Machine Learning Budapest

Benczúr András az ELTE matematikusaként jutott ki az MIT-re a rendszerváltás után, így elsőkézből ismerhetett meg olyan technológiákat és embereket, akik azóta az AI mint tudományág kiemelkedő alakjai. De mit is sikerült hazahoznia ebből a tudásból, és indokolt-e még mindig az óriási hype az AI körül? 0:00 - Bemutatkozás 1:02 - András munkája a SZTAKI-ban, mint tudományos főmunkatárs 2:37 - Az út az ELTÉ-ről az MIT-ra - Hogyan jutott ki András a rendszerváltás után egy külföldi top-egyetemre? 8:20 - Az MIT-s évek tapasztalati és tanulságai 13:59 - Mihez kezdjen valaki az MIT-s tapasztalataival Magyarországon? 19:48 - Nyitottabb lett-e a magyar akadémikum az elméletek alkalmazására? 22:00 - András tapasztalati a magyarországi nemzetközi projektekkel 25:30 - A járvány hatása a nemzetközi együttműködésekre 28:29 - András startup-tapasztalatai 33:42 - Mik a különbségek a magyar és a nemzetközi startup-kultúra között? 39:15 - Ha ma érdeklődsz az AI iránt, hol érdemes elkezdened? 43:32 - Mennyire indokolt az…

Thamó Emese Dunakesziről indult, az egyetemet már Cambridge-ben végezte, épp a PhD-jén dolgozik a Liverpooli Egyetemen és Amszterdamban is dolgozott már - de hogy sikerült mindezt elérnie, mi hajtotta, és hogy kötött ki végül a Machine Learning mellett? Kutatásának fő fókusza az AI-biztonság és a megmagyarázható modellek, emellett viszont beszélgetünk startupokról, adversarial támadásokról (amire egyikünk sem tudott elfogadható magyar fordítást kitalálni) és orvosi AI-ról is! 0:00 - Bemutatkozás 1:24 - Dunakeszi-Cambridge-Liverpool-Amszterdam és matematika szeretete 3:24 - Innováció és AI külfödön - mit csinálhatnánk jobban Magyarországon? 5:36 - Medical AI - mire jók és mire nem a jelenleg elérhető eszközök, módszerek? Pulzus, testhő, légzési gyakoriság meghatározása - videóról? Jogi megkötések, akadályok. 10:35 - Várhatóak jogi változások a modellek széleskörűbb alkalmazásához? Hogyan lehet megoldani a jogi problémákat? 13:33 - Emese kutatási témája - AI-biztonság. Mitől lesz megbízható egy modell? Hogyan…

Jóföldi Endre a gazdasági válság közepén, 2008-ban alapította a Precognox-ot és immár 12 éve profittal zártak minden évet. Mi a titka a sikerüknek? Milyen kihívásokkal kellett eddig szembenézniük? Hogy lehet elkerülni, hogy haszontalan projektet szállítsunk? És mit is jelent az, hogy emberközpontú AI? Ez és még sok minden más is kiderül az eheti epizódból! 0:00 - Bemutatkozás 02:29 - A Precognox története 06:00 - Milyen kihívásokkal hogyan lehet megküzdeni egy induló cégnél? Hogyan lehet jól válságot kezelni? 12:35 - A Gartner szerint 2022-ig a datás projektet 80%-a nem hoz hasznot - miért, és a Precognox mit tesz ez ellen? 26:36 - Mekkora az AI-alapú fejlesztések piaca Magyarországon? Meg lehet élni csak a magyar piacból? 32:23 - Emberközpontú AI - mit jelent ez Endre és az ügyfelek számára? 37:23 - Endre teológiai háttere - hogyan kapcsolódik az etika, a vallás és az AI? 44:03 - Mit vár Endre az AI fejlődésétől a jövőben? 48:32 - Endre elérhetőségei, kapcsolat A Precognox honlapja:…

Kovács Dominik mindig is szerette a kihívásokat, többekközt ezért is költözött Dániába, ahol a data science-es tanulmányait szerette volna a gyakorlatban is kamatoztatni. Mi is lehetne erre jobb módszer, mint startupot alapítani? Saját elmondása szerint a legalapabb hibákat is elkövette a Defudger építése során, de tanult belőle - most éppen egy nagy pivot előtt állnak. Hogy mik voltak ezek a hibák, mit tanult belőle, és mit csinál most, az kiderül a beszélgetésből - ezen felül pedig az is, hogy miért fuccsol be egy csomó fejlesztés, ami a társadalom hasznára válhatna, és hogy hogyan kéne szabályozni az AI-t Dominik szerint! 0:00 - Bemutatkozás 00:58 - Miért döntött Dominik úgy, hogy Dániában tanul tovább? 05:04 - Milyen a dán startup-kultúra? Mi működik jól ott, amit Magyarországon is alkalmazhatnánk? 10:54 - A Defudger története - honnan indultak, hogy találtak befektetőket, hogy építették fel a céget? Mik azok az alaphibák, amit Dominikék elkövettek, és mit tanultak belőle? 16:26 - A deepfake felismerés -…

Dr. Feldmann Ádám magatartáskutatóként indult, és ez bizony csupán egy lépésre van a mesterséges intelligenciától, ami azóta a hivatásává vált. A "business-t csináljunk, vagy kutatást?"-kérdést egy harmadik, innovatív megoldással válaszolták meg, hiszen a Pécsi Tudományegyetem Alkalmazott Adattudományi-és Mesterséges Intelligencia Csoportjának munkája során ötvözik a kettőt: A legújabb kutatások gyors implementálásával foglalkoznak, hogy üzleteknek tudjanak segíteni vele. A fő fókusz pedig a modellek magyarítása - hogy ez milyen kihívásokkal jár, az kiderül a beszélgetésből! 0:00 - Bemutatkozás 01:16 - Magatartástudósból AI-szakértő - hogyan és miért? 06:25 - Mesterséges vs. természetes neuronok - mik a különbségek? A mesterséges neurális hálók rövid története 09:37 - Alkalmazott Adattudományi-és Mesterséges Intelligencia Csoport - miért alapult, hogyan, és mivel foglalkozik? 12:16 - Business vs. kutatás? Mind a kettő! Ádámék különleges hozzáállása az új projektekhez. 18:05 - Nyelvfelismerő rendszerek -…

Video guide/tartalom odalent↓↓↓↓↓↓ Biczó Zoltán bölcsész- és business-háttérrel indult, de már évek óta adatszakértőként dolgozik, továbbá az övé az első magyar data science-podcast, az Adatépítész. Az ajánlómotorok által keletkező információs buborékok mellett arról beszélgettünk, hogy milyen adatos fejlesztéseket folytatnak a magyar cégek, miért nem szabad összemosni az AI-t a robotikával, és, hogy várható-e egy újabb AI-tél? 0:00 - Bemutatkozás 3:13 - Bölcsészből Data Scientist? Nem olyan nagy a különbség! 9:01 - Data Science startupoknak vs. nagyvállalatoknak - mik a szempontok, különbségek? 13:45 - Startupként érdemes-e külsőst felvenni adatszakértőként, vagy mindenképp a csapatból kell jönnie a szakembernek? 17:00 - Zoltán jelenlegi megbízásai - mit fejleszt a magyar? 19:19 - A robotika NEM AI! 27:24 - Az RPA nem robot! 30:18 - Várható-e egy újabb AI-tél? 37:17 - Ajánlómotorok - AI, amit te is használsz, de nem is tudod, hogy AI! 46:46 - Etikai kérdések - információs buborékok és radikalizálódás 54:05…

Néhány hete megjelent Magyarország mesterségesintelligencia-stratégiája, én pedig igyekeztem mihamarabb szerezni valakit, aki első kézből tud mesélni róla - így lett vendégem Szertics Gergely, aki szakmai vezetőként dolgozott az MI Koalícióban a stratégia kidolgozásán. Röviden beszélgetünk arról, hogy hogyan lett Gergely szervezetfejlesztőből AI-szakértő, a fő hangsúly viszont a stratégián van - mik a fő célok a következő 10 évre, milyen alappilléreken nyugszik a stratégia, milyen transzformatív programok indulnak és hogyan lehet ezekben részt venni? 0:00 - Bemutatkozás 1:19 - Hogyan lett Gergely szervezetfejlesztőből MI-szakértő? Az MI Stratégia: 2:58 - Gergely szerepe és feladatai szakmai vezetőként 5:05 - Az MI Stratégia célrendszere, a Magyarország által kijelölt célok a következő 10 évre 9:40 - A stratégia alapozó pillérei 17:11 - Szektorális fókuszok - mik ezek, és melyek a kiemelt fejlődési/fejlesztési területek? 19:52 - Transzformatív programok - hogyan támogatják majd a kijelölt területeket? 34:25 -…

Szalóczy Nóra szociológusból lett egészségügyi kutató és adatszakértő, és többek közt arról is beszélgettünk, hogy milyen egészségügyi adahalmazok érhetőek el Magyarországon akár cégek, akár kutatók számára, érdekes egészségügyi kutatásokról, a magyarországi egészségügyi dolgozók helyzetéről, a gyógyszeripar és az AI kapcsolatáról és az egészségügy digitalizációjáról - és szóba került pár etikai és szociális probléma is! 0:00 - Bemutatkozás 2:13 - Nóra szociológiai háttere, az AI-fejlődés szociológiai hatása és etikai kérdései 8:49 - Man or Machine - a gépet vagy az embert választod orvosodnak? 14:43 - Az EESZT, milyen adatokat tárolnak rólunk és hogyan, orvosi adathalmazok Magyarországon és ezek használata, problémák 23:09 - Az AI és adatalapú megoldások hatása a gyógyszeriparra, milyen típusú kutatások vannak az egészségügy területén? 32:51 - Személyre szabott orvosi ellátás - lehetőségek és korlátok, az okoseszközök integrálása az ellátásba 39:15 - Néhány érdekes egészségügyi kutatás - az ápolók helyzete…

Urbán Ida survey-statisztát végzett, de már akkor is elvarázsolta a machine learning és a data science világa. Jelenleg adatszakértőként dolgik az ELTE-n és saját projektje, a Project Nightingale keretein belül fejleszti a deep learning-alapú képletfelismerő-rendszerét, amely vak és látássérült gyermekeknek hivatott megkönnyíteni a matematika-tanulást. Többek közt arról mesél, miért fontos a lányainkat a STEM-tárgyak felé terelni, hogy miért nem jön a gyilkos AI és, hogy milyen tapasztalatokat gyűjtött több startup-verseny résztvevőjeként ÉS nyerteseként! 0:00 - Bemutatkozás 0:53 - Ida és a statisztika 4:41 - Lányok/nők szerepe a tudományban 9:03 - Jön a gyilkos AI!!! 14:44 - ML és az asszisztív technológia - Ida képletfelismerő megoldása, a Project Nightingale (további információ itt: https://www.facebook.com/the.project.nightingale). Módszerek és kihívások, klasszikus képfelismerés (szekvenciális modell) vs. deep learning (end-to-end/globális megoldások). 29:53 - Ida startup-versenyes tapasztalatai -…

A fókuszban: A gráfok! Rozemberczki Benedek a gráfalapú Machine Learning algoritmusok szakértője, és többek közt arról mesél, miben jóka gráfalgoritmusok, mik egy keretrendszer-építés kihívásai, valamint, hogy miért is nem annyira "state-of-the-art" a state-of-the-art? 0:00 - Bemutatkozás 0:50 - A terület elpoposodása? Mi történik, ha hozzá nem értő emberek nyúlnak a témához? 2:59 - Miért pont a gráfok, miben jobbak, mint tabuláris adatokkal foglalkozni? 5:05 - A gráf(-ML-)algoritmusok főbb felhasználási területei 7:47 - Ha érdekelnek a gráfok és a Machine Learning, itt kezdd! 10:31 - Benedek publikációi - a Karate Klub keretrendszer, mire jó, honnan jött az ötlet? A Feather és a Little Ball of Fur 22:39 - Egy keretrendszer tervezésének kihívásai 29:55 - Eredmények, és miért nem is annyira state-of-the-art a state-of-the-art? 37:28 - Melyek azok az algoritmusok, amik már bizonyítottan működnek a való világban is? 40:02 - Miben különbözik egy gráf-neurális háló a klasszikus neurális hálótól? 46:45 - Kevesebb…

Ehetei témáink során szemügyre vesszük, mik azok főbb ML-es szerepkörök, amelyek ma megtalálhatók (és keresettek) a munkaerőpiacon, hogy mi az az Utolsó Mérföld-probléma és hogyan kerüld el a saját ML-projektednél, valamint, hogy milyen állások tűnnek majd el és születnek az egyre jobban elterjedő AI-alapú megoldások hatására. 0:00 - Bemutatkozás 1:05 - AI & Startup-kultúra Amszterdamban - állam, vagy magánkéz? 3:29 - Közösségépítési tippek kezdőknek 6:11 - Mik az új Machine Learninges projektek alapvető hibái - miért dől be az adatos projektek 80%-a? Az Utolsó Mérföld-probléma. Az említett cikk: https://hbr.org/2019/01/data-science-and-the-art-of-persuasion 12:33 - Alapvető Machine Learninges munkakörök - engineer, scientist, analyst, leader - melyik mit csinál, mihez kell értenie? 21:13 - Hogyan kezdjünk Machine Learning projektet a cégünknél - hogyan kerüljük el az Utolsó Mérföld-problémát? 35:28 - A Hídember - új munkakör, vagy vezetői skill? 39:14 - Merre fejlődik az ML/AI területe Judit szerint? Milyen…

Lukács András, egyetemi adjunktus, az ELTE Mestreséges Intelligencia Kutatócsoportjának tagja arról mesél, hogy szerinte mi a különbség (már ha van) az AI felhasználásában üzleti vs. kutatási célokra, hogy milyen kutatások folynak most az ELTE-n, hogyan versenghetnek kisebb intézmények világcégekkel, és, hogy hogyan használ(hat)juk az AI-t az oktatásban! 0:00 - Bemutatkozás 1:50 - Hogy kezdődött András és az AI kapcsolata? AI-kutatás rövid története az ELTE-n, SZTAKI-n, jelenlegi kutatócsoportok 6:20 - Különbségek a felhasználásban: kutatás vs. business 13:06 - Magyarországon hiánycikk az olyan szakember, aki a területhez és a business-hez is ért – miért, és hogyan lehet ezen változtatni? 15:55 - AI Research Lab jelenlegi kutatásai 22:11 - ELTE kutatások – új módszerek, vagy bizonyított módszerek új alkalmazásai? 25:25 - Kisebb intézmények vs. világvállalatok – Hogy versenghet az ELTE a Google-el? 28:55 - Brute force vs. tanulás – csak azért kell ennyi számítási kapacitás, mert nem tudjuk, mit csinálunk?…

Az eheti epizódban Tóth Miklós (ML-szakértő, DataBricks tréner, podcaster) arról beszél, hogy hogy találta meg a szenvedélyét az AI területén, hogy miben különbözik a neuron a neurális hálóban és az emberi agyban, hogy miért nem jó a jelenlegi forward propagation modell (és hogy bizonyítja ezt tizenéves lánya), és, hogy miért figyel különösen arra, hogy értéket teremtsen! 0:00 - Bemutatkozás 7:50 - Miklós Startup-tapasztalatai 9:05 - Deep Learning meetupok - miért rejtőzködnek a szakértők? 16:50 - Blockchain és AI 23:50 - Értékteremtés és AI 30:40 - Mik a nehézségek orvosi adathalmazokkal? Bias és explainable AI 36:18 - Architektúrák felhasználása domének között (https://cdn.openai.com/papers/Generat...) 36:50 - Miért elavult a forward propagation, minek kell jönnie helyette? Agyi neuronok vs DL neuronok 40:22 - Mi jön a jövőben? 41:55 - Tippek kezdőknek 47:00 - Miklós elérhetőségei, podcastja ©2020, minden jog fenntartva

Szabados Leventével - akinek több, mint 15 év tapasztalata van a területen, több céget is indított és a magyar startup-kultúra közismert szereplője - beszélgettünk többek közt arról, hogy hogyan változott az AI területe az utóbbi 15 évben Magyarországon és a világon, hogy hogyan találják meg podcastek izgalmas részeit NLP segítségével, és, hogy miért hülyeség egyre nagyobb teljesítményű grafikus kártyákra költeni (hacsak nem játszani akarsz)! 0:00 - Bemutatkozás, Levente és a time management 5:46 - 15 év AI karrier - mi változott ezalatt? 12:06 - Hogyan találd meg egy podcast érdekes részeit AI-al? 21:10 - AI startupok rekordbefektetéseket érnek el - de ebből mennyi a parasztvakítás? 29:12 - Mennyi az esélye egy AI startupnak az óriáscégek ellen? 30:30 - Na de mis az, hogy AI? Sci-fi vs. tudományos meghatározás 34:33 - Mesterséges vs. természetes intelligencia 37:42 - Hogy tanulunk valójában? Lottery Ticket hipotézis, a "tanulás" megértése, miért viccesek az egyre nagyobb grafikus kártyák 43:52 - Hogyan…

Az MLBP első vendégével, Nagy-Rácz Istvánnal beszélgettünk az adatelemzés magyarországi helyzetéről, hogy miért nem szeretik a vállalati vezetők a black box modelleket, hogy mire jók az online képzések (és mire nem!), és, hogy hogy induljunk el, ha adatos állást szeretnénk! ©2020, minden jog fenntartva