Május második hétvégéjén az utóbbi két évtized legnagyobb napvihara rázta meg töltött részecskékkel a földi atmoszférát. Észak-Amerika és Európa jelentős részén látványos sarki fényt váltott ki.

Május 10-én és 11-én a vihar extrém, G5 kategóriás szintet ért el. Erőssége elegendő volt ahhoz, hogy pusztítást végezzen kommunikációs berendezésekben és az elektromos hálózatban.

Különösen negatív hatással volt egyes amerikai és kanadai mezőgazdák számára: traktoraik és más fontos munkaeszközeik az ültetési szezon kellős közepén rongálódtak meg. A vihar döbbenetes és ritka példa arra, hogy a kíméletlen űridőjárás bolygónk védőburka ellenére, milyen hatással lehet a Földre.

A GPS-en és más navigációs technikákon alapuló traktorok és így a magvetési munkák is leálltak. Egyes farmerek elmondták: soha nem láttak még hasonlót. Többeket előre figyelmeztettek, hogy GPS-rendszerük leállhat. A következő hétfőn meg is ugrottak az árupiacok.

A John Deere mezőgazdaságigép-gyártó a GPS-t más szenzorikus adatokkal kombináló StarFire adóvevői különösen megrongálódtak, és a problémák továbbra is fennállhatnak. A „csökkentett pontosság” – a napvihar – idejében végzett vetés befolyásolhatja a következő hónapok munkáit (permetezést, vetést, betakarítást). Például a sorok nem ott lesznek, ahol az AutoPath funkció képzeli őket.

Mivel a Nap tizenegy éves ciklusának legaktívabb részébe lépett, az előrejelzések szerint 2024-ben több hasonló napvihart láthatunk még – kitörésekkel, kilökődésekkel, részecskék másfajta áramlásaival. Néhány farmer ironikusan meg is jegyezte, hogy legalább ingyen csodálhatta az Északi Fényt.

Már lehetetlen úgy navigálni az online térben, hogy ne futnánk bele botokba. Az utóbbi hónapokban – különösen az X-en, azaz az egykori Twitteren – árad az általuk generált tartalom, mondatok, nemlétező személyekről, eseményekről szóló képek, mozgóképek. Posztokra szintén özönvíz-szerű generált szöveg a válasz, legyen az a YouTube, a Facebook vagy a Reddit. Lassan már fel sem tűnnek, mert annyi a felhasználói élményt lerohasztó „botcsinálta” szöveg, virális kontent.

Az utóbbi években online chatfórumokban kezdték emlegetni a jelenséget leíró Halott Internet Elméletet. Lényege, hogy a mai közösségi média főként algoritmusok vezérelte, bot-fiókok közötti interakciókon alapul. Eközben nő a személyre szabott hirdetések és a spam mennyisége, szaporodnak a kamuhírek és kamu-honlapok, burjánzik az internetes csalás, és lassan már semmit nem tudunk anélkül megnézni, hogy ne futnánk bele keresetlen reklámokba, politikai agitációba. Szép lassan, ha nem is használhatatlanná válik a világháló, de nagyon meg kell szenvednünk a használatáért.

A nagy nyelvmodellek (LLM-ek) és képgeneráló MI-k térnyerésével romlik a helyzet. A rájuk alapuló botok betaníthatók a „virális” stílusra – milyen szavak, szókombinációk, képek terjednek legsebesebben –, és döbbenetes hatás érhető el velük. Népszerű anyagok jelennek meg kormányhivatalok felrobbanásáról, képzeletbeli divatirányzatokról, és egyiken sem szerepel, hogy valójában MI az alkotó.

A technológia fejlődésével a mélyhamisítványok minősége drasztikusan javul, bárki átverhető velük. Drámaitól a mindennaposig, a valótlanság rétegei vesznek körül, teremtik meg az internet anyagtalansága által tovább fokozódó helynélküliség érzetét. A generált tartalomhoz ráadásul ki is aknázzák a különböző platformok különböző algoritmusai adta, máshol és más közönségnek szóló lehetőségeit. De még ugyanazon a platformon is eltér a különböző közönségeknek szóló (botok által generált) tartalom. Trenddé vált, hogy egyes közösségimédia-algoritmusok a valóságnál szélsőségesebbnek, és ezzel izgalmasabbnak mutatnak a mind inkább visszhangszobákat belakó felhasználókat.

Sajtóintegritás nélkül minden forgalmat, figyelmet és bevételt generáló tartalom elsőbbséget élvez. Google-keresésekkor reklámok, nonszenszek szerepelnek előkelő helyen, és az óriáscég MI-szemét elleni – MI-vel vívott – harca eleve vereségre ítélt.

Az internet „halálának” paradoxonja, hogy már alig léteznénk, a fejlődés leállna nélküle, ugyanakkor egyre több kellemetlenséget, bosszúságot okoz. Eredetileg emberek összehozása, a világ egybekapcsolása volt a rendeltetése – ugyanaz, mint a nyelvnek. Ma viszont inkább hirdetési bevételek generálásáról, még több kattintásról szól. Azzal a tudattal navigálni, hogy a látott dolgok nagy része kamu, zárójelbe teszi a közösségi média eredeti rendeltetését. Senkit nem érdekel botok egymás közötti kommunikációja nemlétező személyekről, hamis képekkel. Információ és interakció helyett a viralitás és a profit a vezérlőelv ott, ahol életünk nagy részét leéljük. A net persze még mindezekkel együtt is hasznos és szükséges, viszont, mivel egyre intenzívebben tevékenykedünk ebben a térben, mindenképpen tennünk kell valamit azért, hogy élhetőbbé váljon. Például tudatosabban használjuk!

A generatív mesterségesintelligencia-eszközök közül a képalkotó modellek az elsők között mozgatták meg a nagyközönség fantáziáját. A technológia és a piac fejlődésével kuriózumból hasznos és hatékony alkalmazásokká váltak. Ma már bejáratott művészeti és designplatformok integrálták a generatív MI-t. Céljuk nem az emberi kreativitás helyettesítése, hanem növelése. Rengeteg van belőlük, nehéz eligazodni közöttük. Melyek mégis a legjobbak? A tájékozódásban Bernard Marr jövőkutató friss anyaga segít.

Az OpenAI DALL-E modellje az egyik legmasszívabb és legrugalmasabb. Részletes promptokból pontos, szinte fotorealisztikus képeket, meglévő képekből új változatokat generál. A Microsoft a Bingbe, a Co-Pilotba és a Designerbe integrálta, de saját alkalmazásprogramozói felületén (API) is elérhető, azaz fejlesztők képgenerátort építhetnek saját alkalmazásaikba.

Az amerikai Runway LM-mel együttműködő müncheni Ludwig Maximilian Egyetemen fejlesztett Stable Diffusion volt az egyik első képgenerátor MI. Egyetlen promptból számos képiterációt képes létrehozni, meglévő képeket módosít, ad hozzájuk új elemeket. Mivel nyílt forrású, bárki készíthet, futtathat lokálisan a hardverén saját változatokat. Filmektől, zenei videókig és televíziós műsorokig, sok területen használják, használatához viszont – rugalmassága miatt – nem árt némi technikai tudás.

A Midjourney inkább művészeknek, mint designereknek készült. Az output gyakran különleges hangulatú, álomszerű, fantasztikumba hajló, a szárnyaló fantázia terméke. Annyiban különbözik a többi modelltől, hogy nem webes interfészen, API-n vagy appon, hanem a Discord üzenetküldő platformon keresztül kommunikálunk vele. Pont a Discord miatt erős közösség épült köréje.

Az Adobe Firefly az Adobe Creative Cloud csomag része, olyan piacvezető programokat egészít ki generatív képességekkel, mint a Photoshop, az Illustrator és az Adobe Express. A Firefly-ban készített képek, tervek automatikusan integrálhatók profi design-munkafolyamatokba. Mivel a Firefly elkötelezett a transzparens és etikus MI mellett, a modellek gyakoroltatása főként az Adobe stockfotó-adatbázisában lévő, tehát jogtiszta képeken történik.

A népszerű felhőalapú Canva designplatformot marketinganyagok, email-sablonok és közösségimédia-eszközök alkotására használják. 2024-től, a Stable Diffusion egy „személyre szabott” változata jóvoltából generatív funkciókkal bővült.

A Google Imagenje nagyon jó eredményeket szokott elérni a „milyen közel van a képkimenet a felhasználó szöveges promptjához” megmérettetéseken. A Gemini Pro chatboton keresztül használható, de Európában egyelőre nem elérhető. Az Imagen-modellhez való hozzáférést az egyszerűbb Image FX (egy másik Google-eszköz) teszi lehetővé.

Fontos modellek még: Autodesk Fusion, Craiyon, DaVinci, Freepik, Getty Images AI (a Getty Images adattárából, Nvidia technológiával), az eredetileg csak írásra szánt Jasper, Let’s Enhance, NightCafe, Shutterstock AI (a stockfotó-szolgáltató anyagaiból), Wombo Dream (iOS-app).

Miután Joe Biden ebben a hónapban aláírta a TikTok kitiltásáról szóló törvényt – amennyiben a videó applikációt a kínai anyacég nem adja el –, újabb korlátozással folytatódik az Egyesült Államok és a Kínai Népköztársaság között évek óta tartó chipháború. Az USA kormánya a napokban ugyanis bejelentette, hogy visszavon egyes amerikai cégeknek adott engedélyeket, amelyek értelmében az országban készült chipeket értékesíthettek a kínai technológiai nagyágyú Huaweinek.

A Kereskedelmi Minisztérium nem pontosította, milyen engedélyeket vont meg, ám a chipgyártásban kulcsszereplőnek számító Intel és Qualcomm pontosította: néhány export licencükről van szó. A Huawei egyelőre nem reagált.

Az ellenségeskedés 2019-ben, Donald Trump elnöksége alatt kezdődött, amikor az USA korlátozta a „listázott” Huaweinek eladható technológiákat. Az amerikai vezetés a nagyvállalat és a kínai hadsereg közötti kapcsolatokkal indokolta a döntést. Egyes vállalatok, köztük az Intel és a Qualcomm engedményeket kaptak, így ők üzletelhettek a kínai vállalattal.

Amerikai cégeknek kormányengedélyre van szükségük egyes technológiájuk exportjához vagy transzferéhez. A kormány különösen attól tart, hogy a kínai hadsereg használhatja ezeket a technológiákat. Amikor az Intel és a Qualcomm megkapta a licencet, annyi volt a kikötés, hogy a termékek ne kapcsolódjanak az 5G-hez.

A kínai kormány – a külügyminisztérium – elítélte Washington az ország vállalatai ellen irányuló lépését. Szerintük túlzásba viszik a nemzeti biztonság kérdését, és visszaélnek az export kontrollálásával, amellyel indoklás nélkül büntetnek kínai cégeket.

Egyes amerikai döntéshozók a Huawei MateBook X Pro laptop piaci bevezetését követően bírálták a Biden-adminisztrációt. Republikánus kongresszusi képviselők szerint a mostani lépésre sem került volna sor az ő nyomásgyakorlásuk nélkül.

A Huaweit súlyosan érintették az Egyesült Államok kereskedelmi korlátozásai, de az utóbbi időben úgy tűnt, hogy visszatérnek a korábbi szintre. Különösen a Mate 60 Pro okostelefon augusztusi piaci bevezetését követően hihettük, mert akkor ismét beindulni látszott a szekér, aztán az USA mostani döntésének következményeként, lehet, hogy mégsem.

Az egészségügy a mesterséges intelligencia egyik leglátványosabb és legnagyobb hatású alkalmazási területe. A képelemzés, radiológiai képek kiértékelése volt az első komoly áttörés, azóta az adminisztrációtól a gyógyszertervezésig ma már a gyógyítás számos szegmensében használják a technológiacsaládot.

MI nélkül nem lehetne automatizálni munkafolyamatokat. Az automatizációval leegyszerűsödik az adminisztráció, komoly terhet vesz le orvosok és ápolók válláról. MI-modell automatizálja a napi betegfelvételek kódolását, beszélgetéseket hasznos dokumentumokká alakít és így tovább.

A robotizáció is csak mesterséges intelligenciával megy, például léteznek és működnek már automatikus vérvételi eszközök. Először tartottak a páciensek negatív reakcióitól, az első tesztek azonban sikeresnek bizonyultak, megszűnt a félelem, pozitívan viszonyultak a technológiához.

Robotokat azonban nemcsak vérvételre használnak. Egy kínai gép fogbeültetésnél segédkezik. A Big Tech vállalatai humanoidokkal kísérleteznek: az Nvidia multimodális inputokkal gyakoroltatja őket, a Tesla Optimusa több funkcióra lehet alkalmas, az OpenAI és a Figure közös fejlesztésű kétlábú gépeit szintén bevethetik az egészségügyben.

Szükség lesz rájuk, mert a kórházak és más intézmények személyzetének létszáma folyamatosan csökken. A robotokkal azonban több a feladat is: a befektetés mellett telepíteni, karban kell tartani, gyakoroltatni kell őket, és a tanuláshoz is plusztérre van szükségük.

Az MI a gyógyszeriparban, új gyógyszerek fejlesztésében szintén komoly szerepet fog játszani. A DeepMind AlphaFold algoritmusa kétszázmillió fehérje szerkezetét tárta fel egy év leforgása alatt. A fehérjék hajtogatási módja meghatározza, hogy mit tesznek, milyen más molekulákkal lépnek majd kapcsolatba.

A medicina egyik célja egyes molekulák blokkolása vagy stimulálása, ami a fehérjehajtogatás módszerének ismerete nélkül nem megy. Az utóbbi öt évtizedben, változatos technikákkal többszázezer fehérjeszerkezetet térképeztek fel.

Aztán jött a DeepMind AlphaFold modellje, és hatszázmilliónál több fehérjeszerkezet hajtogatásáról készített részletes előrejelzéseket. Sikere miatt az elvárások óriásiak, mert mesterséges intelligenciával gyorsabban, könnyebben és olcsóbban tesztelhetők ígéretes molekulakombinációk új gyógyszerekhez.

A mesterséges intelligencia mellett részben az MI fizikai megvalósításának is tekinthető technológia, a robotika szintén komoly hatással lesz a jövő gasztronómiájára, vendéglátására. A kettő tökéletesen kiegészíti egymást.

Robotok már ma is végeznek konyhai munkákat: fejlett karok pontosan vágnak apróra zöldségeket, burgereket rendeznek el, de bonyolultabb ételeknél is besegítenek. Ismétlődő feladatokban kiválóan, konzisztensen és fáradhatatlanul teljesítenek. Séfeket nem fognak helyettesíteni, nem az a rendeltetésük, viszont egyre fontosabb részfeladatokhoz ideálisak.

Robotpincérrel Magyarországon is találkozhattunk már, leadhattuk neki a rendelést, asztalhoz vitte az ételt. Szenzorokat és MI-t használva tájékozódnak a zsúfolt térben, de túl a hatékonyságon, újdonságelemet és szórakoztatást is visznek a kulináris élménybe. Egyes robotok alapbeszélgetésre, zenelejátszásra szintén képesek.

Éttermi robotok ritkán működnek mesterséges intelligencia nélkül. Algoritmusok segítik őket a tapasztalatokból való tanulásban, útvonal-optimalizálásban, rendelések pontos feldolgozásában. Hamarosan gyakorolhatnak is, mozgásukat MI-rendszerek elemzik, és a nagyobb pontosság végett javasolják majd nekik, min és miként finomítsanak.

Azonban az ő esetükben se felejtsük el, hogy „csupán” eszközök szakértő profik kezében. Ők sem nyugdíjazzák a séfeket, pincéreket és a többi vendéglátóipari alkalmazottat. Okosan implementálva, a személyzet helyett elvégzik az ismétlődő és unalmas feladatokat, míg a humán munkaerő a kreatívabbakra fókuszálhat, amelyekben hangsúlyos a robotok által kivitelezhetetlen problémamegoldás.

A robotika éttermi alkalmazása izgalmas élményekkel kecsegtet, viszont a teljesen ember nélküli, csak robotokból álló vendéglátóipari egységek több problémát vetnek fel, mint amennyit orvosolnak. Nem mosolyognak az étel szervírozásakor, tapasztalt sommelierként sem tudnak tanácsot adni, nincs bennük empátia.

A mesterséges intelligencia gasztronómiai alkalmazásának a vendég és az étel csak egy része – a hatás a konyhától az irodáig, az egész ökoszisztémát érinti. Például nem kell többé találgatni, mert a precíz MI optimalizál, időt szabadít fel.

Képzeljük el: raktárkészlet-kezelő rendszerünk prediktív analitikát használva elemez múltbéli eladási adatokat, évszakonkénti szokásokat, helyi eseményeket, időjárás-mintákat, és mindezek alapján készít előrejelzéseket, amelyek érvényesítésével jelentősen csökkenthető a vendégek frusztrációja, ha mondjuk, nincs friss spárga.

A konyhában az MI lehet a „karmester.” Szenzorrendszer valósidőben monitorozza a főzési hőmérsékletet és a gépek teljesítményét, elkészítés előtt figyelmezteti a chefet a kajaminőséget érinthető problémákra. Receptadatbázisokkal összekapcsolt appok jelezhetik, mivel helyettesítsük a rendelkezésre nem álló összetevőket. Más eszközök rendelési minták és a konyhai folyamatok összefüggéseit elemezhetik, kimutatásaikkal például csökkenthető a várakozási időt.

Az MI személyek kezelését szintén optimalizálhatja. Foglalórendszerek prognosztizálják a csúcsidőt, asztalok elrendezését elemzik, segítik a személyzetet vendégek legpraktikusabb ültetésében. Érzelemelemző rendszer a közösségi médián figyeli a visszajelzéseket, trendeket derít fel, kiemeli a változtatásra szorult területeket, döntéshozásban segíti a menedzsmentet.

A technológia nem helyettesíti, hanem segíti az embert, a gasztronómiában megvalósul a tényleges ember-gép együttműködés. Következmény: a főszakács szabadabban kísérletezhet, pincérek jobban koncentrálhatnak a vendégre, a vezetés proaktívan kezelheti a személyzet és a vendégek problémáit. Az MI ezúttal nem automatizál, hanem javítja az emberi teljesítményt. A közeljövő étterme ideális esetben a humán és a gépi oldalból is kihozza a legjobbat.

De hogyan optimalizáljuk a mesterséges intelligenciát?

Az MI integrációja nem versenyfutás, hanem gondos tervezéssel, stratégiai implementációval kezdődő út, folyamatos finomításokkal. Első lépésként értékeljük ki jelenlegi rendszereinket, hogy mennyi és milyen adatok gyűjtésére képesek. Csak a hiányosságok azonosítását követően érdemes fejlett MI-eszközökbe fektetni. Nem célszerű rögtön mindent lecserélni, megújítani, hanem fokozatosan, pilotprojekteken keresztül, például a gyakran feltett kérdéseket kezelő chatbottal győződjünk meg hiányokról, korrigálandó dolgokról.

Gondoljunk bele, hogy mit akarunk elérni az MI-vel, és a célokat pontosan megfogalmazva, könnyebb kiválasztani a kivitelezésben hatékony eszközöket (és persze az sem mindegy, hogy kitől vesszük meg azokat). A személyzet végezzen speciális tréningeket, ismerjék meg a technológiát, hogy lássák: az MI az innovációban segít, nem kell félniük állásuk elvesztésétől.

Bevezetése után folyamatosan ellenőrizzük, finomhangoljuk a technológiát, keressünk hozzá esettanulmányokat, és nem utolsósorban, alaposan gondoljuk át a költségeket.

A technológiát gamifikációval (játékosítással) összekapcsolva, izgalmas játékélményként élhetjük meg. Például pluszpontokat kapunk, ha az étlap összeállításakor kilépünk s komfortzónánkból. MI-vel működtetett hűségprogramok választásainkat elemezhetik, jutalmaikkal ízlésünk értékelése mellett a felfedezésre is ösztönözhetnek.

A gamifikáció azonban csak akkor működik, ha opcionális, és ha javítja, nem pedig megszakítja a kulináris élményt. Tágítania kell a vendég preferenciáit, meglepetéselemekkel kell változtatásra késztetnie.

A molekuláris gasztronómia vagy a chefek egy része által kísérleti konyhaművészetnek nevezett terület fizikai és kémiai folyamatok gyakorlati szakácstechnikákban történő alkalmazása. Az ételek elkészítését és élvezetét atomok, molekulák és keverékek szintjén, tudományos szemszögből közelíti meg. Alkalmazói egy összetevő molekuláris szerkezetét, tulajdonságait és átalakulásait veszik figyelembe élelmiszeripari termékek elő- és elkészítésénél. (Az elnevezést Kürti Miklós magyar fizikus és a francia Hervé This kémikus találta ki 1988-ban.)   

Amióta létezik molekuláris gasztronómia, mindig a kulináris innováció terepének bizonyult. A mesterséges intelligencia berobbanásával korábban soha nem tapasztalt mértékben foglalkoznak vele, mert enciklopédikus ismereteivel és pontosságával az MI a legjobb szakácssegéd. Az ízek birodalmában elmerült, gépi tanulással okosított algoritmusok a legkreatívabb szakácsok ötleteiben sem szereplő kombinációkkal, például serpenyőben sült Szent Jakab kagyló mangós coulis-szal (sűrű püré vagy mártás) meg hasonlókkal állhatnak elő. Egy részük nyilván nem működik, a többi viszont ismeretlen élményekkel kecsegtet.

Az MI azonban nemcsak új ízek felfedezéséről, hanem meglévő technikák gép nélkül elképzelhetetlen szintre történő fejlesztéséről is szól: mártások tulajdonságait meghatározott hőmérsékleten, meghatározott ideig őrizhetjük meg, mikroszkopikus pontosságú textúra-zsonglőrködést kivitelezhetünk vele. Kiszámítja az ideális főzési időt, összetevő-arányt, és hogy milyen konkrét lépéseket tegyünk pontos kivitelezésükért.

Tudományos precizitásával hozzájárul, hogy chefek túllépjenek a megszokott textúrákon, tálaláson. A molekuláris gasztronómia bevett készlettárát, habokat, géleket és gömbösítést a lehetőségek határáig finomít. MI segítségével a fogások nemcsak ínycsiklandózóak, hanem a látvány is magukkal ragad. Egyesek szerint a molekuláris gasztronómia és a mesterséges intelligencia párosa megváltoztatja, tágabbá teszi az „étel”, „élelmiszer” jelentését.

Minden megrendeléssel, diétával, megkötéssel, menüleírással és képekkel folyamatosan online adatokat hagyunk magunk mögött, masszív adatgyűjtő rendszerben tárolva komoly gyakorlóterep MI-modelleknek. Lájkokon és dühös emojikon bőven túllépve, ismerik meg személyes ízlésünket, hogy mire vagyunk allergiásak stb.

Az adatok alapján az MI kulináris valóságunkhoz tökéletesen passzoló ételeket, ételsorokat javasolhat. A pont ránk kialakított kaják elvileg személyiségjogi (privacy) kérdéseket vethetnek fel. Felelős MI-rendszereknél azonban az adatbiztonság elsőbbséget élvez, a fogyasztói élmény növelése, és nem az infóinkkal való visszaélés a cél. Interakcióink visszacsatolási hurkokként (feedback loops) működnek: mi is adhatunk neki inputokat, finomhangolhatjuk az ajánlásait, az algoritmus pedig tanul visszajelzéseinkből.

A tudomány közösségi törekvés, személyek és munkájuk közötti összefüggések a közösség kollektív figyelmét tükröző gráfként ábrázolhatók. A kollektív figyelem jelzésként működik, ígéretes utakat vetít előre további kutatások számára, és a gépi tanulás is segíthet benne.

A Chicago Egyetem kutatói tudományos felfedezések előrejelzésére dolgoztak ki módszert. Gráfjuk kutatókat, vizsgálódásuk tárgyát és tudományos jellemzőket kapcsolja össze egymással. A megközelítést anyagtudományi adatokon értékelték ki.

Kutatók érdeklődési körének átfedései olyan területeket jelezhetnek, ahol további kutatások eredményesek lehetnek. Ha például egy csoport A anyagot és P tulajdonságát, egy másik A és B anyagokat, egy harmadik B és C anyagokat vizsgálja, kiderülhet, hogy a C anyag P tulajdonságot mutat.

A kutatók próbálták előrejelezni, hogy egyes szervetlen anyagok mutatnak-e elektromos tulajdonságokat. Munkájuk alapját a 2000-ig publikált tudományos irodalom jelentette. Másfélmillió, százezer szervetlen vegyületet leíró tanulmányból kiszedték a szerzők nevét, a megemlített anyagokat és tulajdonságaikat.

Az adatokat gráf kidolgozására használták fel. A szerzők, az anyagok és a tulajdonságok képezték a csomópontokat. A csomópontokat az ugyanabban az anyagban való megjelenést jelző élek kötötték össze.

A kutatók véletlenszerűen „járták be” a gráfot; szerzők, anyagok és tulajdonságok sorozatait alakították ki belőlük, majd a szerzőket eltüntették, mert főként az anyagok és tulajdonságok közötti lehetséges kapcsolatok létrehozása érdekelte őket. Gépitanulás-modellt tanítottak be szó-beágyazások kiszámítására. Az anyagokat és tulajdonságokat szavakként, a sorozatokat dokumentumokként kezelte. A módszer minden anyaghoz és tulajdonsághoz beágyazást eredményezett.

Felfedezések előrejelzéséhez pontozták az anyagokat. A pontozás egyrészt az anyag és az adott tulajdonság beágyazása közti hasonlóságon, másrészt az anyagokat és a tulajdonságokat összekötő útvonal legkisebb élén alapult, majd a kettő pontszámát összeadták. A legmagasabb pontszámot elért ötven anyagról prognosztizálták, hogy rendelkeznek három tulajdonság valamelyikével.

A modellt 2001 és 2018 közötti anyagokon finomhangolták, és például a termoelektromosságban hetvenhat százalékos pontossággal jelzett előre tényleges felfedezéseket: százból hetvenhatot. A másik két tulajdonsággal is hasonló eredményt értek el. (Alternatív módszerrel negyvennyolc, random találgatással három százalék volt a sikeres előrejelzés.)

Az Amazon 2016-ban mutatta be először a Just Walk Out („csak menj ki”) koncepciót/szolgáltatást a Seattle-i Amazon Go kisboltban. A rendszert 2020-ban tovább bővítette (Amazon Fresh), 2020. és 2022 szeptembere között negyvennégy Fresh boltot nyitott az USA-ban, tizenkilencet az Egyesült Királyságban. Legtöbbjük a Just Walk Out alapján működött.

Az Amazon fizikai (nem virtuális) boltjai megszenvedték a Covid-19 világjárványt, így 2022 szeptembere és 2024 májusa között szélesebb körű költségcsökkentési stratégia jegyében, a nagyvállalat egyetlen új élelmiszerboltot sem nyitott.

Mivel a kiskereskedelem mindinkább az azonnali fogyasztói megelégedésre fókuszál, a „fogd meg és menj” (grab-and-go) vásárlás biztos sikernek tűnt. Az Amazon viszont úgy döntött, hogy (az Amazon Go és néhány kisebb brit Amazon Fresh kivételével) boltjai zömében kivezeti kínálatából a szolgáltatást. A rendszert licencbe adta más kiskereskedőknek, például a Hudson Markets-nek és más „külsős” boltokban is kívánja telepíteni. 

A lépés arra enged következtetni, hogy a megoldás mégsem passzol ezekhez a környezetekhez. A boltosok talán nem alkalmazkodtak könnyen hozzá, megszűntek a pénztárosokkal folytatott interakciók, a vásárlót a számla megnézése nélküli költekezésre serkentette.

A mesterséges intelligencián alapuló szolgáltatást okos vásárlókártyával (Dash Cart) igyekeznek kiváltani.

A Just Walk Out lehetővé tette, hogy belépve a boltba, a rendszernek megadjuk a fizetési módszert, levesszük a polcról a gépi látással és súlyérzékelőkkel követett termékeket, majd a pénztár kihagyásával egyszerűen kisétáljunk velük.

Az Amazon szerint a rendszer nem működik élelmiszerboltokban, ahol általában sok terméket vásárolunk, és mindaddig talán fogalmunk sincs költekezésünk mértékéről, amíg e-mailen meg nem kapjuk a számlát. A Dash Carttal helyben, valósidőben látjuk.

A rendszer ezernél több távmunkában dolgozó alkalmazotton alapult. Ők címkézték fel a gépi tanuláshoz használt videókat, és nézték át azokat az eseteket, amikor hiba csúszott a működésébe. Az Amazon nem tudta gyorsan elvégezni a szükséges változtatásokat, és 2022 közepén már hétszáz személy nézett át ezer vásárlást (húsz-ötven volt az eredeti cél). Azóta állítólag csökkent a szám.

A modellek trenírozásához kétezer technológiai szakember kellett, a gyakorláshoz és a futtatáshoz szükséges felhőszámítási erőforrások többszáz millió dollárba kerültek.

A kamerákat és a szenzorokat meglévő boltokban nehéz telepíteni, gyakran volt szükség masszív átalakításokra. Ráadásul a rendszer magas mennyezeteket igényelt, és nem biztos, hogy minden üzletben ilyenek voltak a plafonok.