Az infokommunikációs technológiákat uraló nagyvállalatok között óriási a versengés, hogy melyikük lesz a legeredményesebb a kvantumszámítógép fejlesztésében.

Néhány tény a verseny érzékeltetésére: az IBM 127 kvantumbites (qubit) processzort épített ezer qubites kvantumrendszerhez. Kínai kutatók megépítették világ leggyorsabb kvantumszámítógépét. Tízszer gyorsabb, miközben a Google kvantumrendszere időkristályok tanulmányozásában segít tudósokat.

A kvantuminformatikában felpörögtek az események.

A nagyvállalatok egymás közötti, illetve az amerikai-kínai folyamatos rivalizálás mellett, tőlük függetlenül, a beszédes nevű bostoni QuEra Computing kétszázötven qubites kvantumszimulátor fejlesztését jelentette be.

A speciális rendeltetésű gépet egyedi problématípusok megoldására találták ki. A róla készült demonstrációs anyagban például kvantumbitekből készült Mario látható mozgás közben (lásd az alábbi képen).

A gép az eddigi utolsó lépés a kvantumszámítások mérettartományának bővülésében. Elvileg elég egyszerű a képlet: minél több a kvantumbit, annál több információ tárolható és dolgozható fel a géppel. Ez azért fontos, mert így egyre közelebb kerülünk ahhoz, hogy elméletek mellett, praktikus problémákat is megoldjunk ezekkel a szerkezetekkel.

A Google 2019-ben jelentette be, hogy ötvenhárom qubites új gépével elérte a kvantum-elsőséget, azaz a gép hagyományos komputerekkel kezelhetetlen problémákat képes megoldani.

Az IBM kihívásként értelmezte a Google fejlesztését, és ugyanabban az évben ők is bejelentettek egy ötvenhárom qubites saját kvantumszámítógépet. 2020-ban az IonQ prezentált egy harminckét kvantumbites rendszert, elmondásuk alapján az akkori világ legerősebb gépét.

Az IBM 2021-ben sem maradt tétlen, novemberben 127 qubites új processzor sikeres fejlesztéséről beszéltek. A QuEra Computing nem sokkal később ismertetett rendszere (döbbenetes módon) majdnem a kétszerese ennek, sőt, az összes vetélytársénál több kvantumbitből tevődik össze.

De nemcsak a qubitek száma számít. A QuEra gépe például jobban programozható, mint a többieké. Minden egyes qubit egyetlen darab ultrahideg atom. Az atomokat lézerekkel rendezték el pontos rendben – a gép ezért programozható, ezért dolgozhatnak vele és ezért rekonfigurálható valós időben.

Képes-e a mesterséges intelligencia észrevenni, ha egy országban fennáll a hirtelen és váratlan vezetőváltás kockázata?

A Közép-Floridai Egyetem kutatói szerint igen, ugyanis a CoupCast rendszerrel közösen becsülik fel egy-egy országban az állancsíny lehetőségét. A rendszer havonta tanulmányozza minden egyes országban a puccs valószínűségét.

A kutatók 1920-ig visszamenő, különleges tanuló adatsort dolgoztak ki. Csökkentették az államcsínyhez vezető valószínű hajtóerők szerepét, viszont az olyan gazdasági, társadalmi és politikai tényezőket, mint a GDP, a gyermekhalandóság, a választások ütemezése, az adott rendszer stabilitása, vagy a vezetők profilja figyelembe vettek.

Egymást kiegészítő két architektúrát gyakoroltattak a puccs logaritmikus előrejelzésére még olyan országokban is, ahol ritkaságszámba megy. Az egyiknek először 1950 és 1974 közötti adatokból kellett 1975-re prognosztizálnia, majd az 1975-ös előrejelzésekkel kiegészítettek, újra gyakoroltatták, és 1976 következett, és így tovább a jelenig.

Kiderült, hogy mindkét modell jól működik, de ha általános modellé kombinálják össze őket, sokkal pontosabbak a prognózisaik. A rendszer csádi és mali felkeléseket jósolt 2021-re, amelyekkel nem tévedett.

A CoupCast nem az egyetlen olyan technológia, amely gépi tanulással vizsgálja a politikai feszültségeket.

Az adattudománnyal foglalkozó Atchai újságcikkek elemzésével deríti ki egy-egy tiltakozóhullám okait, majd modellezéssel és klaszterezéssel bemutatja, hogy a különböző tiltakozások milyen módon kapcsolódnak egymáshoz.

A GroundTruth Global a gépi tanulással készített előrejelzéseket humán szakértők elemzéseivel hozza szinkronba, hogy jobban megértsük a fejlődő gazdaságok bizonytalanságait.

Az amerikai hadsereg egyik rendszere prognosztizálja, hogy az USA bizonyos lépései, például fegyvereladások, diplomáciai látogatások mennyire növelik az Egyesült Államok és Kína közötti feszültségeket.

A CoupCastot 2016 és 2021 között működtető One Earth Future igazgatója viszont kételkedik, hogy a rendszer előrejelzései komoly hatással lehetnek politikai döntésekre, és ellenzi a Közép-Floridai Egyetem projektjét.

Ezek a technológiák hasznosak lehetnek, mert akár puccsok előzhetők meg a segítségükkel, vagy legalább segítenek vezetőket, hogy felkészüljenek a legrosszabbra.

Az adatvezérelt CoupCast és a hasonló rendszerek egyelőre leginkább emberek által készített elemzések produktív kiegészítőinek tekinthetők.

Mesterséges intelligenciával működő rendszer fogja ellenőrizni meccsek előtt a szurkolókat a Baltimore Orioles baseball-csapat stadionjában. Rendeltetése, hogy megállapítsa, van-e a drukkereknél lőfegyver, kés, esetleg robbanóanyag. A mérkőzések helyszínén hamarosan megkezdődnek a tesztek.

A Hexwave nevű rendszert az MIT (Massachusetts Institute of Technology) Lincoln Laboratóriumában fejlesztették, és a Liberty Defense Holding biztonsági cég üzemelteti. Testeket szkennel le, és ha potenciális veszélyt észlel, figyelmezteti az őröket. Nincs menekvés előle, mert a ruhába vagy csomagba rejtett fegyvert is látja.

Jelenleg óránként ezer személyt képes átvizsgálni. Sokféle anyagon áthatoló mikrohullámokat használ, antennával működik, és a testekről valósidőben készít 3D képet.

A képet gépitanulás-modell értelmezi. Fegyverek mellett veszélytelen tárgyakat, például kulcsokat és pénzérméket is felismer, azaz a szurkolóknak a jelenlegi ellenőrzésekkel ellentétben, nem kell kiüríteniük a zsebüket, táskájukat.

Gyanú esetén a biztonsági őröket nemcsak figyelmezteti, hanem egy kijelzőn fel is vázolja nekik, hogy miről van szó. A tervek szerint idén kezdik el a kereskedelmi forgalmazását. Eddig meccsek helyett müncheni és vancouveri bevásárlóközpontokban tesztelték.

Egyelőre még kevés, de folyamatosan növekvő számú rendezvényhelyszínen  alkalmaznak mesterséges intelligenciát a biztonság növelésére, illetve a várakozási idő csökkentésére.

Az Omnilert rendszert szintén lőfegyverek felismerésére tanították be – egy videojáték-program szimulációját használva figyel biztonsági kamerával rögzített képeket.

Több amerikai repülőtér szintén gépitanulás-modellekkel hitelesíti utazók személyazonosságát. Gyorsabbak az eddigi megoldásoknál, így a nemzetközi járatokra történő beszállási vagy a határátlépési idő jelentősen csökken, az utasoknak kevesebbet kell várakozniuk, és míg a hagyományos ellenőrzőpontok lassúak, idegesítők és hatékonynak sem nevezhetők, az új technológiák jóval eredményesebbek. 

A Pentagon Védelmi Innovációs Egysége köti az amerikai hadsereg mesterséges intelligenciával és más csúcstechnológiákkal működő rendszereivel kapcsolatos szerződéseket. A szervezet új etikai irányvonalat dolgozott ki, amelyet a szerződő félnek be kell tartania, hogy fejlesztése a tervek szerint, káros mellékhatások nélkül működjön.

Az új irányvonal a Pentagon ipari, tudományos és kormányzati szakértőkkel folytatott tizenöt hónapos konzultációt követően, 2020 februárjában megfogalmazott mesterségesintelligencia-etika alapelveit tükrözi. Az „etikus MI” definíciója ugyanakkor elnagyolt: felelősségteljes, átlátható, megbízható, kezelhető, előítéletmentes.

Általános alapvetéseket mindig nagyon nehéz konkrét és működő rendszerekre alkalmazni.

Az új – természetesen konkrét – irányelvek az MI-rendszerek tervezésére, fejlesztésére és telepítésére vonatkoznak. Mindegyik fázisban, a beszállító folyamatábrába rendezett kérdéseket kap, amelyekre a Védelmi Minisztérium MI-re vonatkozó erkölcsi alapelveivel megfelelő választ kell adnia, és csak utána foglalkozhat a következő szakasszal.

A tervezésnél az MI-fejlesztésekre nagyon sokat költő Védelmi Minisztériumot képviselő hivatalos személyekkel határozzák meg a rendszer lehetőségeit, hogy hogyan és miből épül fel, hogyan képzelik el a telepítését.

A fejlesztési szakaszban a beszállítónak el kell magyaráznia, hogyan akadályozzák meg az adatok manipulálását, meghatározzák a felelősség kérdését a rendszer lehetőségeiben történő változások esetén, és kidolgozzák a monitoring és az auditálás folyamatát.

A rendszer üzembe helyezésekor a vállalkozónak folyamatosan ki kell értékelnie az adatok érvényességét, biztosítania kell, hogy azok is maradjanak, a technológia rendeltetésszerűen működjön, és minden malőrt dokumentálni kell.

Egy nem katonai jellegű projekttel kapcsolatos esettanulmány során az irányelvek komoly segítséget nyújtottak a fejlesztőknek, hogy felismerjék: röntgenképeket vizsgáló rendszerük megtagadhatja a kritikus ellátást ritka betegségekben szenvedő páciensektől. A probléma megoldásáért, a modellt ritka röntgenfelvételekkel tesztelték. A konkrét példa alapján úgy látszik, az alapelvek komoly fogódzókat adnak a fejlesztők kezébe.

A dokumentum azonban nem tesz említést a teljesen automatizált fegyverekről, az úgynevezett „gyilkos robotokról”, márpedig manapság egyetlen katonai mesterségesintelligencia-fejlesztésről sem lehet beszélni nélkülük.

A világ sok országában, különösen a fejlett északi féltekén több az idős, mint a gondjukat viselő fiatal személy. Eközben a robotok száma nő, ma már, például Google-hivatalok kontrollálatlan környezeteiben is képesek könnyebb őr- és megfigyelőmunkákat elvégezni. Egyre jobbak mechanikus, ismétlődő feladatok elvégzésében: mosogatnak, porszívóznak, takarítanak.

A hivatalok ugyan nem annyira komplex környezetek, mint az otthonok, viszont jó gyakorlóterepek a gépeknek. Ezekben a közegekben készülhetnek fel például az olyan bonyolultabb feladatokra, mint az idősgondozás.

A Google kísérleti X Development részlegének egyik új leányvállalata, az Everyday Robots száz gépet állított munkába – takarítófeladatokat fognak végezni. Pár éve tanulták meg, hogyan kell a szemetet újrahasznosításhoz, komposztáláshoz, hulladéklerakáshoz stb. szétválogatni, és most már tudják azt is, hogyan nyissanak ajtót, egyenesítsenek ki székeket, szedjenek szét asztallapokat, kerüljenek el objektumokat, tehát lassan készek a házi munkákra is.

Az új gépek Lidar vezérletével, négy keréken gördülnek. A fejben van öt kamera és más érzékelők. Kimeneteik segítik a markolóval megerősített csuklós kart. A vezérlőrendszer egyetlen alapmodellt használ, a különféle feladatokhoz a kimeneti (output) rétegeket változtatja meg.

Utánzásos tanulással gyakoroltatták, majd jött a megerősítéses tanulás, előbb hagyományos, aztán egyesített (együttműködés-alapú) tanulói környezetben/beállítások mellett.

A kart humán operátor mozgatja, hogy oldja meg a feladatokat. A robot hol szimulációban, hol a valóságban megtanulja ismételni a cselekvéssorokat. Sokat próbálkozik a szimulációban, és ha sikeres, jutalmat kap. Fokozatosan tesz szert ismeretekre.

A gépek felhőszámítás-alapú ideghálót osztanak meg egymás között, az becsüli fel egy adott cselekvés egy bizonyos állapotban történő kivitelezéséhez kapcsolódó értékeket. A robotok egymástól függetlenül használják a hálózatot, hogy eldöntsék, mikor mit lépnek. Az idegháló folyamatosan javul, és az új változatot rendszeresen megosztják a gépekkel.

Így készülnek fel a való világra, ahol az eddigi tapasztalatok alapján kilencven százalékos sikerességgel abszolválják a feladataikat. A bíztató eredményt kevesebb, mint egy nap egyesített tanulást követően érték el.

Ha ebben az ütemben tanulnak és fejlődnek, akkor hamarosan az idősgondozásba is besegíthetnek.

A kólibaktérium (ismertebb nevén E. Coli) családba tartozó baktériumok több szempontból is ismertek: jól ellenállnak a gyógyszereknek, a szervezetbe kerülve fertőzést, vakbélgyulladást okozhatnak, de elsősorban sok tudományos kísérlet sztárjai, mert számos célra felhasználhatók.

Az E. Coli a beleinkben ugyan képes felfordulást okozni, viszont a tudomány fejlődéséhez is hozzájárult – a DNS-kutatásokban előszeretettel alkalmazzák, és többek között bioüzemanyagok, vagy a Pfizer koronavírus elleni vakcinája sem lenne nélküle.

A „szerteágazó tehetségű” baktérium újabb adottságát mutatta be egy nemzetközi kutatócsoport. Elosztott számítások segítségével meg tudja oldani a klasszikus labirintusproblémát. Lényege, hogy a szükséges műveleteket nem egy, hanem különböző típusú génmanipulált sejt végzik el.

A felfedezés a szintetikus biológia fejlődésének köszönhető, amelyhez az E. Coli is jócskán hozzájárult eddig. A szintetikus biológia az elektromos áramkörökhöz hasonlóan akarja felépíteni a biológiaiakat, a sejtprogramozást pedig ugyanolyan rutinfeladatként képzeli el a közeljövőben, mint amilyen könnyedén programozzuk ma a komputereket.

A kortárs számítástudomány egyik trendje a biológiai minták átvétele, a szerves élet folyamatainak valamilyen szintű gépi másolása. A szintetikus biológia dupla csavar: egyrészt számítástudomány és biológia, másrészt szerves és szervetlen szimbiózisa.

Túl a tetszetős elméleteken, a gyakorlatban is hasznosítható eredmények azonban még váratnak magukra. Ezért lehet áttörés és komoly előrelépés a labirintus-kísérlet, amelyhez egyetlen sejttípus megtervezése helyett többfajtával próbálkoznak. Ha csak egy lenne, annak kellene minden feladatot elvégeznie, így viszont mindegyiknek más a funkciója, és a munkát – mint egy zenekar – együtt, csoportban végzik el.

Ha a megközelítésről kiderül, hogy nagyobb léptékben szintén működőképes, rengeteg jövőbeli alkalmazás várható, a gyógyszeripartól a mezőgazdaságig és az űrutazásokig.

Az izraeli rendőrség hamarosan autonóm drónokat fog kiküldeni olyan helyszínekre, ahol lövöldözést derítettek fel – állítja a változatos high-tech termékeket fejlesztő amerikai ShotSpotter vállalat.

A cégnek már az eddigi technológiái is ellentmondásosak, megosztják a szakmai közvéleményt. Jelen fejlesztés lényege, hogy az eszköz akusztikus szenzorokkal érzékeli a lövéseket, figyelmezteti a rendőrséget.

A ShotSpotter nemrég állt össze az Airobotics vállalkozással, hogy a zavaró jelzésekre reagáló drónokat dolgozzanak ki.

„Az Airobotics véleménye szerint, azzal, hogy összeálltunk a lövések felderítésében vezetőnek számító ShotSpotterrel, jobb technológiai lehetőségeket kínálunk az Izraelben elkövetett fegyveres bűnök kezelésére” – nyilatkozta Meir Kliner, az Airobotics vezérigazgatója.

Kliner hangsúlyozza: a partnerség fontos lépés cége stratégiájában. Folyamatosan bővíteni kívánják a biztonsági problémákra, fegyveres harcokra városi környezetben gyors és azonnali lépéssel reagáló lehetőségeket.

A koncepciót többen bírálják. A denveri rendőrség például használja a ShotSpottert, viszont nem tudja bizonyítani, hogy ezzel csökkenne a fegyveres bűntények száma. Denverben, 2021-ben huszonöt százalékkal több figyelmeztetést adtak le, mint 2020-ban, a letartóztatások viszont csak két százalékkal emelkedtek.

A technológiát több mint száz városban használják világszerte, és nemcsak Denverben panaszkodnak rá.

Elég nehéz elképzelni, hogy az izraeli rendőrség kezében, egy drónnal összekapcsolva oldana meg problémákat, helyette inkább esetek túlreagálására és a statisztikák mesterséges feltornászására számíthatunk.

Büntetésvégrehajtási technológiák kétségtelenül életeket menthetnek meg, megkönnyíthetik a rendőrök munkáját. De csak akkor, ha rendeltetésszerűen működnek és használják őket. Ha nem, és ráadásul nem alkalmas, hozzá nem értő kezekbe kerülnek, akkor csak súlyosbítanak a helyzeten.

Az utóbbi hónapok, néhány év legfontosabb mélytanulás-eredményeit a szöveggel és képekkel foglalkozó modellek, köztük a legendává vált GPT-3 és az EfficientNet érték el. Eközben beindultak a szövegek és képek közötti kapcsolatokkal foglalkozó projektek, és míg a legtöbb multimodális (több módban is működő) MI-rendszer ugyan kísérleti jellegű, néhány valóvilágbeli alkalmazás is működik már.

Az OpenAI 2021-ben komoly eredményeket ért el a CLIP rendszerrel a multimodális tanulásban. CLIP szövegeket és képeket társít össze, a Dall-E szöveges inputokhoz kapcsolódó képeket generál. A DeepMind Perceiver IO-ja szövegeket, képeket, videókat és adatpontokat elemez. A Stanford Egyetem ConVIRT rendszere szöveges címkékkel látott el orvosi röntgenfelvételeket.

A generatív ellenséges hálózatokkal (GAN) kombinált CLIP a digitális művészetekben is jeleskedett: a képzőművész Martin O’Leary Samuel Coleridge Kubla kán versét adta meg neki inputnak, és az MI pszichedelikus videóval állt elő (Sinuous Rills).

A Facebook multimodális gyűlöletbeszéd-detektora a sértő és káros tartalmak 97 százalékát felcímkézte, eltávolította. A rendszer tíz adattípus (szöveg, kép, videó stb.) alapján osztályoz mémeket és más kép-szöveg párosításokat.

A Google multimodális és többnyelvű képességekkel bővíti keresőmotorját. A Multitask Unified Model hetvenöt nyelven feltett kérdésekre áll elő szövegekre, audioanyagokra, képekre és videókra mutató linkekkel.

A multimodális megközelítés beindulása többévtizedes kutatás eredménye.

A John Hopkins Egyetem és a UC San Diego kutatói 1989-ben fejlesztettek egy, a mássalhangzókat beszélő emberekről készült audió- és vizuális anyagok alapján osztályozó rendszert. A következő két évtizedben többen próbálkoztak változatos multimodális alkalmazásokkal: digitális videokönyvtárak indexelésével, emberi érzelmek audiovizuális adatok alapján történő osztályozásával stb.

A képek és a szövegek annyira komplexek, hogy a múltban a kutatók teljes kapacitással fókuszáltak vagy az egyikre, vagy a másikra, így pedig nagyon különböző technikákat fejlesztettek. A 2010-es években viszont a gépi látás és a természetesnyelv-feldolgozás ideghálókkal történő integrálódásával megnyíltak az egyesített modellek felé vezető kapuk.

A nyelvtől a látásmodellekig, a mély ideghálók teljesítménye folyamatosan javul, például hatékonyabbak, jobbak az általánosításban. Ezekre a rendszerekre sajnos az elfogultság, csoportok pontatlan és sztereotip megjelenítése szintén jellemző. A magyarázatokkal adósak maradnak, plusz törékenyek is – figyelmeztet a dublini University College Komplex Szoftver Laboratóriumában kognitív tudományokkal foglalkozó Abeba Birhana.

A kutató bízik a változásokban, optimista a jövő igazságosabb mesterséges intelligenciáit illetően. Álláspontját szakértői elemzésekre, több MI-kutató kritikus véleményére alapozza. Szerinte hamarosan fejleszthetünk az ezeket a negatív hatásokat mérséklő, esetleg teljesen kiiktató rendszereket, és a fejlesztésük idővel rutintevékenységgé válik.

A szakterületen nincs hiány az optimizmusból, sőt, rengetegen túl sokat várnak a modellektől, a félrevezető nyelvezettől a nagyzoló ígéretekig, minden el van túlozva körülöttük – és nem csak a mainstream médiában.

Nyelvi modelleket sokszor emberi tulajdonságokkal (tudatosság, dolgok megértése) ruháznak fel, holott például egy mondatban csak az előző szavak alapján prognosztizálják a következőt, azok alapján generálják a szöveget, és közben nem értik a jelentését.

Ha meg akarjuk érteni a modellek emberekre gyakorolt hatását, akkor előbb magukat a modelleket kellene megértenünk. Először a korlátjaikat, majd az általuk okozott károkat.

Sajnos az adatsorokról készült jelentéseket kevesen veszik komolyan, pedig a modellek növekedésével maguk az adatsorok is terebélyesebbek lesznek, több gyakorlásra van szükségük, ami a masszív tréningjük és tesztelésük nélkül nem megy.

Az adatsorok anyagát főként a világhálóról gyűjtik össze, és kritikus szerepet játszanak az adott modell sikerében. A legmasszívabbak felülvizsgálatára viszont kevés a pénz, ráadásul meg sem becsülik ezeket a munkákat. Így fordulhatnak elő kegyetlen, bigott, gyűlölködő és csaló alkalmazások. A szöveges, vizuális stb. massza megtisztítása fárasztó és idegőrlő feladat, és akik csinálják, folyamatosan szembesülnek a kegyetlenség, bigottság, ellenségeskedés és csalás hatásaival.

És még az MI-közösség is alulbecsüli őket.

A Regina Barzilay, az MIT (Massachusetts Institute of Technology) korábban évekig a természetesnyelv-feldolgozást vizsgáló kutatója és kollégái által fejlesztett Mirai mesterséges intelligencia különleges tulajdonsággal rendelkezik: előre tudja jelezni a mellrákot.

Az MI elemzi és többezer korábbi anyaggal kapcsolatos keresztreferenciákkal látja el a mellrák-szűrésnél készült felvételek (mammogramok) pixeleit, amelyekből következtet a jövőre, és kb. öt esztendőre prognosztizálja az előfordulások bő felét.

Az előfordulás kockázatát felmérve, a páciensek olyan egészségügyi döntéseket hozhatnak, amelyekről korábban maximum csak álmodni lehetett, most viszont valósággá válnak.

A kutatók mintegy kétszázezer mammogramon gyakoroltatták mesterséges intelligenciájukat. A rendszer ezek alapján generált előrejelzéseket, és az eredményből kiindulva – a prognózis mennyire felelt meg a valóságnak, mennyire nem – vagy megbüntették, vagy jutalomban részesítették.

Ezt követően Mirai újabb és még masszívabb adatsoron tanult, és az eredményei értelemszerűen tovább javultak: száz esetből átlagban hetvenhatszor pontos munkát végzett. Ez pedig azt jelenti, hogy huszonkét százalékkal pontosabb, és húsz-huszonöt százalékban érzékenyebben kezeli a problémát, mint az általánosan használt Tyrer-Cuzick statisztikai modell.

Ha Mirait az egészségügyi hatóságok elfogadják (a tesztek már elkezdődtek), megváltoztathatja a mammogramok felhasználási módját, a tesztelés és a megelőzés új perspektíváit villanthatja fel. Mindez azért fontos, mert ha időben teszi – amivel felgyorsítja az egészségügyi munkát –, akkor a betegeknek a mostaniaknál kevésbé fájdalmas, agresszív kezeléseken kell átesniük, és természetesen életek menthetők meg.

A rendszer egyik különlegessége, hogy maguk a fejlesztők sem értik teljesen, hogyan funkcionál. Egy tény viszont (legalábbis eddig) biztosnak tűnik, mégpedig az, hogy az MI működik.

Ez persze szociális és morális kérdéseket is felvet, ugyanakkor egy sokkal praktikusabb opció szintén adódik – az egészségügyi szektor és a biztosítók biztosan örülni fognak az új mesterséges intelligenciának.