IT, BI, DWH, DM, AI

 Kipróbáltam a másik képgenerátort Link :  https://app.leonardo.ai/ Érdekes a negatív prompt használat amivel a végeredmény javítható Egy példa a használatra Prompt : Colorful beautiful woman: Black ink flow: 8k resolution photorealistic masterpiece: by Aaron Horkey and Jeremy Mann: intricately detailed fluid gouache painting: by Jean Baptiste Mongue: calligraphy: acrylic: watercolor art, professional photography, natural lighting, volumetric lighting maximalist photoillustration: by marton bobzert: 8k resolution concept art intricately detailed, complex, elegant, expansive, fantastical Negative prompt: two heads, two face, out of frame, extra fingers, mutated hands, poorly drawn hands, poorly drawn face, mutation, deformed, ugly, blurry, bad anatomy, bad proportions, extra limbs, cloned face, disfigured, out of frame, ugly, extra limbs, bad anatomy, gross proportions, malformed limbs, missing arms, missing legs, extra arms, extra legs, mutated hands, fused fingers, too many fingers, l

 Egy kis szépség lefekvés előtt Prompt : üveg palackban kis sivatagi oázis mely felett csillagos ég jelenik meg a palackban

 Ez a párbeszéd folyt köztünk: User adattárház adatbetöltő etl folyamatról mit tudnál mondani? ChatGPT Az adattárházak fontos szerepet játszanak az üzleti döntéshozatalban, hiszen lehetővé teszik a vállalati adatok hatékony tárolását, elemzését és jelentéskészítését. Az adatok betöltése az adattárházba az ETL folyamat (Extract, Transform, Load) segítségével történik. Az ETL folyamat során először a forrásrendszerekből (pl. ERP, CRM, számlázó rendszer stb.) kinyerjük az adatokat (Extract). Ezt követően a kinyert adatokat transzformáljuk, azaz formátumot, struktúrát, esetleg aggregált formába hozzuk azokat (Transform). Végül az előkészített adatokat feltöltjük az adattárházba (Load). Az adatbetöltő ETL folyamat során fontos a pontos és megbízható adatok biztosítása, valamint a folyamat hatékonysága és gyorsasága. Az ETL folyamat automatizálása segíthet csökkenteni a hibalehetőségeket és a feldolgozási időt. Az adatbetöltő ETL folyamat további kihívásokat is felvet, például a forrásrendsz

 Bing edge használat Kép generálás Kreatív módba váltva írjuk be a képkészítést témát Lépésenként finomíthatjuk a kép leírást mely hatására változik az eredmény További lépéssel finomíthatjuk a kép leírást mely hatására változik az eredmény Még további lépéssel finomíthatjuk a kép leírást mely hatására változik az eredmény Újragondolhatjuk és új irányokat jelölhetünk ki a kép igényünknél És még haladhatnánk tovább. Szöveg generálás Szöveges információ generálást is kérhetünk, forma és tartalmi jegyek egy része kiválasztással is elérhető  WEB lap elemzés Kérhetünk web lap elemzést is, ekkor elöbb meg kell nyitni a böngésző sorból a kivánt lapot majd a Bing elemzési tabfület kell kiválasztani Kalóz minta kép generálás Rá kattantam a félszemű kalóz témára Facebook csoport (https://www.facebook.com/groups/chatgptmagyarul) probléma jelzésre kezdtem én is ezzel foglalkozni " Próbálkozom képek generálásával. Félszemű kalózt sehogy sem sikerült csinálnom se angol se magyar prompt-al. &quo

Saját bing kép (https://www.bing.com/images/create) prompt : battle of the androids ChatGPT alternatíva szöveg írás értelmezés témában Chatsonic               : https://app.writesonic.com/signup?feature=chatsonic Jasper Chat             : https://www.jasper.ai/ OpenAI playground : https://openai.com/    ChatGPT  alternatíva Google oldalról Bard AI  https://bard.google.com/ LaMDA (Language Model for Dialog Applications)  https://aitestkitchen.withgoogle.com/ Socratic by Google ChatGPT alternatíva Microsoft oldalról Microsoft Bing AI  (képalkotás) :  https://www.bing.com/create chat     :  https://www.bing.com/search AI        :  https://www.bing.com/?/ai Egy példa amikor megkérdeztem:  a python programozásnál hogyan hozzunk létre ciklust ChatGPT alternatíva keresési feladatokhoz Chatsonic on Opera NeevaAI ChatGPT alternatíva program kódoláshoz CoPilot :  https://github.com/features/copilot/ Tabnine :  https://www.tabnine.com/ Amazon Codewhisperer  :  https://aws.amazon.com/codewhisperer

 Most egy speciális területet nézünk meg. Az adatbázis objektumok világába 'eveztünk' át. Nézzük hogyan ismeri az oracle adatbázist a AI/MI?  Hogyan tud segíteni egy informatikai probléma megoldásában. Kérdezzük meg előszór Őt: prompt : Miben tud segíteni a mesterséges intelligencia az adatbázis fejlesztés területén? => A mesterséges intelligencia (MI) rengeteg módon segíthet az adatbázis fejlesztés területén. Itt néhány példa: Adattisztítás: Az adatbázisokban gyakran találhatóak hibás, hiányzó vagy elavult adatok. Az MI algoritmusok segíthetnek az ilyen adatok azonosításában és javításában, ezzel javítva az adatbázis minőségét és megbízhatóságát. Adatmodellezés: Az adatmodellezés az adatbázis tervezésének fontos része. Az MI lehetővé teszi az adatok automatikus csoportosítását és kategorizálását, ami megkönnyíti a hatékony adatmodell kialakítását. Adatkinyerés: Az MI algoritmusok segíthetnek az adatok automatikus kinyerésében és összesítésében különböző forrásokból, például

   Elérés: https://chat.openai.com/auth/login Mit jelentenek a betűszavak? Az AI (artificial intelligence / mesterséges intelligencia) típusai és mit jelent a „generatív”. Az AI két jól ismert típusa a prediktív és a generatív gépi tanulási modell. A modellek algoritmusai mintákat határoznak meg egy betanítási adatkészletben, ami „megtanítja” a modelleknek, hogy mit tegyenek, ha új, ezekhez a mintákhoz illeszkedő adatokkal találkoznak.  A prediktív modellek  az adatok mintázatait használják fel, hogy nagyon gyorsan jósoljanak. Használják őket például a vásárlási oldalakon és a streaming videoszolgáltatásokon, hogy javaslatot tegyenek, mit vásároljon vagy nézzen meg korábbi szokásai vagy mások hasonló szokásokkal rendelkező választásai alapján. További felhasználási példák közé tartozik a nagy szövegrészek hangulatelemzése, a spam szűrése, a betegségek orvosi képek alapján történő felismerése és az álhírek megjelölése. A generatív modellek  az adatok mintáit használják új tartalom létre