1. E-könyv, amit egyszer írt meg – örökké fizet
Anna szövegíró volt, napi gályázásban élt, amíg ki nem adott egy “Hogyan írj bombabiztos blogcikkeket” című e-könyvet. Feltette Amazonra és saját oldalára is. Heti 2-3 példányt folyamatosan elad – anélkül, hogy hozzá kellene nyúlnia. Ez havi kb. +150-200 euró fixen, úgy, hogy max évente egyszer frissít rajta kicsit.

2. Online kurzus egy régi tudásból
Petya dizájnerként szabadúszott, és unta, hogy mindig mások projektjeit hajtja. Fogta magát, összerakott egy mini online kurzust “Alap Canva tippek freelancereknek” címmel. Feltolta Udemyre. Nem lett belőle következő Zuckerberg, de a kurzus évente 2000-3000 eurót hoz passzívan – konkrétan alvás közben is pittyeg a PayPal.

3. Stock fotók eladása
Dóri hobbiból fotózott – de aztán rájött, hogy az Adobe Stock meg a Shutterstock fizet, ha feltölt néhány jól sikerült képet. Turistás, kávés, városi életképeket lőtt. Pár száz fotót feltöltött, és most kb. havi 100-150 eurót kap csak abból, hogy az emberek megveszik a képeit. Ő meg közben valahol pizzát eszik.

4. Blog + affiliate linkek
Zsolti kicsit geek volt – laptopokról írt blogot. Affiliate linkeket tett minden cikkbe (pl. Alza, Amazon linkek). Nem lett hírhedt tech-guru, de minden hónapban jön 300-500 euró, csak mert az emberek az ő linkjén keresztül vásároltak. Csinált egyszer egy jó munkát, most dől be a pénz.

5. Canva sablonok értékesítése
Réka marketing szabadúszóként dolgozott, közben szórakozásból dizájnolt Canva sablonokat: Instagram posztokat, prezentációs sablonokat. Ezeket feltette Etsy-re. Ma már úgy van, hogy havi 500 euró stabilan bejön – pedig maximum 3 havonta egyszer új sablonokat dob be.

---

💡 Mi a közös bennük?
Egyszer melóztak keményen – utána hagyták a pénzt helyettük dolgozni. Nem mindből lett milliomos, de már nem csak az óradíjukért élnek. És ez baromi nagy szabadság!

---

6. Print-on-demand bolt indítása
Misi grafikusként tolta napi szinten, de már érezte, hogy “nem akarok mindig határidőn égni”. Fogott pár vicces póló- és bögrére való grafikát, feltette őket egy Printify + Etsy kombóra. És tessék: amikor valaki megvesz valamit, a nyomtatás, szállítás automatikusan megy, ő meg csak nézi a pénzcsorgást. Havonta kb. 300-400 eurót keres, és a legnagyobb meló az volt, hogy kitalálja a poénos feliratokat.

7. Weboldal sablonok értékesítése
Viki webdesigner volt, és minden egyes ügyfélnél ugyanazokat a sablonokat gyártotta újra meg újra. Aztán villant: “Mi lenne, ha eladnám őket?”
Összerakott pár Elementor sablont WordPresshez, feltette egy marketplace-re (pl. Creative Market). Most úgy szed be 200-500 eurót havonta, hogy közben nyugodtan kávézgat a Duna-parton.

8. Podcast reklámbevételek
Bálint amolyan hobbi-podcastot indított, “Szabadúszók túlélőkészlete” néven. Hetente tolt egy részt, semmi nagy megfejtés, csak őszinte tapasztalatcsere.
Egy év alatt kinőtte magát annyira, hogy kis szponzorokat tudott behúzni. Nem egy Spotify-exkluzív szerződés, de havi 200-300 euró fix reklámpénz jön be – és a cuccokat amúgy is szívesen csinálja.

9. Digitális letölthető termékek
Lili freelancerként tréning anyagokat írt cégeknek. Aztán elkezdett saját mini tréningcsomagokat gyártani (pl. “Kommunikáció home office-ban” témában) és felrakta őket Gumroadra.
Az anyagok 30-50 euróba kerülnek, és havonta 15-20 példányt elad anélkül, hogy akár egy emailt is írnia kéne.

10. YouTube csatorna – tutorial videók
Ákos UX designer volt, és elkezdett tutorial videókat készíteni olyan szoftverekről, amiket napi szinten használt (pl. Figma, Adobe XD). Nem lett belőle PewDiePie, de a YouTube Adsense bevételek és pár affiliate link miatt most is simán jön be havi 100-200 euró, úgy, hogy az 1-2 éves videók még mindig dolgoznak neki.

---

Tanulság?
Nem kell feltalálnod az időgépet. Elég, ha egyszer összeraksz valamit jól, és utána nem felejted el pénzt keresni vele. Freelancerként ez a különbség aközött, hogy te futsz a pénz után vagy a pénz fut utánad.

---

11. Freelance sabloncsomagok eladása saját weboldalon
Bori virtuális asszisztensként melózott, folyton szerződésmintákat, árajánlat sablonokat írt. Aztán beütött nála a villanykörte: “Ha nekem kell, másnak is kell.”
Összeállított egy “Freelancer Starter Kit”-et PDF-ekből, árajánlat sablonból, szerződésmintából. Feltette saját oldalára. Most heti 1-2 vásárlás jön random – és Bori közben Insta Reels-eket néz valahol egy napsütötte kávézóban.

12. Patreon előfizetés tartalomra
Máté szövegíróként indult, aztán elkezdett heti kreatív hírlevelet küldeni (“Írási hackek lustáknak” címmel, zseniális volt). A követők annyira rákattantak, hogy elindított Patreonon egy támogató oldalt.
Most kb. 120 előfizetője van, akik havonta 5-10 euróval dobják meg, cserébe exkluzív tippeket kapnak. Ez olyan 600-1000 euró közti passzív pénz havonta csak azért, mert Máté cool maradt és értéket adott.

13. Régi projektekkel szerzett royalty
Kinga UX kutatóként melózott egy nagy cégnek 2 éve. A meló annyira bejött, hogy leszerződtek vele, hogy minden update-re fizetnek royalty-t.
Érted, NEM kell újra dolgoznia, csak amikor az app frissül, ő kap egy kis százalékot. Nem mindig jön, de ha jön, akkor hirtelen beesik 1000-1500 euró extra.
(A profik így csinálják: “Nem fizetést kérek, hanem részesedést!” 😎)

14. Licencelt grafikák eladása
Marci rajzolt mindenfélét – karaktereket, háttérképeket, ikoncsomagokat. Fogta, összecsomagolta őket és licenszelte Envato Elements-re meg Creative Market-re.
A sztori? Most már úgy van, hogy évente fix 2-3 ezer euró bejön, anélkül hogy újra meg kéne rajzolnia bármit.

15. AI sablonok eladása
Laura korán felült az AI vonatra. Megírt egy rakás ChatGPT prompt sablont social media manager-eknek, HR-eseknek, marketingeseknek. Feltette őket például Gumroadra meg saját shopjába.
Eredmény? Minden hónapban 100-200 euró új pénz érkezik be úgy, hogy közben ő már teljesen más projekten pörög.

---

Milkovics Mátyás: Az elektronikus zenei újító portréja

Milkovics Mátyás a magyar elektronikus zene egyik legmeghatározóbb alakja, aki producerként, zeneszerzőként, énekesként és hangmérnökként több mint három évtizede formálja a hazai zenei szcénát. Nevéhez fűződik a Neo zenekar, amely a 2000-es évek legendás formációjaként vált ismertté, különösen a Kontroll című film zenei világával.

A kezdetek: családi gyökerek, hangszer- és zeneimádat

Már gyermekkorában elsajátította a zene szeretetét: a családjában mindenki zenerajongó, nagyapja multiinstrumentalista volt, apja beatzenekarban játszott, anyja pedig óvónőként tanított dalokat. Zenei általános iskolába járt, később testvérével együtt zongorázni tanult. Gyermekkorának része volt a kalandos életvitel mellett a zongoratanulás is, amely tudományos és kreatív módszerekkel folyt, később pedig a komolyzene iránti rajongása is megerősödött.

Populär és a Neo megalapítása

Első zenekara, a Populär, a ’90-es években popart-dark-synthpop stílusban alkotott, s az „Új arcok a feszületen” albumuk révén komoly rajongótábort szereztek. A csapat felbomlása után Milkovics a nemzetközi elektronikus zenei hullám felé fordult. 1998-ban megalapította a Neo-t, Márk Moldvaival; első nagylemezük, az „Eklektogram” hamar komoly sikert aratott. A zenekar több felállásban működött, olyan tagokkal, mint Hodosi Enikő vagy Kőváry Péter.

Zenei sokszínűség és technológiai innováció

A NEO stílusát a triphop, big beat, breakbeat, drum&bass, nujazz, electrohouse és ambient műfajok ötvözése, valamint a vintage analóg szintetizátorok iránti szenvedély határozza meg. Milkovics a zenei és hangzásvilág folyamatos újítását tartja kulcsfontosságúnak, nem csupán követi, hanem formálja is a trendeket. A Kontroll filmzene óriási áttörést hozott, amely a zenekar számára a mainstreambe való bekerülést eredményezte, és nemzetközi ismertséget is szerzett nekik.

Művészi szabadság: szólóprojektek és alkotói munka

A Neo mellett IO néven szólóprojektbe kezdett, ahol alteregóként teljes művészi szabadságot élvez. Számos filmhez, animációhoz és videojátékhoz írt zenét, többek között a Mass Effect 3 traileréhez és animációs filmhez (Manieggs: Egy kemény tojás bosszúja). Zenei vezetőként dolgozott a Szimfonik Liv3 produkción, rádióműsort vezetett (Dr. ZeneHouse), illetve videóklipforgató, vágó és rendező is.

Személyes elhivatottság és jövő

Milkovics Mátyás számára a zene nem csak szakma, hanem szenvedély és önkifejezés. Producerként minden lemezén ő határozza meg a kreatív irányt és a hangzásvilágot; az egyedi, mély mondanivalójú dalokban hisz. A magyar elektronikus zene meghatározó alkotója, akinek pályája folyamatos tanulás és fejlődés – ezt bizonyítja, hogy jelenleg is több projektben és megújult formációban aktívan dolgozik, és új lemezén innovatív zenei világot hoz létre.

Milkovics Mátyás egy igazi zenei polihisztor, aki a műfajok szintézisével, technológiai újításaival és izgalmas szólóprojektjeivel folyamatosan inspirálja a magyar és nemzetközi közönséget.

Hogyan elégíts ki egy nőt? – A valódi útmutató (18+)EGYEDI ÚTMUTATÓ

Első szabály: fejben kezdődik

Egy nő kielégítése nem ott indul, hogy „na, akkor most csináljuk”, hanem sokkal korábban. Figyelem, tisztelet és törődés az alap. Ha egy nő érzi, hogy valóban kívánják és értékelik, az már fél siker. A nők nagy része fejben kapcsol rá a szexre – ha érzelmileg nincs ott, testileg sem fog tudni maximálisan élvezni.

Kommunikáció = kulcs

Ne találgass! Kérdezz. A szex nem vizsga, hanem közös játék. A legtöbb nő imádja, ha megkérdezed, mi esik jól neki, és még jobban, ha figyelsz a reakcióira. Egy apró sóhaj, egy megfeszülő test, vagy éppen egy halk „igen” – ezek iránytűk.

Előjáték, előjáték, előjáték

Nem vicc, a nők nagy része sokkal inkább igényli az előjátékot, mint a férfiak. Ez nem csak a testi izgalom miatt fontos, hanem a lelki ráhangolódás miatt is.

• Csókok – nem futó puszik, hanem mély, lassú, szenvedélyes.
• Simogatás – ne csak a nyilvánvaló helyeken! A comb belső része, a hát, a nyak, a fülek mind érzékeny pontok.
• Orális kényeztetés – sok nő számára ez az egyik legintenzívebb élvezetforrás. Nem szégyen, hanem plusz szupererő. Ezt kihagyod biztosan véged, mert ez a legfontosabb!

Lassíts!

A férfiak gyakran sietnek a cél felé. A nőknél viszont sokszor az út a lényeg. Ne rohanj a behatolással, mert könnyen elveszítheted az izgalmat. A tempó, a ritmus, a fokozás mind része a varázsnak.

A csikló központi szerepe

Fun fact: a nők kb. 70-80%-a csiklóingerlés nélkül nem él át orgazmust. Ez nem „probléma”, hanem biológia. Szóval a figyelem nagy része ide összpontosuljon, akár kézzel, akár szájjal, akár szex közben.

Változatosság és kreativitás

A monotonitás megölheti a vágyat. Használj új pózokat, új helyszíneket, vagy akár játsszatok szerepjátékot, ha nyitott rá. A változatosság nemcsak a testet, hanem az elmét is izgatja.

Utójáték – ne hanyagold!

Egy nő kielégítése nem ér véget az orgazmussal. Ölelés, simogatás, beszélgetés – ezek erősítik a kötődést, és azt az érzést, hogy nem csak „levezetted”, hanem valóban törődtél vele.

---

Röviden:

Egy nőt kielégíteni nem trükkökből áll, hanem figyelemből, türelemből és kommunikációból. Ha meghallod, mit akar, ha figyelsz a testére és a lelkére, akkor az élmény mindkettőtöknek felejthetetlen lesz.

---

TOP applikációk a szexuális élet feldobására és a nő kielégítésére

1. Kindu

Pároknak szóló app, ahol különféle vágyakat és fantáziákat lehet kipipálni. Ha mindketten ugyanazt jelölitek be, akkor az „match” lesz. Diszkrét, és segít nyíltan kommunikálni arról, ki mit szeretne kipróbálni.

2. Desire – Couples Game

Ez egy pikáns kihívás-app. Játékos formában adhattok egymásnak feladatokat, pl. „csókold meg 5 percig a nyakamat” vagy „lassú sztriptíz”. Remek előjáték, és kifejezetten a vágy fokozására van kitalálva.

3. Dipsea

Erotikus hangoskönyv-app, de nem ponyva stílusban, hanem igényes, női fantáziákra építve. Sok nő számára a hallás és a fantázia legalább annyira izgató, mint a vizualitás – ez az app ebben zseniális.

4. Ferly

Szexuális wellness app nőknek és pároknak. Meditációk, gyakorlatok, tippek segítenek jobban megérteni, hogyan működik a vágy és az orgazmus. Ha jobban megérted, hogyan gondolkodik a partnered, az egyenlő: nagyobb eséllyel elégíted ki.

5. Clover vagy Feeld (haladóknak)

Ha nyitott kapcsolatban vagytok vagy szeretnétek új embereket bevonni, ezek az appok a legnépszerűbbek erre. De persze ez már a „kísérletezős” kategória.

6. We-Connect

Ez konkrétan okoseszközökhöz kapcsolódik (We-Vibe játékszerekhez). Az appon keresztül távolról irányíthatod a partnered örömszerző kütyüjét – szóval távkapcsolatban vagy titkos játékokhoz brutál jó.

---

💡 Plusz Tipp

Nem csak app kell: párosított okoseszközök + app (pl. Lush, We-Vibe, Satisfyer) egy új szintre viszik az élményt.

---

Az OMGYES a női öröm Netflixe. Nem véletlenül a legnézetebb videója Magyarósi Csabának

Ez egy amerikai fejlesztésű app (és weboldal), ami tudományos kutatásokon alapul, és kifejezetten arra lett kitalálva, hogy megtanítson: hogyan elégíts ki egy nőt technikailag is.

Mit tud az OMGYES?

• Valódi nők mutatják be a saját technikáikat (nem pornós túlzás, hanem őszinte, életszagú tartalom).
• Interaktív: van benne „tapizós” funkció, ahol képernyőn gyakorolhatod a mozdulatokat.
• Fókusz a csiklóingerlésen, de van benne mindenféle haladó tipp is.
• Az app mögött komoly kutatások állnak, több ezer nő bevonásával.

Miért menő?

Mert végre nem csak „hallomásból” vagy pornóból lehet ötleteket szerezni, hanem tényleg valós tapasztalatokból. Sok nő állítja, hogy az OMGYES miatt a párja szintet lépett az ágyban.

Magyar szemmel:

• Hátrány: nincs magyar nyelv (angolul van).
• Előny: a mozdulatokat és technikákat nem kell fordítani, látod és érted.

---

Ha tényleg komolyan gondolod, hogy mesterfokra vidd a női kielégítést, az OMGYES kb. a legjobb befektetésed lehet – pláne, hogy egyszer fizetsz érte, és örökre hozzáférsz.

Mini-stratégiák a hétköznapokra

1. Reggeli rutin = napindító turbó

• Igyál meg ébredés után egy nagy pohár vizet (a tested kb. sivatag állapotban van alvás után).
• Nyújtózkodj 2 percet – ennyitől is beindul a keringés.
• Ha bírod: hideg zuhany → brutál immunerősítés, endorfintermelés.

2. Okos munka közben

• 50 perc fókusz, 10 perc mozgás (Pomodoro-módszer fitnesz verzióban).
• Ne csak a monitort bámuld – állj fel, sétálj, végezz pár guggolást.
• Az agyad is jobban teljesít, nem csak a tested.

3. Étkezés upgrade

• A “fehér” helyett mindig keresd a “színeset”: fehér kenyér helyett barna, fehér rizs helyett zöldséges quinoa, fehér cukor helyett méz/datolya.
• Nassolnál? Tedd ki a keksz helyett a diót, mandulát az asztalodra → ami előtted van, azt eszed.

4. Stressz reset napközben

• 3 mély hasi légzés = mini “reset” az idegrendszerednek.
• Képzeld el, hogy minden kilégzésnél kifújod a feszültséget.
• Tényleg működik, és nem kerül semmibe.

5. Este: ne zombiként feküdj le

• Alvás előtt 1 órával: telefon/laptop off → melatonin hormonod újra tud dolgozni.
• Egy rövid könyv, egy nyugodt tea, vagy akár egy kis hálanapló: jobb alvás, jobb holnap.

---

A “plusz 10 év szabály”

A kutatások szerint, ha:

• nem dohányzol,
• normál súlyt tartasz,
• mozogsz rendszeresen,
• nem iszol túl sok alkoholt,
• és egészségesen eszel,

akkor átlagban +10 aktív évet kapsz az életedhez. Nem csak túlélés, hanem tényleg életminőség.

---

Motivációs kép

Képzeld el:

• 75 évesen is bringázol a Balaton körül.
• 80 évesen is felveszed az unokádat, és nem derékfájásba dőlsz össze.
• 85 évesen még utazol, bulizol, tanulsz valami újat.

Ez nem sci-fi, hanem simán a mindennapi szokások eredménye.

A gépi tanulás (ML) egy összetett, de logikailag felépített folyamat, amely során a számítógépek megtanulják a mintákat az adatokban, és ezen tudás alapján képesek jóslatokat tenni új, korábban nem látott információkra. Ebben a részletes áttekintésben egy konkrét példán keresztül – mérgező kommentek automatikus felismerése – mutatjuk be a teljes betanítási folyamatot.

A gépi tanulás betanítási folyamatának lépései

A probléma meghatározása

Mielőtt bármilyen gépi tanulási megoldásba fogunk, alapvető kérdést kell feltennünk: milyen kérdésre keresünk választ? A konkrét példánkban egy weboldalon naponta több ezer hozzászólás érkezik, és szükség van egy automatizált rendszerre, amely kategorizálja a kommenteket és azonosítja a potenciálisan mérgező tartalmakat.

Ez egy tipikus felügyelt tanulási (supervised learning) feladat, ahol címkézett példákat használunk a modell betanításához. A rendszernek meg kell tanulnia megkülönböztetni a “mérgező” és “nem mérgező” kommenteket.

1. Adatgyűjtés

Az első és talán legkritikusabb lépés az adatok beszerzése. Esetünkben ez a weboldalon korábban közzétett hozzászólásokat jelenti. Az adatok minősége közvetlenül meghatározza a modell teljesítményét – ahogy a mondás tartja: “śmét be, szemét ki“.

A minőségi adatok jellemzői:

• Releváns: kapcsolódik a megoldandó problémához
• Hiányzó értékek minimális száma
• Megfelelő reprezentáció az különböző kategóriákból
• Megbízható forrásból származik

2. Adatok előkészítése és tisztítása

A nyers adatok ritkán használhatók közvetlenül a gépi tanulásban. Az előkészítési folyamat több lépést tartalmaz:

Adattisztítás

• Hiányzó értékek kezelése
• Duplikátumok eltávolítása
• Zavaró zaj kiszűrése
• Adattípusok konvertálása

Címkézés

A felügyelt tanuláshoz címkézett példákra van szükség. Esetünkben minden kommenthez hozzá kell rendelni egy címkét: “mérgező” vagy “nem mérgező”. Ez a folyamat gyakran emberi moderátorok munkáját igényli.

Fontos megjegyzés: Még emberek számára sem mindig könnyű eldönteni, hogy egy hozzászólás mérgező-e. Két moderátornak eltérő véleménye lehet ugyanarról a kommentről, ezért nem várhatjuk el az algoritmustól a 100%-os pontosságot.

3. Algoritmus kiválasztása

A megfelelő algoritmus kiválasztása kritikus fontosságú a sikeres modell építéséhez. Nincs olyan algoritmus, amely minden problémára a legjobb lenne. A választás függ:

• A probléma típusától (osztályozás, regresszió, klaszterezés)
• Az adatok természetétől és mennyiségétől
• A teljesítmény követelményektől
• Az értelmezhetőség fontosságától

Példánkban szöveges osztályozási feladatot oldunk meg, amihez jól használható a Google Cloud AutoML Natural Language vagy más természetes nyelvfeldolgozó algoritmus.

4. Adatok felosztása

A modell helyes tanulásához az adatokat három részre kell osztani:

Adatok felosztása gépi tanulásban

Tanítóhalmaz (Training Set) – 60-70%

Ez az adatrész, amivel a modell “lát” és tanul. Itt ismeri meg a mintákat és összefüggéseket.

Validációs halmaz (Validation Set) – 15-20%

A hiperparaméterek hangolására használjuk. Ez segít megtalálni a modell optimális beállításait és elkerülni a túltanulást (overfitting).

Teszthalmaz (Test Set) – 15-20%

Csak a betanítás után lép a képbe. Olyan adatokon teszteljük vele a modell teljesítményét, amelyeket még soha nem látott.

5. A modell betanítása

A tényleges betanítási folyamat során a modell fokozatosan javítja képességeit. Ez egy iteratív ciklus:

1. Adatok bemenet: A modell megkapja a tanítóhalmazt
2. Predikció generálása: Tippeket ad a kimenetekre
3. Hiba mérése: Összeveti a predikciókat a valós címkékkel
4. Paraméterek frissítése: A hibák alapján javítja belső beállításait
5. Ismétlés: A ciklus újraindul

A tanulás során a modell egyre pontosabbá válik, ahogy több iteráción megy keresztül.

6. Túltanulás és alultanulás kezelése

Overfitting (Túltanulás)

Akkor fordul elő, amikor a modell túl jól illeszkedik a tanítóadatokhoz, de rosszul teljesít új adatokon. Okai:

• Túl bonyolult modell
• Túl kevés tanítóadat
• Túl sok tanítási iteráció

Underfitting (Alultanulás)

A modell túl egyszerű ahhoz, hogy megragadja a lényeges mintákat, ezért mind a tanító-, mind a tesztadatokon rosszul teljesít.

7. Modell értékelése

A betanított modellt objektív mérőszámokkal kell értékelni. A legfontosabb fogalmak:

Téves pozitívok (False Positive)

Amikor a modell mérgezőnek jelöl egy valójában ártalmatlan kommentet. Esetünkben ez azt jelenti, hogy egy normális hozzászólást tévesen spam-nek minősít.

Téves negatívok (False Negative)

Amikor a modell nem jelöl meg egy valójában mérgező kommentet. Ez sokkal veszélyesebb, mert a káros tartalom megjelenhet a platformon.

Összefoglaló táblázat – Confusion Matrix

A modell teljesítményét confusion matrix segítségével vizualizálhatjuk:

	Valójában mérgező	Valójában ártalmatlan
Mérgezőnek jelölt	Helyes pozitív (TP)	Téves pozitív (FP)
Ártalmatlannak jelölt	Téves negatív (FN)	Helyes negatív (TN)

8. Újságírói és etikai értékelés

A technikai értékelés mellett újságírói és etikai szempontok is fontosak:

• Valóban új információt nyújt-e a modell?
• Mennyire hírértékűek az eredmények?
• Megerősíti-e a meglévő hipotéziseket, vagy új perspektívákat nyit?
• Kinek használ és kinek árthat a rendszer alkalmazása?

Következtetések

A gépi tanulás betanítása strukturált, többlépéses folyamat, amely gondos tervezést és végrehajtást igényel. A kulcsfontosságú tanulságok:

1. Az adatok minősége minden másnál fontosabb
2. Nincs univerzális algoritmus – minden feladathoz a legmegfelelőbbet kell választani
3. A helyes adatfelosztás elengedhetetlen az objektív értékeléshez
4. A túl- és alultanulás egyensúlyát kell megtalálni
5. Az eredmények kritikus értékelése technikai és etikai szempontból egyaránt szükséges

A gépi tanulás nem varázsütés – egy találgatási folyamat a tanultak alapján, amely hibázhat. A siker kulcsa a folyamat minden lépésének gondos végrehajtása és a megfelelő elvárások kialakítása.