-the-art?
0:00 - Bemutatkozás
0:50 - A terület elpoposodása? Mi történik, ha hozzá nem értő emberek nyúlnak a témához?
2:59 - Miért pont a gráfok, miben jobbak, mint tabuláris adatokkal foglalkozni?
5:05 - A gráf(-ML-)algoritmusok főbb felhasználási területei
7:47 - Ha érdekelnek a gráfok és a Machine Learning, itt kezdd!
10:31 - Benedek publikációi - a Karate Klub keretrendszer, mire jó, honnan jött az ötlet? A Feather és a Little Ball of Fur
22:39 - Egy keretrendszer tervezésének kihívásai
29:55 - Eredmények, és miért nem is annyira state-of-the-art a state-of-the-art?
37:28 - Melyek azok az algoritmusok, amik már bizonyítottan működnek a való világban is?
40:02 - Miben különbözik egy gráf-neurális háló a klasszikus neurális hálótól?
46:45 - Kevesebb adattal is jó a gráfalgoritmus? Supervised vs. Semi-supervised learning
50:50 - A gráfalgoritmusok jövője az ML-ben
53:57 - Benedek elérhetőségei, kapcsolat
©2020, minden jog fenntartva
-
Ehetei témáink során szemügyre vesszük, mik azok főbb ML-es szerepkörök, amelyek ma megtalálhatók (és keresettek) a munkaerőpiacon, hogy mi az az Utolsó Mérföld-probléma és hogyan kerüld el a saját ML-projektednél, valamint, hogy milyen állások tűnnek majd el és születnek az egyre jobban elterjedő AI-alapú megoldások hatására.
0:00 - Bemutatkozás
1:05 - AI & Startup-kultúra Amszterdamban - állam, vagy magánkéz?
3:29 - Közösségépítési tippek kezdőknek
6:11 - Mik az új Machine Learninges projektek alapvető hibái - miért dől be az adatos projektek 80%-a? Az Utolsó Mérföld-probléma. Az említett cikk: https://hbr.org/2019/01/data-science-and-the-art-of-persuasion
12:33 - Alapvető Machine Learninges munkakörök - engineer, scientist, analyst, leader - melyik mit csinál, mihez kell értenie?
21:13 - Hogyan kezdjünk Machine Learning projektet a cégünknél - hogyan kerüljük el az Utolsó Mérföld-problémát?
35:28 - A Hídember - új munkakör, vagy vezetői skill?
39:14 - Merre fejlődik az ML/AI területe Judit szerint? Milyen állások szűnnek meg, milyen új állások születnek?
51:59 - Judit elérhetőségei
©2020, minden jog fenntartva
-
Lukács András, egyetemi adjunktus, az ELTE Mestreséges Intelligencia Kutatócsoportjának tagja arról mesél, hogy szerinte mi a különbség (már ha van) az AI felhasználásában üzleti vs. kutatási célokra, hogy milyen kutatások folynak most az ELTE-n, hogyan versenghetnek kisebb intézmények világcégekkel, és, hogy hogyan használ(hat)juk az AI-t az oktatásban!
0:00 - Bemutatkozás
1:50 - Hogy kezdődött András és az AI kapcsolata? AI-kutatás rövid története az ELTE-n, SZTAKI-n, jelenlegi kutatócsoportok
6:20 - Különbségek a felhasználásban: kutatás vs. business
13:06 - Magyarországon hiánycikk az olyan szakember, aki a területhez és a business-hez is ért – miért, és hogyan lehet ezen változtatni?
15:55 - AI Research Lab jelenlegi kutatásai
22:11 - ELTE kutatások – új módszerek, vagy bizonyított módszerek új alkalmazásai?
25:25 - Kisebb intézmények vs. világvállalatok – Hogy versenghet az ELTE a Google-el?
28:55 - Brute force vs. tanulás – csak azért kell ennyi számítási kapacitás, mert nem tudjuk, mit csinálunk?
32:05 - Modellek generalizációja – valóba általánosabb modellek felé haladunk? iGPT – transzformer modell képfeldolgozásra, konvolúció nélkül
40:04 - AI az oktatásban, adat hiánya/hozzáférhetősége/minősége miatti problémák
48:58 - Mit várhatunk a jövőben az AI-tól?
52:48 - András és az ELTE AI Research Lab elérhetőségei
©2020, minden jog fenntartva
-
Az eheti epizódban Tóth Miklós (ML-szakértő, DataBricks tréner, podcaster) arról beszél, hogy hogy találta meg a szenvedélyét az AI területén, hogy miben különbözik a neuron a neurális hálóban és az emberi agyban, hogy miért nem jó a jelenlegi forward propagation modell (és hogy bizonyítja ezt tizenéves lánya), és, hogy miért figyel különösen arra, hogy értéket teremtsen!
0:00 - Bemutatkozás
7:50 - Miklós Startup-tapasztalatai
9:05 - Deep Learning meetupok - miért rejtőzködnek a szakértők?
16:50 - Blockchain és AI
23:50 - Értékteremtés és AI
30:40 - Mik a nehézségek orvosi adathalmazokkal? Bias és explainable AI
36:18 - Architektúrák felhasználása domének között (https://cdn.openai.com/papers/Generat...)
36:50 - Miért elavult a forward propagation, minek kell jönnie helyette? Agyi neuronok vs DL neuronok
40:22 - Mi jön a jövőben?
41:55 - Tippek kezdőknek
47:00 - Miklós elérhetőségei, podcastja
©2020, minden jog fenntartva
-
Szabados Leventével - akinek több, mint 15 év tapasztalata van a területen, több céget is indított és a magyar startup-kultúra közismert szereplője - beszélgettünk többek közt arról, hogy hogyan változott az AI területe az utóbbi 15 évben Magyarországon és a világon, hogy hogyan találják meg podcastek izgalmas részeit NLP segítségével, és, hogy miért hülyeség egyre nagyobb teljesítményű grafikus kártyákra költeni (hacsak nem játszani akarsz)!
0:00 - Bemutatkozás, Levente és a time management
5:46 - 15 év AI karrier - mi változott ezalatt?
12:06 - Hogyan találd meg egy podcast érdekes részeit AI-al?
21:10 - AI startupok rekordbefektetéseket érnek el - de ebből mennyi a parasztvakítás?
29:12 - Mennyi az esélye egy AI startupnak az óriáscégek ellen?
30:30 - Na de mis az, hogy AI? Sci-fi vs. tudományos meghatározás
34:33 - Mesterséges vs. természetes intelligencia
37:42 - Hogy tanulunk valójában? Lottery Ticket hipotézis, a "tanulás" megértése, miért viccesek az egyre nagyobb grafikus kártyák
43:52 - Hogyan lehet a terület oktatását up-to-date tartani?
46:05 - Valós életbeli felhasználás: kell-e hozzá a matek?
49:50 - Levente és a jövő
51:40 - Levente elérhetőségei
©2020, minden jog fenntartva
-
Az MLBP első vendégével, Nagy-Rácz Istvánnal beszélgettünk az adatelemzés magyarországi helyzetéről, hogy miért nem szeretik a vállalati vezetők a black box modelleket, hogy mire jók az online képzések (és mire nem!), és, hogy hogy induljunk el, ha adatos állást szeretnénk!
©2020, minden jog fenntartva
