Láncreakció

Miért tiltotta be Jeff Bezos, az Amazon tulajdonosa 2004-ben a vezetői értekezleteken a prezentációk és a hierarchikus listák (bullet points) használatát? Előre viszi-e a világot, ha prezik helyett folyó szövegben írott előterjesztésekről döntenek a menedzserek? Vajon mindenért a PowerPoint a hibás? Annyi biztos, akinek jó összefoglalót kell írnia, többet dolgozik, mint egy prezin és rákényszerűl, hogy ne hárítsa át az értelmezés felelősségét. Abban azonban, hogy ez 25%-os hatékonyság-javulást eredményezne, nem mindnyájan hiszünk.

A Google I/O-n maga a vezérigazgató Sundar Pichai mutatta be a cég conversational AI-nak nevezett új platformját, a LaMDA-t. A GPT-3 nyomdokaiban járó, nyelvi gépi tanuláson alapuló modell bele tud helyezkedni a Plutó vagy egy papírrepülő helyébe is. Mire jó mindez? Jók-e a beszélgetős felhasználói felületek, hogyan mérik minőségüket (SSA), fontosak-e a felhasználónak az életszerűen csevegő gépek, és Kínában vajon szoktak-e small-talk-olni? A kognitív duplacsavar: ezekre a helyzetekre nem tanították fel a LaMDA-t, csak közösségi médiás párbeszédekből áll a korpusz. Vajon honnan szedték ezeket? Ugye nem a Gmail levelezésünkön edzették a modellt?

Versenyszerű előrejelzés idősoros adatokból - de hogy jön ide a mozgóátlag? És a T4253H, avagy a Hamming ablakozás? Ha már sima a görbe, akkor jöhet a Granger kauzalitás, ami az előrejelzés egyik nagyszerű eszköze, és az EU-t akár jogszabályok is kötelezik a használatára. A versenyek pedig remek forecasting megoldásokat mutatnak fel, de vajon az üzleti tervezés során az előrejelzéshez, vagy az elvárásokhoz szokás inkább igazodni? A növekedési kényszer az utóbbit implikálja, amiről eszünkbe jutott a Peter-elv is.

Sam Altman, az OpenAI vezérigazgatója és a YCombinator korábbi elnöke társadalmi víziót hirdetett, aminek lényege, hogy az MI generálta szédületes fejlődés olyan forradalomhoz vezet, ami egyfelől gazdagodást, másfelől hagyományos munkakörök megszűnését hozza. Ennek ellensúlyozására a Big Tech vállalatok részvényeinek kis részét állami alapba szervezné és a hozamokból alapjövedelmet biztosítana minden állampolgárnak. Az ötlet nem új, sőt egészen régi gyökerekig nyúlik vissza. Nekünk (és másoknak is) ezzel kapcsolatban több kérdésünk is felmerült: tényleg lesz-e ilyen forradalom, mi köze lesz ehhez az MI-nek és ha ezekre igen a válasz, működhet-e a dolog? De a fő kérdés: ez az elmélet hogy függ össze azzal a ténnyel, hogy az államok elérkezettnek látják az időt a Big Tech hatalmának megnyirbálására?

Kinek hány munkahelye volt? Miért olyan nagy a jövés-menés az adattudós (és egyéb tech) pozíciókban? Hol tölti az életét a falusi állomásfőnök? Hogy függ össze az adattudósság hiányszakma mivolta és a nagy arányú elvándorlás? Vajon mennyire határoz meg egy céget a dolgozók csapata - elég a kulcsembereket megtartani? Vajon azt csinálja-e egy data scientist, amiről az egyetemen álmodozott, vagy kulimunkát is vállalnia kell? Mi köze a Peter-elvnek az elvándorláshoz? Hogy jön ide a Meztelenek és holtak Norman Mailertől? Van-e toxikus munkahelyi kultúra a Szilícium-völgyben, avagy miért lépett ki a Basecamp negyede? Érdemes-e szabadúszni vagy ez egyénfüggő? Miért lesz egy sokat csúfolt ismerősünkből politikus? Alkalmasak-e a reáltudományok művelői cégvezetőknek? Végül: írt-e jó dalt a Rolling Stones az elmúlt harminc évben?

Mit tudnak a Natural Language Processing nem is olyan új üdvöskéi, a Transformer modellek? Raimundus Lullus szövegcsinálása a 13. században és Gulliver gúnyolódása Swift regényében. Mik voltak a GPT-3 elődei, avagy miért fontos a szövegfeldolgozásban a párhuzamosítás? Milyen cég az OpenAI és miért nem követte saját vízióját a GPT-3 miatt? Mennyi áramot fogyaszt egy általános nyelvi modell? Érti-e a GPT-3 a szövegeket, amikre választ ír? Millió kérdés, amire válaszol a Clementine csapata.

Kit hogy talál meg az outlier kereső? Katonaság, ikrek csokija, avagy szeretjük magunkat bejósolhatatlannak gondolni. Pedig az outlier is egy profil! 

Hogyan avulnak el az adatmodellek? Challenger modellek a folyamatos megújulásért. A rendszerek elromlanak, ezért kell őket projekt helyett folyamatnak tekinteni. A jelentés nélküli adatok megtartásának értelme. Eszköz pedig régen is volt a modellek utánkövetésére! Kifinomult vagy fenntartható modellre van szükség? Meg kell-e szabadulni a nélkülözhetetlen fejlesztőtől? 

Baj-e, ha az AI mondja meg, hogy mennyire vagyunk szépek? Más megközelítés-e ez, mint az IQ teszt? Snapchat szűrő a plasztikai sebésznél. Vajon hogyan jön az ötlet, hogy szépségdeketort fejlesszen egy cég, avagy a monetizálás kényszere.

Kinek melyik ajánlórendszer bizonyul tényleg hasznosnak? Kindle, a hipertext, Amazon és TikTok. Mi van a TikTok For You oldala mögött? Fröccsök között kipróbálva, lehallgat-e a Facebook. A szép emlékezetű AltaVizsla és a Kincskereső kisködmön. Az ajánlórendszerekben egyre fontosabb, hogy kiszakítsanak a saját véleménybuborékunkból, ugyanakkor ez manipulációhoz is vezethet. Hogyan járulhat hozzá egy kezelői felület a minél jobb minőségű adatbázishoz? Előre lehet-e jelezni az olimpiai éremtáblázatot és ha nem, miért próbálkoznak vele mégis? Ki a felelős az adatjóslatok sikerességéért? Mi derült ki az amerikai elnökválasztás közvéleménykutatásaiból? Hogyan fociztak régen a lányok? És végül: mi is megtippeljük a magyarok olimpiai szereplését. 

Kedvenceink az adattudomány személyiségei közül: Elon Musk, Walter Isaacson, Zeynep Tüfekçi. 

Jobban játszanak-e a focicsapatok a hazai pályán az adatok tükrében? Gyula cikke a Linkedinen: Hazai pálya. Befolyásolja-e a teljesítményüket a stadion külalakja? Hogyan adaptálódtak a fogadóirodák a járvány miatt megváltozott bajnokságokhoz? Érdemes-e az egyik kapufa mellé csoportosulni szabadrúgás esetén? Tanulság: a menedzserek csak látványos adatokkal tudnak mit kezdeni, illetve ha látszik egy összefüggés, érdemes több irányból is jól megnézni!

Kína egyre nagyobb szerepet szán az MI-vel támogatott bíróságoknak, erről eszünkbe jutott a Coded Bias című dokumentumfilm a Netflixen. A rabok szabadon bocsáthatósága és a tanárok pontozás alapú elbocsátása is múlhat egy elfogult MI-n. A grafológia analógiája: transzparencia és felelősségvállalás. Kínai social scoring és a Big Tech összevetése, a köztéri arcfelismerés tiltási terve az EU-ban, személyes névmások a gépi fordításban, egyszóval az elfogult MI és a Starbucks problémák egymás mellett élése.

Kedvenc diagramtípusok, Gartner Magic Quadrant részletek (mi lenne helyette, hogyan alakult az évek során, mi a módszertan, mennyibe kerül, mire jó), szakdolgozati téma és sikerre ítélt peralap ajánlása, Torkos csütörtök térkép. Adatírástudás, avagy mekkora veszélyben vannak a pedagógusok járvány idején, statisztika az érettségin és a Stanine, a járvány hatásai az adatértésre, a Lottó értelme, Ninja Nerd Lectures videó a vakcinahatékonyságról, érdemes-e a statisztikában 12-t osztani egy nagy számmal, statisztika keverése filozófiával, Marilyn vos Savant története a Monty Hall vetélkedőjével (kecskét vagy Jaguárt?): A statisztika hazudhat, a módszer nem.

MI-marhaságok. Önmagukat szaporító robook fogják-e benépesíteni a bolygókat? Vajon nem kellene-e a mesterséges intelligenciákat arra programozni, hogy élvezzék tevékenységüket? Adatvizualizációs orgia vagy az azonnal felfogható ábra egyszerűsége. Mi a baj a kördiagrammal? A chart, mint történetmesélés. Mit találhatunk egy szemétre dobott régi PC-n?

Ki milyen MI-t használt a héten? Adatalapú döntéshozatal, amivel építeni és rombolni is lehet. Adattal fizetünk szolgáltatásért: baj ez? Az adatkapitalizmus jövője. A professzor előadást tart, bár halott, avagy az oktatás morális kérdései. Megjelent a Gartner 2021-es Magic Quadrant for Data Science & ML Platforms című elemzése.