2026-ban az MI-alkalmazások már messze túlmutatnak a kísérleti felhasználáson, és számos vállalkozás működésének szerves részévé váltak. A technológiai fejlődés sebessége azonban gyakran megelőzi a fogalmi tisztánlátást.
A hatékony kockázatkezelés és a hosszú távú stratégia ott kezdődik, ahol megértjük a technológia alapjait. Egy rendszer nem alkalmazható felelősen anélkül, hogy tisztában lennénk annak modalitásával – vagyis azzal, hogy milyen típusú adatokat kezel –, működési elvével és képességeivel.
Ez az áttekintés a mesterségesintelligencia-rendszerek technológiai felépítését rendszerezi. Célja olyan szakmai iránytű nyújtása, amely segíti a döntéshozókat és a szakembereket a mai összetett MI-ökoszisztémában való eligazodásban.
1. Feladat és modalitás szerinti csoportosítás
A modellek több, egymást részben átfedő szempont szerint csoportosíthatók. Az egyik ilyen szempont a feldolgozott bemenet és a létrehozott kimenet modalitása, vagyis az, hogy a modell milyen típusú adatokat képes kezelni vagy előállítani.
Nagy nyelvi modellek
A nagy nyelvi modellek – Large Language Models, röviden LLM-ek – elsősorban természetes nyelvű szöveg feldolgozására, elemzésére és generálására készülnek. Képesek többek között kérdések megválaszolására, összefoglalásra, fordításra, szövegalkotásra és dokumentumok elemzésére.
A legismertebb modellcsaládok közé tartoznak például a GPT-, Gemini- és Claude-modellek.
Multimodális modellek
A multimodális modellek többféle adattípust – például szöveget, képet, hangot vagy videót – képesek együttesen feldolgozni, illetve ezek valamelyikét kimenetként előállítani.
Számos korszerű nagy nyelvi modell már multimodális képességekkel is rendelkezik, ezért az LLM-ek és a multimodális modellek kategóriája részben átfedheti egymást.
Generatív modellek
A generatív modellek a tanult minták alapján új szöveges, képi, hang- vagy videókimenetek létrehozására alkalmasak. Ebbe a körbe tartoznak a szöveget generáló nyelvi modellek, a képgeneráló alkalmazások, valamint a hang- és videó-előállításra szolgáló megoldások is.
Ismert példák a technológiára épülő megoldások közül a Midjourney, a Sora és az ElevenLabs szolgáltatásai.
Számítógépes látás
A számítógépes látási – Computer Vision – modellek képek és videók elemzésére, osztályozására, valamint objektumok felismerésére vagy szegmentálására szolgálnak.
Ilyen modellcsalád például a YOLO és a SAM. A számítógépes látás széles körben alkalmazható az ipari automatizációban, a minőség-ellenőrzésben, az egészségügyi képelemzésben és a biztonságtechnikában.
2. Technológiai megközelítések
A gépi tanulás, a mélytanulás és a generatív MI nem egymást kizáró, azonos szintű kategóriák. A mélytanulás a gépi tanulás egyik területe, míg a generatív MI elsősorban a modell célját és képességét jelöli.
Gépi tanulás
A gépi tanulás – Machine Learning – olyan módszerek összessége, amelyek segítségével a modellek az adatokból statisztikai mintázatokat ismernek fel, és ezek alapján előrejelzéseket vagy döntési javaslatokat képesek készíteni.
Ide tartozhat például egy csalásészlelő rendszer, egy ajánlórendszer vagy egy kereslet-előrejelző modell.
Mélytanulás
A mélytanulás – Deep Learning – a gépi tanulás többrétegű neurális hálózatokra épülő területe. Alkalmas nagy mennyiségű és összetett adatban rejlő mintázatok feldolgozására.
A modern nyelvi, képfelismerő, beszédfeldolgozó és generatív modellek jelentős része mélytanulási módszereken alapul.
Generatív MI
A generatív MI olyan modellek és rendszerek köre, amelyek a tanult minták alapján új szöveges, képi, hang- vagy videókimenetet képesek létrehozni.
A létrehozott tartalom új kimenetnek tekinthető, de hasonlíthat a tanítás során felhasznált adatokra, egyes esetekben pedig azok bizonyos részleteit is reprodukálhatja.
3. Tanulási módszerek: a technológia „tanítása”
A tanulási módszer az adatok minőségével, a modell architektúrájával és az értékelési eljárásokkal együtt jelentősen befolyásolja a modell későbbi működését és megbízhatóságát.
Felügyelt tanulás
Felügyelt tanulás esetén a modell előre meghatározott bemenetekből és a hozzájuk tartozó helyes kimenetekből tanul. A tanítóadatok tehát címkézve tartalmazzák azt az eredményt, amelyet a modellnek fel kell ismernie vagy elő kell állítania.
Ez a módszer alkalmazható például képosztályozásnál, spamfelismerésnél vagy meghatározott üzleti események előrejelzésénél.
Felügyelet nélküli tanulás
Felügyelet nélküli tanulásnál a modell nem előre címkézett példákból dolgozik, hanem önállóan keres mintázatokat, csoportokat vagy összefüggéseket az adatokban.
Ilyen módszer használható például ügyfélcsoportok azonosítására vagy szokatlan adatok és viselkedések felismerésére.
Önfelügyelt tanulás
Az önfelügyelt tanulás során a modell magából az adathalmazból állít elő tanulási feladatokat. Ez lehetővé teszi, hogy nagy mennyiségű, külön nem címkézett adatból tanuljon.
Az önfelügyelt tanulás számos modern alapmodell és általános célú MI-modell előtanításában meghatározó szerepet játszik.
Emberi visszajelzéses megerősítéses tanulás
Az emberi visszajelzéses megerősítéses tanulás – Reinforcement Learning from Human Feedback, röviden RLHF – olyan finomhangolási módszer, amely emberi preferenciák felhasználásával segíti a modell kimeneteinek elvárt viselkedéshez igazítását.
A módszer hozzájárulhat a hasznosabb, biztonságosabb és a felhasználói szándékhoz jobban igazodó működéshez, de önmagában nem garantálja az etikus vagy hibamentes működést.
4. Képességszint szerinti elméleti felosztás
Az ANI–AGI–ASI felosztás nem egzakt technológiai fejlettségi skála, hanem a mesterséges intelligencia képességeinek leírására használt elméleti rendszerezés. Az egyes kategóriáknak – különösen az AGI-nak – nincs mindenki által elfogadott, egységes meghatározása.
Szűk mesterséges intelligencia
A szűk mesterséges intelligencia – Artificial Narrow Intelligence, ANI – meghatározott feladatokra vagy feladatkörökre kialakított rendszereket jelent.
A jelenleg széles körben alkalmazott MI-megoldások jellemzően ebbe a kategóriába sorolhatók, még akkor is, ha egyes modellek több, egymástól eltérő feladat elvégzésére is alkalmasak.
Általános mesterséges intelligencia
Az általános mesterséges intelligencia – Artificial General Intelligence, AGI – egységesen nem definiált, elméleti kategória. Általában olyan rendszert értenek alatta, amely különböző területeken széles körű feladatok megértésére, elsajátítására és elvégzésére lenne képes.
Jelenleg nincs általánosan elfogadott szakmai mérce annak megállapítására, hogy egy rendszer mikortól tekinthető AGI-nak.
Szuperintelligencia
A szuperintelligencia – Artificial Superintelligence, ASI – olyan hipotetikus intelligenciaszintet jelöl, amely számos vagy valamennyi területen meghaladná az emberi képességeket.
Az ASI jelenleg elméleti fogalom, nem pedig ténylegesen rendelkezésre álló technológiai kategória.
5. A modell és az MI-rendszer megkülönböztetése
A szakmai pontosság megköveteli a technológiai modell és az MI-rendszer közötti különbségtételt.
A modell alatt elsősorban a modell architektúráját és a tanítás során kialakult paramétereket értjük. Ez az a technológiai alap, amely a bemeneti adatokból meghatározott kimeneteket képes előállítani.
Az MI-rendszer ennél tágabb működési megoldás. A modell mellett magában foglalhatja: az adatforrásokat és adatáramlásokat; a felhasználói felületet; az üzleti logikát; a külső rendszerekkel kialakított integrációkat; a jogosultságkezelést; az emberi felügyeletet; a biztonsági és adatvédelmi kontrollokat.
Ugyanaz a modell több, egymástól jelentősen eltérő MI-rendszer alapját is képezheti. Egy általános célú nyelvi modellre épülhet például egyszerű szövegező alkalmazás, ügyfélszolgálati chatbot vagy döntéstámogató rendszer. Ezek működési és jogi kockázata nem azonos.
A kockázatok jelentős része ezért a rendszer és a konkrét felhasználás szintjén jelenik meg, miközben – különösen az általános célú MI-modelleknél – modellszintű kockázatok és kötelezettségek is fennállhatnak. Ez a különbségtétel az AI Act kockázatalapú szabályozási logikájában is meghatározó.
Összegzés
Az MI-modellek rendszerezése nem csupán elméleti gyakorlat, hanem a tudatos vállalati stratégia és a megfelelő kockázatkezelés alapja. Egy MI-megoldás értékelésekor együttesen kell vizsgálni: a rendszer által ellátott feladatot; a kezelt adatok modalitását; a modell technológiai működését; a tanítási módszert; a rendszer képességeit és korlátait; a modell konkrét üzleti folyamatba történő beépítését.
Jelen cikk általános tájékoztatást tartalmaz, és nem minősül egyedi ügyben adott jogi tanácsadásnak.
