Láncreakció

Vajon az agentic AI valós fejlődési irány vagy csak hype? Mi különbözteti meg a lakossági ágenst a vállalatitól? Leírható-e egy vállalat működése rutinfeladatok összességeként? Jó példa-e az üvegvisszaváltási rendszer az automatizációval elérhető hatékonyságnövelésre? Mi okozza a céges pilotok kudarcait, a nem megfelelő technológia vagy az automatizálni kívánt folyamatok hibái? Ezeket a kérdéseket igyekszik megválaszolni a két műsorvezető.

Ha egy vállalat nem költ eleget az ügyfélszolgálatra, melyik rossz ügyfélélmény a kevésbé felkavaró: ha egy olyan géppel beszélgetünk, ami nem tud igazán segíteni, vagy egy olyan emberrel, aki ugyanúgy csak a scriptet követi és igyekszik lepattintani a kedves ügyfelet? Mi köze mindennek az izlandi autóbérléshez, az elromlott focimeccs-elemző kamerához és a párkapcsolati dinamikákról érdeklődő robothoz? Milyen gazdasági kényszerek húzódnak meg az ügyfélkiszolgálás mögött?

Folytatjuk a múlt héten megkezdett mélyfúrást a nyelvmodellek készítésében, ebben kalauzaink Gyöngyössy Natabara⁠ és ⁠Nemeskey Dávid⁠, a Racka⁠ nyelvmodell fejlesztői. Az adásból kiderül, milyen fázisai és kihívásai vannak a kis nyelvre fejlesztett LLM feltanításának. A nulláról indított tanítás helyett a Qwen 4B modell folytatólagos előtanítását választották, mivel nem állt rendelkezésre elegendő, jó minőségű magyar szövegadat. A tokenizálót ötletesen szabták át a magyar nyelvre, ez 50–60 százalékkal gyorsította a generálást, a Komondor szuperszámítógépen, LoRA-eljárással végzett tanítás pedig összesen 2,1 GPU-évet igényelt. Szó esett még a digitális szuverenitásról, a hazai kutatás finanszírozási kihívásairól, valamint a következő lépésekről is: nagyobb, 30 milliárd paraméteres modellekről és magyar preferenciaadatokra épülő RLHF-fejlesztésről.

Ebben az adásban a hazai nyelvtechnológia legújabb mérföldkövét, a Racka nyelvmodellt mutatjuk be Gyöngyössy Natabara és Nemeskey Dávid segítségével. Megvitatjuk, mi értelme van egy 4 milliárd paraméteres magyar SLM (Small Language Model) fejlesztésének, és hogyan viszonyul ez a korábbi, Dávid által készített HuBERT modellhez vagy a globális GPT-családhoz. Alaposan elemezzük a modellek működési rétegeit az inferenciától az agentic AI irányába mutató kontextuskezelésig és a biztonsági „guardrail”-ekig. Szóba kerül a világ tokenizálása, a multimodális és omnimodellek (mint a Qwen vagy a Google-féle Gemini) térnyerése, valamint a technikai kihívások, mint a KV-cashing memóriaigénye és a spekulatív dekódolás. Végül választ kapunk arra is, miért fontos a kulturális beágyazottság és a lokális, felhőfüggetlen futtathatóság a „digitális gyarmatosítással” szemben, elindulva ezzel a hazai AI-szuverenitás felé.

Ebben az epizódban nyári hírügynökséget játszunk!
A sajtó szerint a bejelentett adatközpont-beruházások fele nem is valósul meg, de a SemiAnalysis elemzése szerint csak korábban összekeverték a hangzatos bejelentéseket a tényleges tervekkel és lehetőségekkel.
Tele vagyunk az Anthropic-kal kapcsolatos hírekkel: Dario Amodei három évvel ezelőtti figyelmeztetéseit a nyílt súlyú modellek veszélyeiről most annak kapcsán hozzák elő, hogy egy kínai open source (GLM 5.2) megközelítette (megelőzte?) a betiltott, majd mégis engedélyezett Mythos 5-öt. Vajon Amodei tényleg aggódik, vagy csak ássa a várárkot a cash cow körül? Aztán itt a Mythos és Fable 5 mellett a Sonnet 5 és a Claude Science is, illetve észrevettünk egy korábbi vatikáni iratot, ami jól rímel Amodei esszéjére, a Machines of Loving Grace című techno-optimista szövegre.
Végül Javier Milei argentin elnök radikális vízióját próbáljuk megérteni, aki jogi személyiséget adna a tisztán AI-vezérelte vállalatoknak (Sociedad Automatizada), amivel egyszerre váltotta ki Yuval Noah Harari rettegését és a Microsoft AI-vezérének éles kritikáját. A háttérben ki mást sejtenénk, mint a környéken letelepedni látszó Peter Thielt.