Egy hipermarket villamosenergia-fogyasztásának negyedórás időközönként történő elemzése önmagában is komoly kihívást jelent, azonban mi történik akkor, ha az előrejelzés pontosságát kívánjuk növelni? Obádovics Csilla és Szabados Levente tanulmánya pontosan erre a kérdésre keresi a választ, bemutatva egy módszertani kísérletet, amely a hagyományos előrejelzési eljárások és a legmodernebb mesterséges intelligencia alapú modellek összehasonlítására fókuszál.  A kutatás háttere  A szerzők egy magyarországi hipermarket 2007 szeptembere és 2008 júliusa közötti részletes fogyasztási adatait vizsgálták, amelyeket negyedórás bontásban rögzítettek. A cél az volt, hogy időjárási adatok, látogatószám és egyéb változók figyelembevételével 48 órára előre jelezzék az ipari fogyasztók villamosenergia-felhasználását. A kutatás egyik fő célkitűzése egy szabványosítható energiagazdálkodási irányítási rendszer alapjainak lefektetése.  Az előrejelzés gazdasági jelentősége  A pontos energiafogyasztási előrejelzések kiemelt szerepet játszanak a villamosenergia-beszerzés

A mesterséges intelligencia (MI) területén az elmúlt időszakban jelentős változások történtek, amelyek új kérdéseket vetnek fel a technológia jövőjével kapcsolatban. Szabados Levente, a Frankfurt School docense és a Neuron Solutions társalapítója egy interjúban osztotta meg gondolatait a legújabb fejleményekről és azok lehetséges következményeiről.  Skálázhatóság és adatéhség  Az MI-modellek fejlesztésében eddig az volt az uralkodó nézet, hogy minél nagyobb egy modell, annál jobb teljesítményre képes. Ez a paradigma azonban mostanra megkérdőjeleződni látszik. Az OpenAI ChatGPT 5 tréningezése során kiderült, hogy a nagyobb adatmennyiség és számítási teljesítmény nem hozta meg a várt javulást. Ezzel szemben a kínai DeepSeek egy kisebb és olcsóbb modellt mutatott be, amely bizonyos területeken jobban teljesít. A probléma gyökere az adatok minőségében és mennyiségében rejlik. A jelenlegi modellek már

Szabados Levente társalapítónkkal Kovács Nagy Áron beszélgetett a mesterséges intelligencia orvosi diagnosztikában betöltött szerepéről és kihívásairól. A mesterséges intelligencia (MI) alkalmazása az orvostudományban ígéretes lehetőségeket rejt magában, de nem mentes a kihívásoktól. Egy friss tanulmány szerint az MI modellek néha meglepő és haszontalan következtetéseket vonnak le. Például térd röntgenfelvételek elemzésekor az MI arra a megállapításra jutott, hogy a páciens sört fogyaszt. Ez a jelenség a short cut learning nevű problémára hívja fel a figyelmet. Short Cut Learning jelenség A short cut learning azt jelenti, hogy az MI modellek irreleváns mintázatok alapján hoznak döntéseket. Például, amikor a fagylalt fogyasztása nő, a cápatámadások száma is emelkedik. Ennek oka nem az, hogy a fagylaltnak köze lenne a cápákhoz, hanem az, hogy jó időben