Mesterséges intelligencia stratégiai irányai
(2025 december)
Először kérdezzük meg a ChatGPT-t:
1. Kutatás és fejlesztés
• Fejlett algoritmusok és modellek fejlesztése (pl. nagy nyelvi modellek, gépi látás, prediktív elemzés).
• Alkalmazott MI: ipari, egészségügyi, mezőgazdasági, pénzügyi, ... területek.
• Interdiszciplináris kutatás: MI + robotika, MI + biotechnológia.
2. Adatstratégia
• Nagy adatkészletek gyűjtése, kezelése és tisztítása.
• Adatbiztonság és adatvédelmi szabályozások (pl. GDPR, AI-specific szabályozások).
• Adatmegosztás ösztönzése kutatás és ipari alkalmazások között.
3. Etika és szabályozás
• MI etikai irányelvek kidolgozása (pl. átláthatóság, felelősség, torzításmentesség).
• MI jogi keretrendszerek kialakítása nemzetközi szinten*.
• Kockázatkezelés, megbízhatóság, biztonság.
4. Humán erőforrás és képzés**
• MI kompetenciák fejlesztése az oktatásban és vállalati szférában.
• Átképzési programok a munkaerőpiac átalakulása miatt.
• Kutatói és mérnöki tehetségek vonzása és megtartása.
5. Iparági alkalmazások
• Automatizáció és digitalizáció a termelésben és szolgáltatásokban.
• MI alapú döntéstámogatás, prediktív karbantartás, ügyfélszolgálat automatizálása.
• Innovációs ökoszisztémák kialakítása start-upokkal és kutatóintézetekkel.
6. Nemzetközi együttműködés
• MI kutatás és szabályozás nemzetközi standardjainak kialakítása.
• Transznacionális adat- és technológiai partnerségek.
• Globális versenyképesség biztosítása a stratégiai AI-technológiákban.
Megj.: magyar MI szolgáltató nincs, nyilván felmerül majd az igény, de ma egy közepes méretű adatközpont ára és energiaigénye sem illeszkedik a magyar adottságokhoz, marad a bérlés egy ideig. A memóriák ára pedig meredken nő, már 2025-ben.
• Magyarország a 2025–2030-as időszakra szóló megújított Mesterséges Intelligencia Stratégiáját a Kormányzati Portálon tette közzé, amely részletesen is elérhető az érdeklődők számára.
• Megoldás lenne a moduláris MI kifejlesztése és sorozatgyártása, ha van elegendő chip, és konténernyi mennyiségekből fokozatosan összeszépíteni. erre még lenne piac is. Hol van megfelelő hütőkapacitás Magyarországon? A moduláris felépítésű AI szerver (mesterséges intelligencia szerver) rendszerek lehetővé teszik a méretnövelést egységenként, a részleges karbantartást, és az egyes komponensek cseréjét anélkül, hogy a teljes rendszert le kellene állítani.
Javasolt moduláris MI szerver architektúra: Amikor több, egyforma MI modul párhuzamosan működik, egy feladaton dolgozik együtt, az az elosztott számítás vagy klaszterezés egyik típusa:
Klaszter (Cluster): amikor több számítógép vagy adatközpont dolgozik együtt, amelyek egy feladatot párhuzamosan dolgoznak fel. A cél a teljesítmény növelése, a megbízhatóság biztosítása és a nagy adatmennyiség gyors feldolgozása. Amikor több, egyforma adatközpont egy feladatot párhuzamosan végez, akkor ezt nevezik:
Load balancing (terheléselosztás) – ha a feladatokat osztják szét.
Grid computing (rácsszámítás) – ha különálló gépek/adatközpontok erőforrásait egy feladatra egyesítik.
High-performance computing (HPC) klaszter – kifejezetten nagy számítási teljesítményt igénylő feladatok esetén.
1. Hardvermodulok (Számítási egységek rack szekrényekben, nem konténer méretű MI modulok)
Az AI szerver legfontosabb "építőkövei" a nagy számítási teljesítményű hardverkomponensek.
GPU-k (grafikus feldolgozó egységek) vagy TPU-k (tenzor feldolgozó egységek): ezek a legfontosabb számítási erőforrások az AI modellek képzéséhez és futtatásához (inference). A moduláris felépítés lehetővé teszi, hogy a rack szekrényekbe további GPU-kat vagy akár újabb generációs gyorsítókat illesszenek be a teljesítmény növelése érdekében.
CPU-k (központi feldolgozó egységek): kiegészítő feladatokra, adat-előkészítésre és általános szerverkezelésre szolgálnak.
Memória (RAM): Nagy kapacitású, a feldolgozandó adatok gyors elérését biztosítja. Fontos a megfelelő sávszélességük is.
Adattárolás: Nagy sebességű NVMe SSD-k az adatok gyors beolvasásához és írásához, gyakran elosztott tárolási rendszerekben a méretnövelés érdekében.
Hálózatkezelés: Alacsony késleltetésű, nagy sávszélességű hálózati interfészek (pl. 100GbE vagy InfiniBand) biztosítják a zökkenőmentes adatcserét a szerverek és a tárolók között.
Az AI szerver legfontosabb "építőkövei" a nagy számítási teljesítményű hardverkomponensek.
GPU-k (grafikus feldolgozó egységek) vagy TPU-k (tenzor feldolgozó egységek): ezek a legfontosabb számítási erőforrások az AI modellek képzéséhez és futtatásához (inference). A moduláris felépítés lehetővé teszi, hogy a rack szekrényekbe további GPU-kat vagy akár újabb generációs gyorsítókat illesszenek be a teljesítmény növelése érdekében.
CPU-k (központi feldolgozó egységek): kiegészítő feladatokra, adat-előkészítésre és általános szerverkezelésre szolgálnak.
Memória (RAM): Nagy kapacitású, a feldolgozandó adatok gyors elérését biztosítja. Fontos a megfelelő sávszélességük is.
Adattárolás: Nagy sebességű NVMe SSD-k az adatok gyors beolvasásához és írásához, gyakran elosztott tárolási rendszerekben a méretnövelés érdekében.
Hálózatkezelés: Alacsony késleltetésű, nagy sávszélességű hálózati interfészek (pl. 100GbE vagy InfiniBand) biztosítják a zökkenőmentes adatcserét a szerverek és a tárolók között.
2. Szoftvermodulok (Architekturális rétegek)
A szoftveres oldal is moduláris felépítésű, független, jól definiált API-kon keresztül kommunikáló komponensekkel.
Adatkezelési és adatfeldolgozási keretrendszerek: Skálázható adatvezetékek (data pipelines) a nagy adathalmazok kezelésére.
Gépi tanulási keretrendszerek: Olyan könyvtárak és eszközök, mint a TensorFlow vagy a PyTorch, amelyek segítik a modellek fejlesztését és képzését.
Orchestration eszközök (pl. Kubernetes): Konténer-alapú megoldások, amelyek lehetővé teszik az AI feladatok elosztását, kezelését és automatikus skálázását a hardvermodulok között.
MLOps (Machine Learning Operations) platformok: Az AI modellek bevezetését, monitorozását és életciklus-kezelését segítő modulok a termelési (production) környezetben.
3. Fizikai felépítés és moduláris bővíthetőség:
Szerverek: Standardizált rack szekrények már ma is, amelyekbe a számítási és tárolási egységek behelyezhetők.
Moduláris adatközpontok: Előregyártott, konténer-alapú adatközpont egységek, amelyek gyorsan telepíthetők és igény szerint bővíthetők a helyszínen, csökkentve a telepítési időt és a költségeket.
Hűtőrendszerek: Az AI szerverek nagy hőtermelése miatt hatékony és moduláris hűtési megoldások, melyek képesek az extra hőmennyiség elvonására.
Moduláris adatközpontok: Előregyártott, konténer-alapú adatközpont egységek, amelyek gyorsan telepíthetők és igény szerint bővíthetők a helyszínen, csökkentve a telepítési időt és a költségeket.
Hűtőrendszerek: Az AI szerverek nagy hőtermelése miatt hatékony és moduláris hűtési megoldások, melyek képesek az extra hőmennyiség elvonására.
Javaslat: a sikeres moduláris AI szerver felépítés kulcsa a standardizált, cserélhető komponensek használata, amelyek jól definiált interfészeken keresztül kommunikálnak. A felépítés:
Rugalmasságot biztosít a különböző technológiák integrálásához.
Moduláris méretnövelést tesz lehetővé, kezdve kis rendszerektől, egészen a nagy, vállalati szintű klaszterekig.
Költséghatékonyabbá teszi a frissítéseket és a karbantartást, mivel nem szükséges a teljes rendszert egyszerre cserélni.
Megbízhatóbbá teszi a rendszert, mivel az egyes modulok hibái könnyebben izolálhatóak, cserélhetőek és javíthatóak.
*AI Act (EU) a mesterséges intelligencián alapuló rendszereket négy kockázati szintbe sorolja, az elfogadhatatlan kockázatot jelentő megoldásoktól egészen a minimális kockázatú alkalmazásokig. Minél nagyobb egy rendszer társadalmi vagy egyéni kockázata, annál szigorúbb követelményeknek kell megfelelnie.
Mivel az AI Act uniós rendelet, Magyarországon közvetlenül alkalmazandó, külön jogharmonizációra nincs szükség. Az ehhez kapcsolódó magyar törvény a végrehajtás intézményi kereteit határozza meg, amelynek legtöbb rendelkezése 2025. december 1-jétől hatályos.
„A jogszabály előírja, hogy a vállalatoknak gondoskodniuk kell munkavállalóik MI-vel kapcsolatos felkészültségéről. Ismerniük kell a technológia lehetőségeit, kockázatait és az esetleges károkat is. Ehhez rendszeres képzések szükségesek, mert a terület rendkívül gyorsan fejlődik. Jó példa erre, hogy az uniós rendelet elfogadása során jelentek meg a nagy nyelvi modellekre épülő szolgáltatások, mint a ChatGPT, amelyek tapasztalatait folyamatosan beépítették a szabályozásba”
„A jogszabály előírja, hogy a vállalatoknak gondoskodniuk kell munkavállalóik MI-vel kapcsolatos felkészültségéről. Ismerniük kell a technológia lehetőségeit, kockázatait és az esetleges károkat is. Ehhez rendszeres képzések szükségesek, mert a terület rendkívül gyorsan fejlődik. Jó példa erre, hogy az uniós rendelet elfogadása során jelentek meg a nagy nyelvi modellekre épülő szolgáltatások, mint a ChatGPT, amelyek tapasztalatait folyamatosan beépítették a szabályozásba”
**Tanterv 15-16 éves kortól (előtte alapismeretek, Python nyelv). Algoritmusok és adatok: az algoritmusok működése, a gépi tanulás alapvető fogalmai és az adatok fontosságába.
Valós alkalmazások: Képes felismerő rendszerek vagy prediktív modellek egyszerűbb projektjeinek készítése Python nyelven.
Kritikus gondolkodás: Az MI-generált tartalom (pl. szövegek, képek) kritikus értékelése és azonosítása; az MI lehetőségeinek és korlátainak megvitatása.
17-18+ éves kortól:
Kritikus gondolkodás: Az MI-generált tartalom (pl. szövegek, képek) kritikus értékelése és azonosítása; az MI lehetőségeinek és korlátainak megvitatása.
17-18+ éves kortól:
Haladó témák (https://www.logiscool.com/hu/): Bevezetés a mélytanulásba, neurális hálózatokba és a különböző MI-modellek architektúrájába.
Társadalmi hatások: Mélyebb etikai viták, jogi szabályozások (pl. az EU AI-törvénye), munkaerőpiaci hatások és a jövőbeli trendek elemzése.
Projekt alapú tanulás: Komplexebb, valós problémákat megcélzó projektek kidolgozása.
Társadalmi hatások: Mélyebb etikai viták, jogi szabályozások (pl. az EU AI-törvénye), munkaerőpiaci hatások és a jövőbeli trendek elemzése.
Projekt alapú tanulás: Komplexebb, valós problémákat megcélzó projektek kidolgozása.
16 éves kortól kezdődő, mesterséges intelligencia (MI) oktatási részletes tanterv: (Moduláris és éves bontású terv, amely lefedi az alapokat, a gyakorlati alkalmazásokat és az etikai/kritikai gondolkodást. A terv középiskolásoknak vagy fiatal felnőtteknek szól, akik érdeklődnek az MI iránt, és akár később programozás, adat tudomány vagy gépi tanulás szakirányokkal foglalkoznának.) Szükséges előképzettség: Alap matematikai készségek (algebra, függvények, valószínűség), és számítástechnikai ismeretek (programozás, fájlkezelés).
Célok
Alapok elsajátítása: MI fogalmak, algoritmusok, adatkezelés
Programozási készségek: Python, adatelemzés, gépi tanulás
Projekt-alapú tanulás: gyakorlati MI alkalmazások
Etika és kritikai gondolkodás: MI társadalmi hatása, adatvédelem
Önálló kutatás és innováció: saját MI-projektek tervezése
Éves bontás (16–17 évesek, 1. év, 6 óra/hét, bővíthető önálló gyakorlattal):
Modul Heti óraszám Tartalom
Bevezetés az MI-be 2 MI alapfogalmak, történet, példák mindennapokban
Python programozás 4 Változók, ciklusok, függvények, listák, fájlkezelés
Adatkezelés és statisztika 3 Adatgyűjtés, adattisztítás, alapstatisztika, vizualizáció
Gépi tanulás alapjai 3 Felügyelt és felügyelet nélküli tanulás, egyszerű modellek (pl. lineáris regresszió)
MI projektek 2 Kis gyakorlati projekt: pl. spam-detektor, egyszerű játék MI
Etika és társadalmi hatások 1 Adatvédelem, előítéletek, felelős MI
Kritikai gondolkodás 1 Algoritmusok értelmezése, problémamegoldás
Bevezetés az MI-be 2 MI alapfogalmak, történet, példák mindennapokban
Python programozás 4 Változók, ciklusok, függvények, listák, fájlkezelés
Adatkezelés és statisztika 3 Adatgyűjtés, adattisztítás, alapstatisztika, vizualizáció
Gépi tanulás alapjai 3 Felügyelt és felügyelet nélküli tanulás, egyszerű modellek (pl. lineáris regresszió)
MI projektek 2 Kis gyakorlati projekt: pl. spam-detektor, egyszerű játék MI
Etika és társadalmi hatások 1 Adatvédelem, előítéletek, felelős MI
Kritikai gondolkodás 1 Algoritmusok értelmezése, problémamegoldás
Haladó modulok (17–18 évesek, 2. év, 16–18 óra/hét, projektmunka + önálló tanulás a gyakorlathoz)
Modul Heti óraszám Tartalom
Gépi tanulás mélyebben 4 Többszörös regresszió, döntési fák, klaszterezés
Neurális hálózatok alapjai 3 Perceptron, feedforward hálózat, egyszerű tanulás
Python könyvtárak MI-hez 3 NumPy, Pandas, Scikit-learn, TensorFlow/Keras alapok
Projekt alapú MI 3 Saját modell készítése, pl. képfelismerés, chatbot
Etikai MI 1 Torzított becslés, felelősség, MI döntések átláthatósága
Kommunikáció és prezentáció 2 Projektbemutató, dokumentáció, vizualizáció
Modul Heti óraszám Tartalom
Gépi tanulás mélyebben 4 Többszörös regresszió, döntési fák, klaszterezés
Neurális hálózatok alapjai 3 Perceptron, feedforward hálózat, egyszerű tanulás
Python könyvtárak MI-hez 3 NumPy, Pandas, Scikit-learn, TensorFlow/Keras alapok
Projekt alapú MI 3 Saját modell készítése, pl. képfelismerés, chatbot
Etikai MI 1 Torzított becslés, felelősség, MI döntések átláthatósága
Kommunikáció és prezentáció 2 Projektbemutató, dokumentáció, vizualizáció
Feladatok, ötletek:
Szövegfeldolgozó chatbot – alap NLP
Képfelismerő modell – egyszerű képosztályozás
Adatvizualizációs projekt – saját gyűjtött adatok elemzése
Játék AI – például egyszerű sakk vagy labirintus megoldó algoritmus
Értékelés
Formális: projekt leadás, rövid tesztek, programozási feladatok
Formális + informális: portfólió, kód bemutatása, reflektív napló
Fejlesztési célok: logikus gondolkodás, programozási készség, kritikai gondolkodás az MI-ről