A mesterséges intelligencia még mindig nem képes olyan (emberi szemmel egyszerűnek látszó) feladatok pontos kivitelezésére, mint amilyen egy mutatós óra számlapjának a leolvasása. Ez utóbbiban az Edinburgh-i Egyetem kutatói szerint a multimodális nagy nyelvi modellek (MLLM-ek) vagy az éves naptárak egészen meglepően gyenge, mindössze 25 százalékos hatékonyságot mutatnak, mert kifog rajtuk a "tértudatosság, a kontextus és az alapvető matematika olyan kombinációja", ami az idő és a dátum értelmezéséhez szükséges.
A Futurism beszámolója alapján a kutatók különféle kialakításokat teszteltek, köztük néhányat színes számlapokkal, másodpercmutatóval, római számokkal vagy azok nélkül. Az MI-rendszerek ez utóbbi esetekben gyakrabban hibáztak, de összességében egyik esetben sem voltak a helyzet magaslatán. Egy fokkal jobban ment nekik azoknak a naptáraknak a forgatása, amelyek minden oldala az év egy-egy hónapját mutatja, de ott sem alkottak maradandót. Még amikor eltalálták a helyes dátumot, akkor is sokszor válaszoltak helytelenül olyan kérdésekre, mint például "a hét melyik napjára esik újév".
Összességében így nem lesz jó semmire
A lap a kutatásról szóló sajtóközleményt idézi, amely szerint a mesterséges intelligencia még mindig nem boldogul a legtöbb ember által már kiskorában elsajátított, alapvetőnek tartott készségekkel. Márpedig ezeket a hiányosságokat mindenképpen orvosolni kell, ha az MI-rendszereket integrálni akarjuk az "időérzékeny, valós alkalmazásokba", mint amilyen az ütemezés, az automatizálás és a különféle kisegítő technológiák. A problémán ráadásul az sem segít sokat, ha a fejlesztők megcéloznak egy-egy konkrét hiányosságot.
A Futurism ezzel kapcsolatban felidéz egy másik, több mint három évvel ezelőtti kutatást is, amelyben egy MI-modellt kifejezetten az analóg órák helyes leolvasására tanítottak be, de így is csak 74-84 százalék közötti eredményességet voltak képesek felmutatni. Ebből pedig jól látszik, hogy a jelenlegi MI-technológia hiába képes bámulatos dolgokra a magas matematikában vagy a jogászkodásban, ha az érdemi használhatóságát bekorlátozza az ilyen primitív feladatokkal való küzdelem – beszédes, hogy még az Apple is kénytelen volt visszavágni ambiciózus terveit az MI integrációjáról a Siri hangasszisztensében.
Az ötlettől az értékteremtésig – egy jól működő adattudományi szervezet alapjai
Miért bukik el annyi adattudományi kezdeményezés már az indulás után? A válasz gyakran nem az algoritmusok összetettségében, hanem az adatok minőségében és kezelésében keresendő. Stabil adatforrások, következetes feature-kezelés és egy jól felépített Feature Store nélkül a gépi tanulás ritkán jut el a valódi üzleti értékteremtésig.
EGY NAPBA SŰRÍTÜNK MINDENT, AMIT MA EGY PROJEKTMENEDZSERNEK TUDNIA KELL!
Ütős esettanulmányok AI-ról, agilitásról, csapattopológiáról. Folyamatos programok három teremben és egy közösségi térben: exkluzív információk, előadások, interaktív workshopok, networking, tapasztalatcsere.
2026.03.10. UP Rendezvénytér
Nyílt forráskód: valóban ingyenes, de használatának szigorú szabályai vannak