A csendes-óceáni amerikai katonai parancsnokság különleges szoftvert fejlesztett: a program rendeltetése, hogy előrejelezze a kínai kormány reakcióit a régióban történő amerikai tevékenységekre, például katonai kiadásokra, más országok, az Egyesült Államok által támogatott katonai tevékenységére, de még olyan látszólagos apróságokra is, mint az amerikai képviselők tajvani látogatására.

Kathleen Hicks védelmi minisztert a Hawaii-székhelyű parancsnokságon tett látogatásakor értesítették a szoftverről.

„A konfliktusspektrum és a kihívások egyre inkább lemennek egy szürke zónába. Sokkal egyértelműbb jeleket kell keresnünk, amelyek együtt funkcionálnak, és azokból kell megértenünk a fenyegetést jelentő interakciókat” – magyarázza Hicks.

Az eszköz a „stratégiai súrlódásokat” vizsgálja, mérlegeli – jelentette ki egy védelmi szakember. 2020 eleji adatokat is tartalmaz, és az USA-Kína kapcsolatokat meghatározó fontos tevékenységeket elemzi (múltbélieket is elemzett már). A számítógépes rendszer komoly segítséget nyújthat a Pentagonnak előrejelezni, hogy egyes amerikai lépések túlméretezett kínai reakciót váltanak majd ki, vagy sem.

Tavaly októberben kínai katonai szakértők az Egyesült Államokat és Kanadát is bírálták, mert hadihajókat küldtek a Tajvani-szorosba. A kínaiak szerint az amerikaiak és a kanadaiak a térség békéjét és stabilitását fenyegették ezekkel a lépésekkel.

Ez és a hasonló incidensek egyértelművé tették, hogy szükség van egy ilyen előrejelző eszközre. Amerikai katonai szakemberek szerint biztosítani kell, hogy az USA nem okoz szándékán kívül, véletlenül konfliktushelyzetet a távolkeleti szupernagyhatalommal.

A két ország közötti kapcsolatok a mélyponton vannak, a program viszont láthatóvá teszi amerikai aktivitások várható hatását, köztük különösen azokét, amelyek nem szándékosak, és amelyeket esetleg/várhatóan túlreagálnak a kínaiak. Ne felejtsük el, hogy Kína saját területeként tekint Tajvanra.

A szoftver megkönnyíti az amerikai tervezést is, akár négy hónappal egy-egy lépés előtt felmérhetik a várható következményeket.

Hackerek szervezetek hálózati infrastruktúrájának akár a kilencvenhárom százalékát ellenőrzésük alá hajthatják, és így hozzáférnek az erőforrásaikhoz – mutatta ki az internetes biztonsággal foglalkozó Positive Technologies.

A tanulmányban a cég által vezetett, 2020-2021-es behatolástesztelési projektek eredményeit összesítették. A legfontosabb adat: az esetek kilencvenhárom százalékában a hackercsapat be tudott hatolni vállalatok hálózatára, és átlagosan mindössze két nap kellett hozzá.

A kutatók megerősítették, hogy az úgynevezett „elfogadhatatlan események” hetvenegy százalékban megvalósíthatók. A megkérdezett szervezetek húsz százaléka ezt le is ellenőrizte.

Ezek az események technológiai folyamatok megszakadását, szolgáltatások ideiglenes megszűnését, valamint anyagi javak és fontos információk elrablását jelentik. Egy hónap alatt minden további nélkül kivitelezhetők, sőt, egyes rendszerek esetében néhány nap is bőven elegendő.

Szintén nyugtalanító, hogy a behatoló teljesen kontroll alatt tarthatja az érintett szervezetek száz százalékának (azaz az összesnek) az infrastruktúráját. Pedig az elemzésben szereplő szervezetek mind létfontosságú szektorokat képviselnek: pénzügyeket (29 százalék), a nyersanyag- és az energiaszektort (18 százalék), a kormányzatot (16 százalék), az ipart (16 százalék) és az információtechnológiát (13 százalék).

A vállalati hálózatokra leggyakrabban (az esetek 71 százalékában) adatok meghamisításával lehet bejutni: elsősorban könnyen kitalálható jelszavakkal okozhatók komoly gondok. Ezeknek a jelszavaknak egy része a rendszeradminisztrációhoz kapcsolódó fiókokra vonatkozik. A kutatók azt is hangsúlyozták, hogy a legtöbb szervezet nem szegmentálta üzleti folyamatok szerint a hálózatát, és így könnyebb volt a támadás, amelyet szimultán különféle módszerekkel kivitelezhettek.

„Hatékony védőrendszerek építéséhez szükséges, hogy megértsük, mely elfogadhatatlan események relevánsak az adott cég számára. Ezeket elemezve megnehezíthetjük a támadók dolgát, amihez egymással felcserélhető és kiegészítő intézkedések is kellenek. A megfelelő technológia kiválasztása a cég lehetőségeitől és infrastruktúrájától függ” – magyarázza a Positive Technologies kutatásait és elemzéseit vezető Jekatyerina Kiljuseva.

A közösségi ötletbörzén (crowdsourcing) alapuló online streaming-szolgáltatás, a Twitch gépi tanulással igyekszik a trollokat azonosítani, és természetesen kitiltani őket a platformról.

A főként a videojátékok szerelmesei által használt Twitch bemutatta a Gyanús Felhasználó Detektáló rendszerét, amely figyelmeztetést ad le, ha egy letiltott user új néven próbál bejelentkezni.

A felhasználók csatornán keresztül szolgáltatják a tartalmat, amelyen nézhetjük, hallgathatjuk az anyagokat, és chatelhetünk is. Ha valaki megsért, letilthatjuk a csatornáinkról. Viszont az agresszor ettől még új néven nyithat új fiókot, és folytathatja a molesztálást.

Az új rendszer agresszióra utaló jeleket keresve, végigfürkészi a platformot. Ha talál ilyet (vagy ilyeneket), összehasonlítja a támadóra vonatkozó különféle infókat – hogyan viselkedik chat közben, a támadó fiókjának részleteit – és a letiltott fiókok adatait.

A támadókat lehetséges vagy valószínű letiltás-kijátszókként kategorizálja. Utóbbiakat a streamelők és a moderátorok kivételével mindenkitől elszigeteli. A lehetséges tiltottak ezzel szemben folytathatják chat-tevékenységüket, viszont a moderátorok alaposan megfigyelik, követik az aktivitásukat.

A rendszer alapbeállításként aktív, a streamelők viszont a saját csatornáikon kikapcsolhatják.

A trollok sajnos elkerülhetetlenek, mindenhol jelen vannak, és a Twitch nem az egyedüli platform, amely gépi tanulással harcol ellenük. A Facebook gyűlöletbeszéd-detektora 2020 negyedik negyedévében az agresszív, másokat sértő kommentek 49 százalékát azonosította, és nemcsak angolul, hanem például spanyolul és arabul is.

Az Intel és a Spirit AI Bleepje a beszédalapú chatet figyeli folyamatosan. Beszédfelismerő technikákkal tíz kategóriába sorolja az offenzív nyelvezetet, és a felhasználók szűrhetik ezeket a kategóriákat.

A YouTube modellje címeket, kommenteket és az összeesküvéselméleteket és a dezinformációt terjesztő videók más jellegzetességeit felismerő modellt fejlesztett, amellyel jelentősen csökken ezeknek a tartalmaknak a fogyasztása.

Online tartalmak moderálása lényegében macska-egérharc, mert a közösségi média gyors fejlődésével, lehetetlen mindent kontrollálni, de ha csak a legkárosabbakat ki tudjuk szűrni, máris komoly eredményt értünk el.

A Google által néhány éve felvásárolt londoni DeepMind három tanulmányt tett közzé a nagy nyelvi modellek lehetőségeiről. Két transzformer-modellel többféle nyelvi feladatot próbált különféle naprakész technikákkal megoldani. Ugyanakkor, ha ezen modellek folyamatosan javulnak, a velük járó kockázatok is nőnek – hangsúlyozza a DeepMind.

Az OpenAI GPT-2-jén alapuló Gopher 280 milliárd paraméterrel dolgozik, és a 10,5 terabájtos úgynevezett Massive Text korpuszon gyakorolt. A korpusz sajtóhírekből, könyvekből, Wikipédia-szócikekből és más weboldalakból áll. 152, köztük viszonyítási alapnak számító feladatokon tesztelték, és az elért nyolcvan százalékos eredmény mérföldkőnek számít.

Egy másik modell, a RETRO (Retrieval Enhanced Transformer) közel hétmilliárd paraméteren ért el a Gopherhez hasonló teljesítményt. Kisebb mérete ellenére a Massive Text korpusz számos anyagát feldolgozta és integrálta egybe. (A modelleket megjelenítő ábrák ugyan bonyolultak, de nem blogunk rendeltetése, hogy az algoritmusokat teljes komplexitásukban megismertessük, inkább csak érzékeltetni szeretnénk, milyen léptékű feladatokról van szó.)

A harmadik tanulmány az ezek a nyelvi modellek által generált huszonegy közösségi és etikai kockázatot sorolja fel (taxonómiát kínál). Például nem szándékosan terjeszthetnek sztereotípiákat, sértő nyelvi kifejezéseket, hozzájárulhatnak a káros félretájékoztatáshoz, hamis információk terjedéséhez, érzékeny adatok kiszivárogtatásához, de még a túlzott és káros energiahasználathoz is.

Mindezt nem szándékosan teszik, a kockázat viszont attól még fennáll. Az anyag szerzői e kockázatok csökkentésére javasolnak stratégiákat – jobb adatsorok kidolgozását, átláthatóbb modellek építését.

A Gopher és a RETRO szembe megy az egyre nagyobb nyelvi modellekről szóló trendekkel. A RETRO lekérdező stratégiája viszont a legfrissebb kutatások eredményeit felhasználva, külső tudásbázisokkal, ismeretforrásokkal kapcsolja össze a nyelvi modelleket.

A Gopher paraméterei a Microsoft-Nvidia Megatronjával (530 milliárd) és a Kínai MI Akadémia Wu Dao 2.0-jával (1,75 trillió) összehasonlítva egyaránt szerények, míg a RETRO külső információgyűjtési lehetőségei a Facebook RAG és a Google REALM rendszeréhez hasonlóak. Az adatbázis frissíthető, és így a modell a következő betaníttatásnál újabb és akkurátusabb adatokkal dolgozhat.

A természetesnyelvi-modellek az utóbbi években komoly fejlődésen mentek keresztül, de még így is sok munkát kell elvégezni rajtuk, hogy minél szélesebb körben kerüljenek alkalmazásra. A DeepMind erre kínál úgy lehetőségeket, hogy egy modellnek ne kelljen mindent megtanulnia, viszont külső forrásokból is tudjon következtetni.

A kvantumszámítógépekben benne van a jelenlegi legjobb szuperszámítógépekkel kivitelezhetetlen, fontos problémák megoldásának a lehetősége, ám az eddigitől eltérő, teljesen újfajta programozás, algoritmusfejlesztés kell hozzá.

Felsőoktatási intézmények, kutatóközpontok, infokom nagyvállalatok évek óta versengenek, hogy hogyan fejlesszenek ilyen algoritmusokat.

A finn Helsinki, Aalto és Turku egyetemek és a zürichi IBM Research Europe együttműködésének eredményeként, kidolgoztak egy, a kvantumszámítógépek hatékonyságát és gyorsaságát növelő sémát.

A kutatók a kvantummérések általánosított osztályával dolgozó algoritmust fejlesztettek. Ezek a mérések a kvantumállapotban sikeresen megtartott adatok kiszámítására vonatkoznak. Minél kevesebb iterációra, időre és számítási energiára van szükség, annál precízebb szimulációk kivitelezhetők.

„Az összes előállított adatot összekombinálva, minden mintából kihozzuk a legjobbat” – magyarázza a Helsinki Egyetemen dolgozó Guillermo Garcia-Pérez.

Mivel a kvantumprocesszorokon az információt kvantumbitekben (qubitekben) és kvantumállapotban vagy hullámfüggvényekben tárolják, olvasásához speciális eljárások kellenek. Hagyományos komputereken kvantumállapotok általában nem rekonstruálhatók, ezért a hasznos adatok speciális megfigyelésekkel – kvantumfizikusok szavajárásával: mérésekkel – kivonatolhatók.

Ezzel az a probléma, hogy sok népszerű alkalmazáshoz rengeteg mérés szükséges. Minél nagyobb a szimulálni kívánt rendszer, annál többről van szó, és a növekedés nagyon gyors. A folyamatot nehéz méretezni, a számítások lelassulnak, rengeteg számítási forrás használódik el.

Az új módszerrel mindez drasztikusan csökkenthető, és így közelebb kerülünk a hihetetlenül pontos szimulációk megvalósításához. Korábbi mérési eredmények is felhasználhatók hozzá, beállítások korrigálhatók. Az összegyűjtött adatok folyamatosan és többletkiadás nélkül újra- és újrahasznosíthatók a rendszer más jellemzőinek kiszámításához.

Az infokom-történelem egyik legsikeresebb közösségi finanszírozásával (crowdfunding) ismertté vált – eddig több mint tizenötmillió dollárt „összekalapozott” – kaliforniai Miso Robotics startup bevallott célja az étterem-szektor forradalmasítása, és a „szoftver, mint szolgáltatás” (Software-as-a-Service, SaaS) mintájára, szolgáltatásként használt robotokkal (Robots-as-a-Service, RaaS), intelligens automatizáló megoldásokkal a vendéglátóipart biztonságosabbá, egyszerűbbé és barátságosabbá kívánják tenni.

A cég mesterségesintelligencia-platformja a termelékenységet növelő, a kiadásokat csökkentő és a főzés élményét minden szinten javító gépeket üzemeltet (Flippy 2, CookRight Grill, Flippy Wings stb.). Több vezető márkával működnek együtt, a befektetők száma folyamatosan nő.

Nemrég mutatták be a csúcstermék Flippy új változatát. Flippy 2 tevékenysége a tanuláson és a visszacsatolásokon alapul. Az eredeti robotot Chicagoban alkalmazzák 2020 szeptembere óta, Flippy 2 pedig egy teljes „sütőállomás” munkáját végzi el. Az eredetihez képes több mint kétszer annyi étel-előkészítési feladat kivitelezésére alkalmas, például sültkrumplis kosarakat tölt fel, ürít ki, juttat el rendeltetési helyükre.

Gyorséttermekben köztudottan sok és fárasztó munkát kell végezni, és még a baleset kockázata is fennáll. Flippy 2-vel javul a helyzet, humán kollégái számára jobb a munkakörnyezet, és a konyha kvázi teljes kapacitáson üzemel.

Az első Flippyvel elégedettek az alkalmazói, de a gépnek szinte végig emberi segítségre van szüksége, több munkafolyamatnál kell mellé legalább egy, de inkább két asszisztens.

A fejlesztők sokat tanultak ezekből a kezdetlegességekből, hibákból. Étteremtulajdonosok szerint a jövő egyre ízletesebb kajái részben a robotoknak lesznek köszönhetők. Flippy 2-vel a munkatársaknak lehetőségük van arra, hogy a legegyszerűbb és legkönnyebben automatizálható munkák helyett a komolyabbakra összpontosítsanak.

Flippy 2 gépi látással automatikusan azonosítja a kajákat, hozzájuk nyúl, megfogja és rendeltetési helyükre helyezi őket, szükség szerint süti és főzi ezeket, és vigyáz, hogy ki ne hűljenek. Kollégái kevesebbszer nyúlnak élelmiszerekhez, a rendszer jóval gyorsabb, mint korábban volt.

A robot új designt is kapott, karcsúbb lett, kevesebb teret foglal el, és kevesebb rajta a tisztítandó felület.

A Chicagói Egyetem kutatói az autizmust gyerekeknél – rutinellenőrzések során gyűjtött adatok segítségével – kimutató gépitanulás-rendszert fejlesztettek. Tendencia, hogy ezeknél a kisfiúknál és kislányoknál bizonyos egészségügyi problémák (asztma, gyomor és bélrendszeri megbetegedések, görcsök) gyakoribbak, mint másoknál. Előfordulásuk a humán és a gépi szakértő számára egyaránt hasznos diagnosztikai jelzés lehet.

A kutatók klasszikus gépitanulás-technikát, úgynevezett Markov-modelleket használtak, amelyek döntési fák segítségével, előre tudják jelezni bizonyos cselekvések előfordulásának gyakoriságát.

Adatsoruk harmincmillió, nulla és hat év közötti gyerekről heti rendszerességgel készült orvosi jelentéseket tartalmaz.

Tizenhét betegségkategóriát, például légzőszervi, metabolikus, táplálkozási stb. rendellenességeket azonosítottak. Mindegyik gyerek kórlapját idősorokká alakították, minden egyes betegségkategóriához egy idősort rendeltek. Például az első héten az illetőnek nem voltak, a másodikon voltak légzőszervi problémái, aztán a harmadikon másfajta betegség tört rá, a negyediken pedig szintén nem volt légzőszervi baja és így tovább.

Az idősorokon hatvannyolc Markov-modellt gyakoroltattak. Betegségkategóriánként egyet, bővítésként pedig a fiú/lány és az autista/nem autista különböző kombinációit használták. A modellek megtanulták prognosztizálni egy-egy betegségkategória valószínűségét, és azt is, hogy a diagnózis tényleg akkor készült-e, amikor az adott megbetegedés történt.

A modellek outputja és az idősorokból kinyert információk alapján, a rendszer osztályozott. Tizennyolc és huszonnégy hónap közötti gyerekeknél, huszonhat hónap alatt 33,6 százalékos teljesítményt ért el, ami ugyan kevésnek tűnik, de ezzel szemben, a diagnosztikai céllal általánosan használt kérdőív pontossága csak 14,1 százalék.

További bíztató jel, hogy a modell kilencven százalékban pontosan azonosította a tényleg autistákat. Ezen a „vizsgán” harminc százalékkal kevesebb hamis pozitívval állt elő, mint a kérdőív. Azaz, a hamis pozitívok kiszűrésében különösen hatékony, az autizmust viszont még így is csak az esetek harmadában szűrte ki. Van még mit megtanulnia.

Egy kaliforniai cég ígéretes fejlesztése alapján, gépilátás-rendszerek ezentúl földalatti csatornákat is képesek megfigyelni, keresni a bomlás és a romlás jeleit.

A SewerAI startup rendszere a mélyben lévő vezetékekről készült videók elemzésével állít fel elsőbbségi sorrendet, hogy melyiket a legfontosabb megjavítani. Osztályozza a hibákat: repedéseket, töréseket, lyukakat, fák gyökereit stb. A videókat a csatornában csúszó-mászó robotok és humán felügyelőik készítik.

A rendszert az ezeken a vizsgálatokon felvett százezer videón, kb. hárommillió percnyi mozgóképen gyakoroltatták. Maga a cég tucatnyi amerikai és kanadai ügyféllel, főként városokkal vagy azok megbízottjaival dolgozik együtt. A HK Solutions Groupnak lehetővé teszi havonta közel százezer méter vezeték kivizsgálását és más munkákat is. A korábbi hetek, hónapok helyett egyetlen nap is elég rájuk.

A mesterséges intelligencia egyre több vállalatnak végzi el a „piszkos munkát.”

A washingtoni vízszolgáltató DC Water az Intellel és a szintén információtechnológiával foglalkozó Wiproval teljesen automatizált vezetékfelügyelőt fejlesztett. A pennsylvaniai RedZone Robotics autonóm csúszómászó robotjai által felvett videókban azonosítja a hibákat. A vezetékfelügyelő rendszereket gyártó német IBAK az ügyfelek kamerarendszereivel felvett anyagokban található meghibásodásokat osztályozó technológiát fejleszt gőzerővel.

Nagyon fontos megoldásokról van szó, mert hibás vezetékek csőtörést, áradást okozhatnak, fertőző betegségek terjedését gyorsíthatják fel, és szennyezik a vízforrásokat.

Egy 2019-es felmérés alapján az Egyesült Államoknak 129 milliárd dollárt kellene költeni a kárba vesző vízinfrastruktúra modernizálására. Ez a szám 81 milliárddal több a jelenlegi törvények, szabályozás által előírt összegnél, ami igen komoly különbség.

Gépilátás-rendszerek nemcsak a humán felügyelők munkáját segíthetik, hanem – több vezeték átvizsgálásával – a dollárok hatékonyabb felhasználásából is kivehetik a részüket.

Sokmillióan szenvednek a depressziótól, és több gyógyszert próbálnak ki, míg meg nem találják a valóban hatásost. Orvosaikkal közösen gyakran hónapokon keresztül kísérleteznek. A gépi tanulás és az általa készített pontos előrejelzések segíthetnek rajtuk, és így jóval kevesebbet kell majd találgatniuk.

Ez azért lehetséges mert a Texasi Egyetem Délnyugati Orvosi Központjának kutatása alapján a depresszióra specializált mesterséges intelligencia képes előrejelezni, hogy a páciensek hogyan reagálnak két antidepresszánsra.

Az érintettek agyának szkennelését követően az agytevékenységben változatos mintázatok mutathatók ki. A különféle gyógyszerekre adott reakciókban szintén tapasztaltak eltéréseket. Az agyról készült szkennelés és az eredményes kezelésről szóló ismertetők alapján, a texasi kutatók által fejlesztett ideghálók megtanulják, hogyan párosítsanak betegeket szimptómáikat valószínűleg megszüntető gyógyszerekhez.

Több ideghálót tanítottak be a két gyógyszer és placebo hatására bekövetkező depressziószint-változások előrejelzésére. Az adatokat két klinikai tesztből szedték össze: az első 222 súlyos rendellenességekkel küzdő személyről szólt. Felük rendes gyógyszert (Zoloftot), másik felük placebot kapott. A második teszt 37 résztvevőjének szervezete nem reagált a Zoloftra, ezért esetükben más gyógyszerrel (Welbutrinnal) próbálkoztak.

Az adatsor 95 klinikai és demográfiai tulajdonságot tartalmazott: például az öngyilkosság kockázatát, a nyugtalanság mértékét, a bőrszínt, az életkort, valamint minden egyes beteg saját maga által megállapított depressziószintjét a nyolchetes kezelés elején, illetve végén.

A kezelés előtti fMRI szkennelés közben a páciensek számkitaláló játékban vettek részt. Ez a játék depresszió miatt módosult agyfunkciókat indít be. A kutatók speciális módszerrel életnagyságúra, azaz realisztikusra nagyították a szkeneket. A valódikat és a szintetikusakat kétszáz területre osztották, az agytevékenységet pedig ez alapján számszerűsítették, szkenenként hatszáz jeggyel.

Az első modell 48, a második 34 százalékot ért el, míg a mélytanulás (deep learning) nélküli technikákkal általában csak tizenöt százalék körüli eredményt szoktak elérni.

Mielőtt azonban a módszer klinikai gyakorlattá válna, a modelleknek jóval több antidepresszánst kell ismerniük. A kutatók most ebben az irányban folytatják munkájukat.

A legkorszerűbb internetes beszélgető robotokat, azaz chatbotokat általában rövid párbeszédeken gyakoroltatják. Ezzel magyarázható, hogy hosszabb csevegések során gyakran mondanak a témával köszönőviszonyban sem lévő blődségeket.

A legelterjedtebb (transformer) architektúrán alapulók a csevegés maximum 1024 jellemzőjét (karakterek, szavak, szórészletek stb.) elemezve társalognak, dolgoznak ki válaszokat.

A Facebook korábban egy ideig architektúrát használt a legrelevánsabb korábbi állítások meghatározására. Csakhogy egy hosszú beszélgetésben a releváns állítások 1024-nél jóval több jellemzővel rendelkezhetnek.

A beszélgető robotok teljesítményének javításáért, három kutató (Jing Xu, Arthur Szlam, Jason Weston) újfajta gyakorlást talált ki: a botnak a szövegkörnyezetet kell követnie. Menet közben készít a későbbiekben hasznos fogódzókként funkcionáló összefoglalókat, azok alapján generál válaszokat.

Az új chatbot már fent van a Facebookon.

Az információk összegzésével a modell több szövegkörnyezetet ismer meg, mint a legismertebb és legnyitottabb chatbotok (BlenderBot, Meena, és főként BART).

A kutatók ötezernél több beszélgetésből álló adatsoron gyakoroltatták a három transformerből álló rendszert: az egyik összefoglalt, a másik kiválasztotta az öt legrelevánsabb összefoglalót, a harmadik választ generált.

A felhasznált anyagban önkéntespárok beszélgettek. Minden egyes beszélgetés három-négy szakaszból állt, szakaszonként maximum tizennégy üzenettel, és akár egy hét is eltelhetett köztük.

A szakaszokat követően az önkéntesek később referenciaként szolgáló összegzéseket készítettek, és még a fordulatokat is összegezték vagy felcímkézték (hogy ezúttal nincs szükség összefoglalóra).

A modell jobban és pontosabban működött, mint a vele összehasonlított csúcskategóriás chatbotok, és talán képes lesz több témáról, a témák közötti váltások/ugrások ellenére is értelmesen beszélgetni.