Mindenkivel előfordul, hogy gyorsan akar írni valamit az okostelefonon, és a virtuális billentyűzeten melléüt. A hiba nemcsak bennünk van: az ujjbemeneteket detektáló érintésérzékelők alig változtak a 2000-es évek közepi, első megjelenésük óta.

Míg a képernyő vizuális minősége folyamatosan javul, és például a legújabb iPhone kijelzője már 2532x1170 pixel felbontású, addig a benne lévő érintésérzékelő kb. 32x15 pixelben detektálja az inputot.

Az ETH (Svájci Szövetségi Technológiai Intézet) Zürich kutatói a saját fejlesztésű CapContact mesterséges intelligenciával oldanák meg a problémát. Az MI által garantált felbontás lehetővé teszi az ujjak helyének – hogy hol érintjük meg a kijelzőt – a mai eszközöknél sokkal pontosabb azonosítását.

A mostani, úgynevezett kapacitív érintőképernyők szenzorai az ujjak pozícióit a közelségük miatt megváltozó elektromos mezőből észlelik. Az érintés intenzitása az ujjak eltávolodásával exponenciálisan csökken. Ezt az érzékeléstípust eleve nem a tűpontosságra, hanem a közelség detektálására találták ki.

A kutatók egyrészt növelték a szenzorok alacsony felbontását, másrészt ki kellett találniuk, hogy a kapacitív mérésekből hogyan lehessen kikövetkeztetni az ujj és a kijelző felülete közötti érintkezési területet. Ezekre a célokra dolgozták ki a CapContactot.

Az MI képszenzorként használja az érintőképernyőt, ami lényegében alacsony felbontású mélységi kamera – rögzíti egy képen, hogy milyen közel vannak az objektumok. A mesterséges intelligencia ezekből az adatokból kiindulva, gépitanulás-algoritmussal lokalizálja az érintkezési pontokat.

A sokat gyakorló CapContact az ujjak és a képernyő közötti távolság felbecslése után az érintkezési területet a mai szenzoroknál nyolcszor nagyobb felbontásban dolgozza ki, és így az érintőképernyő pontosabban működik.

Kiderült, hogy a mélytanulásos (deep learning) megközelítéssel megszüntethetők az alacsony felbontású input miatti érzékelési problémák. A kutatók szerint ezek okozzák a hibák, például az elütések harmadát.

Madarak komoly veszélyt és kockázatot jelenthetnek repülőterekre, zavarhatják a légi irányítást, repülőgépek balesetmentes közlekedését, például a le- és a felszállásukat. Akármennyire hihetetlen, a múltban okoztak már összeütközést, kényszerleszállást stb.

Úgy tűnik, hogy nem sokáig „garázdálkodhatnak”, mert az amerikai hadsereg ellentámadásba lendül.

A Pentagon ugyanis, a potenciális katasztrófákat megelőzendő, mintegy 50 millió dollárt szentel a repterek körüli szárnyasok problémájának nem kifejezetten állatbarát megoldására. Autonóm drónokat fejlesztenek, amelyek lokalizálják madarak környéken lévő fészkeit, és megakadályozzák a madárgyerekek kikeltését.

A US Navy és a Hitron Technologies közös fejlesztésű gyilkos gépeit most tesztelik egy laborban. A helyszíni teszteket még engedélyeztetni kell, amelyek és a technológia későbbi alkalmazása ellen nyilvánvalóan az állatvédőknek is lesz néhány szavuk.

A gépek madárfészkeket fognak kutatni, vadásznak majd rájuk, és a fiókák kikeltését megakadályozó, speciális olajjal fújják be a tojásokat. Az olajozás nevű eljárás lényege, hogy a tojásokat élelmiszeripari olajjal vonják be, blokkolják a héjban lévő pórusokat, lukacsokat, és az embriók nem jutnak oxigénhez. Maguk a tojások nem pusztulnak el, és így a szülők – az érvelés alapján – motiváltak maradnak, hogy újabb fészkeket rakjanak.

A fejlesztők szerint, ha a drónok precízen végzik a munkájukat, a módszer humánusnak tekinthető, és a madárpopuláció is jobban ellenőrzés alatt tartható, szabályozható.

Viszont egyáltalán nem biztos, hogy az autonóm drónok eredményesen be tudják olajozni a tojásokat. A módszer ugyanis csak akkor működik, ha teljes egészüket, az alsó részüket is bevonják az anyaggal.

„Az eljárás felnőtt madarak egészségét is veszélyeztetheti” – nyilatkozta Graham White, a brit Madárvédő Királyi Társaság ökológiai vezetője, majd hozzátette, hogy a fészkek megtámadása madarak és drónok közötti harcot robbanthat ki: „felnőtt sirályok, saját magukat és a gépet is kockáztatva, nagy valószínűséggel megtámadják a drónt.”

A drónok lehet, hogy humánusak, de még jobb lenne, ha a Pentagon nemcsak ember-, hanem állatbarát technológiával is próbálná a madarakat távol tartani a repterektől.

A Cornell Egyetem kutatói speciális úttestet dolgoznak ki: feltölti az elemeket, miközben a sofőr vezeti az elektromos járművet. A vezető nem függ többé a töltőállomásoktól, és a lemerüléstől sem kell tartania.

„Az autópályákon lesz töltősáv is, amit úgy képzeljünk el, mint a telekocsi-sávokat. Ha merül le az elem, a sofőr átmegy erre a sávra, amely képes azonosítani az autót, és később elküldi neki a számlát” – magyarázza Khurram Afridi, az egyik kutató. (A telekocsi-sáv a telekocsik, azaz a vezető és egy vagy több utas által közösen használt autók számára fenntartott forgalmi sáv.)

Ugyanezzel a technológiával raktárak is hatékonyabban működhetnek, mert lehetővé válik targoncák és más gépek munka közbeni feltöltése. Egyelőre azonban – Afridi szerint – öt-tíz évet várhatunk a hétköznapi használatra. A vezeték nélkül töltő út koncepciója mindenesetre hamarabb is pozitív hatással lehet az elektromosautó-iparra.

A keresletet egyre nehezebben kielégítő töltőállomás-infrastruktúrára úgyszintén. Az Egyesült Államokban például kb. százezer állomás szolgál ki mintegy 1,8 millió elemmel működő autót. Máshol még rosszabb a helyzet.

Egy ilyen hálózat bővítése nemcsak költséges, hanem több logisztikai problémával is jár. Vagy pszichológiaival, mert csak akkor vásárolunk elektromos járművet, ha ugyanolyan egyszerű a töltésük, mint ahogy a benzinkúton megvesszük az üzemanyagot. Ha a vezeték nélküli megoldás beválik, megfordul a helyzet, kevesebb lesz a korlátozás.

A Cornell technológiája az út alatti, villanyvezetékhez és áramátalakítóhoz kapcsolódó speciális fémlemezek miatt működik. Ha a jármű a lemezek felett tartózkodik, azok töltésre alkalmas elektromos mezőt hoznak létre. Okostelefonoknál egyszerűbben ment, teljes járműveknél azonban nehezebb és költségesebb a vezeték nélküli technológia méretezése. Afridi szerint magasabb frekvenciák használata lehet a megoldás.

„A vezeték nélküli áramátvitel ugyanazon a fizikán alapul, amellyel rádióhullámok segítségével küldünk üzeneteket a világűrben tartózkodó űrhajókra. Annyi a különbség, hogy ezúttal sokkal több energiát küldünk sokkal kisebb távolságra” – nyilatkozta Afridi.

A kutatók prototípusa 18 centiméter távolságból tud feltölteni autókat. A többi komponens kidolgozása azonban bonyolult feladat, például hogyan alakítsuk át a mostani autópályákat?

A világhírű mesterségesintelligencia-szakértő, Andrew Ng gépitanulás-platformot szolgáltató cége, a Landing AI szivárgások ellenőrzésében segített egy hűtőberendezés-kompresszorgyártónak.

A folyamat a következőképpen megy végbe: a gyártó levegővel tölti fel a kompresszort, majd vízbe meríti, és egy ellenőr gyanús buborékokat keres. A Landing AI rendszere jobban teljesített, mint a humán ellenőrök.

Ha egy vizuális ellenőrmodell olyan részeken vesz észre problémát, ahol addig még nem észleltek, a mérnökök a gyakorlósorba teszik a példát. Miután elég új példa összegyűlt, a modellt újra gyakoroltatják, összehasonlítják az elődjével, és ha fejlődés tapasztalható, munkába is áll az új. A folyamat kimerítő, ráadásul menet közben további hibák keletkezhetnek.

Automatizált gépi tanulással viszont az összes feladat kivitelezése felgyorsítható, pontosítható.

Ng csapata kamerát szerelt a víztartályra, a felvételeket pedig egy masszív számítógépre küldte. A rajta futó modell buborékokat keresett, majd a kompresszorokat két egyszerű szempont (jók, hibásak) alapján csoportosította. Egy másik modell a jelzőfényeket nézte, amikor a humán felügyelő robotkart aktivált, hogy a jókat és a hibásokat külön helyre tegye. A gép ezeket a döntéseket is csoportosította.

A rendszer ezt követően hasonlította össze a gépi és a humán döntéseket, az eltéréseket pedig szakértői oldalra küldte. A szakértő megnézte a videót, majd ő is döntést hozott. Ha a modellt pontatlannak találta, a buborék a gyakorló-adatsorba és a teszt-adatsorba került. Az újratrenírozást hetente végezték el.

Új modell telepítése előtt, a rendszer a régivel párhuzamosan lefuttatta, teljesítményüket pedig naplózta. A fejlesztők adatközpontú megközelítéssel csökkentették a pontatlan következtetések százalékos arányát. Részletekre, például a víz állapotváltozásáról sokat eláruló víztartály megvilágítására, képkeretezésre stb. is ügyeltek. Fémgyöngyök és buborékok megkülönböztetésére szintén odafigyeltek.

A rendszert két hónap iterációt követően tesztelték. Véleménye ötvenezer esetből ötben különbözött a humán szakértőétől. Négyben neki volt igaza.

Nehéz a felhasználókat e-mailekkel bombázó, csali-linkekre való kattintásra ösztönző adathalászok elleni küzdelem, mert taktikájuk folyamatosan csiszolódik, és általában felderítetlenek maradnak. Szerencsére a szándékaikat észlelő gépitanulás-modellek szintén gyorsan fejlődnek. Pontosságukon például automatikus újratréningezéssel és folyamatos ellenőrzésekkel javítanak.

A Nestlé a bejövő elektronikus leveleket ellenőrző, a gyanúsakat a cég biztonsági csoportjához továbbító rendszert fejlesztett, amelyet a Microsoft Azul gépitanulás-webplatformja támogat, és lát el feldolgozó kapacitással.

Az élelmiszeripari multi 300 ezer postaládájában napi 20 millió e-mail landol. Egy korábbi rendszer túl sok rendes üzenetet is adathalász-kísérletnek címkézett, és az elemzők emiatt manuálisan képtelenek voltak már elvégezni a munkájukat. A cég többek között ezért fejlesztett a csalási kísérletekből folyamatosan okuló, az új halászokat észrevevő automatizált gépitanulás-rendszert.

Három részből (csatornából) áll, mindhárom a számítási felhőben van. Az első a gyakorlással, a második a beérkező levelek kiértékelésével foglalkozik, a harmadik a kockázatos maileket továbbítja a biztonságiaknak.

A rendszer úgynevezett adattóban tárolja a beérkező leveleket. A feladatra finomhangolt transformer modell vizsgálja a fejléceket, egyes tényezők, például a feladó doménje alapján fontossági sorrendet állít fel, hogy melyeket érdemes elküldeni a biztonsági szakértőknek.

Óránként, párhuzamos kötegekben dolgozza fel az üzeneteket, a modellt hetente képzi át, hogy hasznosítsa a legújabb támadások tanulságait, figyelembe vegye a kódok változásait. A rendszer kiértékeli az új modellt, és alkalmazza, ha jól teljesít.

Az összes modell verziószámmal rendelkezik, mindet regisztrálják, az akkori kódhoz társítják, és adatbázisba mentik. A mérnökök visszanézhetik, tanulmányozhatják a változtatások utáni eredményességét, és így hibák fejthetők vissza, változások módosíthatók utólag, több kísérletre, folyamatos optimalizálásra nyílik lehetőség.

Az új rendszer a korábbinál hatékonyabban és gyorsabban detektálja az adathalász e-maileket. Teljesítményéről sokat elmond, hogy hatvan százalékkal pontosabban azonosítja a támadásokat.

Az osztrák Tec-Innovation szakemberei vakokat és gyengénlátókat akadályok elkerülésében segítő, vízálló ultrahangos érzékelőkkel felszerelt intelligens cipőt fejlesztettek.

A lábbelik az akadályok közelében rezegni kezdenek, majd zajokat generálnak. Minél közelebb megy valaki a potenciális veszélyforráshoz, annál gyorsabbak a rezgések. A szenzorok maximum négy méter távolságból detektálnak objektumokat, és azt követően adják le a figyelmeztető jelzéseket. A cég egyik alapítója, Markus Ruffer, aki maga is látáskárosult, elmondta, hogy a cipő jól működik, neki például nagy segítség.

A rendszer az akadályelkerülésben kulcsfontosságú két információt észlel: egyrészt az akadály jellegét, másrészt az irányát. Különös figyelmet szentel a lefelé „tartó” tárgyaknak, például a földalatti létesítményekhez vezető lépcsőknek vagy gödröknek. Nemcsak azt jelzi, hogy az objektum releváns, hanem a típusát is. Élesen megkülönbözteti egymástól például a falat, az autókat vagy a lépcsőket.

A cég honlapján megvásárolható, az illetékes egészségügyi hatóság által már engedélyezett drága – 3200 eurós – termékcsomag az eszközből, egy pár cipőből és USB-töltőből áll, de a vásárló kívánsága szerint, meglévő lábbelikre is telepíthető. 

A Grazi Műszaki Egyetem által támogatott startup mesterséges intelligenciával – gépi tanulással – működő kamerát tervez a cipőbe ágyazni. A fejlesztők elmondták, hogy a jelenlegi csak az első változat, a kameraalapú felismerő rendszerrel a cipő még hatékonyabb lesz. A prototípus mindenesetre robusztus és kényelmes is.

A beágyazott kamera által rögzített képek alapján a rendszer még többet megtud az adott objektumról. Két fontos tevékenységre képes: mélytanuló algoritmusai a láb-perspektívából felvett képanyag alapján határozzák meg az akadálymentes területeket, ahol biztonságos a járkálás. A másik: tárgyakat ismernek fel, és különböztetnek meg egymástól.

A mászkálás közben összegyűjtött információkat másként is fel akarják használni, látáskárosultaknak készülő, egyfajta ”street view” navigációs térképpé kombinálnák össze őket. Az adatok egyelőre csak a cipő viselőjének hasznosak, így viszont közkinccsé válnak.

A Minecraft játékosai virtuális anyagokból készült tömböket kivonatolhatnak a 3D-s környezetből, majd saját terveik alapján rakhatják össze őket, például fákat, katedrálisokat stb. dolgozhatnak ki belőlük.

A 3D-s objektumokat létrehozó sejtautomata-alapú algoritmus három felsőoktatási intézmény, a koppenhágai, a yorki és a sanghaji egyetemek kutatóinak közös fejlesztése. Munkájuk ékesen példázza az ezekben az algoritmusokban rejlő potenciált, hogy tipikusan kétdimenziósra korlátozott szerkezetek átalakíthatók háromdimenziósokká. Eredményes működéséhez ideghálókat gyakoroltattak.

Egy sejtautomata az egységeit képező sejtek egyszerű szabályokkal történő megváltoztatásával generál komplex mintázatokat 2D-s rácshálózaton. A sejtek állapota a szomszédos sejtek állapotától függ. A neurális sejtautomaták annyival többek, hogy emellett az idegháló outputja is számít. Az MI-alapú képtechnológiákban, például tárgyfelismerésben elterjedt technikával, 3D konvolúcióval (két függvény súlyozott összegének, képpont és környezet súlyozott világosságának kiszámításával) az automata három dimenzióban hoz létre mintázatokat.

A kutatók több konvolúciós ideghálót gyakoroltattak be a Planet Minecraft közösségi honlapon található szerkezetek reprodukálására. Minden különböző szerkezethez saját modell kellett. A szerkezetek ötven, általában anyagokhoz (kőhöz, üveghez, fémekhez stb.) társítható tömbből állnak, köztük dugattyú-szerűekből is, amelyek ide-oda tolják és húzzák a szomszédos tömböket. Így képesek animált objektumokat alkotni.

A rendszer úgy generált tömbtípusokat, hogy a virtuális talajból ki sem kellett bányászni őket. A kutatók egy-egy tömböt 3D-s rácshálózaton inicializáltak. Az idegháló az ott lévő összes sejtet annak függvényében frissítette, hogy a szomszédos sejtek aktiválva voltak, vagy sem. A frissítés meghatározott számú lépésben történt, miközben a szerkezet lépésről lépésre nőtt.

A betanított modellek kívül és belül egyaránt pontos, statikus szerkezeteket alkottak: várakat, templomok, lakásokat. Az egyik modell még azt is megtanulta, hogyan generáljon mozgó lánctalpas járművet.

A sejtautomata-megközelítés több szempontból is előnyös. Legfontosabb, hogy ha az új szerkezet egy része megsemmisül, a maradékból létre lehet hozni a hiányzó részeket. A technikával masszív digitális 3D szerkezetek generálhatók, és a folyamat első lépésének kivételével, nincs szükség emberi beavatkozásra.

Bővülnek a mesterségesintelligencia-alapú nyelvmodellek feladatai, legújabban már a programozásba is bekapcsolódtak.

A francia SourceAI startup a GPT-3 modellt használva, negyven programozási nyelven fordít angol nyelvű kérelmeket számítógépes kódra. A cég nincs egyedül, a kódolást mások szintén mesterségesintelligencia-megoldásokkal igyekeznek könnyebbé tenni.

A nyelvi modelleket a programozók szükségleteinek „megérzésére”, kitalálására gyakoroltatják be.

A SourceAI egyelőre bétateszt-állapotban lévő megoldásával a felhasználók leírják az óhajtott funkciókat, majd kiválasztanak egy programnyelvet. A jelenlegi (béta) változat által generált kódok 80-90 százaléka az elvárásoknak megfelelően működik. A cég a jövőben kóddarabonként 0,04 és 0,1 dollár közötti összeget tervez kérni szolgáltatásáért.

Az emberi szöveggel szinte megegyező anyagokat generáló, 2020 májusában bemutatott GPT-3 (a 3 a harmadik generációra utal), a San Franciscói úttörő MI-laboratórium, az OpenAI fejlesztése. Szövegei megtévesztésig hasonlítanak az emberére, több kutató meg is ijedt a szerintük túl jó eredményektől.

A GPT-3 által működtetett Debuild természetes nyelven, angolul megadott utasítások alapján webes alkalmazásokat, például gombokat és szövegbeviteli mezőket hoz létre.

A belga Tabnine startup a modell előző, második generációjával (GPT-2) dolgozik, és miközben a programozó gépel, a következő sorokra vonatkozó automatikus javaslatokkal áll elő.

Az infokom világot és a mesterségesintelligencia-fejlesztéseket meghatározó nagyvállalatok szintén használják a gépi tanulást, nyelvmodelleket a programozók kreativitásának növelésére, illetve a hibák, a bugok automatikus kiszűrésére.

A Facebook Aromájával fejlesztők kódadatbázisokban keresgélhetnek azokhoz a kóddarabkákhoz hasonlókat, amelyekkel pont dolgoznak. Az Intel kódok hasonlóságára következtető technikája hasonló eszköz – kóddarabokat összehasonlítva, állapítja meg a funkcióikat. A Google-hoz tartozó, néhány éve a világ egyik legjobb go-játékosát legyőző AlphaGo algoritmussal a világmédia középpontjába került londoni DeepMind modellje átírja az emberi fejlesztésű kódot, hogy az még hatékonyabban működjön.

Gyakorlott és tehetséges programozók kezében nagyon sok idő spórolható meg ezekkel a megoldásokkal, és így több energiájuk marad komplexebb feladatokra. Ha kezdők használják őket, és persze, ha elég figyelmesek is, az új modelleknek hála, gyorsabban tanulnak bele a programozásba.

A Google és az UC Berkeley kutatói több megoldást javasolnak gépitanulás-fejlesztőknek, azzal dolgozó szakembereknek a munkájuk közben kibocsátott széndioxid-mennyiség csökkentésére. Az architektúra áramvonalasításával, a hardver frissítésével és hatékony adatközpontok igénybe vételével, a modellek károsanyag-generálása akár az eredeti ezredrészére redukálható.

Figyelmeztető jel, hogy nagyobb modellek fejlesztése és munkába állítása manapság már akár ötször annyi széndioxidot juttathat a környezetbe, mint egy egyszerű autó a teljes „életciklusa” alatt. A mesterséges intelligencia elterjedésével, az energiahatékonyság kulcstényezővé vált.

Gyakorláshoz és következtetésekhez alkalmazott öt természetesnyelv-feldolgozó (Natural Language Processing, NLP) modell szénkibocsátását vizsgálva, a kutatók különböző számokhoz és adatokhoz jutottak. Kiderült, hogy a következtetéshez általában jóval nagyobb mennyiségű energia kell, mint a rendszerek trenírozásához.

Az energiafelhasználást csökkentő több modelltervezési stratégiára hívták fel a figyelmet.

Az ismerettranszferrel például nincs szükség arra, hogy a semmiből kezdjük az új modellek betanítását. Hálózatok változatos módszerekkel történő zsugorítása megháromszorozhatja, de akár meg is hétszerezheti az energiafelhasználás hatékonyságát.

A hardver szintén fontos tényező. A kifejezetten gépi tanuláshoz tervezett chipek hatékonyabbak és gyorsabbak is a GPU-knál, a grafikus vezérlőkártyák központi egységénél. Például a Google TPU v2 4,3-szor gyorsabban futtat modelleket, és 1,3-szor kevesebb energiát fogyaszt, mint az Nvidia P100 GPU-ja.

A gépi tanulásra optimalizált szerverekkel rendelkező felhőszámítás-központok kétszer hatékonyabbak a hagyományos vállalati adatközpontoknál. Mivel a megújuló energiaforrásokkal dolgozó központok környezetbarátabbak, több új központot a források közelében építenek fel. Ezzel a lépéssel az energia távolabbi területekre történő viszonylag drága és nem is hatékony továbbítása válik feleslegessé, és így komoly összegek takaríthatók meg.

Terjed az Egyesült Államok bankszektorában a mesterségesintelligencia-rendszerek által végzett megfigyelés, egyre több pénzintézet alkalmaz gépi látással dolgozó kamerákat. Céljaik és módszereik szerteágazóak, de leginkább a biztonság növelését, illetve az alkalmazottak hatékonyabb munkavégzését szeretnék elérni.

A JPMorgan Chase ohiói bankjaiban tesztel több fejlesztőtől beszerzett, különböző rendszereket, amelyek az ügyfelek és az alkalmazottak viselkedéséről gyűjtenek adatokat. A személyzet munkaütemezését és az irodai tevékenységeket akarják eredményesebbé tenni velük.

A floridai City Nemzeti Bank harmincegy irodájában tervezi használni az arcfelismerést. Alkalmazottakat, ügyfeleket és kormányzati körözési listákon szereplő gyanúsítottakat, potenciális bűnelkövetőket igyekeznek azonosítani velük.

Az ország déli részén egy, névtelenségét megőrző bank szintén gépilátás-rendszer segítségével figyelmezteti az alkalmazottakat gyanús jelekre, nyitva hagyott széfekre stb.

A példák egyértelműen jelzik, hogy a pénzügyi intézetek mindinkább ki akarják aknázni a kép- és arcfelismerő technológiákban rejlő lehetőségeket.

Mielőtt teljesen külsős beszállító mellett döntött volna, a JPMorgan Chase saját rendszert is kidolgozott. Technológiája az Amazon Web Services, a Google és az IBM megoldásain alapult.

A Bank of America már a 2010-es évek elején vásárolt a pénzkiadó automatái körül túl sokat időző, gyanús személyeket megfigyelő kamerákat.

A Wells Fargo még korábban, 2007-ben kezdte el használni a CrimeDex bűnmegelőző rendszert. A rendszer arcfelismeréssel és a bankautomatákról rögzített videók közötti kereséssel dolgozott. Akkoriban sem lehetett minden tökéletes, mert egy 400 ezer dolláros lopáshoz 14 ezer gyanúsítottat társított.

Ha a bankok elfogadtatják a szabályozókkal és ügyfeleikkel a mesterségesintelligencia-alapú megfigyelést, jelentősen hozzájárulhatnak a technológia szélesebb elterjedéséhez. A példák egyelőre azonban inkább a megfigyelésről, s nem a biztonságról szólnak. Amíg a közvéleményt nem sikerül meggyőzni az ellenkezőjéről, negatív lesz a kamerák megítélése.