collection: teaching type: “B.Sc course” permalink: materials/AIPD/labor/I-theoretical-background venue: “University of Debrecen, Department of Data Science and Visualization” date: 2025-09-25 location: “Debrecen, Hungary” —

The basics of decision making (A döntéshozatal alapjai)

1. Problem identification: The first step is always to define the problem or opportunity precisely. What do we want to achieve or change? (Probléma azonosítása: Az első lépés mindig a probléma vagy lehetőség pontos meghatározása. Mi az, amit el szeretnénk érni vagy megváltoztatni?)

2. Gathering information: Gathering all the relevant information needed to make a decision. This may include analyzing data, seeking expert opinions, or relying on our own experience. (Információ gyűjtés: A döntéshez szükséges összes releváns információ összegyűjtése. Ez magában foglalhatja adatok elemzését, szakértői vélemények kikérését, vagy saját tapasztalatainkra támaszkodást.)

3. Generating alternatives: Developing several possible solutions or alternatives. The more options we explore, the more likely we are to make the best decision. (Alternatívák generálása: Több lehetséges megoldás vagy alternatíva kidolgozása. Minél több lehetőséget vizsgálunk meg, annál valószínűbb, hogy a legjobb döntést hozzuk.)

4. Evaluating alternatives: Comparing the advantages and disadvantages of alternatives. To do this, we can evaluate options based on various aspects, such as costs, time, risks, and benefits. (Alternatívák értékelése: Az alternatívák előnyeinek és hátrányainak összehasonlítása. Ehhez különböző szempontok alapján értékelhetjük a lehetőségeket, például a költségeket, az időt, a kockázatokat és az előnyöket.)

5. Making a decision: Choosing the best alternative. It can be a rational decision based on data and logic or an intuitive decision that relies more on feelings and experience. (Döntés meghozatala: A legjobbnak ítélt alternatíva kiválasztása. Ez lehet egy racionális döntés, amely adatokon és logikán alapul, vagy egy intuitív döntés, amely inkább érzésekre és tapasztalatokra támaszkodik.)

6. Decision implementation: Implementation of the selected alternative. This may include defining specific steps, providing resources, and delegating tasks. (Döntés végrehajtása: A kiválasztott alternatíva megvalósítása. Ez magában foglalhatja konkrét lépések meghatározását, erőforrások biztosítását és a feladatok delegálását.)

How and why does it work?

• Complex system / Agent approach
• Generative model
• Large language model
• Transformer architecture
• Neural network
• Cosine similarity
• Embedded vectors

What is a pattern recognition system?

Practice (using Google Gemini/Colab)

1. Exercise Steps:

A. Sample-Teach (Simulating Fine-Tuning)

Phase: Introductory, “teaching” phase.

Create a Handmade (Artificial) Sample: Ask students to give Gemini a set of input-output pairs that contain an artificial grammar sample.

You can see a pattern in the following 4 examples. Notice the relationship between the input and the output:
Input: Football, Sport
Output: Football, Exercise
Input: HTML, Code
Output: HyperText Markup Language, Programming
Input: Budapest, Capital
Output: Hungary, Public Administration
Input: Acceleration, Force
Output: Physics, Motion

You can see a pattern in the following 4 examples. Notice the relationship between the input and the output:
Input: Football, Sport
Output: Football, Exercise
Input: HTML, Code
Output: HyperText Markup Language, Programming
Input: Budapest, Capital
Output: Hungary, Public Administration
Input: Acceleration, Force
Output: Physics, Motion

Now, identify this pattern and apply it to the following input: Demand, Market

Observation: Students should observe that the model is expected to try to copy the pattern (Input: technical term, category; Output: explanatory term, broader area).

2. Exercise Steps

Knowing the above pattern, what will be the output for the following input: Baking paper, Horse