Brit, francia és svájci felsőoktatási intézmények, kutatási szervezetek közös csapata a kvantumkriptográfia való világban működő eszközök biztonságos kommunikációját garantáló, eddigi legfejlettebb módszerét dolgozták ki.

A titkosításkulcsokat a két kommunikáló fél közötti kvantumkulcs-elosztáson (quantum key distribution, QKD) alapuló módszerrel az üzenetek titkosíthatók és visszafejthetők. Hagyományos kriptográfiával ez nem érhető el.

A titkosítás komplex matematikai problémák megoldásával jár, amelyeket a modern számítógépek nem tudnak megoldani. A jövő kvantumkomputerei viszont igen, azaz megkerülik a mostani titkosítási protokollokat.

 A QKD jelenlegi formái két „megbízható” számítási eszköz közötti kommunikáción alapulnak. A két eszköz ismerete kell hozzájuk, az új eljárással viszont nem kell sokat tudni a gépekről, és így lehetővé válik a valóságban használt eszközök biztonságos titkosítása.

„Az igazi áttörés nem az, hogy bebizonyítottuk: kvantumhálózatunk elméletileg elég jó teljesítményt nyújtott az új QKD-vel, hanem az, hogy ezt a gyakorlatban is megmutattuk” – nyilatkozta David Lucas oxfordi kutató.

A demonstrációhoz a két eszköz közötti kvantum-összefonódást használták: két részecske ugyan távol van egymástól, mégis összekapcsolódnak, és tandemben működnek együtt. Két egyedi ionnal végezték a kísérletet, az egyik a feladóhoz, a másik a vevőhöz kapcsolódott. Különböző ioncsapdákban voltak, amelyeket optikai szál kapcsolt össze/egybe. A két eszközt ugyan egyazon szobában használták, de akár sok-sok kilométerre is lehettek volna egymástól.

A feladó és a vevő az összefonódott kvantumrendszeren keresztül tudott külső beavatkozó nélkül üzeneteket megosztani egymással. Ezzel a módszerrel kizárható az ellenséges kontroll, az eredményes hackertámadás, garantált az üzenetváltás magánjellege, nem sérül a privacy. Mindez a kommunikáló gépek alapvető ismerete nélkül valósítható meg, amivel a kutatók lerakták az „eszköz-független QKD” alapjait.

Renato Renner, az ETH Zürich kutatója szerint a kriptográfia története a titkosítók és az új módszereket támadó titkosítás-elemzők közötti versengés. Az eszköz-független megoldással viszont vége a versenynek – véli Renner.

Az Egyesült Államok Szabványok és Technológia Nemzeti Intézete még júliusban négy titkosító algoritmusról állította, hogy biztonságosak kvantumszámítógépekről indított támadásokkal szemben. Ezek az algoritmusok – és nyilván az európai kutatók eljárása is – részei lesznek az új kvantum-rezisztens kriptográfiai szabványnak.

A gépi tanulást egyre több sportágban használják a teljesítmény növelésére.

A Mustard videók alapján elemzi baseball-játékosok formáját, a Zone7 az atléták által viselt szenzorokkal gyűjt adatokat egészségügyi állapotukról. A rendszer ismeri a kórlapjukat, így a szenzorikus infók és az előzmények alapján előrejelzi jövőbeli sérülések kockázatát.

A Sportlogiq jéghoki-, foci és amerikaifoci-meccsek közvetítéseit elemezve, tehetséges sportolók azonosításával segít csapatokat, ligákat. A SwingVision a teniszt figyeli: szervatípusokat, a labda sebességét, a játékos testtartását, elhelyezkedését nézi a videókon, lehetővé téve versenyzőknek, hogy teljesítményüket másokéval vessék össze.

A tehetségkutatás a sportokban régóta összekapcsolódik az adatokkal. Már a toll és a papír korában így volt, most pedig, a gépi tanulás térhódításával drasztikusan bővültek a lehetőségek.

Az új technológiák értelemszerűen elérték a sportok királyát, a labdarúgást is.

A beszédes nevű AiSCOUT (scout játékosmegfigyelőt jelent) gépi látást használva osztályoz amatőr focistákat, és ajánlja profi csapatoknak a legmagasabb pontszámot elérőket.

A játékos nyolc képességet (passzolás, lövés, kúpok közötti cselezés stb.) bemutató videót tölt fel magáról. A rendszer 0-tól 2-ig terjedő skálán értékel, összehasonlítva az illetőt a korábban már megméretett focistákkal. Aki eléri az 1,7-et, próbajátékra mehet profi csapatokhoz.

Mindezek mellett a képességeket egyenként is osztályozza tízes skálán: gyorsaság, cselező-készség, profiknál edzősködő fiatalokhoz hasonlított ügyesség stb.

Játékos-megfigyelők és edzők az adatokat egyrészt tehetségkutatásra, másrészt tehetségek fejlődésének nyomon követésére használhatják.

Néhány jónevű csapat máris érdeklődik az applikáció iránt. A Chelsea, a Nottingham Forest és a görög Olimpiakosz a legismertebbek.

Az appra viszont nem vet jó fényt, hogy a fejlesztésben a korábban az angol Premier League-ben játszó Burnley is részt vett – a csapat a legutóbbi idény végén ugyanis kiesett az első osztályból.

A General Motors lehetőséget ad márkakereskedéseinek a tel-avivi UVeye vizuális ellenőrzőrendszerének installálására. A Volvo idén márciusban kötött hasonló szerződést az izraeli céggel.

De mit jelent ez a gyakorlatban?

Az UVeye-jal egy jármű ellenőrzési ideje percekről, esetleg órákról másodpercekre csökkenthető. A cég összességében három rendszert kínál telepítésre. Ez egy szolgáltató-központ telephelyén – általában benzinkúton – történik, az előfizetési díj nem nyilvános.

Az Atlas egy nagy ív, a horpadásokat, karcolásokat, rozsdát és más esztétikai jellegű sérülést azonosít. Létezik miniatűr változata is, az Atlas Lite.

A Helios talajra szerelt kamerasor – öt kamerából áll –, áthajtás közben készít képet a jármű futóművéről. Jelzi, ha sérülést, hiányzó részt, folyadékszivárgást, fék- és a kipufogórendszerrel kapcsolatos problémát észlel.

Az Artemis talajon elhelyezett két kamerája a gumiabroncsokat vizsgálja. Azonosítja a gyártót, a nyomást, a károsodásokat, és hogy milyen mélyen áll a gumi. Mindezek mellett természetesen azt is jelzi, ha a gumi állapota nem megfelelő.

A General Motors és a Volvo, a régebb óta felhasználó Hondához, a Toyotához és a Skodához hasonlóan nem tette nyilvánossá, hogy mekkora összeget fektetett az UVeye rendszerbe. Több amerikai kereskedésében járművek ellenőrzésére egy ideje már használják a technológiát. Az új szerződéssel viszont az összesben, azaz mind a négyezerben telepíteni fogják.

A Volvo a szerelősorain alkalmazza, és márkakereskedéseit is ösztönzi az UVeye használatára.

Az automatizált gépilátás-rendszer hibák detektálása mellett azért is nagyon hasznos, mert a szerelőket felesleges munkáktól szabadítja meg, és jobban tudnak összpontosítani kritikusabb problémák megoldására. Az értékesítőknek támpontokat ad esetleges cserékhez, a felhasználó pedig örül, hogy a benzinkutak, a tankolás mellett, tényleges gondjait is megoldják.

Autonóm fegyverek mellett, katonai használatra vannak más, taktikai és stratégiai előnyöket adó MI-alkalmazások is. Ukrajna orosz inváziója során mindkét fél használ MI-t: ellenséges katonákat azonosítanak, a propaganda ellen harcolnak, a másik fél kommunikációját zavarják meg vele.

Eközben a NATO bejelentette, hogy egymilliárd dollár kockázati tőkével támogat technológiákat, elsősorban az MI-t. Az Innovációs Alap védelemre összpontosító startupokat és más vállalkozásokat segít.

Elsődlegesen az MI, az adatfeldolgozás és az autonóm fegyverek területén akarnak eredményeket elérni. A befektetések a biotechnológiát, a meghajtókat, az anyagtudományt, az energetikát és az ember „felturbózását” is érintik.

NATO-tagállamok az utóbbi években növelték MI-költségvetésüket.

Az Egyesült Királyság júniusban tett közzé MI-központú védelmi modernizációs stratégiát. A szabályozás megkönnyíti, hogy a hadsereg civil MI-kezdeményezésekbe invesztáljon és a kutatásfejlesztés központosítása érdekében Védelmi MI Központot hozzon létre.

Németország, szintén júniusban, 500 millió eurót különített el kutatásfejlesztésre, amelyben az MI is szerepel. Az orosz invázióra reagálva és szembemenve az ország második világháború vége óta folytatott gyakorlatával, Berlin már korábban az éves GDP két százalékát katonai célokra ajánlotta fel.

Tavaly az USA Védelmi Minisztériuma a 2022-es büdzséből 874 millió dollárt kért MI-vel kapcsolatos kutatásfejlesztésekre.

Túl a NATO-n, az USA Ausztráliával, Japánnal, Indiával és az Ázsia-Csendes-óceán térség más országaival katonai MI-alkalmazások fejlesztésében, adatátviteli, privacy és MI-felhasználási szabályozások kidolgozásában működik együtt.

A katonai MI körüli felhajtás sürgőssé teszi a technológia hadviselés közbeni alkalmazására vonatkozó megállapodásokat.

Az ENSZ például már javasolta az autonóm fegyverek betiltását.

Szinte semmi nem veszélyezteti annyira a mai társadalmak stabilitását, mint a pandémia méretűvé vált dezinformáció. Az érzelmileg telített és drasztikus mennyiségű kamuhírek miatt személyek élete forog veszélyben. A hamis tartalmak észlelésünket manipulálják, valótlanságokkal mérgezik a társadalmi légkört, okozhatnak kaotikus állapotokat tőzsdéken, anarchiát a világban.

A dezinformáció-dömping motorjai a legfejlettebb csúcstechnológiák, például mesterségesintelligencia-alapú programok, alkalmazások. Az MI olyan szintet ért el tartalomgenerálásban, hogy nyílt forrású programokkal (FaceSwap, DeepFaceLab) lelkes amatőrök is létrehozhatnak virális kamukontentet.

Közben a felhasználó egyre kevésbé tudja, miben bízzon meg, miben nem. Egyetlen megmentőnk a jó célokra használt technológia, MI lehet, legalábbis úgy tűnik – viszont csak akkor, ha ember van mellette.

Legkézenfekvőbb megoldás a tartalomelemzés. A szöveg lingvisztikai tanulmányozásával, szóminták és -elhelyezkedések, mondattani szerkezek és az olvashatóság vizsgálatával elvileg megkülönböztethető az igazi a kamutól, kimutathatók a gyűlöletbeszéd jelei. Sőt, az MI vissza is fejthet (reverse engineering) manipulált képeket, videókat, hogy rátaláljon deepfake-ekre, és figyelmeztető zászlócskákat tegyen melléjük.

Csakhogy a szemantikai jellegű szűrések a generatív ellenséges hálózatok (GAN) világában már kamuszövegek és kamu vizuális anyagok azonosításához sem elegendők. A poszt hangulata felmérhető, valóságtartalma kevésbé.

Ezen a ponton már szükséges az emberi beavatkozás.

Álhíreknek gyakran azonos a gyökere, az eredeti forrás. A Fandango projekt humán tényellenőrök által kamunak nyilvánított történeteket vizsgálva, közösségimédia-posztokban vagy honlapokon való hasonlóságokat keresett. Így nyílik lehetőség visszamenni a gyökerekig, és megakadályozni az álhír kontroll nélküli terjedését.

Egyes szolgáltatásoknál (Politifact, Snopes, FactCheck) húsvér szerkesztők végzik az adott anyag eredetiségét igazoló elsődleges kutatásokat. Miután kiderül róla, hogy kamu, MI-algoritmusok fürkészik a webet, hasonló tartalmak után kutatva. A Trust projekt hírügynökségek hitelességének felméréséhez olyan paraméterekkel dolgozik, mint források, hivatkozások, etikai normák és korrekciók.

A dezinformáció és a gyűlöletbeszéd burjánzásának (eredetükre vonatkozóan lásd 2. ábra) kezeléséhez azonban a tényellenőrök sem elegendők, ráadásul ők is emberek – „kamutényeket” könnyen azonosítanak, érzelmileg erősen töltött szövegek megítélésénél viszont már többet számít a szubjektum. Ilyenkor kell egy, a tartalom valódiságát, és nem az érzelmeket vizsgáló szűrőmódszer.

Az álhírek azonosításához segítséget nyújt, ha a közösségi médián történő terjedésüket összevetjük a valódi hírekével. Egy MIT (Massachusetts Institute of Technology) kutatás kimutatta: hatszor gyorsabban jutnak el 1500 Twitter-felhasználóhoz, és a valódiakat kevesebben propagálják. Az álhírek esetében az online botok is jelentős segítséget nyújtanak, általuk válnak virálissá.

Mindezek persze reakciók, holott a dezinformáció ellen hasznosabb lenne proaktív módon küzdeni, ami eredményes ember-MI együttműködés, és tömegek hatékony oktatása nélkül elképzelhetetlen. Az álhírek megítélése nem még több algoritmus kérdése, hanem hogy hogyan kezeljük az ismereteket. Informált felhasználók alkotta közösségek etikai monitoring tevékenységekhez járulhatnak hozzá, míg a hivatalos szervezetek együttműködés-alapú ismereteinek közösségi ötletbörzéje a nyers információ ellenőrzéséhez fontos.

A kritikus gondolkodók alkotta tájékozott társadalom felépítéséhez a dezinformáció elleni küzdelem humanizálása a csúcsprioritás. Ha nincsenek az összes érintett felet bevonó proaktív intézkedések, gyorsan elveszítjük a médiába és az intézményekbe vetett hitünket. Az MI-technológiák mindaddig a legfőbb szövetségeseink, amíg meg nem tanuljuk objektíven kiértékelni az online tartalmakat.

A Hongkongi Baptista Egyetem (HKBU) szimfonikus zenekarának július 14-i gálakoncertjén különleges eseménnyel szórakoztatták a közönséget: 320 tagú mesterségesintelligencia-kórus és több MI-táncos kísérte a humán muzsikusokat. Míg zenéltek, MI-k pörögtek a nagy kivetítőn.

Az egybegyűltek akkor láthatták először a virtuális táncosokat, hallották szintén első alkalommal a gépi énekeseket.

Az MI-k egyetemi projekt részei. A projekt izgalmas problémát igyekszik megoldani: próbáljuk gépi kódra fordítani, hogy mit jelent embernek lenni, és ez alapján a gépek megtanulnak érző lényként viselkedni.

A láthatatlan énekesek Lo Za-yu 1986-os, az akkori Hongkongról szóló „Kelet gyöngye” dalának előadásakor csatlakoztak humán kollégáikhoz. A digitálisan generált hangok Johnny Poon Ming-lun karmester irányításával énekeltek, míg az MI-vel készített háttérvideót a szöveg inspirálta.

A HKBU MI-kutatói alapvetése, hogy egy gép rendelkezhet saját kreativitással, és nem kell az embert utánoznia. Elképzelésük kapcsolódik a hongkongi kormány tervéhez, hogy a város az art-tech kutatások központjává váljon. A törekvést a városvezetés anyagilag is támogatja, öt év alatt kidolgozandó MI-technológiákkal meg akarják változtatni a kreatív és a kultúra-ipart.

A kórus e terv korai példája.

Az MI-k tanítása természetesen rengeteg adattal, tanulással történik. Elénekelni egy dalt viszont nem ugyanaz, mint élő fellépésen szerepelni az adott dallal. A karmester ezért mozgását rögzítő ruhát viselt, az „énekesek” pedig olvasták és interpretálták a mozgást, és annak megfelelően hol hangosabban, hol halkabban adták elő az adott részt, tartottak szünetet.

A virtuális táncosokat hasonló módszerrel dolgozták ki. Testszenzorok adatai alapján dekódolják az emberi mozgást, valamint egy újonnan felfedezett medúza is inspirálta a fejlesztőket. Az MI-k az ellesett humán mozgásokat, a medúza helyváltoztatását és az óceán hullámait (együtt mindhármat) imitálták, és a kutatók ezekből próbálták kihozni a gépi kreativitást.

Amivel az emberiséget is jobban meg lehet majd érteni.  

Egy robot figyelte, ahogy a pittsburghi CMU (Carnegie Mellon Egyetem) egyik kutatója, Shikhar Bahl kinyitotta a jégszekrényt. Minden mozdulatot és pozíciót elemezve, igyekezett utánozni a látottakat. Először, másodszor, harmadszor nem sikerült neki, de néhány óra gyakorlás után már igen.

„Az utánzás nagyszerű mód a tanulásra. Egyelőre nem oldottuk meg az emberek közvetlen figyeléséből tanuló robotok problémáját, de jelenlegi kutatásaink komoly lépésnek számítanak ebben az irányban” – jelentette ki a munkatársaival új tanulási módszert kidolgozó Bahl. (A módszer neve WHIRL – In-the Wild Human Imitating Robot Learning).

Egyszeri vizuális imitációhoz használt algoritmusról van szó, amellyel a robot közvetlenül tanul emberi cselekedeteket, interakciókat megörökítő videókból, majd az információkat új feladatok megoldásához általánosítja.

Mindezekből előbb-utóbb elsajátíthatja a háztartási munkákat. Erre azért van lehetősége, mert otthon folyamatosan különféle feladatokat végzünk. A robot összegyűjtött képadatai alapján dönti el, hogyan hajtson végre háztartási tevékenységeket.

Bahl és kollégái kamerával és szoftverükkel felvérteztek egy közönséges robotot. A gép húsznál több feladatot tanult meg: megnyitni és elzárni berendezéseket, kinyitni és becsukni szekrényajtókat, kihúzni és visszatolni fiókokat, fedőt tenni edényekre, kiszedni a szemeteszsákot a konyhai szemetesből stb.

Mindig embereket figyelt, aztán gyakorolt, a gyakorlásból pedig tanult.

„Ez az egyik módja, hogyan alkalmazzunk otthon robotokat. Ahelyett, hogy előre programozott, érkezésük előtt gyakoroltatott gépekre várnánk, technológiánkkal megvalósítható, hogy hazavisszük a robotot, és miközben alkalmazkodik a környezethez, minket nézve tanul” – nyilatkozta a projektben szintén résztvevő Deepak Pathak.

A mai robottanítás általában vagy imitációval, vagy megerősítéses tanulással történik. Előbbi esetben manuálisan működtetjük a gépet, hogy tanulja meg az adott feladat elvégzését. Egy feladatot többször elismétlünk, mielőtt tényleg tanulna. A másik esetben sokmillió példán gyakorol, a gyakorlás szimulációban történik, majd az ott megtanultakat valódi környezetben kell alkalmaznia.

Mindkét módszer egyetlen feladattal, strukturált környezetben működik jól, de nehéz bővíteni és másra alkalmazni. Ezzel szemben a WHIRL könnyen skálázható, nem szűkíthető le egyetlen speciális tevékenységre, és valódi otthoni környezetben is működik.

A kutatók most YouTube és Flickr videókat néző, azokból tanuló változatán dolgoznak.

De mi van akkor, ha a háztartási munkákat nagyon rossz hatékonysággal végző személyekhez kerülnek a szegény robotok?

A gépi tanuláshoz és a gyakorláshoz használt adatsorok energiafogyasztása egyre több problémát vet fel.

Egy, a mélytanulás széndioxid-lábnyomáról szóló 2019-es tanulmány szerzői kimutatták, hogy egyetlen nagy nyelvi modell begyakoroltatásának károsanyag-kibocsátása annyi, mint egy átlagautóé öt év alatt. A negatív folyamatot megállítandó, tavaly az ML Commons gépitanulás-konzorcium nemzetközi energia-hatékonysági tesztet vezetett be. Szintén tavaly tanulmány jelent meg a nagy transzformer modellek energiahasználatáról, és kiderült: következtetésnél magasabb, mint a tréningek során.

A károsgáz-kibocsátás klímakatasztrófa-hatásai közismertek. 2020-ban az adatközpontok feleltek a globális energiahasználat egy százalékáért – azt viszont nem tudni, hogy ebből mennyi a mesterséges intelligenciáé.

Gépitanulás-szakértőknek mindenesetre lehetőségükben áll gondosan megválasztani, hogy mikor és hol gyakoroltassák modelljüket – állítja egy nemzetközi kutatócsoport.

Az Allen Institute for AI, a Hugging Face, a Microsoft, a Washington Egyetem, a CMU (Carnegie Mellon University) és a Jeruzsálemi Héber Egyetem szakemberei ugyanis felhőszerverek gépitanulás-modellek gyakoroltatása közbeni energiakibocsátását mérő módszert dolgoztak ki.

Kiderült, hogy a modell mérete mellett a szerver helyszíne és a tréning időpontja, a napszak a legfontosabb változók.

Sokat spórolhatunk, ha alacsony kibocsátású régióban, például Norvégiában vagy a francia Alpokban gyakoroltatunk egy modellt. Például az USA középső részével vagy Németországgal összehasonlítva, akár hetven százalékot is megtakaríthatunk, azaz ha az utóbbi helyekről mondjuk a norvég fjordok közelébe költöztetjük az MI-t (más kérdés, hogy ez mennyire praktikus, vagy sem).

A napszakbeli különbségek kevésbé drasztikusak, de jelentősek – például nyolc százalékot takaríthatunk meg, ha éjfélkor, és nem reggel hatkor kezdünk.

Persze minél nagyobb a modell, annál markánsabbak ezek a különbségek.   

Járművekben egyre gyakoribbak az automatizált biztonsági megoldások. Ezekben az autókban, tehergépkocsikban stb. ember ül a volán mögött, és igyekszik kontrollálni is azt. Egyes funkciók automatizálása viszont nagyon sokat segíthet.

Az Egyesült Államokban 2020 negyedik negyedévében értékesített új járművek 30 százaléka magától tud gyorsítani, lassítani és kormányozni.

Az Európai Parlament tervei szerint modellenként évi 1500 teljesen autonóm jármű eladását engedélyezi. A vonatkozó szabályozás még 2022-ben meg fog jelenni. Kanada vizsgálja a lehetőséget, hogy új autók automatikusan fékezzenek, tartsák a sávot és a sebességet is szabályozzák. Az USA-ban a vezetőt monitorozó rendszer kötelezővé tételére vonatkozó törvényjavaslatot nyújtottak be.

Az Európai Bizottság becslése alapján 2021-ben 19800 személy halt meg közúti balesetben. Mesterséges intelligenciával támogatott biztonsági megoldásokkal 2030-ig a szomorú szám a felére, 2050-og pedig nullára csökkenthető – legalábbis ez a cél.

Mindezek után nem meglepő, hogy az Európai Unió elfogadta azt a törvényt, melynek értelmében új járműveket automatizált biztonsági megoldásokkal kell felszerelni.

Az Általános Gépjármű-biztonsági Rendelet a gyártókat az automatikus sebességszabályozás, ütközés-elkerülés és sávtartás új járművekbe integrálására kötelezi. A rendszerek nem gyűjthetnek biometrikus adatokat, a vezetőnek ki kell tudnia kapcsolni őket. A két- és háromkerekű járművekre nem érvényes törvény 2024 júliusában lép érvénybe.

Bizonyos követelmények minden járműre érvényesek, mások csak autókra, illetve buszokra, kamionokra stb.

Mindegyikben kell lennie sebességszabályozó asszisztensnek, amely a jelzőtáblák, az időjárás-viszonyok és más külső körülmények alapján figyeli a biztonságos és törvénybe nem ütköző sebességet. Jeleznie kell a vezetőnek, ha indokolatlanul felgyorsít, illetve észlelnie kell, ha közeli jármű hátrafelé tolat.

Az összes járműnek figyelnie kell a vezetőt, hogy mennyire szórakozott, elterelődik-e a figyelme, álmos-e. A rendszernek repülőgépek fekete dobozához hasonló nyilvántartást kell vezetnie a jármű állapotáról.

Utasszállító autók és kisebb teherszállító járművekben karambolokat elkerülendő, kötelező lesz az automatikus sávtartás, fékezés. Buszok, kamionok és más nagyobb járművek esetében kötelező a sávtartásra és fékezésre figyelmeztető mechanizmusok integrálása, az automatizált kontroll viszont nem. A rendszernek fel kell ismernie a veszélyforrásokat, figyelmeztetnie kell a vezetőt ha potenciálisan gyalogosokat vagy bicikliseket üthet el.

Egyre népszerűbbek a mesterségesintelligencia-kutatásokkal és -fejlesztésekkel kapcsolatos állások. A jelenséget ékesen szemlélteti, hogy például a LinkedIn közösségimédia-oldalon 2017 januárja és 2021 júliusa között a gépitanulás-mérnök volt a negyedik leggyorsabban népszerűsödő amerikai munkakör. Más MI-állások szintén topkategóriás posztnak számítanak.

A zürichi Foorilla tanácsadócég által üzemeltetett Ai-jobs.net weboldal összesíti a legkeresettebb MI-munkaköröket, nemrég pedig közzétették második éves listájukat a leggyakrabban előforduló állásokról. Adataikat változatos munkaközvetítő-honlapokról gyűjtik össze, hirdetéseiket munkáltatóknak értékesítik.

A lista 2021 júniusa és 2022 júniusa közötti több mint 2500 hirdetés száznál több munkakörét tartalmazza. Mivel a felsorolások óránként változnak az adatbázisban, az ábrán látható rangsorolás hozzávetőleges.

A legkeresettebb az adatmérnök-poszt (555 felsorolt állás), az adatelemző (418), az adattudós (398) és a gépitanulás-mérnök (177).

Önvezető autó-szakértők iránt szintén nagy a kereslet. A munkáltatók elsősorban rendszertesztelőket (17), rendszer-térkép specialistákat (11) és üzemeltetés-vezetőket (8) keresnek.

76 állás tíznél kevesebb alkalommal fordult elő. Többek között a pénzügyi adatelemző (9), gépitanulás-fejlesztő (7) és az MLOps (Machine Learning Model Operationalization Management, 4) mérnök munkakör szerepelt ezen a listán.

2022 első négy helyezettje megegyezik a tavalyi első néggyel. Akkor viszont a bigdata-mérnök volt az ötödik. A mostani lista érdekessége, hogy a top20-ból eltűnt a big data kifejezés.

Persze attól, hogy a big data eltűnt, az adat (data) még nagyon is ott van a csúcsállás-megnevezések között, elég csak ránézni az élbolyra (az első tízből kilencben szerepel a data szó). Nem véletlenül, hiszen a ma leginkább a gépi tanulás jelenti a mesterséges intelligenciát, és a nagy rendszerek közismerten irdatlan mennyiségű gyakorlóadattal, gigászi adatsorokkal dolgoznak.