Az MI szerepe
Amit beadsz
Így értékelünk
Nyolc kis kísérlet: te tanítod a gépet, szétszeded, és megtervezed, hogyan dolgozzanak vele a diákok. Minden a böngésződben fut: nincs fiók, nincs kulcs, nem megy adat sehova.
Jelölj meg üzeneteket, és nézd, ahogy a gép szavak számolásából tanul.
Kipróbálom → 02Hogyan darabolja fel a szöveget egy nyelvi modell? Összevonásról összevonásra.
Kipróbálom → 03A „Légy te a nyelvi modell” játék gépen: valószínűségek, szerencsekerék, hőmérséklet.
Kipróbálom → 04Taníts egy valódi neurális hálót magyar keresztneveken, és figyeld, ahogy a zagyvaságból nevek lesznek.
Kipróbálom → 05Rajzolj kapcsolási jeleket, taníts képfelismerőt, és nézd meg, mit felel egy firkára.
Kipróbálom → 06Zajból kép: nézd, hogyan „hív elő” képet lépésenként egy diffúziós modell, és mit jelent a memorizálás.
Kipróbálom → 07Egy feladat három összeállításban: nézd, ahogy az üzenetek keringenek a modell, a keret és az eszközök között.
Kipróbálom → 08Tekerd az MI-szintet, és nézd, hogyan alakul át a feladat, a beadandó és az értékelés. Kész feladatlappal és nyilatkozattal.
Kipróbálom →Mindegyik kísérlet 5–10 perc. Ha az MI működésére vagy kíváncsi, kezdd a 01–03-mal; ha azt tervezed, hogyan dolgozzanak vele a diákok, a 07 és a 08 a te helyed.
A gép nem érti a leveleket. Megszámolja, melyik szó milyen gyakran fordul elő a spamekben és a rendes üzenetekben, és ebből valószínűséget számol. Változtasd meg a címkéket, adj hozzá üzenetet, és figyeld az ítéletet.
Rózsaszín = spam felé húz, kék = rendes üzenet felé, minél nagyobb, annál erősebben. Áthúzott = ismeretlen szó.
Kérdés a csoportnak: írjatok egy spamet, ami átjut a szűrőn! Így dolgoznak a valódi spamküldők is.
A nyelvi modellek szódarabokat, tokeneket látnak. A tokenizáló a tanítószövegből tanulja meg, mely betűpárokat érdemes összevonni: mindig a leggyakoribbat. Húzd a csúszkát: egyre kevesebb, egyre nagyobb darab lesz.
A ▁ jel a szó elejét jelöli. Valódi modellekben 50–200 ezer összevonás van; egy gyakori angol szó egy token, egy ritka magyar szó gyakran 3–4.
Ez a modell megszámolja, mi után mi következett a tanítószövegben. Minden lépésben valószínűségeket számol, aztán megpörgeti a szerencsekereket. A hőmérséklet dönti el, mennyire ragaszkodjon a legvalószínűbb folytatáshoz.
Kísérlet: visszanézés 4, hőmérséklet 0,1 → a modell szó szerint visszamondja a tanítószöveget. Hőmérséklet 2 → értelmetlen, de „kreatív”. A nagy modellek ugyanezt csinálják, sokkal okosabb számolással.
Egy valódi, kicsi neurális háló (kb. 9 ezer paraméter, a nagy modellekben ezermilliárd is lehet) tanul magyar keresztneveken: az előző három betűből a következőt jósolja. Indítsd el, és figyeld, ahogy a hiba csökken, a nevek pedig egyre névszerűbbek.
A hiba azt méri, mennyire lepődik meg a modell a valódi következő betűn. A szaggatott vonal a vaktában tippelés szintje.
Teli szín: új név, nincs a tanítólistán. Halvány: egy tanult nevet mondott vissza.
Ami itt fél perc egy laptopon, az egy nagy modellnél hónapok, több ezer szuperszámítógépen. Az elv ugyanaz: a hiba csökkentése, lépésről lépésre.
Három osztály, osztályonként néhány mintarajz, ebből egy kis konvolúciós háló tanul. Rajzolj új példákat, tanítsd újra, aztán teszteld: rajzolj egy jelet a lapra, és nézd a tippet.
Még nincs tanítva.
Ezt látja a modell: a rajzod 28×28 képpontra kicsinyítve.
A hallucináció képben: rajzolj egy házat vagy egy napocskát. A modell akkor is a három osztály egyikét választja, gyakran nagy „magabiztossággal”, mert csak ezt ismeri. A nyelvi modellek is mindig felelnek valamit.
Középen a modell, körülötte a harness gyűrűje, kint az eszközök bolygói. Ugyanazt a feladatot háromféle összeállításban indíthatod el, és lépésenként követheted, merre járnak az üzenetek.
„Készíts 10 kérdéses tesztet a Drive-on lévő Transzformátor fejezetből, és küldd el e-mailben a munkaközösség-vezetőnek.”
A lényeg: a modell csak javasolja, mit kellene csinálni („hívd meg a gmail.send eszközt”). A harness dönti el, végrehajtja-e, és a fontos lépések előtt neked kell jóváhagynod.
A képgeneráló MI-k (diffúziós modellek) tiszta zajból indulnak, és lépésenként megtippelik, milyen kép rejtőzhet alatta. Itt egy apró, 32×32 képpontos játékmodell mutatja meg, hogyan. Ugyanaz a matematika, csak 160 tanítóképpel milliárdok helyett.
Tanításkor minden képre véletlen mennyiségű zajt teszünk, és a modell azt tanulja meg, hogyan vegye le. Ha ezt jól tudja, akkor tiszta zajból is képet tud „előhívni”.
A valódi modellben egy szövegértő háló alakítja a promptot számokká, és ezek terelik a zajtalanítást. Itt a gomb egyszerűen kiválasztja, melyik képcsaládból tippeljen.
Kevés lépés: gyors, de durvább kép. Sok lépés: lassabb, finomabb. A valódi modellek 20–50 lépést tesznek, egy grafikus kártyán másodpercek alatt.
Ez a játékmodell csak 160 képet ismer, ezért szinte mindig egy tanítóképet ad vissza. A nagy modellek milliárdnyi képből kevernek újat, de néha ők is visszaadnak tanult képeket: ebből lesznek a szerzői jogi viták.
Ugyanaz a tanulási cél, öt különböző feladat. Ahogy tekered az MI-szintet, a feladat is átalakul: az MI előbb tanár, aztán megoldó, akit ellenőrizni kell, végül maga lesz a vizsgálat tárgya. A diák minden szinten felel azért, amit bead, és el kell tudnia magyarázni.
A szintek a nemzetközileg használt MI-értékelési skálát (AI Assessment Scale, Perkins és mtsai., 2024) követik, egyszerűsítve. Ahogy nő az MI szerepe, úgy csökken a kész termék súlya az értékelésben, és nő a megértésé és az ellenőrzésé.