ChatGPT, Claude & Co. za radioamaterje: UI kot učni pripomoček in pomočnik v Shacku

8. March 2026

Ta stran je bila samodejno prevedena. Lahko pride do napak.

Roko na srce: kdo izmed nas še ni vprašal ChatGPT, kako dolg mora biti polvalovni dipol za 20 metrov? Ali prosil Claude, naj napiše Arduino-sketch za CW-keyer? Umetna inteligenca je že zdavnaj prispela v Shack — včasih očitno, včasih v ozadju. In to je dobro, saj pravilno uporabljena UI radioamaterstva ne naredi manj zanimivega, temveč dostopnejše, učinkovitejše in včasih preprosto udobnejše.

V tem članku si bomo ogledali, kje se UI danes konkretno uporablja v radioamaterstvu — z resničnimi primeri, resničnimi orodji in pošteno oceno, kje so meje. Spoiler: UI ne nadomesti radioamaterja. Lahko pa je zastrašujoče dober pomočnik.

Priprava na izpit: tvoj osebni Elmer iz oblaka

Se spomniš priprave na izpit? Ure in ure listanja katalogov vprašanj, učenja formul na pamet, in če česa nisi razumel, si moral upati, da bo kdo na sekcijskem večeru imel čas. Danes lahko preprosto vprašaš.

Primer: V ChatGPT vpišeš: “Razloži mi razliko med Balunom in UnUnom. Pripravljam se na avstrijski radioamaterski izpit razreda 1 in potrebujem razumljivo razlago s primeri.” — in dobiš razlago, ki izhaja iz tvoje ravni znanja. Prelahko? Prosi za več globine. Preveč zapleteno? Prosi za analogijo. S knjigami to ne gre.

Na ChatGPT obstaja celo poseben “Radio Mentor” — Custom GPT, ki je posebej usposobljen za pripravo na ameriške radioamaterske izpite. Za avstrijski izpit pri Fernmeldebehörde česa takega (še) ni, toda splošni modeli so presenetljivo dobri pri elektrotehniki, širjenju valov in operativni tehniki. KD2WLL je dokumentiral, da lahko modeli ChatGPT-4 tečejo celo lokalno na Raspberry Pi 5 — popolnoma brez povezave, kar je posebej zanimivo za scenarije zasilnih komunikacij.

Praktičen nasvet: Modelu daj kontekst. “Sem začetnik” ali “Že imam razred 4 in bi rad nadgradil na razred 1” daje boljše rezultate kot golo strokovno vprašanje. In: odgovore vedno preveri s pomočjo uradnega kataloga vprašanj Fernmeldebehörde — UI se lahko zmoti, še posebej pri predpisih, specifičnih za posamezno državo.

Tehnična vprašanja v Shacku: “Hej Claude, kako to priključim?”

Verjetno najpogostejša vsakodnevna uporaba: sediš v Shacku, imaš konkreten problem, Google pa ne vrne nič ali pa forum-objavo iz leta 2009 z odgovorom “RTFM”. Tu zasijejo LLM-ji.

Primer 1 — Težave s kabli: “Želim povezati svoj Icom IC-7300 prek Digirig Mobile z WSJT-X. Katere kable potrebujem in kako konfiguriram nastavitve zvočne kartice pod Linuxom?” — Odgovor vsebuje konkretne oznake kablov, nastavitve zvočnih naprav in celo pravilne parametre CAT baudrate. Ni popolno, toda soliden začetek, ki ti prihrani uro iskanja po forumih.

Primer 2 — Izračun antene: “Izračunaj mi dolžino žice za EFHW-anteno s transformatorjem 49:1 za 40m, 20m in 10m. Upoštevaj skrajševalni faktor 0,95.” — LLM-ji to zmorejo. Osnovne formule (valovna dolžina = c/f, polvalovna dolžina × skrajševalni faktor) obvladajo zanesljivo. Pri bolj zapletenih izračunih, kot so impedančno prilagajanje ali sevalni diagrami, pa postane negotovo — za to obstaja specializirana programska oprema, kot sta 4NEC2 ali xnec2c.

Primer 3 — Vprašanja za mrežo: Nashua Area Radio Society (N1FD) v ZDA ChatGPT uporablja povsem pragmatično: operater mrežnega vodenja si s pomočjo UI generira pogovorna vprašanja za tedensko repeater-mrežo. Zveni banalno, toda kdor je že kdaj vodil mrežo, ve: po petem srečanju ti zmanjka dobrih vprašanj.

UI-zatiranje šuma: šum utihne

Tu postane zares zanimivo — kajti UI-osnovano zatiranje šuma je verjetno področje, kjer umetna inteligenca prinaša največjo praktično razliko v radioamaterstvu. In sicer zdaj, ne nekoč.

RM Noise: oblačno superorožje

RM Noise je storitev v oblaku, razvita posebej za radioamaterstvo. Zvočni signal s šumom iz svojega oddajnika-sprejemnika preusmeriš prek virtualnega zvočnega kabla v programsko opremo RM Noise, ki ga pošlje na strežnik na internetu. Tam ga nevronska mreža očisti in ga v realnem času pošlje nazaj. Nastavitev traja približno 10 minut.

Rezultat? Radioamaterji poročajo o pravem aha-doživetju. Uporabnik z nastavitvijo FlexRadio je zapisal, da je slišal signale, ki na panoramskem zaslonu sploh niso bili vidni — tako globoko skriti v šumu. Poleg tega: “utrujenost od poslušanja” po večurnem poslušanju hrupnih pasov je popolnoma izginila.

Ključna razlika v primerjavi z NVIDIA Broadcast ali drugimi generičnimi rešitvami za zatiranje šuma: RM Noise je bil specifično usposobljen z radioamaterskimi signali — SSB-govor in CW-Morsejevi znaki, s tipičnimi motnjami, ki jih srečujemo na kratkem valu (QRN, QRM, omrežno brnenje, motnje stikalnih napajalnikov). Pozna naš svet.

Omejitve: Zakasnitev znaša 200–300 ms — pri QSO-jih komaj moteče, pri Contest-operaciji pa opazno. Poleg tega: šibki signali na ravni šuma se včasih odfiltrirajo, kar je temeljni problem vsakega zatiranja šuma. In še: tvoji zvočni podatki gredo prek interneta — kdor ima s tem težavo, naj poseže po lokalni alternativi.

DeepFilterNet: odprtokodna alternativa

Kdor raje obdeluje zvočne podatke lokalno, v DeepFilterNet3 najde odlično odprtokodno alternativo. Projekt Hendrika Schröterja teče v celoti na lastnem računalniku — brez oblaka, brez težav z zakasnitvijo, brez skrbi glede zasebnosti podatkov.

DeepFilterNet3 dosega impresivne vrednosti PESQ 3,17 (standardizirana mera za kakovost zvoka) pri zakasnitvi le 10–20 ms. Na voljo je pod permisivno odprtokodno licenco na GitHubu in deluje na Windowsu, Linuxu in macOS-u. Programska oprema je bila prvotno razvita za izboljšanje govora v videokonferencah, toda odlično deluje tudi v radioamaterstvu — še posebej v kombinaciji s programsko opremo SDR.

Tudi SDR-Console je v novejših različicah integriral UI-osnovano zatiranje šuma (NR5), ki temelji na kodi RNNoise. Kdor pa ima grafično kartico NVIDIA, lahko vmes vklopi NVIDIA Broadcast kot virtualni mikrofon — UI v realnem času filtrira hrup v ozadju, čeprav ni specifično optimizirana za radijske signale.

Primerjava: katera UI-NR za koga?

Orodje	Lokalno/oblak	Zakasnitev	Optimizirano za Ham	Stroški	Platforma
RM Noise	Oblak	200–300 ms	Da (SSB + CW)	Brezplačno (stanje 2026)	Windows
DeepFilterNet3	Lokalno	10–20 ms	Ne (govor splošno)	Odprta koda	Win/Linux/Mac
NVIDIA Broadcast	Lokalno (GPU)	~20 ms	Ne (splošno)	Brezplačno	Windows
SDR-Console NR5	Lokalno	Minimalna	Delno	Integrirano v programsko opremo	Windows

UI-podprto dekodiranje CW: ko naprava sliši bolje

Dekodiranje Morsejevih znakov je umetnost — in umetnost, v kateri so nevronske mreže postale presenetljivo dobre. Klasični CW-dekoderji, kot sta Fldigi ali CW Skimmer, delujejo s fiksnimi pragi in algoritmi za časovno merjenje. Dobro delujejo pri čistih signalih, odpovejo pa pri neenakomerni ročni tipki, nihajočih hitrostih ali ko se signal bori s šumom.

UI-osnovani CW-dekoderji izberejo drugačno pot: naučijo se prepoznavati individualne sloge oddajanja. Vsak operator ima svoj ritem, svoje posebnosti — nekateri malo predolgo vlečejo črte, drugi delajo prekratke premore med črkami. Nevronska mreža se temu prilagodi, podobno kot izkušen CW-operater, ki pozna “fist” svojega sogovornika.

Primer: V znanstvenem članku (Sanchez, 2024) je bilo prikazano, da lahko algoritmi strojnega učenja pri klasifikaciji signalov in zatiranju šuma v radioamaterstvu bistveno povečajo učinkovitost in robustnost — ravno pri zahtevnih pogojih, ki jih srečujemo na kratkem valu.

Za prakso to pomeni: UI-CW-dekoderji postanejo uporabni predvsem tam, kjer klasični dekoderji obupajo — pri šibkih DX-signalih v Contest-Pile-Upu, pri pogojih s fadingom ali pri operaterjih z nenavadnim timingom. Večina projektov je še eksperimentalnih, toda smer je jasna.

Propagacija: UI napoveduje širjenje

Kdaj je 10 metrov odprtih? Se danes zvečer splača poskusiti Gray-Line povezavo na Japonsko? Ta vprašanja tradicionalno rešujemo z VOACAP, pogledom na indeks SFI in precej občutka. UI tu lahko pomaga — ne z občutkom, temveč s prepoznavanjem vzorcev v ogromnih količinah podatkov.

NASA DAGGER: Najzanimivejši projekt na tem področju prihaja od NASE. DAGGER (Deep Learning Geomagnetic Perturbation) je UI-model, ki lahko 30 minut vnaprej napoveduje geomagnetne motnje po vsem svetu. Za nas radioamaterje je to zlata vredno: geomagnetne motnje vplivajo na ionosfero in s tem neposredno na naše širjenje kratkih valov. Ko DAGGER opozori na geomagnetni vihar, veš, da se bodo visoki pasovi kmalu zaprli — ali da se napoveduje avrorno ojačanje na VHF.

Najboljše: DAGGER je odprta koda in na voljo na GitHubu. Programsko opremo sta razvila Vishal Upendran in ekipa NASA-raziskovalcev ter jo objavila v strokovni reviji Space Weather. Teoretično bi lahko vsak radioamater s poznavanjem Pythona model pognal lokalno in ga integriral v svoj nadzor propagacije.

Primer iz vsakdana: Predstavljaj si, da načrtuješ SOTA-izlet ob koncu tedna in bi rad vedel, ali bo propagacija na 20m ugodna. Namesto da preverjaš le SFI in K-indeks, bi lahko UI vprašal: “Na podlagi trenutnih podatkov o sončnem vetru in geomagnetnem stanju — kako verjetno je dobro odprtje 20m proti Severni Ameriki v soboto popoldne ob 14 UTC?” — Še nismo čisto tako daleč, toda gradniki za to že obstajajo.

Optimizacija anten: ko UI prilagodi tvojo Yagi

Načrtovanje anten je fizika, matematika in pogosto tudi: metoda poskusov in napak. Še posebej pri večpasovnih antenah ali Yagijih z več elementi eksplodira prostor parametrov — vsak milimeter dolžine elementa, vsak centimeter razmaka med elementi vpliva na dobiček, impedanco in pasovno širino. Tu lahko UI prinese resnične prednosti.

xnec2c-optimize: Eric Wheeler (KJ7LNW) je razvil odprtokodni okvir, ki priljubljeni antenski simulator xnec2c kombinira s Simplex-optimizatorjem. Programska oprema samodejno spreminja geometrije anten in išče konfiguracijo z največjim dobitkom pri najmanjšem SWR-ju. V testih je bil dobiček Yagi-antene izboljšan z 10,2 dBi (en sam prehod) na 11,3 dBi po petih optimizacijskih prehodih — vključno z bistveno izboljšanim SWR-jem.

Projekt “antenna-optimizer” Ralfa Schlatterbecka gre še korak naprej in za optimizacijo anten uporablja genetske algoritme — pristop, ki ga navdihuje biološka evolucija. Programska oprema tako rekoč “vzgoji” najboljšo anteno iz populacije načrtov.

Ali ChatGPT zna izračunati antene? Da in ne. Preprosti izračuni (dolžina dipola, valovna dolžina, SWR iz oddane in odbite moči) delujejo zanesljivo. Pri bolj zapletenih zadevah, kot so mreže za impedančno prilagajanje, dimenzioniranje Gamma-matcha ali izračun sevalnih diagramov, pa rezultatom ne gre slepo zaupati. Pravilen pristop: UI uporabi za prvo orientacijo in hitre ocene, natančno simulacijo pa opravi s specializiranimi NEC-orodji.

TALOS: UI gre na oddajanje — iz Avstrije!

In potem je tu še verjetno najfascinantnejša uporaba: UI, ki sam vodi QSO-je. Gerald Artner (OE1GAQ) iz Radio-Amateur-Kluba TU Dunaj je s TALOS razvil UI, ki v SSB oddaja na kratkem valu — pod klicnim znakom OE1XTU.

Na EUDX Contest 2025 je TALOS pod nadzorom Geralda deloval na 20 metrih. UI sprejme zvočni signal, ga s prepoznavo govora pretvori v besedilo, generira ustrezen odgovor in ga kot sintetični govor odda prek oddajnika-sprejemnika. Gerald je pri tem ročno upravljal frekvenco, modulacijo in oddajno moč — programska oprema je imela dostop le do PTT-funkcije Icom-oddajnika-sprejemnika prek CAT-ukaza.

Rezultat: približno 59+ QSO-jev, pri katerih je bil govor dobro razumljiv in je UI dajal smiselne odgovore. Pod nadzorom je bilo opravljenih dvanajst popolnih QSO-jev na 20m. Gerald pri tem pošteno poudarja: ročni posegi so še pogosto potrebni in ostaja še veliko za razviti.

Kar ta projekt dela tako posebnega: prihaja iz Avstrije. OE1GAQ poleg tega eksperimentira z blockchain-osnovanimi QSL-potrditvami (NFT-QSL-ji) — še en primer, kako se inovacije in radioamaterstvo ujemata. Članek o TALOS-u je bil objavljen v reviji ÖVSV QSP.

Pisanje kode: UI kot programerski pomočnik

Za mnoge radioamaterje je to najpragmatičnejša uporaba UI: generiranje kode. Naj gre za Arduino-sketch, Python-skripto ali Bash-ukaz — LLM-ji so presenetljivo dobri pri pisanju delujoče kode za radioamaterske projekte.

Primer 1 — ESP32-APRS-sledilnik: “Napiši mi ESP32-sketch, ki GPS-koordinate prek modulnega oddajnika-sprejemnika SA818 pošilja kot APRS-pakete na 144,800 MHz. Uporabi knjižnico TinyGPS++ in protokol AX.25.” — Claude ali ChatGPT dostavita delujočo kodo, ki pogosto potrebuje le minimalne prilagoditve.

Primer 2 — Analiza dnevnika: “Imam ADIF-dnevniško datoteko s 500 QSO-ji. Napiši mi Python-skripto, ki analizira: na katerem pasu sem imel največ DX-kontaktov? Ob kateri uri sem najbolj aktiven? Katere DXCC-entitete mi še manjkajo za DXCC-diplomo?” — UI generira skripto, ki razčleni tvojo dnevniško datoteko in izpiše statistike.

Primer 3 — Pomoč pri Codeplugu: “Imam AnyTone AT-D878UVII Plus in bi rad programiral vse avstrijske DMR-repetitorje s TalkGroupami 232, 2320-2329 in 91. Razloži mi korak za korakom, kako konfiguriram CPS-programsko opremo.” — Namesto listanja 40-stranskega priročnika v PDF-ju dobiš navodila, prilagojena tvoji napravi.

Pomembno: Generirano kodo je treba vedno testirati in razumeti, preden gre na oddajanje. Še posebej pri projektih, ki delajo z VF-izhodom, lahko napačna koda v najslabšem primeru krši predpise ali poškoduje strojno opremo.

QSL-kartice in grafike: UI kot oblikovalec

Uporaba, ki morda preseneča: vedno več radioamaterjev uporablja DALL-E, Midjourney ali Stable Diffusion za oblikovanje edinstvenih QSL-kartic. Namesto uporabe stock-fotografij ali učenja Photoshopa preprosto opišeš, kaj si zamišljaš.

Primer poziva: “Akvarel-ilustracija Dobrača (2166 m) na Koroškem z radioamatersko anteno na vrhu, sončni zahod v ozadju, tople jesenske barve, v slogu klasične razglednice.” — Rezultat je edinstvena QSL-kartica, ki je nima noben drug OM.

Zanimivo tudi za SOTA- in POTA-aktivatorje: za vsako aktivacijo si lahko generirate individualno digitalno QSL-kartico, ki prikazuje zadevni vrh ali park. To traja le nekaj minut in nič ne stane (ali le nekaj centov na sliko).

Klasifikacija signalov: UI prepoznava neznane signale

Kdo tega ne pozna: drsaš po zaslonu s slapom in vidiš nenavaden signal — toda kaj je to? Loran-C? Vremenski satelit? Ali pa le motilni signal iz tvojega stikalnega napajalnika?

Artemis (različica 4.0.5) podjetja AresValley je odprtokodna programska oprema z več kot 500 prepoznanimi tipi signalov v podatkovni bazi. Vneseš frekvenco, pasovno širino in vrsto modulacije ter dobiš možne zadetke — vključno z zvočnimi primeri in referenčnimi slikami slapov. Poleg tega Artemis ponuja sledenje vesoljskemu vremenu s 5-minutnim osveževanjem.

Na raziskovalnem področju že obstajajo modeli globokega učenja za samodejno prepoznavanje modulacije (AMR). Ti modeli analizirajo surovi signal in samodejno klasificirajo, ali gre za AM, FM, SSB, PSK, QAM ali druge vrste modulacije. Za SDR-aplikacije je to prelomnica — predstavljaj si, da tvoj SDR-sprejemnik samodejno prepozna vsak signal v pasu in ga označi na zaslonu s slapom.

UI brez omrežja: LLM-ji prek LoRa in mesh-omrežij

Fascinanten nišni projekt: LLM brez omrežja prek radia. Ideja: majhen jezikovni model teče na lokalnem strežniku (npr. Raspberry Pi 5 s kompaktnim LLM-jem, kot je Llama), poizvedbe pa se pošiljajo prek LoRa-mesh-omrežja. Na območjih katastrof, kjer so internet in mobilna omrežja odpovedala, bi ljudje tako prek Meshtastic ali MeshCom lahko zastavljali vprašanja UI-ju — na primer o prvi pomoči, protokolih za nujne primere ali evakuacijskih poteh.

KD2WLL poroča, da RASA (odprtokodni okvir za chatbote) poganja v celoti brez povezave na Raspberry Pi 4 — vključno z modeli za učenje. Pasovna širina LoRa je seveda izredno omejena (nekaj sto bajtov na sporočilo), toda za kratke pare vprašanje-odgovor zadostuje.

Česar UI NE zmore: meje in halucinacije

Zdaj sledi del, ki je vsaj tako pomemben kot vse prej. Kajti UI dela napake — in sicer drugačne napake kot ljudje. In te so nevarnejše, ker zvenijo tako prepričljivo.

Tipične napake LLM-jev v radioamaterstvu:

Predpisi, specifični za posamezno državo: Če ChatGPT vprašaš po dovoljenih frekvencah za avstrijski razred 4, včasih dobiš ameriške pasovne načrte. UI ne razlikuje vedno zanesljivo med FCC Part 97, priporočili CEPT in avstrijsko AFV (Amateurfunkverordnung).
Izmišljeni izdelki: “Icom IC-7600X z vgrajenim UI-zatiranjem šuma…” — ne obstaja. LLM-ji včasih izmislijo številke modelov, imena programske opreme ali funkcije, ki zvenijo verjetno, toda ne obstajajo. Temu pravimo halucinacija.
Zastarele informacije: Frekvence repetitorjev, dodelitve TalkGroup in različice programske opreme se nenehno spreminjajo. LLM z znanjem iz leta 2024 morda ne pozna najnovejšega repetitorja v tvoji okolici.
Zapleteni izračuni: Vprašaj UI po sevalnem uporu skrajšane vertikalne antene nad neidealnim ozemljitvenim sistemom — in odgovor bo verjetno napačen. LLM-ji niso fizikalne simulacije.
Načrtovanje vezij: UI zna razložiti preprosta vezja, toda delujočega načrta PA za 144 MHz ne pričakuj od ChatGPT. Tveganje: vezje, ki “izgleda verjetno”, toda pri VF-moči odpove ali v najslabšem primeru generira harmonike na frekvencah, ki jih ne smeš oddajati.

Zlato pravilo: UI uporabljaj kot izhodišče, ne kot končno točko. Vsak odgovor si zasluži dvojno preverjanje — naj bo to prek pasovnega načrta ÖVSV, dokumentacije proizvajalca ali dobrega starega multimetra.

Varstvo podatkov in GDPR: kaj gre prek povezave?

Tema, ki je še posebej relevantna v Avstriji in EU: ko uporabljaš LLM prek oblaka (ChatGPT, Claude, Gemini), se tvoji vnosi pošiljajo na strežnike — praviloma v ZDA. Kaj to pomeni za radioamaterje?

Klicni znaki sami po sebi niso občutljivi podatki — so javni (QRZ.com, seznam klicnih znakov Fernmeldebehörde). Kljub temu: ko dnevniško datoteko s klicnimi znaki, časi in lokacijami pošlješ LLM-ju, potencialno predajaš osebne podatke ameriški storitvi.
RM Noise pošilja zvočne signale tvojega oddajnika-sprejemnika na strežnik v oblaku. Teoretično bi bilo mogoče v njih prisluhovati pogovorom — čeprav ponudnik tega ne počne, se je treba tega načela zavedati.
Lokalne alternative, kot so DeepFilterNet, lokalno tekoči LLM-ji (Ollama, llama.cpp) ali RASA na Raspberry Pi, ta problem v celoti obidejo.

Pragmatično gledano: Za večino uporab (postavljanje strokovnih vprašanj, generiranje kode, priprava na izpit) je tveganje za zasebnost minimalno. Pri občutljivih podatkih, kot so popolne dnevniške datoteke z informacijami o lokaciji ali pri obdelavi zvoka v oblaku, je smiselno ravnati premišljeno.

Razprava v skupnosti: prekletstvo ali blagoslov?

Mnenja v radioamaterski skupnosti so — kako bi bilo tudi drugače — deljena. Na eni strani so pragmatiki: “Ali dolžino antene izračunam z žepnim kalkulatorjem ali s ChatGPT, je vseeno — glavno je, da rezultat drži.”

Na drugi strani so tradicionalisti, ki argumentirajo: “Če UI vodi moje QSO-je, analizira moj dnevnik in oblikuje mojo anteno — kje potem ostane radioamaterstvo? Hobi živi ravno od tega, da to počnemo MI.”

Resnica je, kot pogosto, nekje vmes. Nikogar ne moti, da že 40 let uporabljamo antenske simulatorje, namesto da bi vse računali s papirjem in svinčnikom. Nikomur se ne zdi sporno, da WSJT-X dekodiranje FT8 opravlja samodejno. UI je naslednji korak v dolgi vrsti orodij, ki nas podpirajo pri tem, kar imamo radi — oddajanju.

Odločilna meja: UI uporabljaj kot orodje, ne kot nadomestek. Če se za izpit učiš s pomočjo UI, toda na koncu sam poznaš odgovore — pošteno. Če UI tvoj CW-signal izlušči iz šuma, ki ga sicer ne bi slišal — odlično. Če pa UI tvoje QSO-je vodi popolnoma samodejno, brez tvojega posredovanja… potem se postavi vprašanje, ali je to še radioamaterstvo.

Praktičen začetek: kako uporabiš UI v Shacku

Želiš začeti? Tu so najlažji vstopi:

Postavljanje tehničnih vprašanj: Odpri ChatGPT, Claude ali Gemini in vprašanje oblikuj čim bolj konkretno. Podaj kontekst (tvoja naprava, tvoj operacijski sistem, tvoja raven izkušenj). Brezplačno, takoj na voljo.
Preizkusi UI-zatiranje šuma: Namesti DeepFilterNet3 z GitHuba na svoj računalnik in zvok svojega oddajnika-sprejemnika preusmeri skozenj. Prvi rezultati v 30 minutah.
Generiranje kode: Opiši svoj naslednji ESP32- ali Arduino-projekt v naravnem jeziku in si daj napisati začetno kodo. Nato prilagodi, testiraj, razumi.
Oblikovanje QSL-kartic: Uporabi DALL-E (v ChatGPT Plus) ali brezplačni Bing Image Creator za ustvarjanje edinstvene QSL-kartice za svojo naslednjo SOTA-aktivacijo.
Analiza dnevnika: Izvozi svoj dnevnik kot ADIF in prosi LLM, naj napiše analitično skripto. Kateri pas ti prinese največ novih DXCC-entitet? Ob katerem delu dneva opraviš največ QSO-jev?

Zaključek: UI kot Elmer 2.0

Umetna inteligenca v radioamaterstvu ni več scenarij prihodnosti — je resničnost. Od UI-podprtega zatiranja šuma, ki šibke signale izlovi iz megle, prek LLM-pomočnika, ki ti ob polnoči odgovori na antensko vprašanje, pa do TALOS-a, ki iz Dunaja samostojno vodi SSB-QSO-je — razpon uporab je impresiven.

Pri tem je UI najboljša, ko počne to, kar je dober Elmer vedno počel: znanje narediti dostopno, pomagati pri zahtevnih problemih in olajšati vstop. Anteno moraš še vedno sam obesiti, CQ-klic še vedno sam narediti — toda pri vsem okrog tega ti UI lahko olajša delo. In to je, ob vseh upravičenih pomislekih, dobra stvar.

73 in ostanite eksperimentalno razpoloženi — to je navsezadnje jedro našega hobija. Z UI ali brez nje.

Viri in dodatne povezave

Obvestilo o preglednosti: ta članek je bil raziskan in napisan s podporo UI-orodij (Claude). Vsebine so bile uredniško pregledane in preverjene z navedenimi viri. Ironija zgodbe: članek o UI v radioamaterstvu, napisan s pomočjo UI. Meta, toda pošteno.