A Double Tap két gazdája, Steven Scott és Shaun Preece őszintén beszélt arról, hogyan használják a mesterséges intelligenciát a mindennapi munkájukban és a látásvesztésre való felkészülésben – a sikerektől a kudarcokig, a saját fejlesztésű eszközöktől az etikai dilemmákig.
Az augusztus 20-i adásban Steven Scott egy személyes vallomással indított: elmondása szerint egyre nehezebben boldogul a látásával, és ez arra készteti, hogy tudatosan (vagy inkább tudat alatt) építsen ki magának olyan mesterséges intelligencia alapú megoldásokat, amelyekkel akkor is el tudja látni a munkáját, ha a látása tovább romlik. A beszélgetés innen indulva bejárta az AI-eszközök építésének gyakorlati kérdéseit, a nyílt forráskódú fejlesztés etikáját, a helyi és felhőalapú modellek közti választást, valamint azt is, hogy a mesterséges intelligencia térnyerése milyen hatással lehet olyan szolgáltatásokra, mint az Aira vagy a JAWS.
A bőrönd, amit soha nem lehet teljesen becsomagolni
Steven Scott egy hasonlattal indította a gondolatmenetét: szerinte a látásvesztésre való felkészülés olyan, mint amikor valaki hetekkel a nyaralás előtt egy nyitott bőröndöt tart az ágyán, és apránként pakolja bele azt, amire majd szüksége lesz. Ő maga sem tudja pontosan, mennyi látása marad meg hosszú távon – ahogy fogalmazott, olyan, mintha egy autó billegne egy szikla szélén a családdal együtt, és nem lehet tudni, mikor billen át.
Mint mondta, már jóval azelőtt elkezdte használni az NVDA nevű, ingyenes képernyőolvasó szoftvert, hogy ténylegesen rákényszerült volna rá – bár, ahogy tréfásan megjegyezte, ebben talán a spórolás is szerepet játszott, nem csak a tudatos felkészülés. Felidézte azt az időszakot is, amikor 2017 körül fokozatosan elvesztette a képességét arra, hogy látással dolgozzon a számítógépen: korábban ő volt az, akihez mindenki fordult, ha technikai problémája volt, aztán egyik napról a másikra alapvető dolgokkal – e-mail küldéssel, hálózatok beállításával, rádiós adásrendszerek kezelésével – gyűlt meg a baja.
Most, mondta, hasonló helyzetben van, de merőben más eszköztárral: a mesterséges intelligencia segítségével olyan feladatokat is el tud látni, amelyekhez korábban látásra lett volna szüksége. Konkrét példaként a műsor képi feladatait hozta fel: amikor egy vendég bejelentkezik az adásba, valakinek ellenőriznie kell, hogy középen van-e a képen, jó irányban áll-e a kamerája (volt már olyan eset, hogy valaki egész adás alatt fejjel lefelé látszott a képernyőn). Steven most azon dolgozik, hogy a rendszer automatikusan képernyőképet készítsen a bejelentkező vendégről, és hasonlítsa össze egy ideális keretezéssel – vagyis az AI vegye át azt a vizuális ellenőrzést, amit korábban ő végzett a szemével. Hozzátette: ha ezek az eszközök már 2017-ben rendelkezésre álltak volna, sokkal könnyebben vészelte volna át azt az átmeneti időszakot.
Amikor az AI elakad egy párbeszédablaknál
A gyakorlati oldalról Steven beszámolt egy kudarcáról is. A műsorhoz saját, OBS (Open Broadcaster Software – egy nyílt forráskódú, ingyenes videó- és élőközvetítő program) alapú rendszert épít mesterséges intelligencia segítségével, amelynek első próbái szerinte lenyűgöző eredményt hoztak. Ezzel párhuzamosan viszont nekifutott egy jóval ambiciózusabb projektnek is: egy olyan eszközt akart építeni, amely önállóan, felügyelet nélkül tudja tesztelni a saját fejlesztésű alkalmazásait.
Az elképzelés az volt, hogy a mesterséges intelligencia képernyőképet készít, elemzi azt, majd a kívánt helyre mozgatja az egeret és kattint – ez az alapváltozat működött is. Steven azonban tovább akart lépni: azt szerette volna, hogy az eszköz a hozzáférhetőséget is önállóan tesztelje, sorban betöltve az NVDA, a Windows beépített Narrator és a JAWS képernyőolvasókat, és mindegyikkel végigmenve az alkalmazáson – ő maga akár egy éjszakára is otthagyhatta volna, hogy a rendszer hibákat találjon, és ki is javítsa őket. A rendszer azonban minden alkalommal elakadt egy adott párbeszédablaknál, és képtelen volt tovább navigálni rajta. Az ismételt sikertelen próbálkozások után Steven – saját szavaival élve – „dühből” feladta, és törölte a projektet.
A vibe coding nem varázsütés
A kudarc kapcsán mindketten hangsúlyozták, hogy a mesterséges intelligencia korlátai nagyon is valóságosak, és fontos erről őszintén beszélni ahelyett, hogy túlzott lelkesedéssel kezelnék a témát. Ahogy fogalmaztak: az AI nem mindenható, és ez alól az úgynevezett „vibe coding” – vagyis amikor valaki nagyrészt a mesterséges intelligenciára bízza a programozást, természetes nyelvű utasítások alapján – sem kivétel.
Shaun Preece szerint korábban mindketten kicsit túlbecsülték, mire képes egyetlen jól megfogalmazott utasítás: a valóságban rengeteg oda-vissza egyeztetésre, finomításra van szükség, és egy komolyabb projekt – például az OBS-alapú rendszer – akár több napig is eltarthat, mire használható állapotba kerül. Szóba került az is, hogy érdemes kihasználni a már meglévő nyílt forráskódú megoldásokat ahelyett, hogy mindent nulláról építenének fel: az AI maga is gyakran jelzi, ha van egy keretrendszer, amire lehet támaszkodni, ezzel jelentősen felgyorsítva a munkát.
Kié a kód, ha ketten alakítják?
Ez a gondolat vezetett át a beszélgetés egyik legérdekesebb, etikai vonatkozású részéhez: mi történjen, ha valaki mesterséges intelligenciával módosítja egy másik fejlesztő nyílt forráskódú eszközét? Steven és Shaun konkrét példaként egy „item chooser” nevű, korábban Steven által készített eszközt hoztak fel, amelyet Shaun a közelmúltban a saját ízlése szerint alakított át: kivett belőle egy keresőmezőt, mert szerinte fölösleges extra lépést jelentett (rá kellett kattintani, beírni a keresett szót, majd nyilazással átlépni a listára), és helyette egy láthatatlan, azonnal szűrő keresést épített be.
A kérdés az volt, mi legyen ezután a módosított kóddal: legyen ez egyszerűen egy javaslat vagy frissítés az eredeti projekthez, vagy inkább induljon önálló életre külön ágként (fork)? Shaun bevallotta, hogy fogalma sincs, technikailag hogyan kellene visszajuttatnia a módosítást az eredeti tárolóba, és ez a bizonytalanság szerinte sokakat jellemez, akik AI segítségével nyúlnak bele mások kódjába anélkül, hogy tisztában lennének a megosztás és a licencelés szabályaival.
A beszélgetés kitért arra is, hogy a nézők és hallgatók körében felmerült egy elvárás: aki mesterséges intelligenciával épített alkalmazást vagy szolgáltatást tesz közzé, annak megfelelő támogatást és fejlesztői felelősséget kellene vállalnia. Steven szerint ennek van egy egyértelmű választóvonala: ha valaki pénzt kér a termékéért, akkor valóban felelősséggel tartozik azért, hogy az megfelelően működjön. Ha viszont valaki ingyenesen, kipróbálásra szánva oszt meg egy eszközt, akkor semmilyen kötelezettsége nincs azon túl, hogy alapvetően biztonságos legyen a használata – a letöltőknek maguknak is felelősségük van meggyőződni erről. Ebben a kérdésben mindketten egyetértettek: aki nyílt forráskódúan, ingyen tesz közzé valamit, azt inkább közösségi együttműködésnek kellene tekinteni, nem egyszemélyes fejlesztői kötelezettségvállalásnak.
Mi az a „skill”, és miért jobb, mint egy egész alkalmazás megírása?
A beszélgetés egyik gyakorlati témája az volt, hogy mikor éri meg önálló alkalmazást építeni mesterséges intelligenciával, és mikor elég egy úgynevezett „skill”-et (képesség-csomagot) létrehozni. Steven elmagyarázta: egy skill lényegében egy mappányi markdown fájl, amely instrukciókat tartalmaz egy AI-chatbot – például a Claude – számára arról, hogyan végezzen el egy visszatérő feladatot. A cél, hogy az AI ne minden alkalommal „nulláról” próbálja kitalálni, mit is szeretne tőle a felhasználó, hanem egy előre megírt, testre szabott instrukciókészletet kövessen.
Konkrét példaként Steven a videótömörítést hozta fel. A műsor felvételei a vágóprogramból (Final Cut Pro) körülbelül 200 gigabájtos fájlokként kerülnek ki, amit nem lehet tárolni a gépén, és tömöríteni kell. Míg a hangfájlok tömörítéséhez korábbi rádiós háttere miatt jól ért, a videótömörítéshez fogalma sem volt, hogyan kezdjen hozzá – ráadásul vakon nem is tudja ellenőrizni, hogy a végeredmény minősége megfelelő-e, vagy éppen egy bélyegkép méretű, használhatatlan videó lesz belőle.
Ezért a Claude-tól kérte, hogy elemezze a videót, és javasoljon tömörítési módszereket, majd készítsen három tíz másodperces mintát a legjobbnak ítélt beállításokkal. Ezeket a mintákat elküldte egy látó kollégájának, Marknak, aki visszajelzett, melyik változat a legjobb minőségű. Ez alapján Steven megkérte a Claude-ot, hogy alakítsa ki ezt a folyamatot egy állandó skillként – ezt „compress video” névre keresztelte –, amely a háttérben a HandBrake nevű, széles körben használt tömörítő programot vezérli annak parancssori felülete (CLI) segítségével. Azóta elég megadnia a fájl elérési útját, meghívnia a skillt, és a rendszer automatikusan elkészíti és a fájl mellé menti a tömörített változatot – méghozzá gyorsabban, mint amikor ő maga próbálta kézzel használni a HandBrake-et.
Steven szerint a skill-alapú megközelítés több szempontból is jobb, mint egy teljes alkalmazás megírása: a markdown fájlok könnyen szerkeszthetők egyszerű szöveges utasításokkal, nincsenek egy adott AI-modellhez kötve (ha az egyik szolgáltató eltűnne, a fájlok egy másik mesterséges intelligenciával is használhatók, mert lényegében a saját gépen tárolódnak), és sokkal átláthatóbb, hogy pontosan mit is csinál a rendszer.
Helyi vagy felhőalapú AI – és mivel jár ez
A beszélgetés komolyabb hangvételű szakaszában szóba került, hogy a mesterséges intelligenciára való ráutaltság önmagában is hozzáférhetőségi problémát jelenthet: ha valaki nem engedheti meg magának a havi előfizetést – legyen az 20 dolláros vagy akár 90 dolláros csomag –, akkor kimarad ezekből a lehetőségekből. Ez volt az egyik érv amellett, hogy érdemes kísérletezni a helyi, azaz a saját gépen futó AI-modellekkel is, amelyek nem igényelnek előfizetést.
Steven beszámolt egy saját kísérletről: egy úgynevezett „speech-to-speech” (beszéd-beszéd) helyi modellt épített, amellyel úgy lehet beszélgetni, mint egy okoshangszóróval – közbe lehet szólni, és az valós időben válaszol. Amikor néhány hónapja, a vibe coding kezdetén először próbálta ki a saját, kizárólag processzoros (grafikus kártya nélküli) gépén, egy-két perces késleltetéssel kapott csak választ. Most ugyanez a válaszidő egy-két másodpercre csökkent – ez a fejlődés kizárólag a szoftveres háttér javulásának köszönhető, nem hardvercserének. Ugyanakkor a helyi modell minősége még mindig komoly korlátokat mutat: a beszélgetés Steven szerint gyakran értelmetlen, ismétlődő volt, mert a hardverre illeszthető modell mérete túl kicsi ahhoz, hogy komolyabb feladatokat – például levelek átnézését és megválaszolását – megbízhatóan el tudjon látni.
A diktáláshoz Steven és Shaun egyaránt a Handy nevű alkalmazást használja, amely a korábban használt Wispr Flow-t váltotta le náluk. Egy billentyűkombinációval (Steven Mac gépén control-space, Shaun Windows gépén ugyanaz) aktiválható, és az adott szövegmezőbe diktálva veti be a leírt szöveget – Steven szerint a felismerés pontossága nagyon jó, bár a Wispr Flow-val ellentétben a Handy nem „tisztítja meg” utólag mesterséges intelligenciával a bediktált szöveget. Ehhez az alkalmazáshoz is szükséges egy letöltött helyi modell, amely egy Snapdragon processzoros Lenovo laptopon fut nála. Ezzel kapcsolatban viszont panaszkodott: a gép szerinte sokkal jobban melegszik és hangosabban zúg a ventilátora, mint a korábban használt Microsoft Surface laptopjának, amit utólag bánt, hogy eladott.
Aira, a JAWS és az emberi munkahelyek jövője
A hallgatói levelek között egy „Sam Schmo” nevű hallgató azt a kérdést vetette fel, hány Aira-s munkahely szűnhet meg a mesterséges intelligencia, konkrétan a Claude térnyerése miatt, hivatkozva arra, hogy a számítógépes asztali segítségnyújtás a hívások mintegy 20 százalékát teszi ki. Steven és Shaun szerint rövid távon nem valószínű a munkahelyek tömeges megszűnése, mivel a felhasználók túlnyomó többsége – ahogy fogalmaztak, „a stréberek” kivételével – egyelőre nem is ezekre a feladatokra használja az ilyen szolgáltatásokat, és sokan nem is engedhetik meg maguknak.
Hosszabb távon azonban mindketten úgy vélik, hogy a költségek kérdése döntő lesz: ha valaki már fizet egy mesterséges intelligencia előfizetésért, és azzal ugyanazt a feladatot el tudja végeztetni, amit korábban egy fizetős emberi szolgáltatással oldott meg, akkor idővel érdemesebbnek fogja találni egyetlen eszközbe fektetni. Steven szerint ez az oka annak, hogy az Aira és a JAWS-t fejlesztő Vispero is egyre több mesterséges intelligencia funkciót épít be a saját termékeibe – ez utóbbi szerinte sokak számára vitatott lépés. Ezt a stratégiát mindketten érthetőnek, sőt szükségszerűnek nevezték, hiszen ha ezek a cégek nem lépnek, könnyen lemaradhatnak egy olyan általános célú mesterséges intelligenciával szemben, amely operációs rendszer szinten, képernyőolvasótól függetlenül nyújt hasonló funkciókat.
Szóba került az is, hogy Steven értesülései szerint az Aira együttműködik a Google-lel egy olyan projekten, amely a jelenlegi emberi ügynökök helyett mesterséges intelligenciával végezné az élő vizuális értelmezést. Véleménye szerint ez azt jelzi, hogy maga az Aira is tisztában van a saját üzleti modelljét fenyegető kockázattal – ahogy fogalmazott, a jelenlegi emberi ügynökök tulajdonképpen a saját jövőbeli leváltásukat figyelik. Ugyanakkor hangsúlyozta, hogy ma még az emberi ügynökök fölényben vannak olyan helyzetek kezelésében, amelyek gyors alkalmazkodást vagy váratlan információk felkutatását igénylik – ez a mesterséges intelligenciának egyelőre nehezebben megy.
Rövid hír: mesterséges intelligenciás ügyfélszolgálat a Be My Eyes-on keresztül
A műsor végén Steven megemlítette, hogy egy jelszóváltoztatási probléma kapcsán most először használta a Be My Eyes alkalmazás szolgáltatáskönyvtárát (service directory) a Microsoft eléréséhez. A telefonos vonalon senki nem hallotta a hangját, ezért váltott a szöveges chat opcióra, ahol egy mesterséges intelligencia alapú ügyfélszolgálati asszisztens fogadta. Bár a problémáját ez nem oldotta meg teljesen – ehhez biztonsági okokból egy e-mailre is várnia kellett –, az AI-asszisztens végig tudta vezetni a szükséges lépéseken, ami kellemes meglepetés volt számára.
Összegzés
Steven Scott és Shaun Preece számára a mesterséges intelligencia mára mindennapi, gyakorlati eszközzé vált – a műsor vizuális feladatainak automatizálásától a saját fejlesztésű „skilleken” át a helyi és felhőalapú megoldások közti mérlegelésig –, de mindketten hangsúlyozták: a technológia korántsem hibátlan, és a vele járó etikai és gazdasági kérdések – a fejlesztői felelősségtől az emberi munkahelyek jövőjéig – megkerülhetetlenek.
A cikk a Double Tap podcast 2026. augusztus 20-i adása alapján, mesterséges intelligencia felhasználásával készült, ezért apróbb pontatlanságokat tartalmazhat.