1. AGILIS SZERVEZETEK KOMMUNIKÁCIÓJA Konferencia
2023. szeptember 22.
MTA GTB Kommunikációmenedzsment Munkabizottság
online konferencia
Dr. habil. Kollár Csaba PhD.
A MESTERSÉGES
INTELLIGENCIA
LEHETŐSÉGEI AZ AGILIS
SZERVEZETI
KOMMUNIKÁCIÓBAN

2. BEMUTATKOZÁS

3. Gondolatok a mesterséges intelligenciáról

4. Adatok
Rengeteg adat áll rendelkezésre, ezek mennyisége folyamatosan növekszik
Számítási kapacitás
Olyan számítások is elvégezhetők belátható időn belül, amire tíz évvel ezelőtt
még a szuperszámítógépek sem voltak képesek
Algoritmusok
A mesterséges intelligenciát támogató algoritmusok, statisztika és
valószínűségszámítás, regressziós modellek, klasszifikáció, klaszterizáció,
lágyszámítási módszerek megjelenése a gyakorlati, összetett, komplex, bonyolult
problémák megoldásában
Szinergia
Technológiák fejlődése és összekapcsolása
Mesterséges intelligencia – miért most?

5. • Testet öltött vs. saját testtel nem rendelkező MI
• Testen viselhető okoseszközök (óra, cipő, póló, külső
„csontváz”)
• Testben levő okoseszközök (implantátumok, egészségügyi
monitoring)
• Hordozható okoseszközök (telefon, tablet)
• Intelligens (önvezető) autók, járművek, humanoid robotok
• Intelligens épületek/létesítmények (domotika)
• Intelligens szervezetek/vállalatok
• Intelligens település/város
• Intelligens ország/társadalom (kínai TKR)
• Intelligens Föld
A mesterséges intelligencia léptékei

6. 1. Nem nyújt semmilyen segítségét, mindent az ember csinál.
2. Teljes körű cselekvési alternatívákat kínál.
3. Leszűkíti a cselekvést néhány választási lehetőségre.
4. Egyetlen tevékenységet/műveletet végez.
5. Végrehajtja a műveletet, ha az ember jóváhagyja azt.
6. Mielőtt a műveletet végrehajtaná, lehetőséget ad az embernek,
hogy azt megvétózza.
7. Automatikusan hajtja végre a műveletet, de erről feltétlenül
tájékoztatja az embert.
8. A művelet automatikus végrehajtás után csak akkor tájékoztatja az
embert, ha az kéri.
9. A művelet automatikus végrehajtása után csak akkor tájékoztatja
az embert, ha ilyen döntést hoz.
10.Maga dönt el mindent, automatikusan működik, figyelmen kívül
hagyva az embert.
A GÉP AUTONÓMIÁJA – a számítógép…

7. Mesterséges intelligencia Humán intelligencia
• Képes az emberi viselkedés és a
kognitív folyamatok szimulációjára
• Megragadja és megőrzi az emberi
szakértelmet és kommunikált
tapasztalatot
• Nagy mennyiségű adatot képes
gyorsan megérteni, gyorsan ad
választ
• Nincs józan ész
• Nem tud egyszerre vegyes tudással
foglalkozni
• Sokba kerül a fejlesztése
• Jogi és etikai kérdéseket és
problémákat vet fel
• Intuíció, józan ész, ítélet,
kreativitás, hit
• Az intelligencia bemutatásának
képessége hatékony kommunikáció
révén
• Érvelés és kritikus gondolkodás
• Az ember hibázik
• Korlátozott tudásbázis
• A számítógéphez képest az
adatfeldolgozás lassan történik az
agyban
• Az ember nem képes nagy
mennyiségű adat tárolására a
memóriájában

8. Mit is jelent az agilis kommunikáció?

9. • Rugalmas kommunikációs csatornák: Az agilis szervezetek szabadabban használják a
különböző kommunikációs csatornákat, például digitális platformokat, közösségi média
eszközöket, és gyakran támogatják a virtuális kommunikációt is.
• Közös célok és értékek: Az agilis szervezetek az értékekre és közös célokra helyezik a
hangsúlyt, és ezen értékek mentén kommunikálnak és együttműködnek.
• Átláthatóság: Az agilis szervezetekben az átláthatóság fontos szerepet játszik a
kommunikációban. A munkavállalók számára meg kell osztani az információkat és a
döntéseket.
• Közös gondolkodás: Az agilis kommunikáció olyan kultúrát ösztönöz, amelyben a
munkavállalók aktívan részt vesznek a gondolkodásban és az ötletelésben.
• Gyors visszajelzés: Az agilis szervezetek gyorsan reagálnak a visszajelzésekre és a
változásokra a kommunikáció terén.
• Csapatmunka: Az agilis kommunikáció hangsúlyozza a csapatmunkát és a csoportok
közötti hatékony kommunikációt.
• Következetes fejlődés és tanulás: Az agilis szervezetek a folyamatos fejlődést és
tanulást is előtérbe helyezik, és ennek érdekében olyan kommunikációs gyakorlatokat
alkalmaznak, amelyek lehetővé teszik a gyors adaptációt és javítást.
Egy kis ismétlés…

10. MI/mi és az agilis kommunikáció

11. • Nyelvi elemzés: Az MI képes az írott szövegek nyelvi elemzésére, beleértve az
automatikus nyelvfeldolgozást (NLP), ami segít az értelmezhetőség, a nyelvtan
és a szemantika elemzésében.
• Tartalomcímkézés: Az MI címkézheti a szövegek tartalmát, például az
entitásokat, kategóriákat vagy kulcsszavakat, amelyek segítenek az
információk kategorizálásában és kereshetővé tételében.
• Érzelemanalízis: Az MI érzelmi elemzést végezhet a szövegekben található
kifejezések alapján, megértve az író hangulatát vagy a szövegben kifejezett
érzelmeket.
• Tartalomösszefoglalás: Az MI képes rövid összefoglalók generálására hosszabb
szövegekből, amelyek segítik az információgyűjtést és a gyors megértést.
• Szövegösszehasonlítás: Az MI összehasonlíthatja különböző szövegeket vagy
dokumentumokat, és azonosíthatja a hasonlóságokat vagy különbségeket.
• Kontextusérzékenység: Az MI képes értelmezni a szövegben található
kontextust, ami fontos a helyes értelmezéshez és az esetleges többértelműség
feloldásához.
Írott szöveg tartalmi elemzése

12. • Neurális hálózatok: Az MI rendszerek általában mély neurális hálózatokat használnak a
szöveggeneráláshoz. Ezek a hálózatok tanulnak az emberi írástól, és képesek strukturált és
értelmes szövegeket előállítani.
• Szekvencia-generáló modellek: Az MI alkalmazások gyakran használnak szekvencia-generáló
modelleket, például rekurrens neurális hálózatokat (RNN) vagy transzformációs hálózatokat
(Transformer), amelyek képesek az egyik szekvenciából (például szavak vagy karakterek
sorrendjéből) generálni egy másikat.
• GPT (Generative Pre-trained Transformer): A GPT típusú modellek előre tanítottak nagy
mennyiségű szövegen, és képesek az előzetes tanulás alapján intelligens szövegeket generálni.
Ezek a modellek kontextust is figyelembe vesznek a generálás során, így értelmes és következetes
szövegeket hoznak létre.
• Fine-tuning: A generatív modelleket gyakran további finomhangolásnak vetik alá konkrét
feladatokhoz vagy igényekhez. Például a GPT modellt finomhangolják olyan területeken, mint a
hírek írása vagy a chatbotok.
• Kontrollált generáció: Az MI rendszerek lehetővé teszik a felhasználók számára a generált
szövegek irányítását. Ezen vezérlők segítségével a felhasználók képesek befolyásolni a stílust, a
hangnemet vagy a témát a generált szövegekben.
• Adathalmazok és visszacsatolás: Az MI modellek gyakran nagy mennyiségű írott szöveget
tanulnak, ami hozzájárul a jobb szöveggeneráláshoz. Az emberek visszajelzése is segít finomítani a
modelleket.
Írott szöveg generálása

13. • Beszédfelismerés: Az MI az audió adatok alapján képes azonosítani a
kiejtett szavakat és mondatokat, valamint lefordítani őket írott szöveggé.
• Hangszín és intonáció elemzés: Az MI megérti a hangszínt és az intonációt,
ami érzelmek, hangulat és szándékok kiderítésében segíthet.
• Automatikus transzkripció: Az MI automatikusan átírja a beszédet írott
szöveggé, ami kereséseket és további elemzéseket tesz lehetővé.
• Érzelemanalízis: Az MI az érzelmeket is képes azonosítani a hangszín és a
beszédminta alapján, ami segít a beszélő állapotának megértésében.
• Téma azonosítás: Az MI képes azonosítani a beszélő által érintett témákat
vagy kulcsszavakat, amelyek segíthetik az információ kategorizálását.
• Összehasonlítás és azonosítás: Az MI összehasonlíthatja a mondott
szöveget más szövegekkel vagy referenciákkal, és azonosíthatja a
hasonlóságokat vagy különbségeket.
Mondott/hallott szöveg tartalmi elemzése

14. • GPT (Generative Pre-trained Transformer): A GPT típusú modellek képesek a saját
beszédgenerálásra azáltal, hogy előre tanítják őket hatalmas szövegkorpuszokon. Az ilyen
modelleknek van egy "kreatív" rétege, amely képes új szavakat és mondatokat generálni az adott
kontextusban.
• Rekurrens neurális hálózatok (RNN): Az RNN-ek olyan hálózatok, amelyek képesek sorozatokat
előállítani, ideértve a saját beszédüket is. Az ilyen hálózatok a korábban generált szavakat
használják a következők előállításához, és így hoznak létre folyamatosan növekvő szövegeket.
• Mintázatfelismerés és tanulás: Az MI képes felismerni a korábbi beszédének mintázatait és
stílusát, majd ezeket a mintákat alkalmazva generálja a saját beszédét. Ez hasznos lehet például
szintén idézetek vagy stílusminta megjelenítésére.
• Finomhangolás és visszacsatolás: Az MI modellt gyakran finomhangolják, hogy személyre szabják
vagy javítsák a saját beszédgenerálását. A felhasználói visszajelzések segíthetnek finomítani a
generált beszéd minőségét.
• Kontextusfigyelés és interakció: Az MI képes figyelembe venni a környező kontextust és az
interakciót a generált beszéd során. Például egy chatbot esetében az MI az előző beszélgetéseket
figyelheti, hogy értelmes válaszokat adjon az aktuális kérdésekre.
• Stílusváltás és többféle beszédstílus: Az MI képes különböző beszédstílusok generálására,
beleértve az informatív, szórakoztató, vagy éppen hivatalos stílust is. Ez lehetővé teszi a
változatosság és az alkalmazkodás a különböző kommunikációs helyzetekhez.
Mondott szöveg generálása

15. • Képek előfeldolgozása: Az első lépésben a képeket előfeldolgozzák, hogy optimalizálják a tanulási
és felismerési folyamatot. Ide tartozik a képek méretének normalizálása, színes információk
szürkeárnyalatúvá konvertálása vagy zajok eltávolítása.
• Konvolúciós neurális hálózatok (CNN): A képi tartalom felismeréséhez gyakran használnak
konvolúciós neurális hálózatokat (CNN). Ezek a hálózatok olyan szűrőkkel rendelkeznek, amelyek a
képeken keresztül mozognak, és különböző jellemzőket (pl. élek, alakzatok) keresnek.
• Képek reprezentációja: A CNN hálózatok rétegeinek segítségével a képek reprezentációja
hierarchikusan épül fel. Az alsó rétegek alacsony szintű jellemzőket fedeznek fel (pl. vonalak), míg
a felső rétegek magasabb szintű jellemzőket azonosítanak (pl. arcok).
• Tanítás adathalmazok alapján: A CNN hálózatokat nagy mennyiségű címkézett képi adathalmazzal
tanítják be. Az adathalmaz tartalmazza a képek és azokhoz tartozó címkék (pl. kategóriák vagy
objektumok) információját.
• Szegmentálás és objektumfelismerés: A felismerés során az MI képes a képeket szegmentálni,
vagyis azonosítani az egyes objektumokat vagy területeket, és ezekhez címkéket rendelni a tanult
kategóriákból.
• Tesztelés és értékelés: Az MI rendszerek tesztelése során új képeket mutatnak be nekik, és a
rendszer megpróbálja azonosítani a rajtuk lévő tartalmat. Az értékelés során a rendszer
teljesítményét az összevetés során méri fel, és a pontosságot vagy a címkézési hibákat értékeli.
Képi tartalom felismerése

16. • Generatív modellek: Az MI felhasznál generatív modelleket, például Generative
Adversarial Networks (GANs) vagy Variational Autoencoders (VAEs), amelyek képesek
valósághű képek létrehozására a tanult mintákból és jellemzőkből.
• Tanulás adathalmazokból: A generatív modellek tanulnak nagy mennyiségű képi
adathalmazból, és képesek azok alapján új képeket generálni. Minél több adatot
kapnak, annál pontosabb és sokszínűbb képeket hoznak létre.
• Kontextus és szimulációk: Az MI képes a kontextus és a környezet alapján képeket
generálni. Például egy stílus vagy témaválasztás alapján képesek eltérő stílusú vagy
témájú képeket előállítani.
• Kreatív generálás: Az MI nemcsak reprodukálja a már látott képi elemeket, hanem
kreatív módon is létrehozhat új, egyedi képi tartalmakat, például festményeket vagy
designokat.
• Személyre szabott tartalom: Az MI lehetővé teszi a felhasználók számára személyre
szabott képi tartalom generálását. Például a fotószerkesztő alkalmazások képesek a
felhasználók arcának szépítésére vagy képek effektekkel történő díszítésére.
• Tudományos és tervezési alkalmazások: Az MI generálhat képeket tudományos
szimulációkhoz vagy tervezési folyamatokhoz. Például lehetővé teszi az új anyagok
vizualizálását vagy építészeti tervek elkészítését.
Képi tartalom generálása

17. • Továbbfejlesztett előrejelzések: Az MI képes elemzéseket végezni a korábbi kommunikációs
mintázatok alapján, és előrejelzéseket tenni a jövőbeli kommunikációs szükségletekről. Ez
lehetővé teszi az agilis szervezetek számára, hogy előzetesen felkészüljenek a változásokra.
• Személyre szabott ajánlások: Az MI segíthet személyre szabott kommunikációs ajánlások
generálásában az egyes munkavállalók vagy csoportok számára, hogy hatékonyabban tudjanak
kommunikálni és együttműködni.
• Kommunikációs hatékonyság javítása: Az MI elemzheti a kommunikációs folyamatok
hatékonyságát, azonosíthatja a felesleges információkat vagy redundáns kommunikációt, és
javaslatokat tehet a hatékonyabb kommunikáció érdekében.
• Konfliktuskezelés előrejelzése: Az MI képes azonosítani a lehetséges konfliktusokat vagy
problémás helyzeteket a kommunikációs folyamatokban, így lehetőséget teremt a korai
beavatkozásra és a konfliktusok megelőzésére.
• Időzített kommunikáció: Az MI segíthet az optimális időzítésű kommunikáció tervezésében. Az
előrejelző elemzések alapján a szervezetek tudják, hogy mikor érdemes bizonyos üzeneteket vagy
információkat megosztani.
• Trendelemzés és fejlesztési irányok: Az MI elemzései felvázolhatják a kommunikációs trendeket,
amelyek segítik az agilis szervezeteket az új kommunikációs stratégiák kidolgozásában és az agilitás
javításában.
Prediktív elemzés

18. • Adatelemzés és prediktív elemzés: Az MI lehetővé teszi az adatok gyors elemzését és prediktív
elemzését. Ez segít az agilis szervezeteknek megérteni a jelenlegi helyzetüket és előrejelzéseket
tenni a jövőbeli trendekről, ami segíti a döntéshozatalt.
• Kommunikációs mintázatok elemzése: Az MI képes azonosítani a kommunikációs mintázatokat és
tendenciákat a belső és külső kommunikációban. Ez segíthet a döntéshozóknak az információk
megértésében és az időbeni reagálásban.
• Automatizált döntéstámogatás: Az MI rendszerek képesek automatizált döntéstámogatást
nyújtani azáltal, hogy felismerik a szokásos döntési helyzeteket és javaslatokat tesznek a
lehetséges lépésekről.
• Kockázatelemzés és szimulációk: Az MI segíthet a kockázatelemzésben és szimulációk
végzésében, amelyek segítik a döntéshozókat abban, hogy a döntéseik potenciális
következményeit előre lássák.
• Személyre szabott információk: Az MI képes személyre szabott információkat és jelentéseket
generálni a döntéshozók számára, ami segíti őket az információk könnyebb értelmezésében és a
döntéshozatalban.
• Döntéshozók támogatása az érvekkel: Az MI rendszerek képesek összegyűjteni és prezentálni az
érveket és adatokat a döntéshozók számára, hogy segítsék a döntés megalapozását.
Döntéstámogatás MI segítségével

19. Kitekintés a jövőbe

20. • Chatbotok és virtuális asszisztensek: Az MI segítségével egyre intelligensebb chatbotok
és virtuális asszisztensek jelennek meg, amelyek képesek interaktív és
kontextusérzékeny kommunikációra, és támogatják az ügyfélszolgálatot és a belső
kommunikációt.
• Automatizált tartalomgenerálás: Az MI rendszerek képesek tartalmak generálására,
például hírek írásra vagy jelentések készítésére, ami segíti az agilis kommunikációt a
tartalomgyártásban.
• Szavazási és értékelési rendszerek: Az MI segítségével kialakíthatók automatizált
szavazási és értékelési rendszerek a csoportközi kommunikációban, amelyek lehetővé
teszik a gyors és hatékony visszajelzéseket.
• Nyelvi fordítás és lokalizáció: Az MI rendszereknek köszönhetően könnyebben és
gyorsabban fordíthatók és lokalizálhatók a kommunikációban használt szövegek és
tartalmak, ami lehetővé teszi a nemzetközi kommunikációt.
• Adathalmazok és tanulás: Az MI rendszerek továbbra is tanulnak a kommunikációs
adathalmazokból, és egyre pontosabbá válnak az agilis kommunikáció támogatásában.
• Hangalapú kommunikáció: Az MI fejlesztése lehetővé teszi a hangalapú kommunikáció
elemzését és kezelését, ami segít a hangalapú üzenetek hatékonyabb kezelésében.
MI trendek és fejlesztések az agilis kommunikációban

22. • Társadalmi kredit rendszere adat- és
információbiztonsági kihívásainak kutatása
• Aláírásazonosítás és -hamisításdetektálás mesterséges
intelligencia segítségével
• Az ipar 4.0 kihívásai a szervezetek életében az
MI/robotizáció fókuszában
• Mesterséges Intelligencia Műhely
• Mesterséges intelligencia a biztonságtechnikában című
tantárgy
• Releváns szak- és diplomadolgozati, illetve TDK témák
• Konferenciaelőadások és szakmai tanulmányok
Kapcsolódó aktivitásunk a Bánki Karon

23. Köszönöm megtisztelő figyelmüket!
Dr. habil. Kollár Csaba PhD.
Kibernetikus, tudományos főmunkatárs
Óbudai Egyetem Bánki Donát Gépész és Biztonságtechnikai Mérnöki Kar
Mesterséges Intelligencia Műhely
https://www.linkedin.com/in/drkollarcsaba | http://www.slideshare.net/drkollarcsaba