A mesterséges intelligencia (MI) és a környezettudatosság – kérdések és válaszok a magyar büntetés-végrehajtás szemüvegén keresztül
Bibliographic record
Abstract
Tény, hogy mesterséges intelligencia őrületben él a világ. Napjainkban előforduló számtalan problémára a mesterséges intelligenciát reméljük megoldásként. Felmerült tehát a kérdés, hogy – akár – szó szerint is jelenünk legégetőbb problémájában, a környezetvédelem kérdésében használható-e a mesterséges intelligencia és ha igen hogyan, hol és milyen módon Bár az ember alkotta találmányokat általában a környezetszennyezés mellett szoktuk felsorolni, az egyre gyorsabban fejlődő mesterséges intelligencia segítő kezet nyújthat nekünk abban, hogy sokkal hatékonyabban és rövidebb idő alatt tudjuk helyrehozni, vagy legalább is enyhíteni azokat a károkat, amelyeket a környezetünkben tettünk. Az elmúlt években a MI használatából fakadó eredmények nagyon meggyőzőek a természet megóvása, helyreállítása és védelme tekintetében. Alapgondolat már, hogy a MI megkönnyíti a természeti erőforrások jobb felhasználását, korábban ismeri fel a veszélyes szennyezést vagy felgyorsíthatja a fenntartható megoldások elterjedését. Azt is nyomon követhetjük évek óta, hogy a MI segítségével mentenek korallzátonyokat, jelentős eredményeket érnek el a hulladékkezelés és vízgazdálkodás területén is, láthatjuk hogyan vizualizálja az egyes területek klímaváltozás következtében várható változását a Mila (Montreal Institute for Learning Algorithms), vagy hogyan alkalmazza az IBM a mesterséges intelligenciát és a blokklánc-alapú megoldásokat annak érdekében, hogy átláthatóbb és alacsony széndioxid-kibocsátású ellátási láncot alakítson ki, továbbá azt is érdeklődően követtük ahogy a Jacobs mérnöki cég London vezetésének segített, és több milliárd adatpont elemzésével egy olyan közlekedési rendszer modelljét készítették el, amelyben az utazások 80 százalékához széndioxid-kibocsátásmentes közlekedési módokat használnak, de nem utolsó sorban a Samsung új, energiahatékony klímája is számos otthonban megtalálható már, ami komolyan épít a mesterséges intelligenciára is. Ezen megoldások példálózó bemutatására szorítkozik jelen tanulmány, kiemelten kezelve azon lehetőségeket, amelyek a magyar ambiciózus klímaterv támogatására szolgálhatnak.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.005 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.036 | 0.017 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".