Az előadás célja a mesterséges intelligencia (MI) által jelenleg alkalmazott adatalapú megközelítés néhány problémájának ismertetése. Az MI jelenleg egyet jelent a gépi tanulással, ami pedig nem más, mint adathalmazokra függvények illesztése. Az alkalmazott függvények a legtöbb esetben akár több millió vagy milliárd paramétert is tartalmazhatnak. Több problémát is érintünk, többek között az eloszláson kívüli (out-of-distribution) inputok problémáját, az inkonzisztencia problémáját, és az ellenséges perturbációk problémáját. Ezen problémák mind az óriási modellek illesztésén alapuló módszertan lényegi problémái, és máig megoldatlannak tekinthetők, emellett biztonsági problémákat is felvetnek az MI rendszerekkel kapcsolatban.

The purpose of the presentation is to describe some of the problems of the data-based approach currently used by artificial intelligence (AI). AI is currently synonymous with machine learning, which is nothing more than fitting functions to data sets. In most cases, the applied functions can contain millions or even billions of parameters. We touch on several problems, including the problem of out-of-distribution inputs, the problem of inconsistency, and the problem of adversarial perturbations. All of these problems are essential problems of the methodology based on the fitting of giant models and can be considered unsolved to this day, and they also raise security problems in relation to AI systems.