Generic selectors
Exact matches only
Search in title
Search in content
Post Type Selectors
post

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?

MEGOSZTÁS

A mai digitális korban az ajánlások beépítése a vállalati rendszerekbe olyan befektetés, melyet érdemes mindenképpen megvalósítani. Az ajánlórendszerek nemcsak a felhasználói élményt és az elkötelezettséget fokozzák, hanem több bevételt is generálnak a vállalkozások számára.

(Kiemelt kép: Unsplash+)

Az ajánlórendszereket mindenhol használják a jobb ügyfélélmény biztosítása érdekében. Az MI-eszközök és -technológiák hatékonyabbá teszik ezt a műfajt. Másfelől adatvédelmi és jogi aggályok merülnek fel, mivel az ajánlórendszerek a felhasználói adatokon alapulnak. A szervezeteknek tehát óvatosabbnak kell lenniük, amikor a felhasználói adatokat használják fel rendszereik kialakításához. Az MI-alapú ajánlórendszerek folyamatosan fejlődnek, mivel az emberi pszichológia és viselkedés megértése rendkívül összetett. Amikor különböző videókat böngésszük a YouTube-on, látjuk, hogy egy idő után a videoplatform olyan tartalmakat mutat, melyek megegyeznek a korábban megtekintettekkel. Ha például egy TedX videót néztünk meg az MI-nak a munkaerőpiacra gyakorolt hatásairól, egy idő után a YouTube különböző videókat mutathat a mesterséges intelligencia munkahelyekre gyakorolt hatásával kapcsolatban. A YouTube mesterséges intelligenciával működő ajánlórendszere a tudtunk nélkül dolgozott, miközben mi a videókat böngésztük. Mi folyik itt? Az MI hatalmas mennyiségű adatot fogad be a böngészési viselkedés, a preferenciák és a böngészési előzmények alapján, és megpróbál értelmet adni nekik. Mintákat és hasonlóságokat talál az adatokban, és ezek alapján megadja, hogy mi tetszene számunkra. Az ajánlórendszereket mindenhol használják, hogy jobb élményt nyújtsanak a felhasználónak vagy az ügyfeleknek. Minden nagy szervezet használja ezt. Természetesen a kritikusai rámutatnak, hogy az egyéni adatvédelem és a titoktartás feláldozásra került így.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
Az ajánlórendszereket mindenhol használják a jobb ügyfélélmény biztosítása érdekében. Az MI-eszközök és -technológiák hatékonyabbá teszik ezt a műfajt (Fotó: Unsplash+)

Mi is egy ajánlórendszer?

Az ajánlórendszer, leegyszerűsítve, egy olyan mesterséges intelligencia szoftver, mely a felhasználó preferenciái és választása alapján termékeket és szolgáltatásokat ajánl az adott termék vagy szolgáltatás felhasználójának. Hogyan végzi azt, amit csinál? Nos, ahogy a szoftver felhasználója egy idő után használja a szoftvert, a mesterséges intelligencia szoftver rengeteg adatot fogyaszt a böngészési szokásairól, preferenciáiról, a böngészett termékekről vagy szolgáltatásokról és a böngészési előzményekről. Ezután ezekből az adatokból mintákat vagy szokásokat hoz létre, és amikor legközelebb meglátogatják a terméket vagy szolgáltatást, a tanulságok alapján ajánl ajánlatokat. Például, ha sok ördögűzésről szóló filmet néz meg valaki a Netflixen, akkor hasonló műfajú filmeket ajánlhat előbb vagy utóbb. Ajánlórendszereket használ az Amazon, a Netflix, a Spotify, a Pandora, az Apple Music, és sok más szervezet is manapság.

Az ajánlómotor olyan rendszer, mely az adatok elemzése alapján termékeket, szolgáltatásokat, információkat javasol a felhasználóknak. Ettől függetlenül az ajánlás számos tényezőből, például a felhasználó előzményeiből és a hasonló felhasználók viselkedéséből is származhat. Az ajánlórendszerek gyorsan válnak a felhasználók számára az elsődleges eszközzé, hogy a tapasztalataik, viselkedésük, preferenciáik és érdeklődési körük alapján tárják fel az egész digitális világot. Az információs sűrűség és a terméktúlterhelés világában pedig az ajánlómotor hatékony módot biztosít a vállalatok számára, hogy személyre szabott információkat és megoldásokat nyújtsanak a fogyasztóiknak.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
Az ajánlómotor olyan rendszer, mely az adatok elemzése alapján termékeket, szolgáltatásokat, információkat javasol a felhasználóknak. Ettől függetlenül az ajánlás számos tényezőből, például a felhasználó előzményeiből és a hasonló felhasználók viselkedéséből is származhat (Fotó: Unsplash+)

Milyen előnyei vannak az ajánlómotoroknak?

Az ajánlómotor jelentősen növelheti a bevételeket, az átkattintási arányokat (CTR), a konverziókat és más alapvető mérőszámokat. Pozitív hatással lehet a felhasználói élményre, ami magasabb fogyasztói elégedettséget és megtartást eredményezhet. Vegyük példaként a Netflixet. Ahelyett, hogy több ezer dobozos készlet és filmcím között kellene böngészni, a Netflix sokkal szűkebb választékot mutat be számunkra, melyet valószínűleg élvezni is fogunk. Ez a képesség időt takarít meg, és jobb felhasználói élményt nyújt. Ezzel a funkcióval a Netflix alacsonyabb lemondási arányt ért el, amivel a vállalat évente mintegy egymilliárd dollárt takarított meg. Bár az ajánlórendszereket már közel 20 éve használják az olyan vállalatok, mint az Amazon, az utóbbi néhány évben más iparágakban, például a pénzügyekben és a turizmusban is elterjedt.

Hogyan működik valójában?

Az ajánlómotoroknak jobban meg kell ismerniük minket ahhoz, hogy hatékonyak legyenek a javaslataikkal. Ezért az általuk gyűjtött és integrált információk kritikus szempontot jelentenek a folyamatban. Ezek lehetnek kifejezett interakciókra vonatkozó információk, például a mi korábbi tevékenységeinkre vonatkozó információk, az értékeléseink, véleményeink és egyéb, a profilunkra vonatkozó információk, mint például a nem, az életkor vagy a befektetési célok. Ezek kombinálódhatnak az implicit interakciókkal, például a hozzáféréshez használt eszközzel, a linkre való kattintásokkal, a helyszínnel és a dátumokkal. Az ajánlórendszereknek három fő technikája van; tartalomalapú szűrés, kollaboratív szűrés és tudásalapú rendszer.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
Az ajánlómotor jelentősen növelheti a bevételeket, az átkattintási arányokat (CTR), a konverziókat és más alapvető mérőszámokat. Pozitív hatással lehet a felhasználói élményre, ami magasabb fogyasztói elégedettséget és megtartást eredményezhet (Fotó: Unsplash+)

Tartalomalapú szűrés

A tartalomalapú szűrés az egyes felhasználók interakcióin és preferenciáin alapul. Az ajánlások a felhasználó előzményeiből és interakcióiból gyűjtött metaadatokon alapulnak. Az ajánlások például a felhasználó választásának vagy viselkedésének kialakult mintáit vizsgálják. A visszatérő információk, például termékek vagy szolgáltatások a tetszésünkhöz vagy nézeteinkhez kapcsolódnak. Egy ilyen megközelítés esetén minél több információt adunk meg mint felhasználó, annál nagyobb lesz a pontosság. Tekintettel arra, hogy egyes iparágak szolgáltatásai esetében fontosak az adatvédelmi és szabályozási kérdések, a személyes metaadatok és az egyéni tranzakciós adatok kezdetben hiányozhatnak. Ezeket a problémákat az ilyen megközelítést alkalmazó ajánlórendszerek „hidegindítási” problémáiként ismerik. Hidegindításról akkor beszélhetünk, amikor az ajánlórendszer nem tud következtetéseket levonni egy lekérdezésre vonatkozóan, mivel nem áll rendelkezésre elegendő információ hozzá. A tartalomalapú ajánlórendszerek egy sajátos formája az esetalapú ajánlórendszer. Ezek értékelik az elemek hasonlóságát, és széles körben alkalmazzák őket az e-kereskedelemben. Az ilyen típusú megközelítés tipikus példája az olyan ajánlás, mint az „ehhez hasonló termékek”. Összességében azonban ezek a rendszerek a konkrét területre és a rendelkezésre álló kategorizálási szintre korlátozódnak.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
A tartalomalapú szűrés az egyes felhasználók interakcióin és preferenciáin alapul. Az ajánlások a felhasználó előzményeiből és interakcióiból gyűjtött metaadatokon alapulnak (Fotó: Unsplash+)

Együttműködő szűrés

A kollaboratív szűrés egy másik gyakran használt technika. A kollaboratív szűrés sokkal szélesebb hálót vet ki, sok más felhasználó interakcióiból gyűjti össze az információkat, hogy javaslatokat származtasson számunkra. Ez a megközelítés más, hasonló ízlésű vagy helyzetű felhasználók alapján tesz ajánlásokat. Például az ő véleményük és cselekedeteik alapján javasol termékeket, vagy azonosítja, hogy az egyik termék hogyan illeszkedhet egy másikhoz. A „következő vásárlás” ajánlások tipikus felhasználási módja. A kollaboratív szűrési módszer általában nagyobb pontossággal rendelkezik, mint a tartalomalapú szűrés; ugyanakkor némi nagyobb változékonyságot és néha kevésbé értelmezhető eredményeket is hozhat. Különösen gyengék a korábban gyűjtött adatok hiányában. Másokról szóló érdemi információk nélkül természetesen nehezebbé válik az egyszemélyes akciókban való részvétel.

Tudásalapú rendszer

A tudásalapú rendszerek olyan rendszerek, ahol a javaslatok a felhasználó igényeire vonatkozó befolyáson alapulnak, és bizonyos fokú területi szakértelemre és tudásra épülnek. Olyan szabályokat határoznak meg, melyek az egyes ajánlások kontextusát határozzák meg. Ezek például olyan kritériumok lehetnek, melyek meghatározzák, hogy egy adott pénzügyi termék, például egy hitel, mikor lenne előnyös a felhasználó számára. Ezeknek alapértelmezés szerint nem kell ugyanúgy felhasználniuk a felhasználó interakciós előzményeit, mint a tartalomalapú megközelítésnek, hanem ezeket, valamint az ügyfelek termékeinek és szolgáltatásainak attribútumait, valamint egyéb szakértői információkat is figyelembe vehetnek. Tekintettel a rendszer felépítésének módjára, az ajánlások könnyen megmagyarázhatók. Az ilyen típusú keretrendszer kiépítése azonban költséges lehet. Inkább olyan összetett területeken alkalmazható, ahol ritkán vásárolnak termékeket, vagy ahol ezért hiányoznak az adatok. Tekintettel erre, nem szenved ugyanazoktól a hidegindítási problémáktól, mint a fentiek.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
A tudásalapú rendszerek olyan rendszerek, ahol a javaslatok a felhasználó igényeire vonatkozó befolyáson alapulnak, és bizonyos fokú területi szakértelemre és tudásra épülnek (Fotó: Unsplash+)

Milyen kihívásokkal kell szembenéznie egy ajánlórendszernek?

Az adatok ritkasága

Üres vagy nulla értékeket tartalmazó értékek soraival teli adatkészletek. Ezért kritikus fontosságú, hogy megtaláljuk a módját az adathalmaz sűrűbb és információt tartalmazó részeinek felhasználásának.

Látens asszociáció

A címkézés tökéletlen. Ugyanazok a termékek eltérő címkézéssel figyelmen kívül hagyhatók vagy helytelenül fogyaszthatók, ami azt jelenti, hogy az információ nem épül be megfelelően.

Skálázhatóság

A hagyományos megközelítést túlterhelte a termékek és ügyfelek sokasága. Ez az adathalmazok bővülésével kihívást jelent, és teljesítménycsökkenéshez vezethet.

Hogyan mérik az ajánlórendszereket?

A megfelelő rendszer jellemzője a releváns ajánlások nyújtása. A hagyományos mérési technikák közé tartoznak a pontossági vagy lefedettségi mérések. A pontosságot úgy lehet leírni, mint a helyes ajánlások hányadát az összes lehetséges ajánlásból. A lefedettség azon elemek vagy felhasználók számát méri, melyekhez a rendszer ténylegesen képes ajánlást adni. Például a pontosság lehet magas, ugyanakkor a lefedettség alacsony. Ez akkor fordulhat elő, ha a jogosult részhalmaznak szóló ajánlás érvényes és pontos. Vagy akkor, ha a megfelelő részhalmaznak szóló ajánlások érvényesek és pontosak voltak, ugyanakkor sokan kikerültek, mivel kevés felhasználó értékelt egy elemet.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
A megfelelő rendszer jellemzője a releváns ajánlások nyújtása. A hagyományos mérési technikák közé tartoznak a pontossági vagy lefedettségi mérések. A pontosságot úgy lehet leírni, mint a helyes ajánlások hányadát az összes lehetséges ajánlásból (Fotó: Unsplash+)

A felhasználói élmény a kulcs

Általánosságban elmondható, hogy az ajánlómotorok több információval csak javulnak. Azok az ajánlómotorok, melyek intelligens, intuitív, vizuális megjelenítési technikákat mutatnak be az eredményeikhez, sokkal valószínűbb, hogy biztosítják az ismételt látogatásokat. Így azok az ajánlómotorok, melyek tovább kísérik a felhasználóikat az egyre több információ és termék keresése során, egyre több és több alapinformációt gyűjtenek a későbbi felhasználás érdekében. Az ajánlómotor önfenntartó, folyamatosan javuló környezetének megteremtése sokkal többre támaszkodik, mint magának a motornak a felkészítése.

Gyakori felhasználási esetek

Vegyük újra a Netflix példáját. Az ajánlómotor a Netflix központi eleme. A platformon nézett tévéműsorok több mint 80%-át az ajánlórendszeren keresztül fedezik fel. A rendszer különlegessége, hogy nem a széles műfajokat vizsgálja, hanem a tartalmakon belüli árnyalt szálakat. A cél az, hogy segítsen a nézőknek megtörni az előítéleteket, és megtalálni azokat a műsorokat, melyeket eredetileg talán ők választottak volna. A Netflix ajánlómotorja „háromlábú zsámoly” munkakoncepciót használja. Az első láb az előzmények, hogy a Netflix-tagok mit néztek. A címkéket a Netflix munkatársai végzik, akik mindent megértenek a tartalomról és a saját gépi tanulási algoritmusokról, melyek az összes adatot veszik és összerakják a belőlül majd a bégső dolgokat.

Az ilyen ajánlómotorok munkakoncepciója intelligens döntéstámogató rendszerként szolgálhatnak, melyek más iparágak számára is elősegítik a termékek és szolgáltatások értékesítési tevékenységét. Ezek javíthatják az értékesítési képviselők hatékonyságát, vagy automatikus döntéshozatali folyamatokat hozhatnak létre maguk az ügyfelek számára. Az ajánlómotorok közvetlenül a fogyasztók számára is bevethetők. A Credit Karma például egy kaliforniai fintech startup, mely ingyenes hozzáférést biztosít a hitelpontszámokhoz és a teljes hiteltörténethez, és a hitelkártyákra, hitelekre és egyéb termékekre vonatkozó személyre szabott ajánlásokból pénzt keres a felhasználóinak. Ajánlórendszere a felhasználók hiteltörténetére és aktuális helyzetére vonatkozó több millió adatra támaszkodik, hogy olyan termékeket javasoljon, melyek nemcsak érdekelhetik a felhasználót, hanem nagy valószínűséggel meg is kapják a jóváhagyást, és így hosszú távú előnyökkel járnak.

Összefoglalva, az ajánlórendszerek egyre inkább beépülnek az emberi élet minden területére és a döntéshozatali folyamatokba. Ez a jelenség más iparágakban sincs másképp, különösen a fogyasztóbarát vállalatoknál, ahol az információ túlterheltsége, az ügyfelek növekvő elvárásai és a költségcsökkentés egyre több esetben vezetnek az ajánlómotorok használatához. Végső soron az ügyfélélmény javítását és a tanácsadók hatékonyságának maximalizálását egyaránt szolgálja.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
Az ajánlórendszerek egyre inkább beépülnek az emberi élet minden területére és a döntéshozatali folyamatokba. Ez a jelenség más iparágakban sincs másképp, különösen a fogyasztóbarát vállalatoknál, ahol az információ túlterheltsége, az ügyfelek növekvő elvárásai és a költségcsökkentés egyre több esetben vezetnek az ajánlómotorok használatához (Fotó: Unsplash+)

Hogyan változtatja meg a mesterséges intelligencia a szabad akarat fogalmát

A szabad akarat egy csomó fogalmat foglal magában, de lényegében a következőre fut ki: a szabad akarat az ember feltételezett ereje vagy képessége arra, hogy döntéseket hozzon vagy cselekedeteket hajtson végre, függetlenül az univerzum bármely korábbi eseményétől vagy állapotától. Sok vita folyik arról, hogy az embereknek valóban van-e szabad akaratuk, és meggyőző érvek szólnak ellene. De egyelőre tegyük fel, hogy a szabad akarat létezik, és mi vagyunk a döntéseink urai. De egy nagyon érdekes érv lehet, hogy a szokások nagyon el tudják homályosítani a szabad akaratot és a kemény determinizmus közötti különbséget. De itt még mindig „tiszta a levegő”, hiszen értékelhetnénk a döntést úgy is, mint egy meglehetősen hosszú távú döntést, melyet sok megfontolással hoztunk, és addig ismételgettük, amíg már nem volt tudatos döntés.

Bár a szokások esetében még mindig láthatjuk, hogy a szabad akarat terméke valami, ami még érdekesebbé teszi a vitát, az a függőségek jelenléte. A függőségek nem feltétlenül öncélúak, és némelyiküktől olyan nehéz megszabadulni, hogy valóban megkérdőjelezik az egész szabad akarat és a kemény determinizmus határát. Bár számos embert láttunk már függőség után józannak lenni, de sokan vannak olyanok is, akik hamarosan visszaesnek. De a szabad akarat és a választás körüli vita közben, a mesterséges intelligencia látszólag a semmiből bukkant elő, így érdemes megvizsgálnunk ezt az aspektust is. Az MI azon része, melyről elsősorban beszélni fogunk, az ajánlórendszerek, az egyszerűség kedvéért az MI kifejezést fogjuk használni rájuk a továbbiakban.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
A szabad akarat az ember feltételezett ereje vagy képessége arra, hogy döntéseket hozzon vagy cselekedeteket hajtson végre, függetlenül az univerzum bármely korábbi eseményétől vagy állapotától (Fotó: Unsplash+)

A legtöbb ember a mindennapi életében így vagy úgy, de használja az internetet tartalomfogyasztásra, a neki tetsző termékek megvásárlására, az általa létrehozott dolgok eladására, alapvetően mindenféle tranzakcióra. Nagyon sokan vannak, akik teljes mértékben az interneten működnek, még ezt a cikket is az interneten olvassa most a nyájas olvasó. Az olyan cégek, mint a YouTube, a Netflix, az Amazon, olyan közismert nevek, melyekkel nagy valószínűséggel napi kapcsolatban állunk: és ezek a cégek szeretik, ha az olyan értékes időnket az alkalmazásukon töltjük. Mert így hirdetéseket tudnak mutatni, és ezekből a hirdetésekből pénzt keresnek. A globális online hirdetési iparág értéke jelenleg 319 milliárd dollár, és a következő 5 évben várhatóan jóval meghaladja az 1 billió dollárt.

Ahhoz, hogy sokáig lekössenek minket, meg tudják mutatni az összes különböző dolgot, ami a kínálatukban van, vagy megmutathatják azt, amiről úgy gondolják, hogy tetszene számunkra. Ez alatt azt értjük, hogy van „valaki a képernyő másik oldalán”, aki azt nézi, hogy mit vásároltunk vagy nézetünk. Mit tettünk fel a kívánságlistára, és látjuk, hogy a hozzánk hasonló emberek mit láttak és mit szerettek, és nekünk is ugyanezt mutatják így. Csakhogy a képernyő másik oldalán lévő valaki az éppen ma már biztos, hogy egy mesterséges intelligencia ágens lesz. Az MI tanul a kapott adatokból, és idővel egyre jobban megjósolja, hogy mi tetszik nekünk. Végül egy ponton annyira jó lesz benne, hogy jobban tudja majd, mi tetszik nekünk, mint mi magunk. Olyan termékeket fog mutatni nekünk, melyekről nem is tudtuk, hogy tetszenének. Mivel ez egy csomó adaton alapul, melyeket a rendszerrel való napi interakcióidból rögzítettek évek során, a végén sokkal több dolgot fogunk vásárolni. Legálisan még mindig mi lennénk azok, akik megvesszük a dolgokat, de tényleg mi voltunk-e azok? Lényegében a mesterséges intelligencia, mondhatnánk, meghozza a döntést helyettünk, és bár ez vitatható, de mindenképpen ijesztő kilátásnak tűnik. Egyrészt mi vagyunk azok, aki rákattintottak a gombra, megadtuk a kártyaadatainkat, és végrehajtottuk a vásárlást, de másrészt vajon tényleg mi hoztuk-e meg a döntést?

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
Legálisan még mindig mi lennénk azok, akik megvesszük a dolgokat, de tényleg mi voltunk-e azok? Lényegében a mesterséges intelligencia, mondhatnánk, meghozza a döntést helyettünk, és bár ez vitatható, de mindenképpen ijesztő kilátásnak tűnik (Fotó: Unsplash+)

Ez egy teljesen új perspektívát nyit meg azzal kapcsolatban, hogy a mesterséges intelligencia hamarosan sok döntésünket fogja irányítani. Ami még ijesztőbb, az a tény, hogy a mesterséges intelligencia egy „másik ember” tulajdonában van, és ez etikai kérdések egész sorát veti fel. Nem lenne a legfelháborítóbb dolog azt mondani, hogy ez a „személy” sokkal jobban irányíthatja az életünket, mint mi magunk. Ehhez járul még az a tény, hogy a szabályozás nem tudott lépést tartani az ilyen technológiák gyors fejlődésének ütemével. Így, mivel országaink törvényhozásában egyre kevesebben vannak tisztában ezeknek a technológiáknak a hatalmával, olyan helyzetbe kerülhetünk, hogy talán már túl késő lesz ezen aggódnunk egy napon. Bár egyes kormányok és szervezetek keményen próbálnak lépést tartani, ez határozottan nem elég.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?
Ez egy teljesen új perspektívát nyit meg azzal kapcsolatban, hogy a mesterséges intelligencia hamarosan sok döntésünket fogja irányítani. Ami még ijesztőbb, az a tény, hogy a mesterséges intelligencia egy „másik ember” tulajdonában van, és ez etikai kérdések egész sorát veti fel (Fotó: Unsplash+)

Az egyik mód, amivel küzdhetünk ez ellen, természetesen az, hogy csökkentjük az ezeknek az alkalmazásoknak való kitettségünket. Mivel életünk egyre nagyobb része „mozog” az interneten, nagy kérés lesz az emberektől az, hogy ezt a lépést ténylegesen meg is tegyék. Egy másik módja lehet, hogy megértjük és nagyon óvatosan bánunk azokkal az engedélyekkel, melyeket a telefonunkra letöltött alkalmazásoknak vagy a laptopunkon lévő weboldalaknak adunk. Végül pedig csökkenthetnénk a telefonunkon töltött időt is, de ha a legtöbb ember a környezetedben a készülékekhez ragaszkodik (valósággal kötődik és függ tőle), valóban nehéz lesz tartózkodni ezektől a kísértésektől a dolgos hétköznapokban. Az egyik módja a leküzdésére az lehetne, ha az ilyen dolgokról nagyobb körben társadalmi vitákat kezdeményeznének, és a jól tájékozott szakemberek által létrehozott komolyabb szabályozást hoznának létre. Ennek a vitának nem az volt a célja, hogy egyfajta orwelli jövőt vázoljunk fel, ahol mindent ellenőriznek, de az a tény, hogy egy ilyen vita egyáltalán szóba kerülhet, eléggé aggasztó jövőt vázol fel számunkra.

Hogyan javítják a nagy nyelvi modellek az ajánlórendszereket?

IT EXPERTS-TECH LEADERS 2024 FELHŐ A JAVÁBÓL KONFERENCIA

PODCAST

ICT Global News

VIDEOGALÉRIA
FOTÓGALÉRIA

Legnépszerűbb cikkek

ICT Global News

Iratkozz fel a hírlevelünkre, hogy ne maradj le az IT legfontosabb híreiről!