Breakroom #32 - Από τον χειμώνα του AI στο AlexNet και τώρα στο NemoClaw: 20 χρόνια σε ένα επεισόδιο με το Νικόλα Κουρτελλή

Στο νέο μας studio συζητάμε τις νέες εξελίξεις γύρω από τα claws και την NVIDIA.

Στη συνέχεια έχουμε μια συνέντευξη με τον Δρ. Νικόλα Κουρτελλή, διευθυντή Έρευνας και Ανάπτυξης Τεχνητής Νοημοσύνης. Ξεκινάμε από τον «χειμώνα» της τεχνητής νοημοσύνης μέχρι τα LLMs και τους autonomous agents, κάνουμε μια αναδρομή 20 ετών στο machine learning. Εξηγούμε neural networks, supervised vs unsupervised learning, AlexNet, DeepMind και πώς φτάσαμε στα σημερινά AI συστήματα που μπορούν όχι μόνο να απαντούν αλλά και να δρουν.

Για να μπείτε στο Telegram group των Breakroomers ακολουθήστε αυτό το link https://t.me/breakroomers 

more episodes at https://breaking20.eu/

Transcript

SPEAKER_01 0:18

Καλωσορίζετε ακόμα ένα επεισόδιο του Break Room. Είναι η Έλανα.

SPEAKER_00 0:22

Και εγώ μη χάρη ⁇ και με το επεισόδιο να σα ⁇ καλωσορίζουμε στο νέο μα ⁇ στο ιδιότη.

SPEAKER_01 0:30

Λοιπόν, βλέπετε βίντεο είμαστε σε καινούριο χωρών. Και έχουμε πίσω μα ⁇ διάφορα πράγματα που εξεφυτρόσαμε βουκάλε ⁇ παλιέ ⁇ . Πίσω από το μεγαλύτερο είναι ένα game boy που δουλεύει.

SPEAKER_00 0:42

Οπότε ο οποίο ⁇ έχει meeting room στην κοσπλωμένη Game Boy, 4 και 4 Mario.

SPEAKER_01 0:48

Και θα μπει σε διάφορα πράγματα, αλλά το δικέμαι θα μηχανήσει πάνω από Windows and 9.

SPEAKER_00 1:04

Startup Disk. Τα Windows ήταν μια δέκατα. Αλλά μετάπάνω.

SPEAKER_01 1:16

Νομίζω ήταν δύο δισκεφτά, αλλά μπορεί να με το θέλω καλά.

SPEAKER_00 1:21

Αλλά είναι case έχουμε ωραία πραγματού που δεν παραπάνω από το χαρακτήρα μα ⁇ του καθένα. Οπότε κάνουμε ένα ωραίο στοίδιο για να έχουμε του καλεσμένου ⁇ μα ⁇ ποιο σχεδόν εμά. Ναι, κάθε φορά πρέπει να σα ⁇ δείχνουμε και κάτι που πίσω για να σα ⁇ το παρουσιάζουμε, μπορεί να αλλάξουμε κάτι για να πράγματα τι αλλάξαν κάθε φορά. Μπορεί να φερούμε κάτι, μπορεί να προσθέσουμε κάτι.

SPEAKER_01 1:53

Και μιλώντα ⁇ αλλαγέ, ακόμα διάφορε ⁇ αλλαγέ ⁇ που πρέπει να γίνω. Κατάρχη να δούμε ότι τα επεισόδια του θα βγαίνουν με μοναδία και θα βγαίνουν κάθε παρασκευή από εδώ και πέρα. Τα επεισόδια του break the 20% θα βγαίνουν πιο αρένα. Για να έχουμε και τον χρόνο να κάνουμε καλύτερη δουλειά για την τριχάντα επεισόδια χρειάζονται δουλειά για να γίνουν καλά και θέλουμε να το φύγουν να είναι καλά. Και όταν βγαίνουν, θα βγαίνουν δευτέρε ⁇ . Δεν θα έχει κάτι δευτέ όμω ⁇ ένα βέκνει 20%. Θα έχει όμω κάτι παρασκευή break room.

SPEAKER_00 2:26

Με σε κατοάνε για να δω και το breaking room σε ένα ζωή τη Μαρία να μπορεί να κάνετε παραπάνω research, πιο καλό research. Οπότε την ώρα μπορεί να φύξει ένα επεισόδιο του breaking the 20% να είναι και top notch σεbelna.

SPEAKER_01 2:42

Που να είμαστε ευχαριστημένοι εδώ με το επίπεδο και με το εμπειρό του επεισόδιο.

SPEAKER_00 2:47

Αλλά επειδή τα νέα τρέχουν πολλά συχνά πλέον γι' αυτό να πάμε σε εβδομάδα διέββαση με το break room που το στοίτριο μα. Θα έχουμε διάφορα καινούρια elements που να προσθέσουμε σε βάση με τα feedback σα.

SPEAKER_01 3:07

Να πούμε επεισόδιο να έχουμε πολύ περισσότερο περιεχομένων με το break room. Ένα κάνουμε λίγο rebranding και να δείτε online. Ένα λάση κάτι αν μα ⁇ ακούτε να συνεχίζετε να μα ακούτε κανονικά. Απλά είναι να φαίνετε παραπάνω των break room παρά το break 20% επειδή να έχουμε το περισσότερο περιεχόμενο που το κομμάτι του break room.

SPEAKER_00 3:28

Και μαζί με το έχουμε καινούριο Telegram Group, το οποίο να βάλουμε για του ⁇ γκρούπι ⁇ μα ⁇ το βλέπουμε break roomers και να βάλουμε το link για να μπορείτε να κάνουμε join το γκουμά μα ⁇ μέσα στο episodio στα social media μα ⁇ και να βάζουμε παντού πάνω για να μπορείτε να μπείτε. Θα χαρούμε να μα βάζουμε ήδη έχουμε κάποια άτομα που εμπίκαν κάποια φίλη του breaking to break room. Και βασικά να συζητούμε για θέματα τεχνολογία και να κάνουμε share νέα, να κάνουμε share meams, να περιπέδου μιλώνια παραπάνω record τέλο ⁇ πάντων, το κάνουμε τώρα.

SPEAKER_01 4:11

Θέλετε να μα ⁇ εισιγείτε ειδήσει που θέλετε να συζητήσουμε θα μα ⁇ εστέλετε εκεί ενώ δεν θα θέλετε μα ⁇ και οτιδήποτε άλλο θέλετε. Θέλετε να μα ⁇ ρωτήσετε κάτι που το είπαμε στο επεισόδιο, να θέλετε να μα ⁇ δώσετε feedback και αν μπορείτε να το κάνετε να είμαστε χαλαρή να κάνουμε την πλάγκα μα ⁇ αυτό.

SPEAKER_00 4:33

Όταν αυτά με τα νέα του Break Room και το breaking to 20%. Συνεχίζουμε δυναμικά, και ναι, πάμε για νέα level κάντε το σχέξουμε φίλου ⁇ σα ⁇ comments, likes κλπ κλπ για να βοηθήσετε. Να το μεγαλώσουμε για να μπορούμε να σα ⁇ προσφέρον και παραπάνω πράγματα. Όσο παραπάνω βλέπουμε νομίζω ότι εξηγώ που ενδιαφέρεται, τόσο παραπάνω διαβάσουμε μα ⁇ ενέργεια για να κάνουμε παραπάνω πράγματα να το ανανεώσουμε, να κάνουμε ωραία πράγματα.

SPEAKER_01 5:11

Ναι.

SPEAKER_00 5:12

Πάμε να πούμε στο επεισόδιο μα ⁇ .

SPEAKER_01 5:13

Παράμε να μα το επεισόδιο μα ⁇ έχουμε πολλά νέα σήμερα γιατί έχουμε μια συνέντευξη για πιο μετά να το πούμε σε λίγο τι είναι η συνέντευξη, αλλά έχουμε κάποια νέα που τομέα του Επειδή μα ⁇ αφήνει ήσυχου ποτέ. Και να ξεκινήσουμε λίγο με την Ευντριαία, την οποία εφησαμε την λίγο πίσω τώρα τελευταία.

SPEAKER_00 5:32

Πριν να πάμε να πούμε τα νέα μα ⁇ απλά να προορδιάσουμε τον κόσμο γιατί για να συζητήσουμε μετά στη συνέδευση μα ⁇ για να ξέρει και να το περιμένει λαμβάζ. Οπότε σήμερα μετά που τα νέα που να αναφέρουμε τώρα για το AI και την Εντίδια που έρχεψει την αναγραφή. Θα έχουμε μια συνέντευξη με τον Νικόλανο Κουρστελί, ο οποίο είναι ειδικό σε θέματα AI εδώ 16-17 χρόνια που ασχολείται σε research level ο άνθρωπο. Είχαμε την ευκαιρία να του μιλήσουμε όταν είμαστε βαρκελώνει πριν δύο εβδομάδε μέσα στο Mobile World Congress. Οπότε να δείτε να ακούσετε τη συνέντευξη που είχαμε η Έλανα του Νικόλα μετά που να τελειώσουμε τώρα με τα νέα μα. Οπότε πάμε ένα προφαντό μια μαγειρο.

SPEAKER_01 6:24

Λοιπόν, είπαμε ότι την Ευρύδια είχαμε τη Λίον και ξεχάσαμε την Λιόντα ημέρα.

SPEAKER_00 6:31

Η Envidia and να φύγει ποτέ γιατί οτιδήποτε ακούσει η βοηθούν είναι η Ευδια.

SPEAKER_01 6:36

Ναι, αλλά μην σε την Ελληνώ σχολείασαμε τώρα τελευταία, οπότε είχαμε το.

SPEAKER_00 6:40

Σε το World Wide Conference.

SPEAKER_01 6:42

Ακίνησε ένα καρατέλο πράγματα για αυτό που να τη συζητήσουμε. Θέλετε να ξεκινήσει λίγο με τα νέα που σχέσαμε gaming.

SPEAKER_00 6:54

Ναι, βασικά, μέσα στο συνέδριο NVIDIA ανακοίνωσε ένα νέο mode τέλο πάντων, το οποίο υπόσχεται στου ⁇ game developers ότι ένα μπορεί να προσφέρει με τρόπο φωτορελτικά και φωτορεαλιστικού ⁇ χαρακτήρε ⁇ τέλο ⁇ πάντων, τα γραφεία του με τα βεχνή του ⁇ mode DLS5. Το βλέπετε να βάλουμε. I have to video. So basically, we're talking about the video.

SPEAKER_01 8:33

Okay, and game developers are still feedback to me.

SPEAKER_00 8:41

Actually, game developers.

SPEAKER_01 8:56

Okay. Το οποίο λένε είναι πιο safe και καλύτερο κτλ.

SPEAKER_00 9:21

Το κλέμμα είναι μέσα, δηλαδή.

SPEAKER_01 9:33

Το οποίο αν βασισμένο ένα μοντέλο που έχουν του μοντέλο που τρέχει λόγη.

SPEAKER_00 9:40

Πάνω σε device, το οποίο αν παρουσιάσαμε σε ένα real πριν μέρε. Πία είναι δέντρο.

SPEAKER_01 9:46

Έχουμε ένα βίντεο, ένα ρίγμα στα social media. Πρέπει να εμπάσει συγκεκριμένο device, αλλά πριν τρέχει πάει σε hardware δικό του.

SPEAKER_00 9:55

Ο.

SPEAKER_01 9:56

Που συμβαίνει λεφτά μπλα.

SPEAKER_00 9:58

Ναι, αγοράζει πηγή ενvidε.

SPEAKER_01 10:02

Ναι, ενώ ευθυναρ αλλά θεωρητικά το μοντέλο τροχι. Όχι θεωρητικά. Τρέχει λόγκα λίγο το μοντέλο που μα το μηχανικα και φτιάξαν και τον όμορκλο για να μπορεί να γανιστούν το πράγμα πάνω σε το αντιβάζει. Και για να φύγουμε ένα τζελίων από την Εβραινία. Να πούμε ότι πηγαίνουν και τον κλό είναι ασφαλέ, είχαμε ένα δείξω στο επεισόδιο μα ⁇ το Κωνσταντίνον το ψηλίδι. Διάφοροι προσπαθούν να βρούν τη λύση για το πώ ⁇ να κάνω ένα ασφαλέ. Σε ένα πράγμα που ευκαιρίκε που επέτασε ένα τελευταίο καιρών ήταν ένα πράγμα που μαζεύει ένα κλό. Το να οκλό, η ιδέα του ανθρώπου που το έφτιαξα είναι ότι θα το κάνω να δουλεύει μέσα με containers τώρα, σε περίπτωση που δεν είσαστε το τομέα και δεν ξέρετε σημαίνει το πράγμα, ένα container. Όταν το εξήγησα με απλά λόγια. Σκεφτείτε ότι βάλω έναν κουτί το οποίο κλείνω το γυρό, γυρώνα μέσα στο κοπίντερ μου, αλλά ενπαίνει ορισμένο, βλέπει ότι τρέχουμε στον το κουτί, ότι πρόγραμμα τρέχει με στον κουτί. Βλέπει μόνο ότι υπάρχει μέσα στο δίδυνικό το κουτί και να έχει πρόσβαση σε τίποτε άλλο.

SPEAKER_00 11:15

Μόνο resources πάνω του και μόνο οτιδήποτε είναι install μέσα σε τζίντο κουτί.

SPEAKER_01 11:22

Ναι, ουσιαστικά. Οπότε κάμε τώρα να τρέχει μέσα σε κοντέ για ένα ασφαλέ. Και να μπορεί να βάλει πάνω στον υπολογιστή σου χωρί να φοβάσαι ότι ενταβάσει τα πάντα και να έχει πρόσβαση σε πράγματα που δεν πρέπει να μπορεί να κάνει κάτι που δεν μπερμπέτει να διαλέξουν προσωπικά σου δεδομένα ή πάζω σου κτλ. Το πράγμα. Επειδή έκαναν τον σέρονιο καπάθη, γίνηκε πολλά βαγράλ. Και ο άνθρωπο σε κατάληξε μέσα σε έξι εβδομάδε να σταματήσει ότι έκανα και κάνουμε μια εταιρεία για να ασχοληθεί μόνο με το πράγμα. Σε κατάφερε μάλιστα να κλείσει συμφωνία με τον τόκερ. Που το ντόκερ είναι η εταιρεία.

SPEAKER_00 12:07

Το go to place για τον πράγμα.

SPEAKER_01 12:09

Απούλαμε το containers, μιλούμε για τον τόκερ. Είναι μπρατ, α πούμε. Για του μην πληροφορικά, για πλοία των containers. Κατά κάποιον τρόπο.

SPEAKER_00 12:23

Η invidία των chips.

SPEAKER_01 12:25

Κατά κάποιον τρόπο. Οπότε έχουμε εξελίξει στα θέματα του Πεκλο. Τώρα. Στο άλλο θέμα που συζητούσαμε, στο ανθρώπου και εναντίον του πενταγωνικού, έχουμε δει μεκέ μικρέ εξελίξει ενώ να σα πω έτσι πολύ γρήγορα.

SPEAKER_00 12:41

Ένα, ή διαφέριο ένα πολύ χρόνο πάνω στον πεντάγων.

SPEAKER_01 12:44

Καταρχήν οι ανθρώπινε επηρεάζουν εξγραφείων στην Ουάζιχτό για να πολεμήσει την κυβέρνηση σε δούν την ιστορία. Άρα παίρνουν τόσο βάλα ότι ναι. Έντο μεταξύ να αποφαίτε.

SPEAKER_00 13:02

Α σχέζω το διάξιο να χρησιμοποιήσουν ήδη η κυβέρνηση και μπορεί να το χρησιμοποιούν να συνεχίζουν ο χρησιμοποιούν. Α σχέζω το διαβάλλον.

SPEAKER_01 13:11

Από τι φαίνεται μια αυκάλε το παντού το κλώτσιο, και από την άλλη υπάρχουν πληροφορίε ότι στον πόλεμο των πεντάγωνων, τραδότητα, χρησιμοποιιά το κλώτ. Δεν ξέρω, πραγματικά ήξερα ότι γίνεται. Επίση, το άλλο που είδα και σκέβασα στι ειδήσει, που διάφορα δύο συγγραφικά, είναι ότι φαίνεται ότι το πεντάγωνο που αποφάσισε να αναπτύξει τα δικά του LM. Και προσπαθούν να αναπτύξουν τι δικέ του ζλήσει για να δικέ του να έχουν εξάξει α πούμε που δίνουν πενην.

SPEAKER_00 13:43

Μπορούμε να τη θέλω βασικά ένα σκοδόν και θέλω να παρακολουθούν και θέλω χωρί να δεσμετιε.

SPEAKER_01 13:50

Να σαπίσουν να τα καταφέρουν.

SPEAKER_00 13:54

Τι εννοεί. Έχουν unlimited funds. Σκεφτείτε έχουν limited λεφτά, έχουν απεριόριστο χρήμα μπορούν να πάνε να προσλάβουν οποιοδήποτε θέλει που δουλεύσει τι εταιρείε. Κάποιοι κόφτη του στο χρήμα, κάποιο κόφτη του να πετύχου στόχου. Ενάύρου σύνγκη άτομα τα οποία ένδου ⁇ κόφτιε να έχουν αυτάλω χρησμό.

SPEAKER_01 14:21

Στουλή αυτοί που ξέρουν να κάνουμε το πράγμα κατά την απολαύνη δεύτερο έχουν ήδη τόσα πολλά λεφτά που νομίζω. Δηλαδή, η μισή μου του Διού για να δουλέψουν είναι τόσο αστρονομική που νομίζω ότι δεν εύκολο να στραβεί οποιοδήποτε με τα λεφτά πλέον γιατί έχουμε ήδη πολλά λεφτά.

SPEAKER_00 14:39

Φέρε να.

SPEAKER_01 14:42

Και σε περίπτωση που μπορεί να ρωτήστε αν υπάρχουν μαγικέ παρακολουθήσει ή όλοι ξέρουμε σίγουρα ότι τουλάχιστον το 2019 και τούταν ένα περιστιακό που διέρευσε στον τίποτα, αλλά σκεφτείτε πώ ⁇ αλλάνε ξέρουμε ή πώ αλλάει διαρεύσαμε. Ότι το κάστρο emporte πατρόλ, του διομοστά στι εισόδου τη Αμερική, αγοράσαμε δεδομένα που δεν ήταν προκέρτα, τα οποία ήταν δεδομένα που το διαφημιστικό συστημαντσίκε που μα ⁇ ακολουθούν πάντων στο διαδικτυαίο και που σα κάνουν το τρακού πάντα και τον κάμμε, αγοράσαμε δεδομένα και χρησιμοποιήσαμε για να παρακολουθούμε σικά το τι κάνει ο κόσμο στο διαδικτυο και τι ⁇ κύριε του.

SPEAKER_00 15:34

Οπότε με λίγο για βασισμένη πάνω στο China, την μπορεί να πάω να μπει ⁇ στη χώρα να σε χάρουν εύκολα social media.

SPEAKER_01 15:41

Και τούτε απλά ένα πράγμα που ξέρουμε ότι διαρρέψαν έγραφα ότι έγινε.

SPEAKER_00 15:48

Και αυτό είναι ένα ⁇ λόγο ⁇ για να με θέλει ⁇ να πάει ⁇ αμερική.

SPEAKER_01 15:52

Και ξέρουμε ότι σίγουρα και το IES χρησιμοποιούμε ⁇ .

SPEAKER_00 16:00

Πάμε να βγει και αυτά ήταν. Αλλά είναι ο ήχο, αλλά σκεφτείτε ότι είμαστε ένα συνέδριο με 100.000 πλά ⁇ άτομα.

SPEAKER_01 16:56

Απολογούμαστε για τον ήχορ.

SPEAKER_00 16:58

Αλλά νομίζω πολλά εταιρεία στην πράγματα που είμαστε πει ονικό. Απολάφισε το. Ναι, θα πάσα σε λίγο μετά την συνδεύξη.

SPEAKER_01 17:08

Να πούμε βέβαια ότι προσπαθούμε να εξήγουμε κάποια πράγματα βασικά για το πώ δουλεύει το ηπολιά τεχνικά πράγματα. Προσπαθήσαμε να τα εξηγούμεσουμε όσο πιο απλά να μπορούμε. Στείτε μα πείτε μα καταφέραμε, τα καταφέραμε πόσα σε βάρη και τούτη προσπαθία που έκαναμε, να εξήγουμε κάποια πιο τεχνικά πράγματα με πιο απλά λόγια. Ναι, οπότε πάμε στη συνέχεια μαύρα μικό. Καλώ ορίζοντα ένα ακόμα επεισόδιο του Break Room. Είμαι η Έλληνα και βρισκόμαστε στην Βασιλιά, στο Mobile World Congress, δεν βλέπετε με χαλήγια αναγκεί τον κάποιο καύμα. Ακούτα τον κουμπί, έριξε, και μαζί μου το μιλάνε των κοστελή, φίλο μα ⁇ από πολλά χρόνια και θα μιλήσουμε εδώ λίγο για η OIM και να ξεκινήσω πατώντα ⁇ κάτι πολύ απλό. Γιατί γενικά μαζί στην εικόνα που για το θέλω.

SPEAKER_02 18:05

Κατά είμαι α το πούμε στον χώρο του AI, machine learning, μαχρά χρόνια πριν το 15 χρόνια, κάναμε από το λοιπόν στην Αμερική πάνω σε social networks γράφ κτλ. Μετά τη στιγμή μισή στα Παρκεών πριν 13 χρόνια ξεκινήσαμε για αυτό research. Γενικά κάθε πολύ θέμα. Μετάτε για που έβαλ στην τηλεφώνια πάλι στην Παρκελώνει για χιλιάδε χρόνια, είχαμε μια ομάδα με τη σχέση για διάφορα θέματα που αναγνωρίζουμε το AI. Οπότε ήταν παραπάνω machine learning στο λεγόμενο. Anyway, machine learning on these kinetics. Μπορεί να το βάσει με πολύ καλή ακρίβεια να το κάνει ⁇ φτίστοιχη, το επόμενο κλπ. Τότε βασικά έχει μάθει ένα μοντέλο. Αυτό το μοντέλο μπορεί να είναι πολύ απλό ένα το λεγόμενο γραμματικό και logistic μοντέλων, αλλά μπορεί να είναι και κάτι πιο complicated. Στην δούμε τώρα στα τελευταία 35 χρόνια, είναι οι θεωρίε ⁇ που ήταν Abstract, να γίνουν πιο πρακτικέ ⁇ και πιο εφαρμόσυμε σε διάφορα real life σενάριο.

SPEAKER_01 23:06

Ναι, άρα μα το λέμε μα ⁇ και προσπαθούμε να αναγνωρίζουμε μια πατέμε. Δηλαδή έχουμε πάρα πολλά δεδομένα, προσπαθούμε να αναγνωρίζουμε για να πάρα παράδειγμα που χρησιμοποιούμε. Για παράδειγμα, και εντάξει, κλασικά μιλώντα, ξεκινώντα ⁇ του κιόσο είχαμε το δόντομε supervis learning και supervis. Νομίζω ξεκινάμε από το supervisor.

SPEAKER_02 23:36

Αυτό το α πούμε Distinction ήταν το πιο βασικό, α το πούμε split που έχει ⁇ στο δω machine learning όταν αφορά όταν αφορά τα εδομένα. Έχω κάποιε ⁇ εικόνε που δικτυα ⁇ , άλλε ⁇ εχθούν skills, άλλε ⁇ εχθρουν, whatever. Οπότε, κάποιο human, cool, να κάνει να be OK to the council, my data, to be absolutely, το labeling. Και μετά αυτό το set of data που έχει στα χέρια σου είναι βασικά structure και supervis. Δηλαδή, μπορεί ⁇ να τα δώσει σε ένα μοντέλο, να το βρει στο μοντέλου, αυτό μαθηματικό μοντέλο, να μάθει το pattern των διαφορών πίξε σε αυτή την εικόνα και κατάλαβε πώ ⁇ να συσχετίζει αυτά τα πίξα μεταξύ του ⁇ . Κοίταξε όλε ⁇ τι ⁇ φωτογραφίε ⁇ , όλε ⁇ τι ⁇ images που αφορούν του ⁇ κύλου ⁇ και έπρεπε όλα τα ακόμα. Και μάθε αυτό το pattern. Μετά θα σου δώσω ένα άλλο set που είναι γράμτε ⁇ κάνω το δύο πράγμα. Κάνω το δύο πράγμα για ένα αυτοκίνητο. Οπότε το μοντέλο σου, μετά που θα δει όλα αυτά τα pile of data structure και αυτά τα labels, όταν δει το λεγόμενο training, αυτό που λέγαν το πρόσε, θα έχει σε ένα μοντέλο που μπορεί να αναγνωρίσει όταν του δώσει μια γνωστή unlabel εικόνα, τι έχει πάνω στην εικόνα. Προφανώ ⁇ αν του δώσει μια εικόνα η οποία έχει ένα άγνωστικό αντικείμενο που δεν ήταν μέσα στα δεδομένα σου πριν, πιθανόν ότι θα σου δώσει έναν λάθο ⁇ αποτελέσμα. Δηλαδή το ήταν στρέμιο μοντέλο με αυτά τα τρία, ένα αυτοκίνητο, γάντα και σκύλλε. Και του δώσει μια εικόνα η οποία έχει ένα σπίτι μπορεί να σου πει κάτι που μοιάζει σκύλου, μπορεί να είναι κάτω. Γιατί δεν υπήρχε μέσα στα δεδομένα. Τώρα αυτό είναι το λεγόμενο supervised.

SPEAKER_01 26:02

Καράξε το 100. Γράφει να μεταδείχνουμε μια φωτογραφία που δεν το εξάντιξε και θεωρητικά.

SPEAKER_02 26:09

Ακριβώ ⁇ . Και το λέουμε supervised το επιβλέπει ⁇ . Δηλαδή σαν μοντέλο που είναι πρόσθετε ⁇ το επιβλέψει. Τώρα εδώ, αν supervised, ήταν το άλλο μεγάλο branch of machine learning, όπου βασικά είχε πιθανόταρα πολλά τέτοια labels, δηλαδή δεν είχε 34, μπορείτε δεκάδε, εκατοντάδε ⁇ οπότε δεν ήταν cost effective να κάνει κάποιο ⁇ να τα μαρτά έναν προέναι ή μπορεί να είναι εκατομμύρια τα λεβουλά ⁇ . That doesn't matter. Οπότε κάνει ⁇ κάποια αφορφο ⁇ πριν ή κάποια που προσπαθεί ⁇ να πάνε να χρησιμοποιήσει κάποιου ⁇ αλγοριθμού ⁇ για να ξεχωρίζει τα ερωμένα σου σε όμια, δηλαδή ο αγώνα αυτό που π. Κανεί κουστεί να σου πει οκτέ ⁇ οι φωτογραφίε ⁇ they look like the same. Μπορεί να κάνει και λάθο. Α ⁇ βάλει μια γραμμένη μια ζωή στο σκύλο που έχουμε παραδείγματα στην reality και να σου το βγάλει το άλλο το pile of dater. That's okay. Οπότε το Full είναι più un structure συγκεκριμένο. Εντάξει, το structure είναι. Αλλά σιγά να υπάρχει label. Οπότε μετά μπορεί ⁇ να κάνει ⁇ το FOM να βει ⁇ ο βρήκατον 5,10 αγώνα, clusters. Και μετά πρέπει να θροβό ⁇ να κοιτάξει, να πει this cluster looks good. Αυτό είναι το άλλο cluster is also όχι. Όταν μπορεί να κάνει ⁇ κάποιο splitting. Μπορεί να υπάρχουν διάφορα μέτrics που μπορεί να χρησιμοποιήσει για να μαθαίζει το λογαριασμό ⁇ που είναι good enough. Προφανώ ⁇ να το σκεφτεί ⁇ το ideal είναι να βάλει ⁇ όλα τα αντικείμενα σε individual clusters. Αλλά το usefulness που έχουν αυτό είναι zero. Το άλλο extreme είναι να βάλει ⁇ όλα σε ένα cluster είναι όλα το ήδη. Κάποιο μεταξύ αυτού του δύο extremes, υπάρχει μια αλήθεια. Υπάρχει κάτι που είναι το καλό, οπότε προσπαθεί με αυτού του ⁇ unsupervised method, γιατί δεν του δίνει extra information, απλά που λέει έκανα, πήγαινε το FOR. Να πάρει ένα set of clusters που μπορεί να χρησιμοποιεί. Θα το αφήσουμε εκεί.

SPEAKER_01 28:35

Οπότε image recognition και η fancy που εξετάσει να του, γιατί Google, it's more network.

SPEAKER_02 29:43

Είναι δύσκολο. Ένα νευρονικό δίκτυο, αν το αναλύσουμε ότι πραγματικά είναι ακόμα και τη λέξη, πρόκειται για ένα δίκτυο. Ένα δίκτυο σημαίνει ότι έχει διαφορού του λεγόμενο κόμπου και συνδέσει, συνδεση. Τώρα, ο σχεδιασμό του ευρωνκού δικτυού, του Mural Network, είναι inspire και το ενεφάλ μαγικό. Οπότε ο κόσμο μπορεί να είναι ότι στο κεφάλι μα ⁇ έχουμε του νευρώνε και του ⁇ κόμπου ⁇ που συνδέουν του πνευνε. Λοιπόν, το πώ μαθαίνει ένα δίκτυο τέτοιο είναι εξαρτάται και το πόσο προηγούμενο πόσα έχουμε, αλλά συζήθουμε το πολύ απλό. Έχει ⁇ έναν input layer και έχει ένα output layer. Τώρα, αυτό είναι το πιο απλό αλλά δεν έχει βασικά intelligence γιατί θέλει ⁇ κάτι μεταξύ αυτών των δύο σημείων που να κάνει κάποιο learning. Να μάθει κάτι αυτό τα patterns που λέμε πέραν του input και out. Το input είναι οι φωτογραφίε ⁇ ή αυτά τα δίκτυα που λέγαν. Το output είναι πια για αυτά τα κλάσει, αυτά τα lable. Σω ότι αυτό το είμέ που μόλι ⁇ είχε μια κάθε, έχει ένα σκύλο, αυτό. Τώρα για να μάθει αυτό το πράγμα, χρειάζεται αυτά τα neurons στο ενδιάμεσο α ⁇ πούμε layer. Και εντάξει αυτό το πράγμα είναι κανένα governed κυβερνήτε, δεν προσπαθούμε από μαθηματικέ ⁇ εξεζώσει ⁇ οι οποίε επιτρέπουν αυτό το ενδιάμεσο layer να πάρει κάποια βάρη κάποια Waci, το οποία όταν του φωτογραφία στο input layer να τα περάσει αυτά τα βάρη και να πάρει κάποιο άλλο αποτέλεσμα στο output layer, το οποίο να σου δώσει έναν πιθανό αποτέλεσμα. Τώρα, αυτό είναι ένα τομέο πολύ απλό το network. Τότε με την Google ξεχασίσα να παίζουμε τα neural networks, γιατί αυτό που περιράψει τώρα είναι κάτι που είχε στο literature για πολλά χρόνια.

SPEAKER_01 32:11

Πια σαν το χειρόμο το ενώ είχαμε από το εξή που έχει άλλα ακριβώ ⁇ . Στην πράξη δεν μπορεί να δουλεύει.

SPEAKER_02 32:18

Δεν δουλεύει γιατί υπήρχαν κάποιε ⁇ τι ⁇ λεγόμενε ο τρόπο ⁇ να μετατρέψει το output αυτών των neurons σε κάτι useful. Δεν υπήρχαν τα functions, δεν είχαν φευθία functions, τα σιγμοιδή κτλ. Τα οποία μπορεί να σου δώσει έναν πιο decisive αποτελεσμα. Οπότε ο κόσμο ⁇ , το φάνηκε το ασχοληθούμε machine learning είχαμε struggle στο σημείο. Και το performance ήταν τόσο καλό.

SPEAKER_01 32:58

Και ένα πράγμα που αλλάξει χρησιμοποιήσει γραφικού.

SPEAKER_02 33:10

Ακριβώ ⁇ , εντάξει, από το πριν μαθηματικέ εξοχέ και formulations. Πρακτικά είναι linear algebra, τα οποία κάνει πολλά matrix multiplication, ανάγνωad to ποσότητα complex and το input σου. Σκεφτούν έναν image, μπορεί να έχει 200, whatever, 300 pixels. Μπορεί να πλέει κάποιο multiplication matrix το οποίο costly. Και μέχρι τότε, indeed. Δεν υπάρχει inexpensive enough graficole. Then you have to skate a middleware.

SPEAKER_01 34:37

Το full stable and floor and το πράγμα.

SPEAKER_02 34:42

Ο κόσμο μπορεί να ξέρει τι καταγραφικό, διότι είμαι σίγουρο που υπάρχει πολύ gamers στο DESU, οπότε τότε είχαμε καταficολογικότε και βοηθούσαν τον κόσμο να βρει καλύτερα πιο πιο καλά τα γραφικά των παιχνιδιών, τα κύματα. Γι' αυτό κάποια στιγμή έγινε το convergent, α πούμε, οι συγκυρίε ⁇ από το tema confidation, τα libraries που χρειάζονται για να μεταφέρει το πρόβλημα των μαθηματικών του Neural Network πάνω σε ένα καταγραφικό. Α το πούμε, κάποια καταγραφικό. Και αμέσω έκανε ένα boom και το research, γιατί πλέον πανεστιά, ερευνητέ around the world θα μπορούσαν να αγοράσουν τι καταγραφικών, να τρέξουν κάποια βασικά μοντέλα και να δούμε αποτελέσματα με next.

SPEAKER_01 35:40

Παρά να περιμένουν πρόσβαση σε. Μιλώντα ⁇ για τα εργαλεία, νομίζω σε κάποιο φαγητήρα, και φτιάξουμε το κουδότο στο φραγόρτο παράγοντα. Το οποίο μια βιβλιοθήκη με εργαία που κάνει το πρόγραμμα τη γρήγορο.

SPEAKER_02 36:02

Ακριβώ. Και είναι, ταξιδεύει, είναι ένα πουσπισ που υπάρχουν όλο. Το δωμινα ξέρω αυτά τα δόμηνα, αλλά η εμπειρία στην εταιρεία με τα οποία που δημιουργήσαμε. Αυτή τη στιγμή δεν είναι δομεί market. Από εκεί πέρα το πρόβλημα είναι ο πόσα layers μπορούμε να βάλουμε σε αυτά τα neural networks. Αρχήσαμε όπω βρήκαν αυτά τα ένα-δύο layers και μετάχισαν πραγματικά η Google και οι άλλε τέτοιε τι εταιρείε να βάλουν πολλά. Οπότε τότε ευχαριστήθηκαν τα λεγόμενα Deep Neural Networks, που μιλάμε για καλυτάδε layers και αρχίζουν πλέον να μαθαίνουν pattern στα δεδομένα που πριν ήταν καθόλου δυνατόν. Οπότε αρχίζουν τα προβλήματα μπορούν να κάνουμε αντρέσματα να είναι πολύ πιο δύσκολο. Αρχήσαμε πλέον, δηλαδή τώρα μιλούν για την τελευταία idea, αρχίζουν τα προβλήματα που μιλούμε να κοντεύουν το human intelligence. Έπιανα το λεγόμενο συνήθω που ήταν το Image Net με το πρόβλημα του πόσο καλά ο κόσμο, Human Anno Taders, μπορούν να αναγνωρίσουν τι εικόνε που βλέπουν τι.

SPEAKER_01 37:28

Το Image Net που ήταν το παραδείγματο που βέβαια, πριν να κάνουν το διαγωνισμό που το AlexNet. ουσιαστικά και κέρδισαν και ήταν πρώτη φορά που καταφέρα να κάνουν πολλά καλά το. Είχαν προσλάει εκατοντάδε. Πώ εκατομμύρια εκπονούσαμε τον αριθμό. Και βάλαν του να κάνουμε το sharing label τη φωτογραφία. Νομίζω τώρα είμαστε σε βάση που βουφέρει ήδη κανένα να κάνουμε καλύτερα μου στην έτσι.

SPEAKER_02 37:55

Βασικά για να το συγκρίσω στην αρχή του ειδισό. Εμιλήσαμε για το supervised versus unsupervised. Βασικά ο κόσμο αυτό έκανα του supervised annotation και πλέον μεταφερθήκαμε σε έναν μεταβλημα setup όπου τα machine learning αλγορίθμι που έχουν ανατεμούμε κάνουν πολύ καλύτερα perform το task σε σχέση με του ⁇ άθρου. Και αυτό είναι ένα από τα παραδείγματα που πλέον τα machine learning ή πλέον αρχίζουν να μπαίνουν σε YA μπορούν να κάνουν καλύτερα το task από έναν άθρο, έναν expert. Αρχίσαμε να κούμε και τα παραδείγματα από την Google, Titmine και τα λοιπά που έχουν μοντέλα που μπορούν να κάνουν perform να ανοίξουν παίκτε στα παιχνίδια του.

SPEAKER_01 38:56

Το κόσμο ήταν το 17-16.

SPEAKER_02 38:59

Κάπου τότε, Και αυτό είναι τα πρώτα παραδείγματα. Μην αρχήσαμε να χάσει την παράλληλα στο πώ πλέον το κάνει overform σχέση με τον άνθρωπο. Δεν ξέρω τι να μπούμε και στο σχέδιο.

SPEAKER_01 39:17

Με χαλήτε να επιτρέψουμε για φωτογραφίε όμω ⁇ . Το ChPT των φόρμα και. Και νομίζω. Το σημείο που θέλω να αναφέρω είναι ένα κύμα τη ⁇ Google του 17.

SPEAKER_03 39:51

No, no, no.

SPEAKER_02 39:57

So, they're a drastically different way of thinking. Αυτό το paper βασικά έχουμε ένα set of tokens, δηλαδή σκεφτείτε μια πρόταση. Κάθε λέξη μπορεί να ονομάσει ένα token. Αυτό είναι πολύ απλά. Και αυτό το set of αλγορίθου, το μοντέλων με το προτίναν είπα. Παρνών αυτά, κάνουμε calculate κάποια correlations, κάποια relationships, μεταξύ των λεξών και πλέον δεν προσπαθούμε να κάνουμε πριν την επόμενη λέξη απλά με βάση στην προηγούμενη, που ήταν το πιο κλασón, probabilisti way of doing it. Κοιτάζουμε και τα προηγούμενα, μέχρι σε ένα Windows. Το attention έρχοντα στη φάση του πόσο βάζει. Και άμα το σκεφτούμε πολύ βασικά, όταν μιλούμε με κάποιον άνθρωπο, το λεγόμε του διαλόγου που έχουμε, επιτρέπει του ανθρώπου, να σου απαντήσει όταν το ρωτήσει κάτι, θα σου οπαντήσει, θεωρώτα information και έδωσε και αυτό στο διάλογο σου μέχρι ω ένα σημείο. Μπορεί να πούμε να μιλήσει σε μεγάλο και να του πει πώ σε σήμερα και να σου πει κάτι. Αν το ρωτήσει OK, πια είναι δουλειά σου κτλ. Και μετά του δει πώ συνδέεται δουλειάσουμε τον καιρό, μπορεί να είναι ένα ξεκάθαρο ρότημα, αλλά αν του είχε μιλήσει περίπου του καιρού πριν και η δουλειά του αφού αυτού είναι, αγρότη, έχει πολλέ σχέσει. Ναι. Εάν όμω το μοντέλο σου δεν βλέπει τόσο βαθιά μέσα στο διάλογο. Δεν θα καθί αυτό το time useful information. Οπότε αυτά τα μοντέλα αρχίζαμε να είναι πιο κάρρο διότι μπορούσα να δουν παραπάνω The VAT και να δώσουν πιο relevant απαντήσει. Τώρα βάμε λίγο στο l'archισμό. Συνεχίζουμε να μιλούμε για αυτά τα μεγάλα DMUR Networks. Φύγαμε. Οπότε μετά που μπήκαμε σε αυτόν το έργων πάντων, συνεχίζουμε να μιλάμε για του μεγάλα μοντέλα. Είναι τόσο πιο ακριβώ έχει αυτά τα transformations, όπω βλέπει το textual information. Συνεχίζαμε να μιλούμε μέχρι τα τελευταία χρόνια για text, και είναι largουν μεγάλα. Είναι DPR networks, άρα είναι μεγάλα. Και είναι language modest ο τρόπο που χειρίζονται το information είναι με βάση τη γλώσσα. Είναι textual transformation. Άρα, θεωρούν ότι το input του είναι text και το output είναι text. Άρα, βλέπουν κάποιο κείμενο, π.χ. ή κάποιον παράγραφων, ή κάτι που του έχει γράψει μέσα στο chatbord. Το παίρνει αυτό, το αναλύω και με βάση το τι έχει γράψει πριν ή το διάλογο σου κτλ. Είναι βάση το information που έχουν από ένα database of text. Θα σου δώσει μια απαντήσει παλιά σε. Οπότε επειδή κάνει manipulate, το language, όμω είναι το language model. Τώρα το ότι είναι large, είναι το πούμε εγώ, αλλά τα τελευταία μεγάλη έχουμε επίση δικαίτα small language models, τα οποία είναι πιο μικρά και μπορούν να χρησιμοποιηθούν σε εφαρμογίε που είναι πιο ενταγήκα. Ποιο ή πιο σε τηλέφωνα ή κάποιο που είναι στο Edge, IoT κτλ. Αλλά πρέπει να είναι πολύ φόβου. Δεν μπορούμε να κάνουν perform όμω το βιβλία.

SPEAKER_01 44:13

Μπορεί να α πούμε που πάνω στο κινητό και το κάποιον παράδειγμα, τόσο κάποιο κείμενο να αναγνωρίσει μέσα κομμάτια ω BFT κλπ.

SPEAKER_02 44:26

Για παράδειγμα, ναι, ναι. Focus, γιατί διότι δούν τα small language models, δεν έχουν τόσο πολλά layers, δεν έχουν το capability να θυμούνται και να καταλαβαίνουν πάρα πολύ context και το information που έχουν μάθει είναι limited. Οπότε πλέον έχουν τα limitation, θέλει να κάνει ⁇ high-focus σε κάποιο συγκεκριμένο. Π.χ. θέλει να κάνει ⁇ φωτογου να κάνει ⁇ αυτά τα λεπτομέρειε που διεύθου.

SPEAKER_01 45:04

Μπορεί να διαβάζει το κάνει κράτηση και να το βάλουμε στο calendar.

SPEAKER_02 45:10

Για παράδειγμα, μπορεί να κάνει ⁇ τηλέφωνο τηλέφωνο τώρα έχουν ακριβώ power. Οπότε μπορεί να κάνει ⁇ διαφέρο τα πράγματα στο τηλεφώνη. Δεν έχει ⁇ τόσο πολύ power ούτε memory ούτε. Οπότε, το καταγραφικό. Είναι δύσκολο να βάλει ένα καταγραφικό που έχει ένα βιβλίο καλύπαιων σε ένα μικρό device. Τώρα τα τηλέφωνα μα ⁇ έχουν καταγραφικό και μπορεί να τρέξουμε ένα καλό efficiency. Αλλά ένα IoT device δυσκολία να μπορεί να βάλει ένα καταγραφικό, η οποία θέλει ενέργεια, οπότε πρέπει να μικρό μοντέλο. Οπότε παραγγούμε και τα expectations και το κάνει folks. Εντάξει, μια μεγάλη διαφορά πλέον για να το συνδέεται ILLs, αυτά τα ίδια μοντέλα που είναι powerful πλέον. Αλλά έχουμε το modality. Δηλαδή πλέον, είμαστε περιορισμένοι στο text. Μπορούμε να κάνουμε και images και video, να μετατρέψουμε textual information, να κάνουμε output audio, να κάνουμε output video, να δημιουργουμε την παραδείγματα λεγμένων, Generative AI, είναι η χρήση αυτών των υδρογνώντων μοντέλων για να καταλάβει πραγματικά τι βλέπει, τι διαβάζει αυτό. και να κάνουμε output με παρόμοιε τον τρόπο, κάποιο data. Πάλι μπορεί να είναι text, μπορεί να είναι audio, μπορεί να είναι video κτλ. Οπότε σίγουρα οι ακραίε που μπορεί να χρησιμοποιήσει, κάποια tools, video tools. Τα αναφέρω αυτά για να συστηγανουμε, agent web, κλπ. Προφανώ ⁇ ο κόσμο έχει μάθει να κάνει κάποια tasks τα οποία πιστεύει ότι μπορεί να κάνει πολύ καλά, και επίση ⁇ έχουν κάποια εργαλεία που είναι hard folded να κάνουμε κάποια βολήση και μια πράγματα να βάνα παράδειγμα έχει ⁇ το email σου και έχει δημιουργεί κάποια φίλτρα για το πώ ⁇ να κάνει οτιστή κάποια πράγματα, να ταρίξει κάποια πacκε. Ακόμα και το spam detector σου, που κάνει το meet κάποια emails. Είναι μικρά προγραμματά τα οποία βασικά είναι μέσα στο εμπληκέσιο σου για να κάνουν τη δουλειά σου πιο εύκολη. Τώρα τα agents είναι ένα next generation of thinking όπου έναν αυτόμα προγραμματιών έχει κάποια συγκεκριμένα goals, τα οποία τα έθεσεν owner του. Π.χ. αυτό που έχει το email application και του έχει δώσει κάποια με actual language, πιθανότα, κάποια instructions που του λέει. Θέλω να μου βάσει de clutter my email, email box. Θέλω να βάλει ⁇ τα email σε great, χωρί ⁇ hard coded instructions.

SPEAKER_01 50:00

Η προηγούμενη εγγιά θα έλεγα ήταν όλοι ακόμα τη κλάτρια email μου and γράφει μέσα το κείμενο σε συγκεκριμένε λέξει ⁇ να βάλει το διαμάτι, αλλά είναι πολλά συγκεκριμένα.

SPEAKER_02 50:15

Είναι πολύ συγκεκριμένε.

SPEAKER_01 50:16

Πολλέ συγκεκριμένε κανόνε.

SPEAKER_02 50:17

Και αν έφθειε το οποίο δεν ξέρει δεν μπορεί να το βρει στον κανόνα. Δεν ξέρει να κάνει εκείνον στο πρόγραμμα. Οπότε κυπέρα υπάρχει ένα fail. Fast forward, για χρόνια στην εποχή που ζούμε τώρα με του ⁇ agents, έκησε και δουλεύει βασικά του agents σου. Θέλω να μου βοηθεί να κάνω την κλάφια από το inboξ μου. Θεωρώ ότι τα παραδείγματα από emails είναι spam, δεν με μου αρέσουν, μπορεί να είναι σαν πραγματικά, αλλά εγώ δεν τα φέρα. Ήθελω να ρίξει ένα σαν ένα βάκετον. Για οτιδήποτε άλλο παρόμοιο, μπορεί να το βλέπεισουμε το πράγμα και ο agent, επειδή μπορεί να κάνει on the spot, όταν έφενα email από κάποιο άλλο άτρε, το οποίο δεν του έχει πίεσει, παράδειγμα από του άντρε, θα κάνει ένα inference και να δει αυτό το μοιάζει με το ττάδε, γιατί εδώ έχουμε κρίση, ένα agent ότι εργάζεται. Οπότε να το δωρίξω και το inbox folder τάδε. Οπότε τώρα αντιλαμβανόμαστε πλέον ότι κοινούστε από το very strictly defined, well defined και αναγαστικά, very boxed kind of ομάτι προγραμματισμό. Σε ένα κινητό που είναι πιο relaxed. Σου λέγεται χέρια κάθε να γράψει πολλά συγκεκριμένα πράγματα. Και μέχρι ένα σημείο είναι πολύ λάβει. Αλλά είναι το jump στην μια που έχει σκεφτεί. Ακριβώ το relax το περιγραφικό, έχει το κίνδυνο. Σε το οποίο πρέπει να πούμε για να μην νομίζει το ideal since everything. Έχουν τα προβλήματα. Όταν περιγράψα κάτι πολύ συγκεκριμένο, δεν του δώσει κάποια strict no-go guidelines, this is no go and red flags κτλ. Εμπίκαμε το σημείο που περιγράφουμε ακριβώ ότι θέλουμε να κάνουμε πιώδη βασικά τογραμμα που είχα γράψει, δεν μπορεί να κάνουμε κάτι αγγείο, αν το πιστεύετε ακριβώ να κάνουμε.

SPEAKER_01 54:10

Έτσι, έτσι μπορεί να πάρει.

SPEAKER_02 54:12

Δεν μπορεί να πάρει ακριβώ. Επιγάμε στο άλλο ανακρόνώ, όπου του δίνει κάποια guidelines και αν δεν είναι strict το τι δεν μπορεί να κάνει, το οποίο αν παρέθηση ανθρώπου λέμε αυτό το common sense κοινή ξέρει, αλλά ο agent δεν έχει αυτό το πράγμα. Οπότε μπορεί να κάνει κάτι το οποίο θεωρείται ότι είναι optimal στο task που δεν έχει δώσει. Δηλαδή το agent βλέπει τον goal και σου λέει στα πάγει πέρα με αυτόν τον τρόπο, shortcuts κλπαί κολυβό. Οπότε αναγνωσμό στο άλλο ακροανα σκεφτούμαστε τι πρέπει να του πούμε για να κάνουμε illegal actions that have harm individuals. Θέλουν baby shipping, και όταν πολύ πράγματα λάθο ⁇ , για τα standard τη ⁇ κοινωνία ⁇ . Τώρα, σε ένα χρόνο που εδώ τώρα, πιστεύω να δούμε το line improvement το πράγμα, και θα χρειάζουμε να κάνουμε το handfolding συνέχεια. Με τα potential cavit τα προβλήματα που είναι πριν. Δηλαδή ίσω ⁇ να έχουμε κάποια powerful platform κλικά που μπορούμε να κάνουν overperform, αλλά έχουμε ένα πρόβλημα του πώ να τα κουβαντάμε στην Αγία για να μην ξεφύγουν. Διότι βλέπουμε τώρα πριν μια εβδομάδα στην Αμερική τα συμβόλαια με την ανθρώπιση. Αλλά θέλω να σου πω, μπαίνουμε άμεσα στο defense sector. Πλέον υπάρχουν ζωέ. Βλέπουμε ότι μπαίνουν στο health sector. Δηλαδή πλέον δεν μιλούμε για CharGPT και κάτι σαν το. Ακριβώ. Να παντήσουμε στην όριε σου το πεδίζουμε ότι μια θα δούμε ακόμα και το powerful μοντέλα και pipelines και agence και κλπ. Θα υπάρχει το struggle από την κοινωνία να τα κουβαντά. Εντάξει, βλέπουμε ότι το ownership αυτό το μοντέλο είναι από το capital system. Και θα χρειαστεί πολύ προσπάθεια για να τα συγκρατήσουμε. Αλλά να δούμε. Εγώ ευχαριστώ.

SPEAKER_01 58:17

Και θα τα πούμε στο επόμενο επεισόδιο για σα.

SPEAKER_02 58:19

Γεια σα.

SPEAKER_01 58:20

Θα είμαστε στο Studio Forden Bamba, σα.

SPEAKER_00 58:28

Ωραία, και το βράδυ ακούσαμε τον Νικόλα, με ελενά μου. Πάμε να αποχαιρετήσουμε τον κόσμο μα ⁇ , οπότε να ευχαριστούμε που είμαστε μαζί μα ⁇ σήμερα που είμαστε να έρθει το επεισόδιο. Δώστε είμαστε τα feedback σα ⁇ . Δώστε μα σχόλια, like, share στο YouTube, TikTok, Instagram, Facebook, LinkedIn. Ελλάδα κοψέστε στο Telegram groπ μα ⁇ που έγαμε, εννάει πολύ να κάνουμε ωραία να κάνουμε ένα cherlom πουλασμένο ⁇ καλά μα ⁇ κομποίηση. Οπότε ναι, αυτά.

SPEAKER_01 59:04

Αυτά ήταν για σήμερα. Σα ⁇ ευχαριστούμε. Με σα ⁇ και θα τα βρούμε τη επόμενη φορά.