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."

Új korszak az AI -ban: nyakunkon az Ágensek !

Micsoda kavalkád !

Megkértük a Geminit, hogy foglalja össze a különböző ágensek jellenzőit és mindjárt legyártott 2 logo -t, ha ezeket használjuk.

Erre vonatkozik az EU új rendelkezése is, amire a megelőző posztban  részletesebben is kitértünk.

A logo -kon a banán arra utal, hogy azok a belső képgeneráló (Nano banana 2) segítségével készültek.

Na, de mit mondott a Gemini ?

Logo1

Logo2

Miközben az EU-ban már a fekete AI logókat és a szabályozási kereteket ízlelgetjük, a színfalak mögött lezajlott a tech világ legnagyobb váltása: a chatbotok kora lejárt, megérkeztek az autonóm ágensek.
Az ágensek már nemcsak válaszolnak, hanem cselekszenek is helyettünk.
De ki hol tart most a fejlesztésben, és mi a helyzet a "ketaminköddel"?

Nézzük a nagyágyúk "digitális munkatársait":

OpenAI (Microsoft szövetség)
Az ágens neve:
Operator (és az ágensi képességekkel felvértezett GPT-5/o3 modellek)
Mire képes?
Az Operator nemcsak szöveget ír, hanem átveszi az irányítást a böngésződ felett. Képes önállóan repülőjegyet foglalni, kutatómunkát végezni a neten, kódot írni és azt lefutatni, vagy komplex munkafolyamatokat (pl. számlázás) teljesen egyedül elintézni.

Anthropic
Az ágens neve:
Computer Use (a Claude 3.5/4 modellekbe építve)
Mire képes?
Claude konkrétan úgy használja a számítógépet, mint egy ember.
Látja a képernyőt, mozgatja az egeret, gépel a billentyűzeten, és navigál a szoftverek között.
Ha megkéred, megnyit egy Excel-t, kimásolja az adatokat, majd feltölti őket a CRM rendszerbe.

Google
Az ágens neve:
Project Astra / Gemini Agents
Mire képes?
A Google a multimodalitásra és a valós idejű környezetérzékelésre gyúr.
Az Astra a telefonod kameráján keresztül látja a világot, emlékszik, hová tetted a kulcsodat, miközben a háttérben futó kódágensek képesek komplex szoftverfejlesztési feladatokat vagy ügyfélszolgálati folyamatokat menedzselni.

xAI (Elon Musk & Grok)
Az ágens neve:
Grok Agents (született: a tömény ketaminköd és a megalkuvást nem tűrő abszolutizmus metszetében)
Mire képes?
Musk ágensei nem a finomkodásról híresek.
Grok legnagyobb előnye az X (Twitter) valós idejű adatárama.
Az ágensi funkciói arra fókuszálnak, hogy ne csak elemezzék a net legfrissebb trendjeit, hanem önállóan képesek legyenek kódolni, adatokat bányászni, és – Musk ígéretei szerint – a háttérben vezérelni az X-en futó automatizációkat vagy épp a Tesla humanoid robotjait.
Grok ágensei "szabadjára vannak engedve": ha megkéred, egyszerűen megcsinálja, némi szarkazmussal fűszerezve.

Miért fontos ez az EU AI Act (és a logó) korában?
Az ágensek már autonóm döntéseket hoznak.
Nemcsak asszisztensek, hanem végrehajtók.
Ezért kritikus a szabályozás:

ha egy AI ágens hibázik, tudnunk kell, ki felel érte, és látnunk kell a "fekete logót", ha magas kockázatú területen dolgozik.

Te rábíznád már a bankkártyádat vagy a céges adminisztrációdat egy ilyen autonóm ágensre?

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.

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.

A Canva látványtervező

 az "Etikus Ingatlanos" a Canva -tól kap segítséget ...

Az etikusok -hoz csatlakozva időnként segítséget is kap az ingatlanos tag.

A Canva szoftverben lehetőség van egyedi hirdetések (kép, vagy videó) saját elképzelés szerinti kialakítására is.

Néhány kezdeti lépés:

Képek

Animált kép videóként

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.