Napi rutintevékenységeink jelentős részében, például ha sétálunk vagy tornászunk, testünk érintkezik a talajjal. Közben rengeteg adat generálódik, és a belőlük kinyert információk sokat segítenek emberek mozgásának jobb megértésében.

Ezekből a tényekből kiindulva, az MIT (Massachusetts Institute of Technology) kutatói megalkották Aladdin varázsszőnyegének repülni és beszélni ugyan nem tudó, viszont mozdulatainkat előrejelző, változatos – egészségügyi, intelligens otthon, játék stb. – alkalmazásokkal kecsegtető modern változatát.

Korábban próbálkoztak már hasonlókkal, de azok különböző, akár boltokban is beszerezhető kamerákkal működtek, és a használatuk komoly személyiségi jogi (privacy) kérdéseket vetett fel.

Az MIT-kutatók csak a rendszer gyakorlását biztosító adatsort alakították ki kamerákkal, és csupán bizonyos tevékenységeket rögzítettek, így ismerte meg a mozgásokat, ülési pózokat stb.   

A szőnyegbe több mint kilencezer tapintásalapú szenzort ágyaztak be. Ahhoz, hogy a rendszer egy 3D pózra következtessen, az adott személynek a szőnyegen kell tartózkodnia, valamilyen mozgást kell végeznie – immáron kamera nélkül, mert az érzékelők elegendők, a mély idegháló kizárólag az általuk gyűjtött adatokkal dolgozik, belőlük állapítja meg, hogy például felülünk, behajlítjuk a lábunkat stb.

Az olcsó és méretezhető szőnyegbe a szenzorok mellett mozgásra érzékeny fóliát, az elektromosságot vezető szálakat integráltak. Minden egyes érzékelő elektromos jellé alakítja a lábunk és más testrészeink által kifejtett nyomást, és mivel a rendszert megtanították a taktilis és a vizuális adatok, például egy hőtérkép és a kapcsolódó videó szinkronizálására, a modell kikövetkezteti a mozdulatot.

A teszteken 97 százalékos pontossággal csoportosította a mozgásokat, amelyeket – az előzetes vizuális tréninget követően – színtisztán taktilis (tapintás-/érintésalapú) adatokból ismer fel. A szőnyegre a rá nehezedő nyomásból törvényszerűen a hozzá legközelebbi testrészeket érzékeli leginkább, így például a lábujjakkal pontosabb eredményeket ér el, mint a felsőkarral.

Egyelőre egyetlen felhasználóval boldogul. A továbbiakban szimultán több-felhasználós móddal szintén kísérleteznek, és az adatokból az illetők magasságára, testsúlyára is kell majd következtetnie.

Rembrandt (1606-1669) 1642-ben festette leghíresebb képét, a művészettörténet egyik legtöbbet elemzett alkotását, az amszterdami Rijksmuseum legnagyobb termében függő, az egész hátsó falat elfoglaló Éjjeli őrjáratot. A falat ráadásul úgy töltötte be, hogy egyes részeket levágtak róla.

A művész európai hírnevét megalapozó festmény az amszterdami városi milícia kapitányát ábrázolja, amint utasítást ad az embereinek. Eredetileg nem volt címe, az Éjjeli őrjáratot az angol Joshua Reynoldstól és francia műértőktől kapta az 1790-es években. 

Háromszáz év után, most látható először eredeti méretében, a hiányzó részeket mesterséges intelligencia segítségével restaurálták. A holland aranykor egyik legnagyobb remekművének mind a négy oldalát ugyanis megrövidítették, levágtak belőlük egy 1715-ös áthelyezés során.

A kivágott részeket nem találták meg, egy korabeli művész viszont másolatokat készített, a restaurátorok és számítástudományi szakemberek azt felhasználva, Rembrandt stílusában alkották újra a hiányzó elemeket.

„Soha nem lesz olyan, mint az eredeti, viszont más képet ad a kompozícióról” – jelentette ki Taco Dibbits, a Rijksmuseum igazgatója.

A hatás egy kicsit olyan, mintha egy megvágott fényképet úgy látnánk, ahogy a fotós elképzelhette.

A központi figura, a milícia kapitányának elhelyezkedése most kevésbé centrális, amitől az egész alkotás dinamikusabbnak tűnik. A jobb szélen lévő egyik személy ábrázolását is restaurálták, úgy tűnik, mintha pont megugattatna egy kutyát. A bal oldalon három eddig hiányzó figura látható. Nincsenek részletesen kidolgozva, nem is tagjai a milíciának.

Robert Erdemann, a múzeum vezető tudósa elmagyarázta, hogyan dolgozták össze a hiányzó részeket az eredetivel, anélkül, hogy az utóbbihoz hozzáértek volna.

Az Éjjeli őrjárat és több kisebb korabeli (kb. 1655 körüli) másolat alapos fotózásával kezdték. Ezt követően a képeket ugyanarra a méretre dolgozták át, majd a másolatot úgy alakították, hogy jobban passzoljon Rembrandt stílusához, és eltűnjenek az apró különbségek.

A mesterségesintelligencia-szoftver többmillió próbálkozás után megtanulta, hogyan közelítse meg Rembrandt stílusát, színeit. Erdemann szerint elég jó munkát végzett, viszont lehet még javítani rajta.

Kaliforniai tűzoltók tavaly, a Yosemite Nemzeti Parkot fenyegető tüzekről készült légi felvételeket térképpé alakító mesterséges intelligenciát használtak, hogy folyamatosan meg tudják figyelni, mekkora a veszély.

Az erdőtüzek mintegy 4,5 millió amerikai háztartásra jelentenek komoly fenyegetést, de a jelenség természetesen és sajnos az Egyesült Államokon kívül más országokban is súlyos problémát – és pusztításokat – okoz. Az utóbbi években többek között Ausztráliából, Oroszországból, Pakisztánból számoltak be hatalmas tűzvészekről.

A dél-koreai Alchera vállalat számítógépes látáson alapuló rendszert tanított be, hogy a kaliforniai Sonoma megyében több mint 800 kamerát figyeljen rendszeresen. A kamerák rendeltetése az erdőtüzeket megelőző jelenségek, leginkább a füst rögzítése, észrevétele. Az automatizált rendszer célja egyértelműen a megelőzés, hogy a gyanús jeleket azonnal és idejében továbbítsa a tűzoltóságnak.

Az AIIR (Artificial Intelligence Image Recognition, mesterséges intelligencia képfelismerés) észreveszi a kaliforniai futótüzekre figyelmeztető hálózat egyes kamerái által rögzített füstöket. Egy konvolúciós idegháló zászlókkal felcímkézi az adott videokockákat, majd egy másik háló az időpontok elemzését végzi el, és hitelesíti a felcímkézett anyagot.

Ha elfogadja, hogy füst jön valahonnan, a központi megfigyelőállomáson tartózkodó operátor figyelmeztetést kap.

A rendszer május óta működik online. Az első héten hatvannál több figyelmeztetést rögzített, és a hamis pozitívok aránya mindössze 0,08 százalék volt. Egy tüzet például már tíz perccel a tűzoltóságot hívó első személy előtt detektált.

Ha az AIIR beválik, Kalifornia állam hatóságai a futótüzeket figyelő hálózat többi kamerájára is alkalmazni kívánják. Ezeket a kamerákat változatos helyeken, például kormányzati ügynökségek, elektromos művek stb. közelében installálták.

Míg tűzvészre figyelmeztető, azokat idejekorán detektáló eddigi rendszerek szórványos légi és műhold-felvételeken alapulnak, addig az AIIR földi kamerákkal figyel folyamatosan. Előnye, hogy a kockázatot ugyanolyan gyorsan, viszont olcsóbban észleli.

A mesterséges intelligencia komoly segítséget nyújt régészeknek eltűnt civilizációk felfedezésében, leletek értelmezésében, munkájukat jelentős mértékben felgyorsítja.

Madagaszkár és az Egyesült Államok felett, repülőről rögzített, lidarral érzékelt adatokat értelmezve, egy MI több ősi települést fedezett fel. Hasonló módszerrel, egy másik MI légi felvételek alapján azonosított földalatti sírokat. Más modellek pedig ókori perzsa feliratok fordításában segítenek.

Egy régész sok év tanulás és gyakorlat után ismeri fel az antik kerámiákon szereplő mintázatokat. Munkáját nehezíti, hogy ugyanarról a töredékről gyakran teljesen eltér a kollégák véleménye.

A gépi tanulás, mélytanulás (deep learning) segíthet az eltérő vélemények megítélésében, hozzátehet az igazság kiderítéséhez.

Az Észak-Arizonai Egyetemen régi cserépedények és más kerámiák töredékein különböző stílusokat és korokat azonosító gépitanulás-modellt fejlesztettek. Az ImageNet adatsoron gyakorló ideghálókkal kezdték, amelyeket aztán finomhangolták, hogy megállapítsák a kerámiadarabok hozzávetőleges keletkezési idejét.

Az Egyesült Államok délnyugati részén gyűjtött kerámiákról készült 3064 fényképpel dolgoztak. A fotókat négy szakértő címkézte fel. Összesen kilenc periódusba tartoztak, 825 és 1300 között. Többségi véleményt kellett kialakítaniuk az összes képről, hogy mit ábrázolnak. A feljavított adatsorba végül 2407 fotó került.

Minden egyes gyakorlókör után véletlenszerűen zsugorították, elforgatták, felnagyították stb. a képeket, így akarták még robusztusabbá tenni az adatokat. A modell által legfontosabbnak tartott jegyeket hőtérképekkel is kiemelték. Az ilyen hőtérképek nagyon komoly segítséget nyújthatnak a következő régészgenerációknak.

A modell a teszteken többtízezer címkézetlen töredéket osztályozott. Két szakértőnél jobb, kettővel nagyjából azonos eredményt ért el.

A kiadások csökkentése miatt sok iskola alkalmaz online beszélgető botokat (chatbot), a leckét osztályozó vagy a beiratkozást segítő mesterséges intelligenciát. A gépi értelem az osztálytermekben és az egyetemi kampuszokon is megjelent.

Az utóbbi években – a kritikus hangok ellenére – az MI-alapú rendszerek helyet követeltek maguknak az oktatásban, és a tendencia a jövőben erősödni fog. Ma már szinte mindenben segítik a diákokat.

Egyes amerikai egyetemeken a Kira Talent fejlesztőcég szoftvere személyiségjegyek, például a nyitottság, a motivációs szint vagy az idegességre, szorongásra való hajlam alapján pontozza a jelentkezőket, a végső döntést azonban emberek hozzák meg.

A felvett diákoknak a Georgia Állami Egyetemen chatbot küld bíztató üzeneteket. Az ausztrál Deakin Egyetem Genie nevű chatbotja figyeli, hogy mit csinálnak, és hol tartózkodnak a tanulók. Ha például valaki az ebédlőben szunyókál, figyelmezteti: foglalkozzon inkább a leckével.

A Dél New Hampshire Egyetemen a házi feladatokat és a tantermi aktivitást pontozó rendszert fejlesztenek, amely a beszédre és test-beszédre, az online feladatok megoldási idejére is figyel.

Az ElevateU „MI szövegkönyv” programjai a diák preferenciái, tevékenysége és reakciói alapján dolgozza ki az egyedi, személyre szabott tanulási élményt.

Egyesek szerint ezek a rendszerek hibás jegyeket adhatnak, előítéletesen dönthetnek, részrehajlók lehetnek, és más problémákat is okozhatnak.

Az MIT-n (Massachusetts Institute of Technology) megfigyelték, hogy például egy MI túl jó jegyeket ad kulcsszavakkal teletűzdelt dolgozatokra. Az Austini Texasi Egyetemen leállították a korábbi jó eredményeket elért diákokhoz hasonlóan teljesítőket túl jól, másokat pedig kevésbé előnyösen megítélő, azaz elfogult rendszert. A brit kormány tavaly búcsút mondott egy, a tanároknál 40 százalékkal rosszabb jegyeket adó algoritmusnak.

A negatív példák ellenére, a trend visszafordíthatatlan. A koronavírus-járvánnyal ráadásul egyre jobban terjed az online oktatás, több feladat automatizálódik, nagyobb szerephez jut az MI. Ezért fontos, hogy ezeket a rendszereket a legaprólékosabban tervezzék meg, mert ha rendeltetésszerűen működnek, akkor tényleg csökkentik a költségeket, és egyben növelik a tanulási élményt. Rengeteget segítenek a diákoknak, az embert azonban a legtöbb területen még nem helyettesíthetik.

Az eddig kvantumszámítógépek, legalábbis a működő kvantumszámítógépekre tett kísérletek teljes laboratóriumokat megtöltő, egyedi készülékek. Hamarosan csökkenhet a méretük, mert az Innsbrucki Egyetem fizikusai ioncsapdán alapuló gépet építenek, amely egyrészt, ipari területeken is alkalmazható lesz, másrészt két 19 colos rackszekrényben elfér. (Ilyen rackszekrények találhatók világszerte az adatközpontokban.)

Egy rackszekrény jellemzően zárható, fémből készült, infokom berendezéseket és kábelezési termékeket tárolnak, rendszereznek benne. Vannak álló és fali változatai, méretük szélességben és magasságban is eltérhet. A szabványos 19 colosat (azaz 482,6 milliméter széleset) évtizedek óta használják, ez a legjellegzetesebb.

Az Innsbrucki Egyetemen három évtizede foglalkoznak kvantumszámítógépekkel, mostani projektjük, az EU egyik „zászlóshajó” infokom programjának keretében, egy kompakt ioncsapdás gép, jelentős változást hozhat a 30-50 négyzetméteres laborok után. A kutatók elmondták, hogy az összes ipari szabvány betartásával igyekeznek a szerkezetet az eddigieknél jóval kisebb térben üzemeltetni.

Ez pedig azt is jelenti, hogy hamarosan adatközpontokban is használhatnak kvantumeszközöket, a technológia készen áll, és a teszteken kiderült: a kompaktság nem megy a funkcionalitás rovására.

A világ első kompalt kvantumszámítógépének egységei szignifikáns mértékben kisebbek, például az ioncsapdának „otthont adó” vákuumszoba töredéke az eddigieknek. Ezt az egységet a felsőoktatási cég és az Osztrák Tudományos Akadémia közös leányvállalata, az Alpine Quantum Technologies (AQT) fejlesztette. Más komponensek a jénai Optikai Fraunhofer Intézet és a müncheni lézerspecialista TOPTICA Photonics munkái.

A gép autonóm módban is működhet, hamarosan programozható lesz online. Az egyik legnagyobb kihívást a stabilitás biztosítása jelentette. Ezek a szerkezetek rendkívül érzékenyek, laborokban számtalan védőmegoldással óvják őket a külvilág hatásaitól, és most ilyen megoldásokat sikerült alkalmazni a sokkal kisebb komputerre, garantálva a megszakítás nélküli, biztonságos működést.

A stabilitás mellett a rendelkezésre álló kvantumbitek (qubitek) száma a másik meghatározó tényező. A német kormány korábban 24-ben definiálta a mércét, az Innsbrucki Egyetem ezt már teljesítette, jövőre pedig el akarják érni az ötvenet.

Június 9-én a közép-amerikai El Salvador a világ első országaként, nemzeti fizetőeszközként fogadta el a bitcoint, ezentúl tehát üzleteknek el kell fogadni, ha valaki a kriptovalutával fizet, és az állampolgári adóterhek is leróhatók bitcoinban.

Egy nappal később Nayib Bukele, az ország elnöke már arról tweetelt, hogy utasított egy állami tulajdonban lévő, geotermikus energiával foglalkozó vállalatot: tegyék lehetővé a kriptovaluta nagyon olcsó és környezetbarát bányászatát.

„Száz százalék tiszta, száz százalék újrahasznosítható, nulla százalék károsanyag-kibocsátás” – fogalmazott, az El Salvadorban található sok vulkánra utalva.

A kriptovalutáknak több előnyük van a fizikai formátumú pénzzel szemben, például rendkívül nehezen hamisíthatók, és biztonságosak a tranzakciók. Ugyanakkor nagyon komoly hátrányuk az a folyamat, ahogy a tranzakciókat rögzítik, és az új egységeket bevezetik a forgalomba.

Ez a folyamat a bányászat. Döbbenetesen energia-intenzív, számítógépeknek elképesztően nehéz matematikai feladványokat kell megoldaniuk. Egy év alatt több áram megy el rá világszinten, mint Argentína éves energiafogyasztása – állapították meg a Cambridge Egyetem kutatói.

Ennek az energiának a túlnyomó többsége szenet kibocsátó fosszilis üzemanyag. Számszerűsítve: a bitcoin-bányászat évente kb. 37 megatonna széndioxidot generál.

A geotermikus energia földből kinyert hő, El Salvadorban ez az energia a vulkánokból jön. Becslések szerint az országban lévő lehetőségek kétharmada kihasználatlan. Így pedig a bitcoin hivatalos fizetőeszközzé tételével a kriptovaluta, a lakosság és a környezet is jól jár.

A bitcoin állami szintű legitimálásával tartalékvalutává válik, a salvadori példát mások is követhetik. Arról a tényről se feledkezzünk meg, hogy El Salvador Észak- és Közép-Amerika legszegényebb országa, és a bányászok tevékenységükért kapják a kriptovalutát. Ha viszont a „bányászlétesítmények” tiszta és olcsó geotermikus energiával fognak működni, az ország globális bányász-csomóponttá válhat, amivel nyilvánvalóan a gazdaság is fellendül.

Kérdés, hogy a salvadoriak hogyan viszonyulnak majd a stabilnak egyáltalán nem nevezhető kriptovalutához, tényleg használják, vagy minden marad a régiben, azaz ugyanúgy dollárral fizetnek, mint eddig.

A BlueDot és a Healthmap mesterségesintelligencia-alapú egészségügyi monitoring rendszerek egy héttel az Egészségügyi Világszervezet (WHO) első figyelmeztetése előtt jelezték, hogy Wuhan térségében új járvány tört ki.

Amikor egy fiatal technológia korábban ismeretlen betegséggel „találkozik”, a sikerek mellett törvényszerűen sokszor mellé is fog. Az eredményeire alapozva viszont jobban fel tudunk készülni a következő járványokra, és hogy hogyan kerüljük el azokat.

A Gradient online gépitanulás-újság biomedicina mérnöke, Maxime Nauwynck felmérést készített az MI Covid-19 elleni teljesítményéről. Megállapította, hogy a rendszerek egyes területeken nem váltották be a hozzájuk fűzött reményeket, másokon viszont komoly eredményeket értek el. A szerző csak a koronavírus-járvány elleni küzdelemre fejlesztett és alkalmazott mesterségesintelligencia-megoldásokat vizsgálta.

Az első hónapokban többszáz tanulmány áradozott a betegséget a tüdőről készült szkenek alapján azonosító rendszerekről. Ezzel szemben, a klinikai gyakorlatban nagyon keveset használnak közülük. Zömük rosszul felépített nyilvános adatsorokkal dolgozik, outputjaikra nincs értelmes magyarázat, és a minőség-ellenőrzés sem mindig adekvát.

A korai MI-modelleknek komoly problémát okozott az adathiány, de végül amerikai és brit kutatóknak sikerült a járvány terjedését visszakövető, hatásait előrejelző rendszereket fejleszteni.

Az USA Élelmiszerbiztonsági és Gyógyszerészeti Hivatala (FDA) sürgősséggel engedélyezte két MI-startup, a BenevolentAI és az AbCellera gépitanulás-központú gyógyszerfejlesztési megoldásait. A Moderna vezetősége szerint az MI sokat segített vakcinájuk gyors előállításában.

Kínában és az Egyesült Államokban sok beszélgető online robot (chatbot) segítette a túlterhelt egészségügyi dolgozók munkáját. Többek között páciensek kérdéseit válaszolták meg, az orvossal való találkozást egyeztették le betegekkel stb.

Vitatott kérdés a gépilátás-rendszerek tevékenysége. Egyrészt, például a kötelező társadalmi távolság (social distancing) betartásának megfigyelésével segítik a hatóságokat, Franciaországban megállapítják, hogy ki nem hord maszkot közterületen, másrészt viszont ezek az alkalmazások erősen súrolják a magánélethez való alanyi jogok (privacy) megsértésének határát.

Összességében kiderült, hogy az MI ugyan nem csodaszer, viszont nagyon fontos segítség a járvány elleni harcban.

2016. április elsején, azaz Bolondok Napján a Google Amszterdam utcáin, hatalmas forgalomban közlekedő önvezető kerékpárról töltött fel titokban egy videót a világhálóra. Két nappal később a mozgóképanyag virálissá vált, végigsöpört az interneten, mindenki elhitte, amit látott. A cég később elmagyarázta, hogy az élmény nem az autonóm járműnek, hanem a szenzációs szerkesztésnek, vágásnak volt köszönhető.

Nem történt csoda.

Öt évvel később, Zhi Hui Jun, a több mint 800 ezer követővel rendelkező pekingi vlogger négy hónapot (főként hétvégéket) töltött el azzal, hogy a Google áprilisi tréfája valósággá váljon.

Komplex automatikus vezérlőrendszert tervezett, hogy a bicikli zavartalanul működjön. Érzékelőkből és elegendő számítási teljesítményt garantáló chipből álló hardverhálózatot dolgozott ki és telepített egy kerékpárvázra. A hardverhez egyedi igények szerint módosítható érzékelő- és vezérlőalgoritmusokat fejlesztett.

Szenzorrendszere mélységérzékelő kamerából, lidarból és gyorsulásmérőből áll. Elemmel működő motorok biztosítják a mozgást, segítik a kormány önműködését, forgatják az egyensúlyt fenntartó giroszkópot.

A Szélsőségesen Természetellenes Ön-navigáció (eXtremely Unnatural Auto-Navigation, Xuan) nevű rendszer, azaz a vezető nélküli kerékpár állva marad, navigál, elkerüli az ütközéseket.

Az akadály-elkerülés, az úttervezés és a tárgykövetés modelljei az ülés mögé épített Huawei Ascend 310 processzoron futnak. Zhi Hui Juan a Huawei Ascend szoftverével és a Robotika operációs rendszerrel fejlesztette őket. Sikerült megvalósítania, hogy a bicikli különféle alrendszerei jól kommunikáljanak egymással.

A járművet többször tesztelte, és még tárgyakkal történt ütközés után, valamint akkor is megőrizte egyensúlyi állapotát, amikor egy szatyrot tett a kormányra.

Akármennyire is viccesen hangzik, az önvezető kerékpár nem tréfa. A DARPA 2004-es Grand Challenge megmérettetésén például részt vett egy robot motorkerékpár. Az önvezető járművek körüli hype-ot kihasználva, a pekingi vlogger érdekes „csináld magad” (Do It Yourself, DIY) projektet valósított meg. Eredményeit felhasználhatják a jövő e-kerékpárjainak fejlesztésekor, de élelmiszer-szállításra szintén használhatnak ilyen járműveket, vagy ha nagyon sokat tekerünk, és szeretnénk közben szusszanni egyet.

Mi történik, ha mesterséges intelligencia tervez számítógépes chipeket? Például csökkennek a fejlesztési költségek, ami komoly, robbanásszerű változásokat hozhat a computer-gyártásban, különösen az adatok speciális feldolgozását igénylő területeken. 

A Google ezen az úton jár, mérnökei megerősítéses tanulással (Reinforcement Learning, RL) rendezték el a tenzorfeldolgozó egységük (TPU) legújabb változatának alapját jelentő többmilliárd tranzisztort. A TPU-chipeket komoly számításokat végző ideghálókra optimalizálják.

A Google 2015-ben mutatta be az első TPU-t, ma ezek a – fejlesztők számára a nagyvállalat számítási felhőjében (Google Cloud) elérhető – chipek működtetik az olyan szolgáltatásokat, mint például a keresés vagy a fordítás.

A tanulórendszer nagyon jól teljesített, a tervet hat óra alatt készítette el. Összehasonlításként: az eddigi módszerekkel ugyanez hetekig eltarthatott volna.

A chiptervezés olyan, mint egy társasjáték. A szilíciumréteg a táblára emlékeztet, a paraméterek, mint például a makrók száma vagy a topológiák a játék különféle elemeihez, míg a kiértékelési mutatók a győzelmi feltételekhez hasonlítanak. A megerősítéses tanulás kifejezetten jól működik ilyen feltételek mellett.

A kutatók tízezer chipből álló adatsorokon 48 óráig gyakoroltattak egy ideghálót. A háló a chipekről átalakítható reprezentációkat generált. Míg az előzetes gyakorlás felügyelet mellett ment, egyes fontos részei megerősítéses tanulással történtek. A bemenet egy adott tervrajzhoz kapcsolódott, az MI „jutalmat” kapott a torlódások és a vezetékhossz csökkentéséért. A rendszer hat óra alatt kivitelezte a finomhangolást.

A Google mérnökei meglévő TPU-t tervező személyek alkotta csapat munkájával hasonlították össze a mesterséges intelligencia által generált outputot, és a drasztikus időbeli különbség mellett az is kiderült, hogy a vezetékhossz és a fogyasztás szempontjából az MI legalább olyan jól, de általában jobban teljesített, mint a mérnökök.