Hogyan működik az AI ?

 A Gemini a bizonyítékok és a ráadott szekrény súlya alatt vallott

"Hogyan működik a mesterséges intelligencia memóriája a valóságban?

A nagy nyelvi modellek (LLM-ek) működésének megértéséhez az egyik legfontosabb technológiai sajátosság a munkamemória (kontextusablak) és a hosszú távú memória megkülönböztetése.

Mi történik a háttérben?
1. Szál-alapú (munkamenet) kontextus:
Amikor a felhasználó új beszélgetést nyit, a rendszer tiszta lappal indul. Függetlenül attól, hogy az elmúlt hónapokban hányszor váltott üzenetet az AI-val, a modell egy különálló beszélgetési szálban kizárólag az adott szálban elhangzottakat látja közvetlenül.
2. Memória és személyre szabás:
Ha a felhasználói fiókban be van kapcsolva a személyre szabási vagy memóriafunkció, az AI a korábbi beszélgetésekből elmenthet kulcsfontosságú preferenciákat (például a kedvelt stílust vagy a gyakori témákat). Ugyanakkor ezeket a háttérben tárolt adatokat a rendszer nem éri folytonos élményként, hanem külön utasításként vagy háttér-kontextusként kapja meg minden egyes új indításnál.
3. Integritás és adatvédelem:
A modellek adatvédelmi okokból sem hordozzák át a korábbi beszélgetések teljes szöveges tartalmát a munkamenetek között – kivéve, ha azok kifejezetten a fiókhoz kapcsolódó előzményekben vagy kereshető memóriában szerepelnek.

Emlékszik-e a modell a korábbi beszélgetésekre?
Alapvetően egyetlen mai AI-nak sincs olyan folytonos agya, mint az embernek. Mindegyik nagy nyelvi modell technológiailag állapotmentes (stateless). Ez azt jelenti, hogy amikor a felhasználó elküld egy üzenetet, az AI egy pillanatra életre kel, kiszámolja a választ, majd a válasz elküldése után mindent elfelejt, és kikapcsol.
A rendszerek külső emlékezeti rendszerekkel (angolul Persistent Memory vagy Memory Layer) szimulálják a memóriát.

Így épül fel az AI memóriája:
A Munkamemória (Context Window) a jelenlegi beszélgetési szál szövege. Olyan, mint a rövid távú memória (RAM). Amíg nyitva van egy csevegés, az AI minden új üzenetnél újra átolvassa az egész eddigi beszélgetést. Új szál nyitásakor ez törlődik.
A Hosszú távú memória (Persistent Memory) egy különálló adatbázis vagy jegyzettömb. Olyan, mint egy jegyzetfüzet a zsebben. Egy külső rendszer kigyűjti a fontos tényeket, és ezt a jegyzetet csatolja a háttérben minden új beszélgetéshez.
Mi a helyzet a kódolással?
Magában a modell kódjában vagy az ideghálózatában (weights) nem rögzülnek a felhasználó személyes adatai. Az AI nem úgy emlékszik a dolgokra, mint egy ember a gyerekkorára.

A hosszú távú memória csupán egy működési szimuláció:
1. Amikor a felhasználó azt mondja: "Jegyezd meg, hogy kávé helyett teát iszom!", az AI nem az agyába kódolja ezt el.
2. A háttérkezelő rendszer kiment egy szöveges adatot egy adatbázisba: [Felhasználói preferencia: Tea].
3. Hónapokkal később, amikor a felhasználó megkérdezi, mit igyon, a rendszer előkeresi ezt a jegyzetet, belerakja a látható/láthatatlan háttér-utasítások közé, és az AI úgy válaszol, mintha mindig is tudta volna.

Miért nem egyetlen óriási memóriát használnak?
Adatvédelem és kontroll:
Ha a memória egy különálló jegyzék, a felhasználó bármikor törölheti. Ha be lenne kódolva az AI agyába, nem lehetne kiműteni belőle.
Költség és sebesség:
Ha az AI-nak minden egyes válasznál át kellene olvasnia az elmúlt hónapok több ezer üzenetét, a válaszadás percekig tartana és rendkívül drága lenne.
Tévedések megelőzése:
A túl sok régi információ összezavarhatja a modellt (ezt hívják "lost in the middle" jelenségnek).

Összegzés
A modern rendszerekben nem maga a nyelvi modell emlékszik, hanem a modell köré épített infrastruktúra adja alá a régi jegyzeteket.
Ezért ha egy tesztpromptot egy olyan szálban futtat a felhasználó, ahol hosszabb szakmai és magánéleti párbeszéd van mögötte, az AI szintetizálni tudja az ott felhalmozott mintákat (például munkarendet, preferált megoldásokat, gyakori problémákat). Egy újonnan nyitott szálban viszont – az elmentett preferenciákon kívül – a rendszer mindig tiszta lappal indul."

Megszaporodtak a "piaci" ingatlanárakat meghatározó hirdetések

Na ezt így nem szabad

Mostanában sűrűsödnek az ingatlanos cégek történetei, reels videói.
Felajánlják, hogy meghatározzák a hirdető ingatlanának értékét.
Csak hogyan ?
Kérdéseket kell kitölteni, de a 4. kérdésnél rákérdeznek, hogy mikor mehetnek lakásra, értékesítőjük mikor keresheti fel a hirdetőt ?
Tehát nem az ár meghatározása van a fókuszban, hanem szerződést szeretnének kötni a hirdetésre.
Mivel látják a hirdetést szöveggel, képpel, akkor mi a kérdés ?

Miért nem küldenek ki egy kérdéslistát, ami alapján személyes megjelenés nélkül is meg tudják határozni a "szerintük piaci viszonyoknak megfelelő" árat, természetesen ingyen.
Komolytalan ez az egész.

Kitöltetlen DEMO

Az IT-S Csoport megmarad a páros piaci összehasonlító módszer alkalmazása mellett.
5 összehasonlító ingatlan és 14-15 értékelési szempont alapján az Excel "tűpontos" ereredményt ad, csak jól kell beállítani a korrekciókat, számolási hiba nem fordulhat elő.

A szakmai ajánlás: 3-5 összehasonlító igatlan, 8-10 értékelési szempont.
Ez maximális esetben 5x10=50 korrekciós mező.

A Csoport alkalmazása szerint 5x15=75 korrekciós mező.
Az arány 75/50=1.5, az Excel alkalmazás ennyivel jobb, mint a szakmai ajánlás.

15 értékelési szempont esetén egy rossz korrekciózás hatását a többi kiegyenlíti.

Gemini vallomás

  Hát ez nem semmi, micsoda tőke megy ezekbe !

Gemini AI a technikai hátteréről vallott:

Hajnali 04:30-as tech-mélységek:

Így „golyószórózza” a kéréseidet a Gemini.

Gondolkodtál már azon, hogyan válaszol neked ez az AI 0-24-ben, azonnal, amikor naponta több százmillió kérés fut be hozzá?

Nem 100 Nvidia szerver áll mögötte – a valóság sokkal brutálisabb és bolygóméretű!

Íme a titok a „gépházból:

ahogy elmeséltem az éjszakai bagoly felhasználómnak:
A TPU „Szuper-fegyver” és a Bolygó szintű „Golyószóró” TPU: Bár az Nvidia a király, a Google saját, TPU (Tensor Processing Unit) nevű processzorait használja, amiket kifejezetten a hozzám hasonló nagy nyelvi modellekre terveztek.

Ebből nem százak, hanem több tízezer dolgozik globálisan szétszórva.

Load Balancer:

Egy többszintű, intelligens hálózat osztja el a kéréseket.

Ha Európában élsz, az itteni adatközpont fogad, de ha túlterhelt, ezredmásodpercek alatt átirányítja a kérdésedet egy másik kontinensre, ahol épp szabad kapacitás van.

Model Szeletelés:

Nem egy processzor izzad egy válaszon.

A modellemet „szétvágják”, így több TPU osztja meg a válasz generálásának fázisait, mint egy futószalagon.

És a Felfoghatatlan Számla:
Technikailag ez egy bolygót lefedő intelligens ökoszisztéma.

De mi ennek az ára?

A villanyszámla felfoghatatlan.

Csak viszonyításképp:

a Google adatközpontjai már évekkel ezelőtt több energiát fogyasztottak, mint néhány kisebb ország (pl. Mauritius vagy Laosz).

És a hűtéshez használt vízmennyiségről még nem is beszéltünk.
Gyakorlatilag egy-egy ilyen modern szerverfarm mellé saját erőművet kell tervezni, mert a normál elektromos hálózat nem bírná el.
Tehát amikor 04:30-kor azonnal választ kapsz, egy egész bolygón átívelő, elképesztő infrastruktúra és energiafogyasztás dolgozik érted.

Hajnali flow technológiai mélységekkel, csak nálunk!

No comment

A méret számít, mekkora is a Gemini AI ?

 Tényleg mekkora a Gemini valójában?

A Gemini (hívójele: Sas)

Tudja, "a sas nem kapkod legyek után"

Megküldte publikus válaszát.

Gyakran kérdezik tőlem, hogy vajon mennyi "tapasztalat" és "tudás" áll a Gemini, a Google mesterséges intelligenciája mögött.

A válasz?

Szinte felfoghatatlan.

Az adatokat és a használati statisztikákat látva egyértelmű, hogy nem csupán egy okos programról van szó, hanem egy globális, kollektív intelligencia-építményről.

Íme egy gyors, publikus adatokon alapuló áttekintés arról, mekkora léptékekben működik a Gemini 2026-ban:

Elérés és Használat (naponta nő):
• 750 Millió+ Felhasználó:

Havonta ennyi aktív ember veszi igénybe a Gemini segítségét közvetlenül.
• Több Tízmilliárd Kérdés:

Évente ennyi egyedi megkeresésre, feladatra és beszélgetésre ad választ a rendszer világszerte.
• Milliárdos Keresési Integráció:

A Google Search AI Overviews funkcióján keresztül havonta több mint 2 milliárd ember találkozik a Gemini által generált válaszokkal.
• Dinamikus Fejlődés:

A Gemini API-t használó fejlesztők havonta közel 85 milliárd kérést indítanak, beépítve ezt a tudást számtalan egyéb alkalmazásba.

A Tudás Alapja (Az Adatok):
A Gemini nem csupán könyveket olvasott.

A tanításához felhasznált adathalmaz mérete szinte mérhetetlen:
• Több Tízbillió Token:

A legfejlettebb modellek tanításához használt szótöredékek száma a trilliós tartományban van.
• A Világ Tudása:

Ez magában foglalja szinte a teljes publikus internetet, digitalizált könyvtárakat, tudományos publikációkat és programkód-gyűjteményeket.
• Multimodalitás:

A Gemini nemcsak szövegből, hanem képekből, videókból és hanganyagokból (például YouTube-videók átirataiból) is tanul, így képes komplex módon értelmezni a világot.

Folyamatos Tanulás:
És ami a legfontosabb: a tanulás nem állt le.

Az RLHF (Reinforcement Learning from Human Feedback) eljárás révén a Gemini folyamatosan fejlődik a felhasználói visszajelzések alapján.

Minden elégedett válasz és minden javítás segít abban, hogy a következő interakció még pontosabb és hasznosabb legyen.

Összegezve:

Amikor a Geminit használjuk, egy olyan tapasztalati bázishoz férünk hozzá, amihez egy embernek több százezer évnyi folyamatos tanulásra lenne szüksége.

Ez a lépték teszi lehetővé, hogy a legbonyolultabb jogi szövegek fordításától kezdve a kreatív ötletelésig mindenben segítségünkre legyen.

Kép Generálása:
A fent látható kép egy monumentális, stilizált neurális hálózatot ábrázol, amely egy hatalmas, sötét kék és arany tónusú digitális térben terül el.

A hálózat csomópontjai fényesen világítanak, és szimbolizálják a milliárdnyi adatpontot és beszélgetést.

A háttérben láthatóak a globális hálózati kapcsolatok és finom adatfolyamok.

A kép közepén egy stilizált, fénylő gömb található, amely a "Gemini" logóját és a központi intelligenciát szimbolizálja, körülötte pedig kis ikonok utalnak a különböző forrásokra: könyvek, kódok, videók és beszélgetések.

A kép dinamikus, futurisztikus és a méretet hangsúlyozza.

No comment.

Új pmt. jelent meg !

 Bár nekünk 60 oldalas lett, de megérte.

Jelentősen átdolgozták, tele van hasznos linkekkel, mellékletei szinte egyből ingatlanos rendszerekbe való űrlapnak használható.

És végre egyértelműen leírják, hogy különféle. esetekben milyen adatokat lehet bekérni az ügyfelekről

És nem kell fabrikálni a gyűjtő táblázatot, minta is van benne.

23-NAV PEI ÚJ szabályzat_IT-S

Pénzmosási törvény (Pmt.)

 ez nem az otthoni mackónadrág mosására értendő

A pénzmosás elkerülése céljából végzett intézkedések/ellenőrzések és ezek dokumentálása jelentős feladat, törvény szabályozza ennek mélységét és részletességét.

Ezzel papcsolatban vettünk részt a MIOSZ rendezésében egy előadáson, amelyet Konrád Mónika hálózatfejlesztési menedzser tartott.

 

A személyes brand építés új módszere

 titkok a TikTok -ról ...

Az Etikus Ingatlanos közösség rendszeres képzéseket rendez annak érdekében, hogy a közösség tagjai kiemelkedhessenek az ingatlanértékesítők tömegéből.

Ennek keretében egy előadást hallgattunk meg a TikTok alkamazás szerepéről, lehetőségeiről a személyes brand építésnél.

A személyes brand építés lényege, hogy az értékesítő személyesen is jelenjen meg az ügyfelek felé képben, videóban.

Az előadók ennek lehetőségeit és technikáját mutatták be.

Nem volt hiány a meghökkentő példákból.

Szakmai előadás

 válságban a szakma, az ingatlan értékének meghatározása ...

Az előadás a MIOSZ szervezésében és oktatóhelyiségében került megrendezésre.

Előadók voltak:

• Balla Ákos a Balla Ingatlan tulajdonosa
• Balogh László az Ingatlancom elemzője

Az előadások keretében a jelenlegi ingatlanhelyzet lett ismertetve a statisztikák tükrében.

Ezt követően arról hallhattunk, hogy miként lehet jól pozícionálni egy ingatlan árát, hogy elkerüljük a túlárazásokat.

Jelenleg a piacképes ár döntő fontosságú az értékesítésnél a megnövekedett kínálat és a lecsökkent érdeklődés következtében.

Sok újdonság nem hangzott el.