"Nem a mesterséges intelligencia fejlődésének lassítására van szükség, hanem a technológia felelős használatára"
3/06/2026 08:40
| Szerző: Klubrádió/Lőrincz Csaba
| Szerkesztő: Lőrincz Csaba
Az approximációelmélet lényege bonyolult jelenségek egyszerűbb matematikai függvényekkel történő leírása. Ennek egyik ismert példája a Fourier-transzformáció, amely az időfüggő jeleket frekvenciák szerint elemzi, segítve a mérnöki és tudományos alkalmazásokat – mondta Kovács Péter, az ELTE Informatikai Kar Numerikus Analízis Tanszék, habilitált docense, a kutatócsoport vezetője. Hozzátette, a kutatócsoport munkája az elmúlt évtizedekben a tisztán matematikai kutatásoktól fokozatosan a jelfeldolgozás, képfeldolgozás, majd a mesterséges intelligencia irányába mozdult el.
Az ELTE Informatikai Kar Numerikus Analízis Tanszékének több évtizedes szakmai múltja van az approximációelmélet, a matematikai modellezés és a numerikus analízis területén. A több mint 30 éve a tanszéken létrejött Harmonikus Analízis Iskola számos egyetemi és akadémiai doktori disszertációhoz adott tudományos inspirációt, hozzájárulva a tanszék kutatási portfóliójának folyamatos bővítéséhez – olvasható az ELTE honlapján.
„Az approximációelmélet az a matematikának egy olyan ága, amely egyszerűbb függvényekkel való közelítésével foglalkozik. Ha a gyakorlati problémába, vagy gyakorlati keretrendszerbe szeretném beilleszteni, akkor azt kell elgondolni, hogy a jelfeldolgozás területén például egy jel vagy egy fizikai jelenség az nagyon bonyolult is lehet. Ezeket a fizikai jelenségeket a matematikában általában úgy kezeljük, hogy egyszerűsítünk” – mondta az Utópia adásában Dr. Kovács Péter, az ELTE Informatikai Kar Numerikus Analízis Tanszék, habilitált docense, a kutatócsoport vezetője.
Hozzátette, a kutatócsoport munkája az elmúlt évtizedekben a tisztán matematikai kutatásoktól fokozatosan a jelfeldolgozás, képfeldolgozás, majd a mesterséges intelligencia irányába mozdult el. Ma elsősorban úgynevezett modellvezérelt gépi tanulással foglalkoznak. Ennek lényege, hogy a neurális hálók működésébe matematikai és fizikai ismereteket építenek be, így azok pontosabbak és megbízhatóbbak lesznek. Például egy modellbe előre beépíthetők olyan korlátok, amelyek kizárják a fizikailag lehetetlen eredményeket. Hangsúlyozta, a mesterséges intelligencia jövőjével kapcsolatban hangsúlyozta, nem a fejlődés lassítására van szükség, hanem a technológia felelős használatára. Szerinte az AI által szolgáltatott információkat mindig kritikusan kell kezelni, és a korábbi matematikai, fizikai és mérnöki tudást integrálni kell az új rendszerekbe a megbízhatóbb eredmények érdekében.
A teljes beszélgetést a fenti lejátszóra kattintva hallgathatják meg. (Amennyiben appon keresztül érik el oldalunkat, a lejátszó nem jelenik meg, ezért kérjük, lépjenek át a klubradio.hu-ra.)
2026.05.26., kedd 19:00
Riporter: Neuman Gábor
