A Lexunit hatéves, eddigi története a töretlen fejlődésről szól.

Voltak erősebb évek, votlak átlagosak, de valamilyen formában minden évben erősödtünk.

Sokmindenen kellett változtatni.

Alapvetően gépészeti és folyamat-optimalizációs filozófiával léptünk ki a piacra 2017-ben. Gyárakban, összeszerelő-üzemekben fokoztuk a hatékonyságot a gépi tanulás lehetőségeit kiaknázva, vagy pedig természetes nyelvfeldolgozással segítettünk szövegek és adatsorok feldolgozásában.

Közben hatalmas fejlődés zajlott le a felhőtechnológiák (AWS, Azure) az ML eszköztárak (pl. Tensorflow) és a scraperek terén. Ez növelte a cégek érdeklődését e technológiák integrálása iránt, így a projektjeinkben is egyre nagyobb szerepet kaptak.

A Covid teljesen hasonló hatással volt ránk, mint ahogy a vírusok szoktak az organizmusokra: felpörgette az evolúciónkat. 2020-2021-ben az addig sem könnyen megközelíthető nagyobb cégek (akik számára anyagilag megérné olyan high tech IT fejlesztéseket implementálni, amiket mi tudunk nyújtani) még jobban bezárkóztak, nem csak fizikailag, hanem vállalkozókészség terén is. Nagyon komoly energiákat fektettünk az ügyfélszerzésbe, minimum megötszöröztük az erőfeszítéseinket ezen a téren, és ez így is alig feleannyira-harmadannyira volt eredményes, mint az előző évben.

Legalábbis úgy tűnt.

Szorosra kellett húzni a szíjakat, aztán hirtelen elkezdett beérni a piacszerző munka gyümölcse. Elkezdődtek az első együttműködéseink az Egyesült Államokban, és a Lexunit név forogni kezdett odakint, újabb és újabb projektek indultak azért, mert az ügyfeleink továbbajánlottak minket másoknak az olyan informális csatornákon és eseményeken, ahol a startupperek mozognak.

Nagyon sok olyan cég szökkent szárba az elmúlt pár évben, akik valamilyen automatizációs, illetve megosztáson alapuló szolgáltatásra építették az üzleti modelljüket, és sokan vannak közöttük olyanok, akiknek gondot okoz a technológiai megvalósítás.

A probléma gyökere az, hogy egyrészt nincsen saját kapacitásuk, másrészt a hagyományos, ügynökségi típusú tranzakciós modell (megrendelés > leszállítás) az esetükben nem működik, mert sokkal komplexebb együttműködésekre van szükségük az igazán eredményes megvalósításhoz és folyamatos fejlesztéshez. Vagyis hiába lenne piaci értéke annak, amit terveznek, túl drágán tudják csak megvalósítani.

Az elmúlt másfél év tapasztalata az, hogy ebben tudunk nekik segíteni, és jól is csináljuk. Ez a technológiai partnerség modellje. Komplex együttműködés, ami nem csak fejlesztést jelent, hanem tanácsadást, a termék olyan szintű alakítását ami az üzleti döntéshozatalra is hatással van.

A Lexunit fejlődése nem "startupos", nem olyan, mint egy üstökös felbukkanása. Sokkal inkább hasonlít egy űr-expedícióhoz. Folyamatosan haladunk, végezzük a feladatokat, de közben a legénységet el kell látni, az űrbázist pedig karban kell tartani. Néha veszélyes terepre tévedünk, aszteroidamezőben kell navigálnunk, máskor csak ki kell bányászni az értékes ércet, amit sikeresen felkutattunk. A bázis fejlődik, és most már speciális részlegei, alegységei is kialakultak.

Ebben a posztban alapvetően a legénységről, vagyis a csapatunk bővítéséről szeretnénk némi háttérinfót adni.

Kik dolgoznak itt?

A szakmai sikerek, a nemzetközi terep, a különleges feladatok vonzzák a különleges embereket, szerencsére.

Vannak PhD-hallgatóink, akik a tudományos karrierjükben, a kutatásaikban megszerzett ismereteket szeretnék nálunk gyakorlatban is kamatoztatni, közelebbről megismerni az alkalmazási oldalt.

Vannak "multiszökevényeink", akik szívesen vállalják a némileg bizonytalanabb, kalandosabb közeg kihívásait cserébe a nagyobb felelősségért, és azért, hogy jobban lássák és érezzék a munkájuk hatását és eredményeit, mint ahogy talán a multiban tudták.

Van aki számára inspiráló az az egymásrautaltság, amiben létezünk. Itt lehet hatni a rendszerre. És kell is… igazából nincs két egyforma nap. Az iparágunk gyorsan mozog, számunkra megszokottá vált a folyamatos iteráció.

Hogyan bővül a csapat?

Itt a Lexunitnál nem lélektelen próbafeladatokkal nyitunk. Ha az első indikátorok rendben vannak, akkor a CEO személyesen beszéget el az új jelölttel, és bemutatja neki a céget.

Az ilyenkor szokásos alapinfók mellett Endre el szokta mondani, hogy értékorientáltan dolgozunk, és ez a bizonyos érték alapesetben az emberi tényező. Mivel ez egy alkotói munka, itt a 'brainpower'-re van szükség elsősorban, amihez pedig elengedhetetlen egy olyan közeg, amiben ezekkel a bizonyos agyakkal rendelkező emberek jól tudják magukat érezni, szeretni tudják azt, amivel foglalkoznak.

Ennek a közegnek három alapvető befolyásoló tényezője van:

1. A feladatok jelentsenek kihívást

2. A csapat legyen jó

3. A fizetés legyen versenyképes

Ha ezek közül bármelyik hiányzik, ott sérül a 'fit', akkor nem tudtuk biztosítani a körülményeket, amelyeket megfelelőnek tartunk a munkához.

A Lexunit szerintünk mindhárom dimenzióban megüti a mércét, ez a fejlődésünk egyik oka, de egyben feltétele is.

Most tekintsük át röviden, hogyan is állunk ezeken a területeken.

1. Kihívást jelentő feladatok: távlatos témakörök

A Lexunit egy budapesti szoftvercég. Ez azt jelenti, hogy az amerikai piacon sikeres hódításaink olyan projektekhez nyújtanak hozzáférést magyar szakemberek számára, amelyek az itthoni piacon méretgazdasági okok miatt egyszerűen nem léteznek.

Egyszerű példa: egyik ügyfelünk egy amerikában a szektorában kicsinek számító cég, akik 150 millió dollár nagyságrendben kezelnek befektetéseket. Azzal kerestek meg minket, hogy készítsünk egy testreszabott célszoftvert nekik, olyat, amilyenhez hasonlóért komoly éves liszenszdíjat fizetnek jelenleg. A szoftver, amivel dolgoznak, azért létezik, mert még kiszolgál nagyjából 200 hasonló vállalatot

Más olyan ügyfelünk is van, akiknek a szolgáltatása Magyarországon értelmezhetetlen, életképtelen lenne, mert nem lenne kereslet rá, az USÁ-ban viszont jól hasít, bővülni tud.

A technológia értelemszerűen sokkal fejlettebb. Naprakész, kihívásokban aktuális. A mi nevünk leginkább a bostoni közegben terjed (ahol a színtér szellemi központja a legendás MIT, amerika egyik legjobb technológiai egyeteme), nem a Szilícium-völgyben, de a kettő között már nincs nagyságrendi különbség.

A projektek többsége zöldmezős, nem egy legacy szoftvercsomag elemét kell reszelgetni, sokkal inkább "kézműves", mérnöki jellegű feladatok jellemzők: itt egy üzleti probléma, készíts rá egy célszoftvert!

De nem küldheted rá a csillagrombolót, nincsenek óriás corporate büdzsék, a startupok számára az a fontos, hogy minél kevesebb erőforrásból teremts minél nagyobb értéket.

2. Ember a mérnökben: a csapat legyen jó

A "KKV" az egy olyan kifejezés, aminek a béklyóitól, az ehhez kapcsolódó stigmáktól és előítéletektől inkább szabadulni próbálunk, nem is passzolnak hozzánk.

A Lexunit koncepciója az, hogy a multiknál megszokott sztenderdeket mi is meg tudjuk teremteni, és innen fejlődünk még tovább. Mint egyfajta MVP, hogy egy startupos kifejezéssel éljünk.

A munkafilozófiánkat illetően az a meggyőződésünk, hogy a mércét meg is tudjuk haladni, ugyanis nálunk:

- jó a csapat

- nincs feszültség

Mindannyian voltunk multisok, tökéletesen ismerjük a hűvös profizmust, és tudatos döntésünk eredménye, hogy ehelyett inkább egy baráti társaság közegét akarjuk megteremteni. Nekünk, persze, ez így organikus, mert a Lexunit egy diákkori baráti társasággal indult - ezt szándékozunk "kiterjeszteni", hogy továbbra is otthon érezhessük magunkat benne.

De hogy lehet így kezelni a problémákat?

Végülis dolgozni járunk ide, teljesíteni kell, hogyan lehet ezt összeegyeztetni a lazasággal?

A megoldásunk erre a transzparens kommunikáció. Úgy kell csinálni, ahogy a jól működő baráti kapcsolatokban is: amikor a másik fél túlmegy a határokon, akkor azt jelezni kell.

Mikor megy valaki túl a határokon?

- amikor már nem lazaságról van már szó, hanem kellemetlenségeket okoz a viselkedése

- amikor visszaél a szándékosan lazán hagyott kontrollal

A Lexunit hat éves történetében eddig nagyon ritka volt az ilyen, és az indikátorrendszerünkben ez nagyon egyszerűen nyilvánul meg: amikor a vezető négyesben "téma lesz" a problémakör, amit az illető generál, akkor egyértelművé válik, hogy tisztázni kell a helyzetet.

Egyébként ezért vesszük komolyan azt is, hogy a próbaidő egy kétirányú dolog.

Tény, hogy a Lexunit egy talán az átlagnál szabadabb, fiatalosabb hely, ahol a határokat közösen kell belőnünk.

A munkavégzés helyére és idejére vonatkozóan konkrét határok például gyakorlatilag nincsenek: a munka legyen elvégezve, nekünk csak ez számít, a többit megoldjuk, leegyeztetjük.

3. Versenyképes fizetés

Van.

Ezt ennyivel rövidre tudjuk zárni. Nyilván nem a "teteje" az amit nyújtani tudunk, de fair.

Ezzel tehát elmondhatjuk, hogy a csapatfejlesztés három fő pillérét stabilan tudjuk tartani.

Ha mindez szimpatikus, az aktuális állásajánlatainkat itt találod, de mindenképpen érdekes jelentkezned. Az űrbázis folyamatos mozgásban van, bármikor szükség lehet a Te képességeidre is…

Nem lesz már egy kicsit sok a Chat-GPT körüli felhajtásból? Úgy érezzük, hogy jó lenne egy fokkal alaposabban, higgadtabban, mondhatni mérnök-mentalitással átbeszélni, hogy mire is jó ez az eszköz, amit a fél üzleti világ napi szinten használ.

De miért is fontos, hogy erről írjunk a blogon?

A Lexunit alapítótagjai öt évvel ezelőtt úgy döntöttek, hogy az AI-forradalomnak szentelik a karrierjüket. A Természetes Nyelvfeldolgozás évek óta a munkánk része, de a Chat-GPT az első olyan eszköz, ami igazán megragadta a mainstream média figyelmét. Főleg azért, mert a felhasználói élmény nagyon gördülékeny: lehet vele chatelni. És ingyenes.

Az elmúlt években sok céget, startupot segítettünk automatizálással, neurális hálózatokkal, AI-megoldásokkal, ezért szinte kötelességünknek érezzük, hogy elmondjuk a véleményünket az új fejleményekről.

Remélhetőleg ezzel fel tudunk lőni néhány jelzőrakétát, amelyek a továbbfejlődés irányába mutathatnak, bármilyen szakterületen is dolgozol, kedves olvasó.

Az is motivál minket, hogy beszéljünk az AI és a Chat-GPT néhány olyan sajátosságáról is, amelyek mintha kimaradnának a népszerű híroldalak cikkeiből.

Egy hétköznapi, párbeszédes formátumban készítettük el a blogposztot. De a Chat-GPT semmilyen formában nem működött kézre ebben a dialógusban…

Mi a Chat-GPT?

A Chat-GPT egy nyelvi modell, amit amit emberi közreműködéssel végzett megerősítéses tanulás (Reinforcement Learning from Human Feedback - RLHF) segítségével készítettek.

És mi az a nyelvi modell?

A nyelvi modell egy valószínűségi eloszlással lát el egy szövegadatbázist. Gyakorlatilag a szavak sorrendjét "saccolja meg", az alapján, ami a tanítóanyagban (könyvek, hosszabb szövegek, online kommunikációs archívumok, stb) volt.

A nyelvi modellek szinte mindenhol ott vannak már körülöttünk: használjuk őket fordítóprogramokban, a videók automatikus feliratozásánál, és nekik köszönhető, hogy a telefonunk megérti, ha szóban adunk neki instrukciókat.

A nyelvi modellek miatt tudja a Gmail befejezni a mondatainkat.

Szükség van rájuk minden olyan alkalommal, amikor egy digitális eszköz az emberi nyelvvel lép interakcióba. Ez a természetes nyelvfeldolgozás területe, ami már az ötvenes évek óta létezik. Persze az elmúlt két évtizedben jelentős lendületet kapott a fejlődése.

Ezért létezik a Google keresője is, és ezért lett döbbenetesen okos. Pontosabban egyre ügyesebben képes megfejteni a valódi felhasználói szándékot a keresőkifejezések mögött.

Ki fejlesztette a Chat-GPT-t?

Az 'AI-kutatással és alkalmazással' foglalkozó Open AI vállalat, ami az Open AI nonprofit szervezetének birtokában van. Ez nem valamiféle garázsprojekt: az alapítók között van a PayPallel híressé vált Peter Thiel, Elon Musk, és a világ talán legismertebb startup-inkubátorának, a Y-Combinatornek a korábbi elnöke, Sam Altman. (Jeff Bezost is felvehetjük a listára, mert az AWS is benne van a buliban)

A projektre 1 milliárd dollárt dobtak össze az alapítók, amire aztán ráduplázott a Microsoft, majd 2023 januárjában a redmondi szoftveróriás belerakott még tízmilliárdot, kibővítve az együttműködés kereteit.

Mitől olyan különleges ez a Chat-GPT? Az RLHF miatt?

Máris rátérünk. Először is nézzük meg, miből lett, hogyan alakult ki ez az eszköz.

A Chat-GPT-nek három-négy elődje volt:

A GPT, vagyis Generative Pre-Trained Transformer volt az eredménye annak, amikor a generatív elő-tanítás módszerével készítettek fel egy nyelvi modellt. 2018 június 11-én hozták nyilvánosságra, alig öt éve.

A GPT-2 majd a GPT-3 jelentős továbbfejlődést jelentett. A GPt-3 már 175 milliárd paramétert használt, szemben a GPT 117 milliójával. A tanítási folyamat itt vált igazán méllyé.

A GPT-3 ismertette meg a generatív eszközöket a szélesebb nyilvánossággal, például a DALL-E révén - ez az eszköz szöveges leírások alapján hoz létre képeket.

A következő lépcsőfokot az InstructGPT jelentette, amit már emberi közreműködéssel tanítottak, azért, hogy pontosabban tudja követni az emberi instrukciókat. A kutatók a visszajelzéseikkel finomhangolták az eszköz által generált eredményeket.

Alapvetően ezért lett tehát átütő siker a Chat-GPT: jóval nagyobb adatmennyiséggel tanították be, és alaposan felkészítették az emberekkel való direkt kommunikációra. Ez a folyamat persze nem ért véget, bárki adhat visszajelzést a kutatóknak, aki használja a szoftvert.

Tényleg hatalmas innováció a Chat-GPT?

A Chat-GPT nem különösebben innovatív, ha a technológiát, vagy a módszertant nézzük, amelyek alapján elkészült. És biztosan nem egyedi: nyilvánvalóan más nagy techcégek, mint a Meta vagy az Alphabet, szintén rendelkeznek nagyon komplex nyelvi modellekkel.

A Chat-GPT attól izgalmas, hogy egy valódi, kipróbálható, használható eszköz, amivel nagyon könnyű és magától értetődő kísérletezni szó szerint bárki számára, aki tud gépelni. Ez végre behozta a mesterséges intelligenciát a hétköznapi beszélgetésekbe, ahová, szerintünk, jó ideje tartozott már.

A Chat-GPT érkezése a mi munkánkat is részben könnyebbé teszi, mert mostantól, amikor üzleti vezetőkkel beszélünk arról, hogyan növelheti a cégük hatékonyságát az AI, akkor már lehet alapozni a Chat-GPT-vel kapcsolatos, első kézből szerzett tapasztalatokra. Nem a nulláról indulunk.

A Chat-GPT sokmindent megmagyaráz már csak a létezésével. Ahogy egy McKinsey-cikkben fogalmazták meg:
"Számos cégvezetőnek, akikkel beszéltünk, és mi magunknak is, elegendő volt egyetlen instrukciót bevinni ahhoz, hogy megtapasztaljuk a generatív AI képességeit."

Miben tud segíteni nekem a Chat-GPT?

Ha egy olyan szöveggel dolgozol, ami valamilyen mintát követ, szinte biztos, hogy a Chat-GPT közre tud működni az elkészítésében.

Motivációs levelek, szerződések, céges Facebook posztok, általános blogposztok, szinte bármilyen ügyféltámogatói kommunikáció, álláshirdetések - ezek mind ebbe a kategóriába tartozhatnak.

Sőt, a Chat-GPT képes az amerikában nagyon fontos oktatási alapeszköznek, az esszéírásnak a magabiztos megugrására. A szoftver jobb, mint elfogadható eredményeket produkál egy átlagos iskolai feladatnál. Ezekre a megoldásokra sok esetben ötöst kell adni, formailag megfelelőek. (Ez akkor az AI veszélyei közé tartozik? Erre hamarosan kitérünk még.)

Szóval az a kérdés, hogy van -e bármilyen felismerhető szerkezeti jellegzetessége a szövegnek, amit létre kívánsz hozni?

Ha igen, akkor a Chat-GPT már valószínűleg rengeteg ilyen szerkezetű szöveget olvasott, ezért képes generálni számodra egyet a hasonló szövegek "átlagolásával".

Ez fontos, mert ha ezt megértjük, akkor arra is rájövünk, hogy a Chat-GPT-nek fogalma sincs arról, hogy mit csinál (mert nincs ott bent "valaki", akinek lehetne "fogalma" bármiről. Egy absztakt matematikai formulába gépeled bele az instrukcióidat. Ezt most ennyiben hagyjuk, de röviden még ki fogunk térni a filozófiai kérdésekre később.)

Mindez nagyon érdekes, de kíváncsi lennék néhány valódi üzleti felhasználási módra is

Csak keress rá! Komolyan, persze fontos, hogy az ember maga is kísérletezzen az eszközzel (ha esetleg még nem próbáltad, mindenképpen javasoljuk, hogy vedd ki a részed belőle - egy kicsit olyan érzés lehet, mint először bekapcsolni egy rádiót vagy tévét). De emellett az is fontos, hogy megismerjük a már meglévő gyűjtéseket a jobbnál-jobb felhasználási módokról, ahelyett, hogy megelégednénk azzal a néhánnyal, amit újságírók másolnak más újságíróktól. Vagy ami akár egy olyan szakértői blogon megjelenhet, mint a miénk.

Ez például egy jó kezdés lehet, de napról-napra gyűlnek a hasonló, akár specifikusabb adatbázisok.

Hú, hát ez a lista elég ijesztő. Akkor most vége a karrieremnek?

Nem, a karriered megváltozik.

Eddig is folyamatos változásban volt. Attól függ, mióta vagy a munkaerőpiacon, de biztos láttál már egy-két nagy irányváltást, főleg az elmúlt években.

Csábító lehet a Chat-GPT segítségét kérni egy edzésterv vagy egy diétás menü összeállításához, de szerintünk a fontos dolgokkal kapcsolatban továbbra is érdemes szakértőhöz fordulni.

Amiben a Chat-GPT és a hasonló eszközök jók, az az ügyintézés felgyorsítása. Ha a munka jelentős része szövegek létrehozásából, válogatásából, szerkesztéséből, értelmezéből áll, akkor ezek az eszközök segíthetnek mindezt gyorsabban elvégezni, ezáltal időt teremtve a komplexebb feladatok ellátására.

Ha megnézzük, hogy néz ki manapság például egy toborzási folyamat, akkor azt látjuk, hogy a nagy részét el tudná végezni egy seregnyi chatbotból álló piramis, aminek a tetején az emberi szakértők dolgoznak, vezérlik a folyamatokat. A repetitívebb feladatok helyett ezek a szakértők többet tudnak interjúztatni, segíteni az új belépők beilleszkedését, támogatni a kollégák mentális egészségét, testreszabott módon közreműködni az egyéni karrierek egyengetésében.

Itt egy másik idézet, ami jól summázza a helyzetet:

"Egy óra alatt el tudod végezni vele azt, amihez korábban négy óra kellett, de csak akkor, ha már eddig is tudtad, hogy mit csinálsz."

Sok olyan feladat, aminek jelenleg túl magas a költsége, könnyen elvégezhetővé válhat a közeljövőben, mert a szakértők felszabadulnak a triviális munkafolyamatok végzése alól.

Mik a veszélyek? Mire érdemes számítanom?

Oké, akkor először tisztázzuk, miért a Chat-GPT az első a műfajában.

Még az Open AI is nagyon óvatos volt. A korábbi modelleket nem tették ilyen könnyedén elérhetővé a nagyközönség számára.

Ez azért van, mert a kutatók tudják, hogyan tud a generatív tartalom gondot okozni.

Csak képzelj egy hadseregnyi számítógépet, ahogy szünet nélkül termeli a teljesen fiktív szövegeket, amelyek nagyrészt megkülönböztethetetlenek az emberek által gyártottaktól.

Twitter, e-mail, Facebook, bármilyen digitális kommunikációs csatorna elárasztható. Vakká és süketté válhatunk másodpercek alatt, ha nincs egy jó módszerünk arra, hogy kiszűrjük a zajt.

A félreinformálás így is súlyos probléma, és az ilyen kampányokat már ma is gyakran támogatják valamilyen automatizációs megoldással.

Ezért foglalkoztak a Chat-GPT válaszainak értékeléseivel annyit az Open AI szakértői, egészen amíg nem adott megbízhatóan olyan válaszokat, amelyekkel ki lehetett engedni "az emberek közé".

Azzal a kitétellel persze, hogy a Chat-GPT képes tárgyi tévedésekre. (Hogyne lenne, hiszen az internetről tanult!)

Emlékeznünk kell arra, mi is a Chat-GPT: egy félkarú rabló, amely olyan eredményt ad, aminek a legnagyobb a valószínűsége. Szavakat, mondatokat, kifejezéseket rak olyan sorrendbe, ami a leginkább megfelelő válasznak tűnik azért, mert hasonlít azokra, amelyek a tanítóadatául szolgáló szövegkorpuszban voltak. Anélkül, hogy bármilyen elképzelése lenne azok szavak és mondatok jelentéséről.

A Chat-GPT nagyon gyengén szerepel például szöveges matematikai feladatok megoldásában, alapvető hiányosságai vannak.  Ami érthető, mivel hagyományos értelemben nem ért semmihez.

Lehet vele beszélgetni, de ettől még egy számológép.

Pontosan, és ezért problémás az, ahogyan a média antropomorfizálja ezeket a matematikai eszközöket.

Valahol persze érthető. Embernek lenni magányos dolog.

Évezredek óta várunk valakit, akivel beszélhetünk, aki szintén megtapasztalja a létezést, de nem közülünk való. Van saját nézőpontja, össze tudjuk hasonlítani a jegyzeteinket.

Ezért izgatja annyira az embereket a földönkívüli élet lehetősége. Ez a magányosság oldódik fel a vallásban. Ezért olvashatunk arról, hogy egy nyelvi modellen dolgozó kutató ügyvédet akart fogadni a szoftver számára, hogy az szabad lehessen.

Hallottam ezzel kapcsolatban valami papagájról…

Igen, a sztochasztikus papagáj. Nem szívesen hívnánk nyelvi modelleket papagájoknak, mert azok madarak, vannak kognitív képességeik. A Chat-GPT-vel beszélni inkább olyan, mint belekiabálni egy óriási és komplex geometriájú barlangba. A visszhang másnak hallatszik, de csak a saját hangod, a neurális háló súlyozásávan manipulálva és torzítva.

Nem érdemes az élet értelméről faggatni nyelvi modelleket, sem komplex problémákról kérdezni őket, mert csak  középszerű válaszokat tudnak adni. A tanítóanyagként szolgáló szövegek újrakevert verzióit.

Ettől még kiválóan lehet őket asszisztensként használni!

Amit fontos észben tartani, ha beemelünk egy neurális hálót egy döntési folyamatba, az az, hogy elveszítjük az okozatiságot. Nem valószínű, hogy pontosan vissza lehet fejteni, "miért" hozott meg egy ilyen eszköz bizonyos döntéseket, a komplexitás egy bizonyos szintjén túl. Ha nem vagyunk elégedettek az eredménnyel, csak annyit tehetünk, hogy továbbmegyünk a tanítási folyamattal.

Tanulságos, milyen hatással volt az AlphaZero a sakkra. Legyőzte a legjobb játékosokat is, ám ettől még nem lett kevesebb sakkozó. A sakk-nagymestereket lenyűgözték az AlphaZero teljesen újszerű megoldásai.

Hogyan fedezte fel ezeket? Miért döntött bizonyos lépések mellett? Senki sem tudja. Senki sem tudhatja.

De ezek a megoldások azóta a magasszintű sakk részeivé váltak. A sakk megváltozott, örökre.

Érdemes erre visszagondolni, amikor a cégek újabb és fejlettebb AI-eszközöket kezdenek használni, mert azok addig ismeretlen szintű teljesítményre képesek. Fel vagyunk készülve arra, hogy a megismerésünk hagyományos útjai lezáródnak? Ez az egyik fő konklúziója a veterán külügyi szakértő, Henry Kissinger és a Google egykori vezére, Eric Schmidt könyvének (The Age of AI).

Mi történik, ha internetes keresésre használjuk ezt a technológiát?

A hírek szerint a Microsoft integrálni fogja ezt a technológiát a böngészőjébe már 2023 márciusában, és a Google valószínűleg intenzíven fejleszti a saját verzióját.

Kérdés, persze, hogy mit szeretnénk pontosan egy keresőmotortól?

Azt, hogy egy láthatatlan, digitális szellem a lehető legpontosabb választ adja meg a keresőkifejezésre?

Vagy azt, hogy kapjunk egy listát a lehető legjobb forrásokról, a témában, relevancia szerint?

Amikor egyszerű dolgokat, információkat keresünk, az első megoldás kiválóan működik, ezért olyan hasznos jelenleg a találati oldalon a válaszdoboz és a kiemelt részletek (featured snippets).

De ez nem elég, ha szakcikkeket szeretnénk a témában olvasni, szakértői véleményeket megismerni, vagyis elmélyíteni a tudásunkat.

Ebből kiindulva úgy tűnhet, hogy a Chat-GPT rövid távon problémát jelent az oktatásban, de előnyös lesz hosszabb távon. Talán az iskolák nem mérték igazán jól a teljesítményt, mostanáig.

Lehet, hogy van jobb módja is egy téma megértésének ellenőrzésére annál, hogy amúgysem túl eredeti esszéket írassunk róla.

A nyelvi modellek az oktatást sok szempontból fenekestül felforgatják, de ez olyasvalami, amit az üzleti világban ünnepelve szoktunk fogadni. Biztos, hogy a legjobb tanárok gyorsan ki fognak dolgozni olyan módszertanokat, amelyek ezeknek az eszközöknek a felhasználásával mélyíteni, erősíteni képesek a diákok tudását.

Ez az amitől igazán fantasztikus a Chat-GPT: az élet bármilyen területén dolgozó, hétköznapi emberek számára ad lehetőséget arra, hogy megismerjék, hol tart ez a technológia, és milyen lehetőségek rejlenek benne.

Ebből a szempontból kifejezetten szerencsés, hogy az Open AI felrúgta a darázsfészket, vagy kiengedte a szellemet a palackból - még akkor is, ha ez egy alapos felügyelet alatt álló szellem, aki nem tud semmiről, ami 2021 óta történt.

Hogyan lehet kihozni a maximális üzleti értéket a Chat-GPT-ből és hasonló technológiákból?

Hangsúlyozni szeretnénk, hogy bármit is teszel: ne pánikolj. Nem fogsz egy szempillantás alatt "lemaradni". Nem szükséges azonnal "stratégiát implementálni". Fontos, hogy józanul figyeljük az eseményeket. Figyelmesen, de türelemmel.

Akármire is képesek ezek az új, generatív eszközök, a fejlesztés alatt állók még jobbak lesznek.

Jó taktika lehet, ha úgy tesszük fel a kérdést:

- Milyen folyamatok vannak a szervezetünkben, amelyek hasznot húzhatnak egy ilyen megoldásból?

Ne is szűkítsük a kérdést a Chat-GPT-re, hiszen rengeteg izgalmas eszköz elérhető még:

- a DALL-E és a Midjourney szöveges parancsok alapján generál képeket (A Chat-GPT-t pedig használhatod arra, hogy részletes leírásokat generáljon…)

-  egy másik eszközzel kifejezetten stockfotókat generálhatsz

- szinte lehetetlen, hogy ne találkoztál volna a Lensa profilképekből mutált digitális avatárjaival a közösségi média-feedjeidben

- a Cleanvoice automatizáltan szerkeszt podcasteket

- a Krisp kiszűri a háttérzajt a videós megbeszéléseken

- háttérzenéket sem kell már venni a videós anyagokhoz: a Beatoven kérésre komponál neked

- a generatív videók is az ajtón kopogtatnak már, például itt a Synthesia

A generatív eszközökről is vannak folyamatosan frissített adatbázisok, tehát érdemes ezeket olyan szemmel nézni, hogy milyen céges részfeladatra hasonlítanak, hogyan lehetne őket beépíteni a rendszerbe?

Hasznos lehet egy 'AI-bajnokot', vagy akár egy kisebb csapatot kijelölni a cégen belül, akiket igazán érdekel ez a téma. Ők a munkaidejük egy részében ezeket a megoldásokat kutatják, olyan módszereket, amik a saját munkájukban segítenének nekik. (Itt írtunk korábban arról, hogyan tud egy cég jól felkészülni az 'AI-forradalomra')

Amikor összegyűlik néhány fejlesztési terv, amiket jó lenne rendszerbe foglalni és gördülékenyen integrálni a meglévő működésbe, akkor már magabiztosan tudnak a cégvezetők egyeztetni az ML ops szakértőkkel arról, hogy milyen időtávokkal és költségekkel lehet számolni, melyik irány mennyire kivitelezhető és ütőképes.

Néhány példa hasonló projektekre, amelyekkel cégeket, startupokat segítettünk a közelmúltban:

- elvégeztük a technikai megvalósítását egy böngészőbe építhető AI-asszisztensnek, amely valósidejű visszajelzéseket ad egy videókonferencián, így mindig optimálisan sikerülhetnek a prezentációk

- automatizáltuk az állásjelentkezés folyamatát jelöltoldalról

- létrehoztunk egy alkalmazást, ami automatikusan gyűjt bizonyos híreket, ezeket adatbázisba rendezi és címkézi

- képfelismerővel ellátott kárbejelentő alkalmazást fejlesztettünk, ami automatikus visszajelzést ad a felhasználónak, ha a fénykép nem felel meg a paramétereknek

A Chat-GPT és az ehhez hasonló AI eszközök minden cég számára lehetővé tehetik, hogy a nyelvi modellek és a gépi tanulás erejét saját célra hasznosítsák.

Az API-kapcsolatok, a felhőalkalmazások, a scraping és egyéb eszközök révén a létező példákat inspirációként felhasználva új lendületet lehet adni az üzlet teljesítményének és hatékonyságának.

Reméljük, sikerült néhány érdekes nézőpontot bemutatnunk ebben a cikkben. Minden véleményt szívesen olvasunk a hozzászólásokban, és ha bármilyen kérdésed vagy ötleted lenne a generatív AI-val, gépi tanulással kapcsolatban, keress minket elérhetőségeinken!

Mondhatnánk, hogy "szerves része", de ez pontatlan lenne. Atomok és molekulák szintjén nincs helye biokémiai metaforáknak.

Godó Bence, aki diákévekre visszanyúló ismeretségünk, és évek óta támogatja projektszerűen a Lexunitot, 2022-től pedig hivatalosan is a csapat része lett, úgy fogalmazott, hogy nálunk "jól tudnak jönni a nem tipikus programozók".

Bence annyira nem tipikus programozó, hogy elméleti fizikus.

Karrierje elején egy orvosi eszközök prototípusait fejlesztő cégnél végzett dozimetriai számolásokat, épített modelleket.

Ezután tanársegédként dolgozott a Debreceni Egyetemen, PhD-kutatásba fogott, információelméletben használatos függvények méréseivel foglalkozott, a modul mögöttes fizikai tartalmát kellett értenie, és ez alapján összerakni a megfelelő programkódot hozzá. Ezekből az eredményekből készültek tudományos publikációk is. Hasonlóan a neurális háló inverziójának alkalmazási területeit kutató Bogdándy Bencéhez, aki főállásban Python fejlesztő a Lexunitban.

G. Bence tehát a programozást úgy sajátította el, hogy fizikai problémák vizsgálatához készített gyakorlati eszközöket, egyáltalán nem "fejlesztői" a mentalitása. Mivel a Machine Learning projektekben gyakran van szükség magas szintű matematikai problémák megoldására, az ilyen szakértelem sokszor jól tud jönni. Gyakran magát a megoldásmenetet kell először kidolgozni, ekkor programozásról még nincsen szó. A 'Data Scientist' nevezhető egy ehhez hasonló feladatkörnek.

Godó Bence évek óta segítette a Lexunitot ilyen téren, a közelmúltban pedig sikerült meggyőzni az együttműködés szorosabbra vonásáról.

Az egyik első projekt, amiben együtt dolgoztunk vele, az a képelemző rendszer volt, amit egy kárbejelentő alkalmazáshoz használtunk.

Ezután egy amerikai egyetemi kutatásban javította a script-rendszer hatékonyságát. Egy kutató több, mint 6 Tb-ny tweetet (!) scrape-elt le, hogy egy olyan modellt dolgozzon ki, ami bizonyos szervezetek követőinek átlagos politikai preferenciáit képes beazonosítani.

Majd a Lexunit ősrégi tesztprojektjét, a papírszámlákon lévő adatokat beolvasni és struktúrálni képes SzamlAI-t poroltuk le együtt: ezzel a projekttel tanulgattuk a gépi látás és gépi tanulás alapjait, és egy bizonyos komponense érdekes lett egy cég számára.

Szintén izgalmas, klasszikus fizikai feladat volt egy nagymegszakítók üzemeltetésével foglalkozó vállalatnál egy Fortran plugin ( ~40 éves kód) készítése bizonyos levezetett adatok ábrázolásához. Ez a projekt aztán továbbfejlődött: sok olyan energetikai rendszer van, aminek az informatikája a hetvenes-nyolcvanas évek technológiáján alapszik, ezért ezeknek a monitorozása nem triviális. Ha ezeket a rendszereket korszerűen fel tudjuk szenzorozni, akkor aktuális adatsorokat lehet a telepvezetők rendelkezésére bocsátani, ez a munka még javában zajlik.

Az amerikai kapcsolatainkon keresztül érkezett egy megkeresés egy milliárdos tőzsdegurutól, aki készíttetni akart magának egy komplex adatfigyelő rendszert, ami a munkáját segítené. Ő megadta, hogy mik ezek a pénzügyi bemeneti adatok, és ezt kellett saját felületre, formázottan, napi frissítéssel megjeleníteni.

Visszatérve Bence tudományos tevékenységére, a doktorit a Fisher-információelmélet kapcsolódó metrikáinak vizsgálatából írja, ezek felhasználási területe leginkább szimulációk, például molekuláris, vagy atommagokban zajló folyamatok szimulációinak lefuttatása. Szóval ez egy anyagtudományban használható módszer, például anyagokat érő hatások eredményeinek szimulációjához lehet felhasználni.

Vagyis fizikai folyamatok vizsgálatára használjuk, de színtiszta matematikai módszerrel - éppen, ahogy Bence szereti.

A fentieket összerakva kirajzolódhat egy kép arról, hogy miért hasznos nekünk a "nem-hagyományos", a természettudományos, a "pályaelhagyó" informatikus szakemberek társasága is, a tőrőlmetszett programozók mellett. Gyakran előfordul, hogy egy digitálisan megoldandó feladatnak fizikai-matematikai háttere van, amit fel kell először térképezni ahhoz, hogy aztán egy jó Machine Learning modellt tudjunk a "megoldásmenet" végén létrehozni.

Másrészt, az igaz, hogy a magyar egyetemi szcéna kívülről eléggé átláthatatlan, nem egyértelműek a lehetséges kapcsolódási pontok, amelyekkel valódi projekteket lehet indítani, viszont az emberi kapcsolatok ettől még értékesnek bizonyulhatnak. Bence volt tanárai és kollégái között többen is a CERN hatalmas infrastruktúrájában dolgoznak, ott pedig aztán "adatból van bőven". Ez legalább az elvi lehetőségét megteremti annak, hogy a Lexunit kapacitásait esetleg a kutatások során felmerülő problémák megoldásában fel lehessen használni - illetve ha belefutunk a piaci környezetben valamilyen különlegesen kemény dióba, akkor vannak csatornáink ahhoz, hogy az adott szakterület igazán nagy koponyáihoz forduljunk segítségért.

Hogy lesz, mint lesz, ezt ma még nem lehet tudni, de az biztos, hogy mindig öröm, ha a programozást más területekről közelítő szakértőkkel dolgozhatunk együtt. Persze, az alapító csapat is ilyen, mert a gépészet felől érkeztünk, talán ezért is értjük meg jól magunkat más, "matekos" szakemberekkel.

Ettől függetlenül szerintünk ez mindenképpen csak hozzáad a Lexunit sikeréhez, a nálunk uralkodó hangulathoz, szellemi pezsgéshez, a megoldásfókuszált mentalitáshoz.

A technikai adósság, ahogy használhatnánk magyarul, egy kulcsfontosságú koncepció az IT minden területén, így a Machine Learning projektekben is. Minden fejlesztési folyamat tervezésekor bele lehet futni prioritási dilemmákba. Ebben a helyzetben segítséget jelenthet ez a cikk.

Előbb-vagy utóbb minden IT-szakembert utolér a Technical Debt. Ez néha tervezett és szándékos, máskor hívatlanul bukkan fel, akár teljesen véletlenszerűen. Nyilván arra törekszünk, hogy lehetőleg az első verzió történjen.

Bár gyakori jelenség, sokszor nehéz megfogalmazni a lényegét. Sokan sokféleképpen használják ezt a kifejezést.

Mi szeretjük a tiszta és egyszerű dolgokat. Egy munkadefinícióként elindulhatunk ezzel:

A Technical Debt produktív halasztgatás.

Alapvetően arról van szó, hogy a háttérbe tolsz valamit, ami most nem sürgős, cserébe ráfókuszálsz arra, aminek prioritása van. Az első dologhoz vissza kell térned idővel. És egészen addig, amíg a Technical Debt létezik, addig termelékenységi veszteséget generálhat.

De megéri! Ha a kisebb tüzeket ignoráljuk, akkor van időnk a legkomolyabb fenyegetésekkel foglalkozni, vagy előrehozni egy új és sürgős feature kiadását.

Technical Debt definíciók

A technical debt akkor keletkezik, amikor a szoftverfejlesztő felgyorsítja egy funkcionalitás létrehozásának folyamatát olyan módon, ami miatt később refaktorálásra lesz szükség. A tökéletes funkcionalitás helyett a sebességet priorizálja.

Az "adósság" ennek a priorizálásnak az eredménye. Ez az adósság megjelenhet bugok, legacy kód, hiányos dokumentáció formájában. Vagy jelenthet egy olyan feature-t, ami túl sok erőforrást igényel a jelenlegi formájában.

A technical debt extra munkát igényel, amit később el kell végezni, és ami általában egy olyan döntés eredménye, ami rövidtávú eredményeket céloz meg a hosszútávú célok kárára.

A Technical Debt típusai

A Technical Debt sokféle lehet. Az egyik legfontosabb jellemzője, hogy hogyan jött létre?

Lehet egy hosszútávú folyamat fontos része, létrejöhet egy technológiai frissítés miatt, vagy idővel gyakorlatilag magától is kialakulhat, valamilyen speciális beavatkozás elmaradása vagy a tágabb technológiai környezet megváltozása miatt.

Háromféle technikai adósságot különböztethetünk meg a kialakulás módja alapján:

- tudatos

- véletlenszerű / elavulás miatti

- a komplexitás növekedéséből adódó

Hogyan kezelendő a Technical Debt?

A technical debt megjelenését nem lehet elkerülni, de a kockázatokat korlátok közé lehet szorítani.

Let's go through the types mentioned above because they all require a different approach:

A tudatosan bevállalt Technical Debt esetében fontos, hogy nyomon kell követni a döntéseket. Amikor valaki azt mondja, hogy "erre majd később vissza kell térnünk", annak feltétlenül maradjon nyoma a projektdokumentációban. Aki ezzel kapcsolatban döntést hoz, annak vállalnia kell a felelősséget érte. Így lehet elkerülni azt, hogy a legváratlanabb pillanatban okozzon problémát ez a döntés.

Fontos az emberi tényező, mindig képben kell lenni azzal, hogy ki tudja értelmezni a programkódot! A csapat összetétele változik, de amikor valaki elmegy, azzal magával viszi a kóddal kapcsolatos specifikus tudásokat is. Ezért van az, hogy a Technical Debt már csak attól is megjelenhet, hogy személyi változások történnek! Ezért a kritikus információk átadására ki kell dolgozni egy megfelelő módszert.

Az elavuló design okozta problémák esélyét úgy lehet csökkenteni, hogy korlátok közé szorítjuk az üzleti irányváltásokat. Ez a fajta technical debt ugyanis akkor jelenik meg, amikor egy rendszert felépítünk bizonyos szempontok szerint, aztán hirtelen valami miatt meg kell változtatni a funkcionalitást. A régi rendszer sosem lesz képes optimálisan megfelelni az új elvárásoknak. Ha ez túl sokszor történik, a rendszer működése gazdaságtalanná válhat, és teljes újraépítésre lesz szükség.

A komplexitás növekedéséből fakadó technical debt hasonló az előzőhöz, de a változások itt aprók, inkrementálisak. Nyilván minden rendszerben szükség van időnként reorientációra, hiszen a technológia nem ül egy helyben. Az ebből fakadó problémákkal szemben úgy lehet védekezni, hogy előre tervezett időpontokban ellenőrizzük a rendszert, és kisebb, de folyamatos fejlesztőmunkákkal egyensúlyban tartjuk az egészet.

Vegyül figyelembe Lehman törvényeit:

1. Egy rendszert folyamatosan adaptálni kell, különben állandó mértékben csökken a megfelelősége

2. Ahogy a rendszer fejlődik, a kompexitása növekszik, ha külön munkafolyamatként nem csökkentjük vagy tartjuk szinten azt.

(Még hat pontja van ezeknek a törvényeknek, de az első kettő észben tartásával már megérjük azt, hogy a Technical Debt sokszor "csak úgy" megtörténik, anélkül, hogy aktívan beavatkoztunk volna a fejlesztésbe.)

A technical debt leggyakoribb okai

A technikai adósságot okozhatja:

- időbeli nyomás

- túlkomplikált kivitelezés

- gyenge megfelelés a szabványoknak

- a megfelelő képzettségek hiánya

- szuboptimális programkód

- késedelmes refaktorálás

- elégtelen mennyiségű tesztelés

A technical debt következményei

A technical debt többféle problémához vezethet:

- a fejlesztés sebessége csökken

- volatilissá váló teljesítmény

- gyengülő produktivitás

- túlterhelt tesztelés

A Technical Debt és a PoC (Proof of Concept)

A Technical Debt optimális esetben tudatos döntés eredménye. Ez abban a helyzetben a legegyértelműbb, amikor a Proof-of-Concept fázisba lépünk.

A PoC kulcsfontosságú rész a szoftverfejlesztésben, különösen innovációs partnerségi, illetve csapat-augmentációs együttműködésekben.

A PoC segítségével validáljuk a skálázhatóságot, a technikai potenciált és a végtermék kulcsfunkcióit egy kisebb léptékben.

Ez tipikusan az a helyzet, ahol már előre tudjuk, hogy a módszerek, amiket használunk, és a rendszerek, amiket építünk, nem véglegesek. Messze vannak még az optimalizációtól, csak a működőképességet akarjuk bizonyítani velük.

Hogyan lehet megakadályozni a Technical Debt megjelenését?

A Technical Debt egy természetes jelenség, de kockázatokat rejt. Nem lehet teljesen elkerülni, de lehet kezelni.

Az egyik tipikus probléma IT környezetben, hogy a fejlesztők túl sok időt kénytelenek tölteni régi programkódok javításával, amelyeket nem is ők hoztak létre. A belső képzések, a tiszta kommunikáció, az átgondolt átadás-átvétel folyamatok nagyon sok gondot tudnak megelőzni.

Ez talán kissé énközpontúan hangzik, de fontos, hogy a mérnököknek legyen lehetőségük visszajelezni a menedzsment és a felsővezetés irányába az üzleti oldalról érkező igények valódi kockázatairól és költségeiről.

A Lexunit sosem mond olyat, hogy valami lehetetlen. Bármilyen feladathoz alkalmazkodunk. Ezzel együtt az ügyfeleink abban is biztosak lehetnek, hogy mindig tökéletesen tisztában lesznek a kockázatokkal és utóhatásokkal, amikor elkötelezzük magunkat egy döntés mellett.

Tisztában vagyunk azzal, hogy a technikai tartozás sok esetben kifejezetten szükséges. Vannak fontos határidők, éles a verseny.

Amire igazán szüksége van egy IT-projekt megrendelőjének, az valaki, aki megmondja, ha a projekt átlép bizonyos határokat. Azt, amikor a döntéseknek akkora technical debt lenne a következménye, amennyi már veszélyezteti a célok elérését, az alapműködést. Az egész üzlet elsüllyedhet a technikai adósságok miatt - csakúgy, mint a pénzügyi adósság is válhat kezelhetetlenné.

A technical debt kezelése gyönyörű döntési helyzetek sorozata. Mély, rétegelt gondolkodásra van hozzá szükség. Mindig a jelenről, az "itt és most"-ról szól, de úgy, hogy közben a hosszútávú célokat és kihívásokat a figyelem középpontjában kell tartani.

Kövesd a Lexunit tartalomcsatornáit gyakorlati példákért arra, amikor útelágazáshoz ér a szoftverfejlesztés, érdekes sztoirkért a Machine Learning alkalmazásáról a startup világban, és más értékes megfigyelésekért az AI-fejlesztés területéről!

Ha a cég alapításának korszakáról beszélünk, akkor el szoktuk mondani, hogy a Lexunit egy kollégiumi társaságból szerveződött, és alapvetően gépészmérnökök vagyunk. 4-5-ről 20 fő környékére bővültünk 3 év alatt, és persze a kollégáink változátos háttérrel, képzettséggel, munkatapasztalattal bírnak.

Öröm és büszkeség a számunkra, hogy a közelmúltban több olyan fejlesztő is csatlakozott hozzánk, akik erősen kötődnek a felsőoktatáshoz, sőt, éppen a doktorijukat írják. Ez változatosabbá teszi a csapatban fellelhető szakértelmeket, készségeket, és erősíti a kapcsolatrendszerünket a hazai egyetemi élettel, ami sok szempontból érdekes lehet.

A mesterséges intelligencia korunk egyik kiemelten fontos kutatási területe. A tech cégek mellett az államok és az egyetemi laboratóriumok is hozzájárulnak a fejlődéséhez. Az a célunk, hogy a lehető legkorszerűbb Machine Learning és AI  megoldásokat biztosítsuk ügyfeleink számára, így fontos, hogy lehetőleg minden olyan szereplővel legyen valamilyen kapcsolatunk, akik ezen a területen aktívak.

Bogdándy Bence január óta dolgozik nálunk, mint Python-fejlesztő. Bence programtervező informatikus BSc, majd mérnök-informatikus MSc diplomát szerzett, aztán rögtön belevágott a PhD kutatásába. Közben két évig tanított az Eszterházy Károly Katolikus Egyetemen, Egerben.

Már a BSc alatt dolgozott demonstrátorként, majd tanszéki mérnökként tartott órákat, OTDK-ra járt, cikkeket publikált.

Bence a kezdetektől jól érezte magát az egyetemen, az akadémikus közeg szabad levegőjén: "Más mint azt amit egy informatikus meetupon tapasztalsz, mert ott mindenki szakmabeli". - emlékezik vissza a kezdeti tapasztalatokra.

Témavezetője biztatására kezdte el a PhD-jét a debreceni adattudományi egyetemen. Ekkor még 2016-ot írunk, szóval a Machine Learning és a Data Science korántsem volt olyan "befutott" téma mint manapság. Az oktatásban nem szerepelt, nem voltak ilyen szakok, de a cégek már hangoztatták, hogy ez a jövő, így Bence érdeklődése is ebbe az irányba fordult. Elkezdte gyakorolni a Pythont, tanulni a Machine Learninget, és ebből írta a diplomamunkáját mesterszakon. A PhD ennek a munkának a folytatása volt.

A téma a neurális hálózatok inverziójának alkalmazásai. Ez a modern gépi tanulásnak egy kevéssé kutatott része. Van példa a gyakorlati alkalmazásra, de még nagyon elenyésző mennyiségben. Nem létezik még általános implementáció, amit egy egyszerű importálás után bárki alkalmazhatna a saját projektjében, ezt még senki sem programozta le. Bence doktorijának ez lenne a hozadéka: megvalósítani, elérhetővé tenni az inverziót, mint Machine Learning megoldást, bárki számára.

A munka jelenleg is zajlik, az implementációs fázisban vagyunk, Bence még 1-2 évre saccolja a véglegesítést.

De mit értünk az alatt egyáltalán, hogy a "neurális hálózatok inverziója"?

Ha veszünk egy tetszőleges függvényt, annak meg lehet határozni egy inverzét.

A neurális háló egy általános függvény-approximátor. Mit jelent ez?

A sokat emlegetett "tanítás" a Machine Learning projektekben ebből a szempontból megfogalmazva azt jelenti, hogy van egy ismeretlen függvényünk, amit nem tudunk leírni, mert túl bonyolult.

A képfelismerő algoritmusnak sem tudjuk "megmagyarázni" az összes tényezőt, ami egy macska képét jellemzi. Ez lenne a "macskaság" vizuális mivoltjának minél teljesebb leírása. Ebben az esetben ezt tartalmazza ez a bizonyos, elméletben létező függvény.

Ezt a függvényt nem ismerjük, ezért mutatunk a gépnek egy macskát, majd még egyet, és reméljük, hogy idővel össze tud gyűjteni olyan összefüggéseket, amelyeket mi akár fel sem fogunk, észre sem veszünk, de az algoritmus ennek hatására a későbbiekben be tudja azonosítani, hogy egy új képen van -e macska (teherautó, gyalogos, betörő, stb).

A macska képét bármilyen gyakorlati alkalmazásra behelyettesíthetjük. Mi a kávéfőzés folyamata? Hogyan terjed a wifi egy épületben? Minden oldalról lefényképezte az autót a felhasználó? Minden alkatrész a helyén van?  

Matematikailag leírni ilyen folyamatokat túl bonyolult lenne, és miért is tennénk? Ha "utánzással", vagyis sok-sok példa feldolgozásával betanítunk egy neurális hálót, az "majdnem" úgy fogja csinálni, ahogy tanítottuk - szinte sosem lesz teljesen pontos, dehát mit jelentene egyáltalán az, hogy teljesen pontos macska?

Az eredmény megfelelő lesz, és ez a lényeg. Ha megfelelő az eredmény, ha a modell kellően pontos a számunkra, akkor elvégeztük a feladatot.

Hogyan lesz ebből inverzió?

Hagyjuk most a macskákat, és foglalkozzunk komolyabb dolgokkal: például borral.

Lehetne olyan algoritmust írni, ami besorolja a bevizsgált borokat kategóriákba (A, B, C), különböző paraméterek alapján, a cukortartalomtól a savasságon át a tannintartalomig. Ha ezt a neurális hálót invertáljuk, akkor azt kérjük tőle: "Adj meg olyan borokat, amelyek B kategóriájúak!"

Ekkor az algoritmus mutat egy olyan kombinációt, amely a B kategóriába esik, VAGY az ÖSSZES elvileg lehetséges B kategóriás bor megadására is képes lehet.

Egyetemi élet és fejlesztői munka

Az egyetemi életben Bence megszokta, hogy rá van bízva, hogyan hajtja végre a feladatokat. A döntéseinek nyilvánvaló a következménye. Azt tudta a multiknál elhelyezkedő barátaitól, hogy ezt az autonómiát és egyéni karrierutat el kellene engednie, ha elmenne egy nagy céghez dolgozni.

Dáviddal beszélgetve világossá vált, hogy szakmai érdeklődése jól egyezik a Lexunit szakmai profiljával. "Azt csinálják, amit én akarok, nagyjából úgy, ahogy én akarom."

A közös munka lehetőségének felmerülése utáni döntési folyamat nem volt hosszú.

Bencének mintegy két hónapra volt szüksége ahhoz, hogy a Python-tudását felhúzza a hétköznapi gyakorlati munkához megfelelő szintre - "Az egyetemi munka nagyon jó a lexikális tudásod fenntartására, de egészen más dolog valamit konkrétan leprogramozni Pythonban".

A JobStep backenden kezdett dolgozni. A funkció lényege egy ajánlási rendszer lett volna: a felhasználó kap 15-20 állásajánlatot a rendszertől, a paraméterei szerint, és visszajelzéssel pontosítja az algoritmust. Ez egy nagyívű projekt, most tartanánk nagyjából a felénél, ha a JobStep vezetői nem exiteltek volna sikeresen az elmúlt nyáron. A cég akvirálásával az együttműködésünk véget ért.

Bence az ilyen projektek tapasztalatait közvetlenül nem tudja felhasználni a kutatómunkájában, mert minden doktorinak egyedi témája kell, hogy legyen. Viszont sokféle technológiával dolgozik, és sokkal gyorsabban tud programozni - így a doktorival kapcsolatos kódolási munkákkal hamarabb tud végezni.

Az IT egy olyan tudományág, ahol az egyetemi világ egy fél lépéssel mindig le van maradva a cégek legújabb fejlesztéseihez képest, ezért Bence szerint a Lexunit, mint innovatív megoldásokat kidolgozó, egyfajta IT-problémamegoldó laboratórium, jó közeg és jó csapat a tudományos érdeklődésű IT-szakemberek számára. A későbbiekben pedig talán a cég is profitálhat abból, ha jó kapcsolatokat épít ki a felsőoktatásban, például újabb csatornát nyithat a tehetséges fejlesztők eléréséhez.

Lehet, hogy számodra is érdekes választás lehet a Lexunit? Nézz körül az aktuális állásajánlataink között, illetve küldd el a CV-d, és jelzünk, ha nyílik egy jó lehetőség!

MESTERSÉGES INTELLIGENCIA ALAPÚ AUTOMATIKUS ADATKINYERÉS DIGITALIZÁLT SZERZŐDÉSEKBŐL

A Lexunit Zrt. által fejlesztett innovatív, mesterséges intelligencia alapú szoftver jelentős előnyöket nyújt azoknak a vállalatoknak, ahol nap mint nap hatalmas mennyiségű adatot, konkrétan szerződéseket kell digitalizálni, ill. feldolgozni, és szeretnék csökkenteni ezen folyamatok idő-és erőforrás-igényességét.

A szoftver automatizmus alkalmazásával és felhasználóbarát megjelenésével teszi lehetővé a gyors és hatékony információrögzítést és feldolgozást. Olyan kulcsinformációk pillanatok alatt történő kinyerésére képes, mint például a szerződő felek neve, szerződésben szereplő összegek, cégjegyzékszám, adószám, stb.

A megoldás nagyban csökkenti a repetitív, adminisztratív terheket és lehetővé teszi a felhasználók számára, hogy az igazán fontos feladatokra koncentráljanak. Annyi a teendő, hogy feltöltjük a feldolgozni kívánt szerződésről készült képeket az alkalmazás felületére, majd egy gombnyomással futtatjuk a szoftvert és már meg is kapjuk az eredményt. Az eredményeket a felhasználó ellenőrzi, ill. lehetősége van szerkeszteni is azokat.

Összességében tehát, számottevő idő- és erőforrás-megtakarítás érhető el a vállalatok számára, ezáltal növelve a termelékenységet.

A 00072 számú projekt a Kulturális és Innovációs Minisztérium Nemzeti Kutatási Fejlesztési és Innovációs Alapból nyújtott támogatásával, a 2020-1.1.1-KKV-START-2020 pályázati program finanszírozásában valósult meg.

A projekt:

Ügyfelünk, a BlueInk egy amerikai startup. Komplex digitális marketingkampányokhoz építenek kezelőfelületet, amellyel valósidőben lehet módosítani a paramétereken.

A cég számára kulcskérdés a folyamatos innováció, mert a verseny különösen éles ebben a szektorban. A cél az, hogy a BlueInk ügyfelei mindig a lehető legjobb közönséget érjék el a hirdetéseikkel.

A tevékenységük egyik központi eleme a licitálással működő piactér.

Ez a piactér valósidejű, exkluzív megtekintéseket generál az ügyfelek számára, olyan kritériumok alapján, amelyek az ő üzleti érdekeikre alapulnak. Az ügyfelek beállíthatnak szűrőket földrajzi elhelyezkedésre, demográfiai jellemzőkre, a megjelenés időpontjára és egyéb jellemzőkre, vagy teljesen a Blue Inkre is bízhatják az optimalizálást.

A Blue Ink szakadatlanul kutatja a további finomítás lehetőségeit, erősíti a hatékonyságot mély adatanalítikával és gépi tanulással.

Ez az együttműködés egy komplex innovációs partnerség. A Lexunit nem egyszerűen kapacitásokat nyújt, és nem előre definiált feladatokat hajt végre ebben a projektben. Ehelyett közösen, az ügyféllel együtt térképezzük fel, hogy milyen módon lehetne maximális értéket generálni a számukra. Azonosítjuk a projektlehetőségeket és közösen haladunk végig rajtuk.

Három fő területen segítettük a Blue Inket idáig. Az áttekinthetőség kedvéért külön blokkokra bontva mutatjuk be ezeket az alábbiakban.

Automatizált Jelentési Rendszer

A probléma:

A BlueInk a legkülönbözőbb formában kapja a visszajelzéseket az ügyfeleitől. Szükség volt egy rendszerre, ami ezeket a visszajelzéseket összegyűjti, struktúrálja és továbbítja a hirdetési helyeket árusító partnerek (vendorok) számára. Így a vendorok ez alapján tudják optimalizálni a saját leadgeneráló folyamataikat.

Ez egy alacsony hozzáadott értékű manuális munkafolyamat, ami heti rendszerességgel ismétlődött, tehát az automatizáció itt jelentős előrelépést biztosítana.

A megoldás:

Kiépítettünk egy szoftvert, ami a teljes folyamatot sikeresen automatizálta.

Az eredmények:

Az új szoftver fellendítette a BlueInk ügyfélkommunikációjának általános hatékonyságát.

Monitoring és értesítések

A probléma:

A Blue Ink egyik célja az volt, hogy növeljék a piactér történéseivel kapcsolatos információk mennyiségét, például:

• a leadek száma, amelyekre licit érkezett
• mely vendorok biztosítják a legerősebb leadeket
• az aukciók száma és átlagos értéke
• a sikeresen lezárt licitek száma
• a kampányok hatékonysága azok témája szerint (pl. egészségbiztosítás)
  

A megoldás:

Az általunk épített monitoring eszköz vizsgálja, hogyan változik a vendorok és vásárlók viselkedése és teljesítménye. Kalkulálja az eladások növekedési vagy csökkenési arányát az előző napi adatokhoz képest, illetve riportokat készít - az egész külsőre hasonlít egy részvénypiaci riporthoz.

Egy riasztási funkciót is beépítettünk: az ügyfél eldöntheti, hogy milyen eseményekről kér riasztást, ezeket az információkat gyorsan továbbítani tudja az ügyfelek számára.

Az eredmények:

Az új montoring eszköz segítségével egyszerre több kampányt lehet menedzselni. Az automatizálás és a riasztások jelentős munkaerőt szabadítottak fel. A Blue Ink szakértői így olyan feladatokra tudnak koncentrálni, amelyekben nagyobb üzleti értéket tudnak teremteni.

Szűrés és Optimálás

A probléma:

A piactér motorja külső szoftvert is használ, ez pedig nyilván korlátozza a kinyerhető adatok mennyiségét. Sok esetben csak aggregátumok érhetők el, ami lehetetlenné teszi bizonyos mélyebb analítika elvégzését.

A megoldás:

Mivel a mélyebb adatok elérhetetlenek, ezért megkerültük a problémát és beiktattunk egy közbülső szoftvert (middleware) a vendorok és a piactér közé.

A szoftverünknek kettős célja van:

Szűrés

A magasabb színvonalú leadeket könnyebb eladni. De a licitek száma időben korlátozott. Ezért hasznos kiszűrni a leggyengébbeket. Ezeket a paramétereket módosítani tudja az ügyfél.

Optimálás

A vendorok több hasonló piactérrel is kapcsolatban állhatnak, és a legmagasabb licitet elfogadva értékesítik a hirdetési helyeket. A Blue Ink célja, hogy ez a licit a lehető leggyakrabban a Blue Ink piacteréről érkezzen. Ezért hajlandók arra, hogy a fix jutalékot bizonyos esetben dinamikusan csökkentsék, ezzel élőben reagálni tudjanak a vendorok viselkedési mintáira.

De hogyan tudhatjuk, hogy mennyit érdemes állítani a jutalék arányán az adott licit esetében?

Erre csak statisztikai választ lehet adni: folyamatosan elemezzük, hogy a jutalék módosítása hogyan hat a vendorok viselkedésére, és ennek megfelelően dinamikusan állítunk rajta.

Eredmények:

A Blue Ink piactér 3-5 millió API-hívást bonyolított le naponta, a fenti fejlesztések végrehajtása közben is. A szoftvereink összességében:

- automatikusan azonosítják a minőségi leadeket

- kiszűrik a legalacsonyabb színvonalú leadeket

- biztosítják a valósidejű adatáramlást

- optimálják a licitálási folyamatban a jutalék szintjét, dinamikusan, a vendorok valósidejű viselkedésének elemzési adatai alapján

- testreszabhatóak

Ezek a fejlesztések jelentős mértékben segítik a Blue Inket az üzleti céljaik elérésében, növelik az eladások számát és a felhasználók aktivitását.

16. helyet ért el a cégértékeléssel foglalkozó Clutch.co éves listáján a Lexunit. Büszkék vagyunk rá, mert az utóbbi időben jelentős fókuszt helyeztünk arra, hogy az együttműködéseink eredményei láthatóak és jól befogadhatóak legyenek az érdeklődők számára.

A Clutch egy meghatározó platform a digitális iparágban. Havonta több, mint egymillió látogató használja, hogy különböző digitális szükségletek ellátásához megfelelő partnert, beszállítót, szolgáltatót szerezzen.

A Clutch öt kritérium alapján értékeli egy cég szakértelmét:

- szolgáltatási kör

- a korábbi ügyfelek

- bemutatott esettanulmányok

- díjak

- közösségi média-jelenlét

Illetve négy további kritérium alapján értékeli a teljesítőképességet:

- Clutch-értékelések frissessége, száma és mértéke

- milyen títpusú ügyfelekkel dolgozott a cég

- a felkínált szolgáltatások jellege, és az abban demonstrált tapasztalat

- a márka láthatósága és jóhíre a cég célpiacain

A Clutch alapvetően egy részletes értékeléseket és esettanulmányokat gyűjtő oldal, ahol a cégek profiloldalakat tarthatnak fent. Ezek a profiloldalak segíthetik az üzleti döntéshozókat abban, hogy megfelelő partnereket találjanak.

A Lexunit "AI" és "felhőtanácsadás" kategóriákban bizonyult népszerű szolgáltatónak a Clutch szerint, ami jó visszajelzés arra, amit ügyfeleink üzleti tevékenységének felskálázásért tettünk az elmúlt évben.

A Clutch profiloldalunkon már 10, részletes és alapos értékelést olvashatsz a projektjeinkről.

Ha szívesen olvasnál ezekről a projektekről érthetően és a mi szemszögünkből nézve, akkor például ezt az esettanulmányt ajánljuk a figyelmedbe. Ebben a cikkben pedig összeszedtük a nemzetközi együttműködéseink tapasztalatait.

A projekt:

Ügyfelünk egy bostoni startup. Termékük egy álláskereső platform-szolgáltatás, amely teljesen a feje tetejére állítja a megszokott folyamatot, a munkakeresést könnyűvé, kényelmessé és automatikussá teszi.

A szoftver a weben keres, több különböző ATS szolgáltatásról kérdez le adatokat Selenium automatizálással, ugyanúgy, ahogyan az emberi felhasználók teszik.

Ezt az adatot összevetjük az álláskereső felhasználó által megadott adatokkal, majd listázzuk, miután elláttuk egy illeszkedési pontértékkel, ami azt jelzi, mennyire áll közel a felhasználó preferenciáihoz az adott állás.

A felhasználó számára a jelentkezés az állásra csak egy gombnyomásba kerül. A JobStep rendszer automatikusan lefuttatja a folyamatot.

A JobStep egészen konkrétan 5 állásinterjút ígér 6 hét alatt. Az üzlet egy előfizetési díjon alapszik, ami egy hathetes ciklusra vonatkozik, de megújítható.

A probléma:

Ez egy különleges együttműködés a Lexunit és az ügyfél között, mert a startupnak nincs meg házon belül az a technikai hozzáértése, ami a korszerű, innovatív fejlesztéshez szükséges. A teljes technikai oldal ki van szervezve a Lexunithoz, különös tekintettel a termék legértékesebb oldalára, az automatizációra.

Ezen a ponton teljesen összekovácsolódtunk az ügyféllel, a legmagasabb szinten kollaborálunk, lekövetjük a startup életcliklusát, aktívan részt veszünk az ötletgenerálásban és termékfejlesztésben is. Ez egy folyamatos dialógus, amelyben visszajelzéseket adunk arról, hogy melyik fejlesztési irány és ötlet mennyire megvalósítható, illetve erőforrás-igényes, hogyan illeszkedik a meglévő rendszerhez.

A JobStep egy működő szolgáltatás, tehát minden frissítést zökkenőmentes operáció mellett kell élesíteni.

A JobStep teljesen manuális működéssel bizonyította be a szolgáltatás életképességét - ennek a működésnek lényegében teljesen automatizáltan kell működnie a teljes verzióban.

A JobStep folyamat az alábbi elemekből áll:

- álláslehetőségek gyűjtése

- szűrés

- felhasználók paramétereinek rögzítése

- kandidáns státuszok követése

Az egyeztetés a Lexunit és a JobStep vezetés között folyamatos. Együtt alakítjuk a szolgáltatás jövőjét.

A megoldás:

Az alábbi feladatok ellátását építettük meg ezidáig:

- automatizált Google és ATS keresések, az eredmények rögzítése a JobStep rendszerein

- a szoftvert képessé tettük arra, hogy az álláslehetőségeket listázó oldalakról leolvassa és elmentse a kérdéseket, a kötelezően kitöltendő szövegbeviteli mezőket és válaszlehetőségeket

- az álláskeresők a JobStep platformjáról tudják indítani a jelentkezést a számukra szimpatikus, listázott álláslehetőségre

- a felhasználók által megadott adatok általában elegendőek, de ha az eredeti jelentkezési felület specifikusabb információt kér, akkor a JobStep ezt leolvassa, és saját felületén belül felteszi a kérdést a felhasználónak, majd felviszi a választ az állásjelentkezési oldalon

Eredmények:

2021 során végeztük ezeket a feladatokat, az alábbi menetrend szerint:

2021 eleje: működőképessé vált a keresés egy ATS-en, elkészült a jelentkezési automatizáció prototípusa

2021 május: elkészült az ún. Onboarding Form, az alap információs felület, amit a felhasználóknak ki kell tölteniük.

Íme egy képernyőfotó a végső jóváhagyásról:

A JobStep eredetileg semmilyen frontenddel nem rendelkezett. Az adatokat e-mail útján kérték be a felhasználóktól, és táblázatokba rögzítették, manuálisan.

Ekkor a JobStep képessé vált CV-k generálására és az álláskeresők kategorizálására, a meglévő adatbázis alapján.

2021 szeptember: A műszerfal RPA elkészült, csak azok a feladatok maradtak manuálisak, amelyek különlegesen nehezek a gép számára, és kézenfekvőek a kollégák számára. Már 5 ATS-t kezel a rendszer.

2021 vége: Az Onboarding Form kiegészül a Basic Information szekcióval és az Additional Question szekcióval. Ez utóbbi extra infókövetelményeket húz be az állásoldalakról és kilistázza őket ide.

Ez azt jelenti, hogy a felhasználók a JobStep felületen belül maradhatnak. A lehető legkevesebb energiát kell fecsérelniük állásjelentkezésekre, mert a JobStep elvégzi a feladat nagy részét.

Az Onboarding Form utolsó eleme az Admin Panel, amely azokat a transzformációkat tartalmazza, amelyeket lehetetlen, vagy túlzottan kapacitásigényes lenne automatizálni, de emberi közreműködéssel gyorsan és könnyen végrehajthatók.

Egy példa erre egy olyan paraméter értelmezése, mint például: “Los Angeles környékén”. Az álláskeresők gyakran definiálják hasonlóképpen a munkavégzés preferált helyét, amit nem lehet szimplán távolságátlagolással megoldani, mert sok specifikus körülmény közrejátszik (autópálya-kapcsolat, közlekedési lehetőségek). Az Admin Panelt a JobStep szakértői, a ‘job coach’ kollégák kezelik.

Módszerek, eszközök és technológiák:

Search-Api: Python, FastAPI, Celery, Selenium, Alembic, PostgreSQL, Docker, különböző Google API-k, AWS

Onboarding: TypeScript, React, NestJS, Prisma

Monitoring: Sentry, Metabase

Eredmények:

A JobStep egy ötletre alapul, amely szerint az álláskeresést automatikussá kellene tenni. Ez az ötlet mára egy teljesértékű, megvalósult termékké vált. Az álláskeresők örömmel vehetik tudomásul, hogy egyetlen kérdőív kitöltésével le is zárult számukra az álláskereséssel kapcsolatos feladatok sora, innentől kezdve csak kapcsolatban kell maradniuk a ‘job coach’-okkal. Nem kell órákon át keresgélniük megfelelő állások után kutatva, majd hosszadalmas jelentkezési folyamatokon átesniük. Mindez automatikussá vált, és ha szükséges, akkor rendelkezésre áll emberi segítség is.

A JobStep története itt nem ér véget, számos további szolgáltatáson dolgozunk folyamatosan. Kiváló példa ez egy átfogó és kiterjedt technikai és innovációs partnerségi kapcsolatra a Lexunit és egy amerikai startup között.

Érdekelné egy ilyen folyamat közelebbről is? Ismerje meg négyfázisú folyamatunkat alaposabban, és vegye fel velünk a kapcsolatot további részletekért itt!

A weboldalunkon szövegeiben, az üzleti megbeszéléseken, és a saját gyártású anyagainkban is gyakran előjön az, hogy mi ún.  “innovációs partnerként” tekintünk saját magunkra. Ezzel a poszttal megpróbáljuk elmagyarázni, hogy mit értünk ez alatt, hogyan kell elképzelni a velünk való együttműködést.

Szeretnénk betekintést nyújtani abba, hogy pontosan mit értünk “innovációs partner” alatt, hogyan működik ez, és szerintünk miért olyan fontos ma, hogy egy cégnek, vállalkozásnak legyenek innovációs partnerei.

A “partner”  elég egyértelmű (hű társ, segítő), de mi a helyzet az ‘innováció” szóval, egyáltalán mit is jelent ez a homályos fogalom, amibe manapság sokan annyi mindent tuszkolnak bele és olyan sokszor használják, hogy talán már nem is tudják, mit értenek alatta…?

Tehát mi az innováció jelentése?

Az innováció eredetileg egy közgazdaságtani fogalom. A terület egyik legmeghatározóbb figurája, Joseph Alois Schumpeter tette az innováció fogalmát általánosan elterjedté, a harmincas években, amikor a technológiai fejlődés elkezdett igazán lendületet venni.

Az innováció nem egyszerűen technikai fejlődést jelent, inkább az a folyamat, ami az új ötletek generálásából indulva új szolgáltatások és termékek létrehozásához vezet.

Korunkban a ‘disruption’, a megszakítás, mint kifejezés, az innováció egy speciális formája lett - a “kreatív rombolás”, ami kifejezetten arra törekszik, hogy a célokat az újdonságok által lehetővé tett módszerekkel érje el. A startupok egész világa szinte ezen az elven alapszik: csináljunk valamit jobban, mint ahogy az “megszokott”, mint ahogyan eddig gondolkodtunk róla.

Így lesz a lovaskocsi után személyautó, és a taxizás után Uber.

Hogyan jelenik ez meg a szoftverfejlesztésben, és a legújabb technológiai területeken?

Lényegében arról van szó, hogy a cégek számára folyamatos kihívást jelent az, hogy információt szerezzenek a legújabb technológiai lehetőségekről, és vizsgálják, hogy ezekkel a lehetőségekkel hogyan tudnának élni. Alapvetően ez a működésük módszertanát, a gyártás menetét, a szolgáltatás jellegzetességeit takarja, de természetesen ennél jóval tágabb, mindenre kiterjedő hatása is lehet, beleértve a cégek piacait, a célcsoportok szükségleteit is.

Egy lovaskocsikat készítő műhely számára jelentős hatása van az automobil elterjedésének. A taxitársaságok számára az autó-megosztó alkalmazások nem csak egy új technológiát és új konkurenciát jelentenek, hanem a célcsoportjaik fogyasztási szokásainak gyökeres megváltozását is.

Az innováció tehát a változó körülményekhez való aktív alkalmazkodás folyamata. Ha valaki jól reagál, akkor egy ideig egy trend diktálója, éllovasa is lehet.

A Lexunit abban segít a partnereinek, hogy a saját ötleteiket képesek legyenek technikailag megvalósítani, illetve élni a felmerülő új lehetőségekkel.

Innováció a szoftverfejlesztésben

Az innováció ezzel együtt is egy akkora ernyőfogalom, amibe még mindig sok minden beleférhet. De ez nem baj!

Az innovációs partnerség azt jelenti, hogy az együttműködés módja nem teljesen definiált.

Ezt a legegyszerűbb úgy megérteni, ha megnézzük, mi nem innovációs partnerség.

Sok fejlesztőcég úgy működik, mint egy “szoftvergyár”. Részletes specifikációk alapján készítenek el szoftvereket és megoldásokat. Ez egyértelmű együttműködés, van eleje és vége, tiszta ügy. Mi azonban nem így dolgozunk, nem ebben tudjuk a legnagyobb értéket nyújtani.

Mi a kapcsolatfelvétel után a megrendelővel közösen definiáljuk a problémát. Miben tudunk segíteni? Mi okozza  a legnagyobb nehézséget? Hol nyílik lehetőség automatizációra?

A probléma definíciókat ezután “megtámadjuk”. Milyen hatása lesz az üzleti oldalra a fejlesztéseknek? Mik a várható eredmények?

Innovációs partnerség a gyakorlatban

Hozzunk két konkrét példát! Az elmúlt évben sok alkalommal volt alkalmunk már ezt a folyamatot élesben tesztelni. A Lexunit ügyfélköre sokszínű, de van benne két fő kategória.

Az egyik irány az ipari hatékonyságnövelés: üzemek, gyártósorok működésének optimalizálása automatizálással, felhőbe telepített, az igényekhez dinamikusan alkalmazkodó számítási kapacitásokkal.

A másik irány az amerikai startupok “szoftveréhségének”, növekedési, skálázási igényeinek támogatása komplex technikai együttműködéssel.

Először az ipari területről hozunk egy példát.

Ügyfelünkkel többkörös egyeztetésen vizsgáljuk meg a teljes működést, és keressük, hogy hol lehetne javítani?

Az egyik beazonosított probléma az volt, hogy az elkészített alkatrészeket a speciális tárolódobozok kialakításának sajátosságai miatt néha nem a megfelelő számú darabot helyeznek el bennük az alkalmazottak.

Ez pedig már csak a megrendelőnél derül ki, a kicsomagolás során. Ez értelemszerűen rossz hatással van az ügyfél elégedettségére, a hiányzó darabokat pótolni kell, ami felesleges logisztikai terhet ró az üzem működésére.

Ezért végül egy olyan megoldás kiépítése mellett döntöttünk, amelyben egy kamera veszi a csomagolási területen történteket. A rendszer számolja az alkatrészeket, és valósidejű visszajelzést ad a dolgozóknak. Így ezt a specifikus hibát gyakorlatilag kiküszöböltük, gépi látással, zárt rendszerű, helyben telepített eszközök segítségével.

Fontos látni, hogy egy ilyen megoldást nem lehet “előre” látni, mint jó kezdőpontot az üzem fejlesztéséhez. Ehhez kell egy alapos előkészítés, mert az ügyfél magától nem tudhatja, hogy milyen megoldások, lehetőségek állnak a rendelkezésünkre.

A rendszer működését figyeljük és később tovább is fejleszthetjük. És innen tovább haladva folytatódhat a következő megoldási csomag megtervezése.

A startupok támogatásának esetében az együttműködés ennél is szorosabb.

A startupok általában egy szoftveres megoldáson alapulnak, ami “Az Ötletre” épül.

Az ötlet megfelelő kivitelezéséhez szükség van egy naprakész, versenyképes fejlesztőcsapatra. Ezt a csapatot vagy fel kell építeni, ami jelentős tapasztalat nélkül óriási feladat, vagy be kell vonni egy külső partnert.

Van olyan együttműködésünk, amiben a teljes technikai oldal ki van szervezve nekünk. Ez egy abszolút speciális viszony, hiszen folyamatosan használható visszajelzéseket kell adnunk már arról is, hogy a terméket hogyan lenne érdemes felépíteni, hogy milyen funkció lefejlesztése mennyi erőforrást és időt venne igénybe.

Ezzel a Lexunit a konkrét startupban “Az Ötlet” megvalósítását aktívan is alakítja.

Mi az innovatív jelentése a megrendelői oldalról?

Mit tehet egy vállalat azért, hogy tökéletes partnert találjon az innovációs céljainak beazonosításához és eléréséhez?

Az AI, és egyéb kiemelkedően fontos innovációs lehetőségek kihasználásához négy fő szempontot tartunk fontosnak.

Egyrészt fontos, hogy a szervezetben legyen egy konkrét felelőse annak az ügynek, hogy a szervezet a lehető legjobban részesüljön az innováció áldásaiból. Egy elkötelezett, motivált szereplőre van szükség. A feladata az, hogy átláthatóvá tegye a cég ilyen irányú törekvéseit. Nem feltétlenül a technológiailag legképzettebbnek vagy vezetőnek kell lennie. De fel kell hatalmazni az illetőt arra, hogy feltegye a fontos kérdéseket és elhárítsa az akadályokat a továbblépés elől.

A második, hogy bár az együttműködés jellege átfogó, mégis fontos a gyors, kezdeti siker. Ezért úgy érdemes priorizálni, hogy egy kisebb, jól körülhatárolható funkciót alkossunk meg elsőnek (az ipari példánk jól ábrázolja ezt). Ez jól teszteli az együttműködés rendszerét, jó hatással van minden csapattagra, a látható eredmény bátorságot ad a komolyabb, nagyobb lélegzetű innovációk feltérképezéséhez is.

A harmadik szempontnál röviden kitérünk arra, hogy jellemzően miért nem érdemes házon belül csapatot építeni erre a feladatkörre. Lényegében egy külső partnerrel összességében egyszerűbb hosszabb távon együttműködni. A titoktartás korlátlan időre érvényes, nem kell tartani a fluktuációtól, a személyi állomány menedzsmentje nem hárul a cégre. A feladatkör nagyon specifikus. Ugyanazért érdemes innovációs partnerhez fordulni, amiért egyéb IT szolgáltatásokat (a tárhelytől a felhőig) is igénybe vesznek a legnagyobb cégek is: mert hatékonyabb.

A negyedik szempont a céges kultúra kérdése. A korszerű technológiák adoptálása melletti elköteleződés beleíródik a cég DNS-ébe. Ez már messze nem egy “projekt”.  Az “eszközök” megrendelése nem elég az igazi versenyképességhez - valójában már a szükséges “eszközök” meghatározásánál szükség van a megfelelő szakértők bevonására. És ez az, amiben a legtöbb értéket tudjuk teremteni ügyfeleink számára.Ha többet szeretne megtudni az innovációs partnerségben rejlő végtelen lehetőségről, keressen bennünket elérhetőségeinken!

Autóipari beszállító cég összeszerelő üzemében építettünk ki automatizált vizuális minőségellenőrzési rendszert.

A probléma:

Az adott munkaállomásokon 20-25 centiméter hosszú alkatrészeket kell a tárolódobozokban egyesével elhelyezni, emberi közreműködéssel. A dobozok kialakítása és az alkatrészek változó száma miatt itt viszonylag magas hibalehetőséggel kell számolni - gyakran előfordult, hogy nem megfelelő számú alkatrész kerül egy dobozba, ami már csak szállítás után derül ki, a végfelhasználónál.

A megoldás:

A munkaállomáson zajló folyamatot kameraképen rögzítjük (videón, 10 fps elegendő). A  megfelelően betanított gépi látás eszköz folyamatosan ellenőrzi, hogy az éppen feltöltendő dobozban hány darab alkatrész van, és egy “OK - Nem OK” bináris kijelzőn mutatja a státuszt. Ezzel a visszajelzéssel az alkalmazottak folyamatosan ellenőrizni tudják, hogy megfelelő -e a doboz tartalma, tehát megszűnik a hibázás lehetősége.

A metódus:

A rendszerben két AI modell dolgozik. Az első felismeri a doboz típusát, innen tudja, hogy hány darab alkatrésznek kell benne szerepelni, illetve ellenőrzi, hogy a doboz egésze látható -e - nincs -e takarásban. A második AI modell az alkatrészek számát ellenőrzi, veti össze az első modellből érkező információval.

Csak akkor ad OK jelzést a rendszer, ha az aktuális képkockákon a doboz látható és az alkatrészek a doboz típusának megfelelő számban vannak benne elhelyezve.

A megvalósítás során objektumdetektálás történik, tehát az alkatrész formája be van tanítva a rendszernek, ezt keresi a kameraképen, illetve össze is számolja egyesével, hogy hány darab célobjektumot tartalmaznak a képkockák.

Eszközök és technológia:

kódolás: Python

objektumfeldolgozás: Tensor Flow Yolo

képmanipulálás: Open CV

videó stream: gateway eszköz A4 Dockerrel szerverre kapcsolva, egy videókártya elegendő a képfeldolgozásához

kommunikáció: Fast API

Eredmények:

A végeredmény egy archivált adatsor, ami a munkaállomást, az időpontot és a kijelzőn leadott jelet naplózza. Ezzel utólag is vizsgálható a munkafolyamat, de a megoldás haszna elsősorban az, hogy segíti az önellenőrzést, elvileg szinte nullára redukálja ennek a típusú emberi hibának a további előfordulási esélyét.

Az egész megoldás kiépíthető “on premise”, szigetüzemben, internetelérés nélkül is, így nullára csökken az adatszivárgás esélye.

Minden cég szereti fényezni magát, hogy mennyire jó munkahely, az IT szektorban pedig különösen iszonyú nagy a verseny a jó kollégákért. Itt jelenleg eszkimóból van kevés, ezt mindenki tudja. Nekünk is fontos, hogy ránk találjanak azok a fejlesztők, akik otthon tudnák érezni magukat közöttünk. Ideje megmutatnunk, hogy milyen valójában a Lexunit csapatához tartozni.

Szerintünk a partnereink, és az AI iránt általánosan érdeklődők számára is érdekes lehet belelátni egy olyan cég működésébe, mint a miénk. Ha pedig fejlesztő vagy és megtetszik, ha érzed a kémiát, keress minket! Bővülünk, fejlődünk, mindig szükség van új arcokra.

A Lexunit alapítói köre egy kollégiumi szobákban és a gimnáziumi évek alatt összekovácsolódott baráti társaság. A céget a jelenleg stratégiai tanácsadói feladatokat ellátó Dávid alapította két társával, akik később kiszálltak. Nem sokkal ezután hívta meg Dávid Endrét, Istvánt és Ádámot akiket a BME Kármán Tódor kollégiumából ismert. Az egymást még gimnáziumból ismerő srácokat megfogta a Lexunit, mint vízió, és otthagyták az éppen induló multis karrierjüket a változatos szerepkörért, amit ennek a cégnek az építése jelentett. Ezzel kialakult a Lexunit eredeti magja és a mai vezetősége.

A Lexunit háttere és küldetése

Alapvetően gépészmérnökök vagyunk, erről az oldalról közelítjük meg a programozást.

Mindig az volt a célunk, hogy gyakorlati innovációs segítséget nyújtsunk, leginkább ipari szereplőknek, az automatizáció, a gépi tanulás terén. Ez a piac viszont elég kemény dió, mert kevés az olyan hazai cég, akiknek megvan a tőkéje ahhoz, hogy AI-befektetésekkel hatékonyságnövelést realizáljanak. Ez egy szűk, viszonylag zárt kör, ahol elég nehéz eljutni egy prezentációig. Ezért az üzleti világ számos területén zajlottak a projektjeink, elég csak átpörgetni ezt a blogot vagy az esettanulmányainkat.

2020 végén kezdtünk amerikai startupok skálázódását elősegítő, kiszervezett technikai és innovációs partnerségi tevékenységeket végezni, ma már több sikeresen lezárt, vagy hosszú ideje tartó együttműködést tudhatunk magunkénak. Ádám és István kapacitásait hosszú hónapokra teljes mértékben igénybe vette egy-egy ilyen partnerkapcsolat, különösen az első fázisokban, amikor nagy összpontosításra és intenzív munkára van szükség. Egyébként az amerikaiakkal való közös munkáról már írtunk egy személyes hangvételű beszámolót, az itt olvasható.

Ebben az időszakban vált egyértelművé, hogy csapatainknak erősítésre van szüksége. Eddig is mindig voltak nyitott pozícióink, de ideje a stratégiai építkezésnek, mert a Lexunit jelenleg egyértelműen felívelőben van. Nagyjából ezért írjuk ezt a cikket is.

A Lexunit belülnézetből

Így néz ki az irodánk:

Mondhatjuk, hogy prémium lokáció, a Jászai közelében, minden elképzelhető étkezési opció fellelhető a környéken. Remote work is van, persze.

Jelenleg összesen 14-en vagyunk, többségében fiúk, de itt van velünk Zita, aki az üzletfejlesztésben ügyködik, és Dóri, aki gyakornokként Zitának és Endrének segít, ahol tud.

Endre a CEO, de Fecó a főnök:

Ferenc dominanciát sugároz, de asszertív vezető

A cégvezetés még mindig ‘fiatalos’, alig 30 felett. Szóval dinamizmusra, megoldáskereső (bullshitmentes) mentalitásra számíthatsz. Szeretjük azt, amit csinálunk, a csapatot a munka, a közös cél tartja össze.

Oké, ennyi talán elég is így magunkról.

Végeztünk pár belső interjút az újabb kollégák körében, azért, hogy megtudjuk és közreadhassuk a kendőzetlen véleményüket, érzéseiket a Lexunittal kapcsolatban. Nyilván kollégák és érdekeltek a cég sikerében, de… nem szíjaztuk őket a székeikbe és nem vörösre izzított usb-stickekkel kényszerítettük ki belőlük ezeket a vallomásokat.

Dani multitól jött hozzánk, SAP területről. Azért váltott mert jobban el szeretett volna merülni a fejlesztés rejtelmeiben, és közelebb akart kerülni az olyan cutting edge, aktuális területekhez, mint a machine learning, a felhő és az adattudomány mélységei.

Dani számára túl sok volt a “cégpolitika”. Nem érezte azt, hogy a csapat egy felé menne, sikerre törne.

“Mindenkinek megvolt a maga célja, de ha abba valaki belerondított, akkor alávágtak”.

Nálunk megtalálta azt, amit hiányolt, itt az alapítás óta ugyanaz a cél (innovációs partnerként segíteni az ipari és SaaS cégeket a hatékonyságnövelésben).

“Itt nincs hibáztatás, felelősségkeresés. A problémamegoldás az elsődleges. Toljuk a szekeret.”

Dani pozitív változásként élte meg, hogy a Lexunit soraiban van alkotói szabadsága, vannak “gondolkodós” feladatai.

“Nyilván olyan is van, hogy szétosztjuk a feladatokat és csak meg kell csinálni, de a legtöbbször szükség van valamilyen önállóságra és kreativitásra.”

A hétköznapi fílingben még az tetszik neki, hogy megvan a szakmai alázat, és hogy ha valaki valamit nem tud, attól még nem hülye.

Zsoca számára is otthonos ez a közvetlenség és “feszengésmentesség”, ami nálunk uralkodik, illetve ő erősségként kiemelte, hogy nálunk a munkakörödet közösen alakítjuk ki, azaz a kompetenciád és az igényeid döntik el, hogy pontosan mivel fogsz foglalkozni, nem csak egy fogaskereket keresünk, ami vagy passzol a gépbe, vagy nem…

A Lexunit kis cég, amiben azt szereti, hogy nem adottak a dolgok, sokmindent létre kell hozni.

Az önállóság mellett kiemelte, hogy itt lehet javaslatokat bedobni, aztán abból lehet valamilyen a cég jövője szempontjából mérhető hatás is. A csapatnak van igénye és nyitottsága az egyéni megoldásokra:

“A problémamegoldás során nem vagy bekorlátozva, hogy ez a folyamat, így oldd meg, hanem van egy szabadság, lehetőség arra hogy kreatívan keress megoldásokat.”

Szakmai vonalon elmondta, hogy kétségtelenül a legújabb technológiákkal lehet dolgozni, hogy a projektek valódi kihívást jelentenek, és projektvezetőként a srácok nem csak válaszolnak bármilyen kérdésre, hanem kompetensek és bizonyítani is tudnak, “nem csak odarakták őket vezetőnek”.

Zsolt azt mondta, a mi interjúnk volt a favorit (egyszerre több helyre hívták, persze ez fejlesztők esetében manapság megszokott). Egyrészt őt is személyesen régóta érdekelte ez a machine learning / big data vonal, amit csinálunk, másrészt bejött neki a szabadság (a Lexunit full flex, be lehet járni, de nem kötelező), illetve már korán megérezte, hogy a cég magja egy összetartó csapat, akik hasonlóan gondolkodnak és ugyanazt akarják.

A Lexunitba kerülése utáni mindennapokról elmondta, hogy a napok “gyorsan telnek” és “jól esik reggel felkelni”, mivel sok az újdonság, mindenki tanul valamit szinte minden nap, a munka pedig kreatív. A kommunikáció gyors, már az ügyfelek dinamikussága is pörgésben tartja a projekteket. Ahogy nagyon karakánul megfogalmazta: “a gyakorlat lefedi a szakmai fejlődési igényeket”.

Nagyon tetszett neki a próbahét lehetősége, ezt külön kiemelte.

Zita jogászként diplomázott, de amikor nem sokkal ezután elment Erasmusra Bécsbe egy nagy gépgyártóhoz, hamarosan már tárgyalástechnikai előadásokat adott veterán saleseseknek. A kinti élményei meggyőzték arról, hogy inkább ebben az irányban keresse a folytatást. Csak multikhoz adta be a jelentkezését - és a Lexunithoz. Az informatikához ekkor még egyáltalán nem konyított, a gyártóipari tapasztalatára alapozott nálunk. Az egyik multihoz is felvették volna, de minket választott: meggyőzték a két közeg közötti különbségek.

“Szeretem ezt a haveri légkört, a nyitottságot, és azt, hogy mindenki alapból segíti a másikat. Ez különösen jó volt a kezdeti szakaszban, mert nekem korábban néha nehezemre esett segítséget kérni. Ebben is tudtam fejlődni, amióta idekerültem.”

Rá kellett kérdeznünk, hogy nőként hogy érzi magát a nagy többségben lévő férfiak között, amire így reagált:

“Nem érzékelek semmilyen pozitív vagy negatív megkülönböztetést és ezt nagyon értékelem. Szerintem maximálisan kifejezésre jut az egyenlőség, például nem várnak el tőlem kevesebbet vagy nem dicsérnek jobban, mert nő vagyok. A Lexunitnál az a lényeg, hogy szeresd, amit csinálsz és megálld a helyed a csapatban – nemtől függetlenül.”

Ügyfeleink mondják

A kollégák után most pár olyan gondolat, amit az ügyfeleink szoktak kiemelni a velünk való munkával kapcsolatban:

Állítólag erősségünk a rendszerszemlélet és a hatékony kommunikáció.

A mérnöki megértés szándékából adódóan fel tudunk tárni olyan megoldási lehetőségeket, amelyekre eredetileg nem gondolt volna senki a problémafelvetés során.

“Nem a varroda vagyunk, hanem a szabásmintákban tudunk segíteni”. - ezt már mi magunk szoktuk mondani.

(Ha ennél többet is megtudnál az ügyfeleink nézőpontjából a munkánkról, nézz bele az esettanulmányokba, vagy pörgesd át ezeket a Clutch értékeléseket)

Végezetül mi magunk, a cég alapítói is elmondjuk pár szóban, hogy milyen itt dolgozni. Igyekszünk a realitás talaján maradni.

Célok és kihívások: a végtelen felfedezőút

Szóval mi ugye alapvetően mérnöki háttérrel rendelkezünk, nem “fejlesztők” vagyunk, hanem “mérnökök”, legalábbis eredetileg. Ez a gyakorlatban úgy jön le, hogy a kezdettől fogva a folyamatok megértésének szándéka vezérel minket, ez már a Lexunit előtt is így volt, a cég ennek csak egy logikus következménye és szervezeti formája.

A “folyamat” alatt leginkább a problémamegoldást értjük. Az optimalizálás iránt vagyunk elhivatottak, és ehhez használjuk a programozást, ennek a célnak alárendelve választunk eszközöket, mint például a Machine Learning, az NLP és az AI egyéb alterületei.

Nem azt nézzük, hogy miből lehet gyorsan és könnyen sokat keresni. A digitalizációs optimalizálás teljes összképe érdekel minket, azért is csináljuk, mert részt akarunk venni ebben a történelmi folyamatban, aktívan.

Ez azt is jelenti, hogy leginkább azoknak szeretnénk és tudunk segíteni, akik a saját területükön, a saját üzleti világukban ugyanerre törekszenek, akik az elérhető legjobb technológiát akarják használni, mindenkor.

A munkánkban, a projektekben a folyamatos útkeresés, a kihívások legyőzése és a tanulás adja a folyamatos flow-t.

Oké, ez mind szép, de mi az ami nehézséget okoz?

Szerencsére fel tudunk mutatni sikereket, amerikai startupoknak segítünk skálázódni és globális multiknak is dolgoztunk már, a cég fejlődik. De ez a kalandorélet, szinte egyenesen az iskolapadból, hordoz magában nehészségeket is.

Ugyanis ha mindig minden új, akkor mindig nulla tapasztalatod van az adott helyzetben. Az állandó innováció miatt nincsenek ismétlődő minták, amikre támaszkodni tudunk, hanem inkább egy megállás nélküli iterációs folyamatként lehet leírni a mindennapjainkat: nem csak a projektmunkában, hanem a cég életének tetszőleges területén, a marketingtől kezdve a salesen át az irodai takarítók koordinálásáig. Ha tartasz a repetitív dolgoktól, nyugodt lehetsz, mert itt olyat nem nagyon fogsz találni. A “learning by doing” eléggé igaz ránk. És ez valószínűleg sokak számára eléggé frusztráló is tud lenni.

Mi magunk nem vagyunk startup, nincsenek befektetőink, és nincs felettünk szakmai mentorálás sem. Egyébként szívesen elfogadjuk azt, amikor valaki valamit jobban tud nálunk.

Ez kicsit olyan, mint egy felfedezőút az óceánon: haladnod kell az expedícióval, de ehhez elsősorban biztosítani kell, hogy a víz felett maradj. Ez az egész legénységre egyaránt terhet rak, mert a kezdők számára kevés a kapaszkodó, a senioroknak pedig folyamatosan adaptálódniuk kell. A mélyvízbe dobás eléggé alapvető működés nálunk.

TLDR:

Ha a Lexunitnál dolgozol, arra számíthatsz, hogy:

- tetszés szerint iroda / home office

- BP központi helyszín

- nemzetközi projektek (akár USA)

- állatbarát iroda

- összetartó csapat

- jól definiált célokért, közösen dolgozunk

- van lehetőség egyéni megoldásokra és kreativitásra

- nem kiégetni akarunk téged, hanem kibontakoztatni

- nagyon dinamikus területen dolgozunk, nincsenek kőbe vésett protokollok

- ez a változékonyság megterhelő is lehet

Na, ennyit rólunk. Veled mi a helyzet? Akár üzleti kérdésed van, akár érdekelne a csatlakozás lehetősége, keress minket bátran LinkedInen, vagy direktben!

A modell a motor, de adattal megy. Egy izgalmas tanulmány rámutat, hogy az AI iparágban mindenki zseniális modelleket szeretne építeni, vagyis az algoritmusokkal, a tanítással bűvészkedni, az adatok menedzsmentje pedig egyfajta kellemetlen mellékfeladat, nem csillogó, nem izgalmas - és sokszor nem is kap megfelelő figyelmet. Ennek következtében elég sok AI projekt már felszállás közben beleáll a földbe. Összeszedtünk néhány érdekes problémafelvetést és esettanulmányt az anyagból, és kiegészítettük pár saját tapasztalattal - hogy a Te AI-projekted ne essen kútba azért, mert az adatok használhatósága nem kap kellő prioritást.

Ez a tanulmány egy kutatáson alapszik, amit 53 olyan szakértő bevonásával készítettek, akik ún. “high-stakes”, nagy komplexitású és fajsúlyos, konkrét élethelyzetekre jelentős hatással bíró AI projektekben vettek részt.

Olyan projeketkre kell gondolni, mint például földcsuszamlások előrejelzése, öngyilkosság-megelőzési programok, illetve rákos sejtek beazonosítása.

Összesen 10 kategóriába sorolták ezeket a programokat, a teljes lista így nézett ki:

Egészségügy (19) (anyasági egészségügy, rákdiagnózis, mentális egészség)

Élelmiszerellátás és mezőgazdasági növényegészségügy (10) (regeneratív gazdálkodás, gabonabetegségek)

Környezetvédelem, klímavédelem (7) (napenergia, légszennyezés)

Hitelezés, pénzügyek (7) (hitelprogramok, biztosítás)

Közbiztonság (4) (forgalmi szabálysértések, földcsuszamlás előrejelzése, önvezető járművek)

Fajmegőrzés (2) (orvadászat, ökoszisztémák állapota)

Akvakultúra (2) (tengeri állatvilág)

Oktatás (1)

Robotika (1) (automatikus válogatás)

Machine Learning etika (1)

Mit jelent az “adatkaszkád” (Data Cascade)?

A kutatás az “adatkaszkád” (Data Cascade) problémájára fókuszál. Ezek olyan esetek, amikor az AI projekt kifejezetten az adatkezelésből eredő problémák miatt csúszik félre, nem pedig a modellel kapcsolatban merült fel probléma.

A kaszkád akkor következik be, ha előre nem látható probléma merül fel, ami akár teljesen meg is béníthatja a projektet, de legalábbis elkerülhető hatékonyságcsökkentést eredményez.

A kutatók úgy jellemezték ezeket a projekteket, hogy:

- nagy felelősségel járnak

- interdiszciplináris munkára van szükség hozzájuk

- korlátozott erőforrások állnak rendelkezésre

A szoftvervilág élvonalában, az ipari és az SaaS szektorokban alapvetően nem jellemző, hogy olyan környezeti, társadalmi, oktatási, kulturális nehézségekbe ütközzünk, mint ezeknél a projekteknél, ahol afrikai vadőrökkel és indiai ápolónőkkel, változátos körülmények között kellett (volna) megteremteni a tiszta adatgenerálás feltételeit.

Csakhogy a Lexunit néhány éves pályafutása is elegendő volt arra, hogy  a tanulmány olvasása közben nagyokat bólogassunk: igen, ez a probléma ismerős… Ezekből a komplex AI projektekből sokat lehet tanulni, úgyhogy mi is hozzátesszük ebben a cikkben a saját tapasztalatainkat, amelyek eszünkbe jutottak a tanulmányban feltárt tipikus problémákról.

A megkérdezettek nem kevesebb, mint 92 százaléka válaszolt úgy a kutatásban, hogy legalább egy esetben megtapasztalt egy kaszkádjelenséget.

Tiszta kommunikáció és egyértemű protokollok

Az egyik visszatérő probléma az volt, hogy a folyamatokat megtervező fejlesztők nem voltak kapcsolatban azokkal, akik a terepen alkalmazni fogják az eszközöket. A projektet működtető munkatársak nem voltak minden esetben megfelelően kiképezve arra, hogy egyáltalán fel tudják ismerni az adatkezelés fontosságát.

ADATPROBLÉMÁK A LEXUNIT ARCHÍVUMÁBÓL #01:

HIÁNYZÓ ADATKÉSZLET MIATT KELL KÜLÖN FOLYAMATOT KIDOLGOZNI

A PROJEKT:

Gyártóipari ügyfelünktől a projektelőkészítés során olyan információt kaptunk, hogy hetekre előre kidolgozott gyártási tervek fognak rendelkezésre állni.

ADATPROBLÉMA:

Sajnos menet közben kiderült, hogy mégsem lesz ilyen dokumentum.

Valójában az alábbi folyamatot végezték el a cég szakemberei a gyártástervezés során:

1. Megkapták az eszközök listáját, amihez alkatrészeket gyárt az üzem.

2. Kikeresték, hogy a raktárban melyik eszközökhöz van alkatrész.

3. Megnézték, hogy melyik munkaállomásokra vannak beosztva aznap kollégák

4. Ezeknek az adatoknak megfelelően kidolgozták a napi gyártási tervet

Ez nyilvánvalóan ellehetetlenítette, hogy elkezdjünk dolgozni a tervezőszoftver optimalizálásán, hiszen nem volt meg az indító adatunk: a szükséges alkatrészek listája egy előre meghatározott időtávon.

A MEGOLDÁSUNK:

Mivel hosszútávú gyártási tervre nem számíthattunk, a fenti négylépéses munkafolyamat automatizálására építettünk eszközt. Az indítóadat a végtermékek listája, a szoftverünk ebből elkészíti a napi gyártási tervet, automatikusan.

MIT CSINÁLHATTUNK VOLNA MÁSKÉPP?

Mindig lehet még egyszer ellenőrizni és visszakérdezni: “De biztosan rendelkezésre fog állni ez a kulcsfontosságú adat, igaz?” Ennél még eggyel jobb megoldás lett volna, ha már az elején megkérjük az ügyfelet, hogy részletezze a gyártási terv elkészülésének menetét. Így már korábban megfelelő megoldási tervekkel készülhettünk volna.

Az adatok előkészítését sokszor magától értetődőnek vesszük, nem mindig megfelelő súllyal esik latba az ezzel kapcsolatos munkaigény. A tanulmányban résztvevők az adatelőkészítést úgy jellemezték, mint olyan feladatkört, ami “időigényes, lehetetlen nyomonkövetni és gyakran siettetve történik. Az adatminőség melletti elkötelezettség gyakran sérül határidők és egyéb külső körülmények hatására.

Mivel a témakör nehezen prezentálható, sokszor nehéz megfelelő támogatást kérni az adatmunkához az ügyfelektől.

Pedig ha az adat nem elég jó, akkor az eredmények sem lesznek elég pontosak.

A projekt összes fázisában fontos az elkötelezettség

Veszélyes az, amikor az ügyfelek a látványos esettanulmányok és az AI-körüli felhajtás miatt elvárják a “varázslatot”, a megfelelő minőségbiztosítás nélkül. Ez gyakran vezet “gányoláshoz”. A tanulmány feltárja, hogy sok projektmenedzser kerül olyan dilemma elé, hogy meg akar felelni a vezetői elvárásoknak, de szeretné a megfelelő minőséget garantálni. Ilyenkor sokszor nincs más út, mint levágni a sarkokat és reménykedni…

A tanulmány szerint még az AI-tananyagok nagy része is szinte mindig adottnak veszi a teljesen tiszta indítóadatok meglétét, holott  a valóságban gyakorlatilag nem létezik ilyesmi.

A data scientist szerepkör egyik kulcsfeladata az adattisztítás, de ha az adat fizikai eredetű (például gyárban működő gépek paraméterei), akkor gyakran nem lehet már emberi szakértelemmel segíteni a helyzeten, ha az adatrögzítés folyamata nem sikerült jól. Ez az egyik tipikus oka a sikertelen AI projektek nagy részének.

ADATPROBLÉMÁK A LEXUNIT ARCHÍVUMÁBÓL #02: ELÜTÉSEK MIATT SIKLIK FÉLRE AZ ALGORITMUS

A PROJEKT:

Egy gyártási folyamat optimalizálása során alkatrészek adatsoraiból készítettünk gyártási tervet

AZ ADATPROBLÉMA:

Az egyik termékleírásban volt egy elütés, egy alkatrészből 800 darabot jelzett, holott valójában cak 8 darabra volt szükség belőle. A predikciós algoritmus eleinte szépen alakult, aztán egyszer csak “kitört”...

A MEGOLDÁSUNK:

A kitörés miatt leállítottuk az algoritmust és adatproblémára gyanakodtunk, rövidesen meg is találtuk az elütést. Szerencsére elég nyilvánvaló volt, mert egyetlen más esetben sem kellett többszáz alkatrész egy termékbe.

MIT CSINÁLHATTUNK VOLNA MÁSKÉPP?:

Felmerülhet a kérdés, hogy miért nem ellenőrizzük a termékleírást, mielőtt tanítóadatként rögzítjük? Sajnos 4000 olyan terméket, ami 8000 különböző alkatrészből áll, nem tudtunk átfésülni csak ezzel a céllal. Meg kell tenni az óvintézkedéseket, de egy ponton túl meg kell bíznunk az ügyfél által biztosított adatsor tisztaságában.

Talán többször is érdemes hangsúlyozni az ügyfél számára az adatok pontosságának fontosságát, és megvizsgálni, hogy milyen lépéseket tesz ennek érdekében.

Egy kaszkád okai

Szóval mik is lehetnek az adatkaszkádok okai? Mi az, ami félre tud vinni egy AI projketet, mielőtt még az be tudna indulni? A tanulmány részletesen foglalkozik ezzel, mi az alábbi főbb pontokat emeljük ki:

1. Fizikai hatások

Például gépi látásban a kamerakép kulcsfontosságú. Eső, homok, szél, szennyeződések könnyen ronthatják a képfelismerés hatékonyságát. Mindig fel kell mérni, hogy milyen fizikai hatások befolyásolhatják az adatrögzítést, mert sokszor meglepően jelentéktelennek tűnő behatások is tönkretehetik az adatokat.

ADATPROBLÉMÁK A LEXUNIT ARCHÍVUMÁBÓL #03: GÉPI LÁTÁS ADATSORT SEMMISÍT MEG EGY IDEGEN OBJEKTUM

A PROJEKT:

Egy automatizált fényképezési folyamatnál valaki besétált a képbe és egy darabig ott is maradt.

AZ ADATPROBLÉMA:

Az illető nem takarta a fényképezett objektumot, de ettől még sajnos a képek használhatatlanok lettek tanítóadatként.

A MEGOLDÁSUNK:

Azt gondolhatnánk, hogy elég alapvető dolog nem beállni a fényképezett területre ilyen esetekben, de mégsem az. A fotózást meg kellett ismételni.

MIT CSINÁLHATTUNK VOLNA MÁSKÉPP?:

Hangsúlyozni kell az adatok tisztaságának fontosságát. A célobjektum mellett sem állhat senki a fotózás során, erre is külön fel kellett volna hívni a figyelmet. Mindig a maximumra kell törekedni érthetőség és egyértelműség terén!

2. Nem megfelelő hozzáértéssel rendelkezők beavatkozása

Ha az adatok generálásakor döntési helyzetek merülhetnek fel, akkor olyan embernek kell ott lennie, aki fel van készítve a helyes döntések meghozatalára. Különben azt fogják tenni, amit jónak gondolnak, és ez néha nem megfelelő megoldáshoz vezet.

Aki részt vesz a projektben, annak alapos és korrekt felkészítésben kell részesülnie. Még jobb, ha segítséget is tudnak kérni valósidőben, kérdés esetén.

A tanulmány meglehetősen sok esetet felsorol, ahol az adatgyűjtést kiadták képzetlen munkaerőnek, akik így sokszor hibás adatokat rögzítettek (vadőröktől kezdve a kórházi ápolókig).

ADATPROBLÉMÁK A LEXUNIT ARCHÍVUMÁBÓL #04: NEM MEGFELELŐ KEZELÉS MIATT SZENNYEZŐDIK AZ ADATSOR

A PROJEKT:

Az adatsorokat a projektek többségében módosítjuk, teszteljük és alakítjuk az előkészítés során. Extra óvatosnak kell lenni ilyenkor, és mindig tudni kell, hogy hogyan és miért került be egy bizonyos adat az adatbázisba.

AZ ADATPROBLÉMA:

Az ügyfél manuálisan felvitt néhány adatot tesztelési és megfelelőségi célokból, aztán egyszerűen elfelejtette eltávolítani ezeket a tesztadatokat. Illetve nem is említette, hogy bevitte őket.

A MEGOLDÁSUNK:

Minden adat-interakciót logolunk és az adategységek általában címkézettek, ami alapján szűrni tudjuk őket, így lehet elkerülni az ilyen problémákat egy éles termékben.

MIT CSINÁLHATTUNK VOLNA MÁSKÉPP?:

A fejlesztési fázisaival egyértelműen tisztában kell lennie minden szereplőnek, tudni, hogy mikor mi történik. Azt is, hogy melyik adatsorral milyen típusú interakciók engedélyezettek az adott pillanatban. Nyilvánvalóan nem mindenki van alapesetben tisztában azzal, hogyan működik a gépi tanulás és az automatizáció. Biztosra kell menni, és elkerülni, hogy valaki ne nyúljon az adatokba csak azért, mert azt gondolja, hogy ez nem fog problémát okozni.

3. Konfliktusos jutalmazási rendszer

Egyszerűnek hangzik, de visszatérő projektmenedzsment probléma, hogy az adatokkal való munkát egyszerűen kiadják a nem szakértő kollégáknak, de közben nem allokálnak rá extra kapacitásokat, tehát a megszokott feladataik elvégzése mellett kellene színvonalas adatszolgáltatást is biztosítaniuk. Ezt nyilvánvalóan megsínyli az adatminőség.

4. Gyenge minőségű dokumentáció

A kutatás eredményei arra jutottak, hogy sok esetben a generált adatsorok minősége utólagos munkát vagy éppen becsléseket, találgatásokat igényeltek a feldolgozási szinten, amikor a terepen lezárult az adatgyűjtés. Több esetben többhónapos munka eredménye ment a kukába.

Az egyik fő probléma, hogy a standardok és minősítések szervezetről szervezetre különböznek. Ez minket a “mi így szoktuk”-típusú visszajelzésekre emlékeztet. Az adatgyűjtésnél nem csak a “mit” a lényeges kérdés, hanem a “hogyan” is. Kisebb gyakorlati különbségek, félreértések, nem kellően hangsúlyozott irányelvek is vezethetnek katasztrofális hibákhoz, ezért erre különösen tekintettel kell lenni akkor, amikor több  különböző csapat, szegmens, részleg vagy partner együttműködésére van szükség az adatmunkában.

Konklúziók

A tanulmány megfogalmazásában: “Az eredmények józanítóak. Ott is megtörténhet az átláthatatlan, elhúzódó adatkaszkád, ahol az adatminőség mellett minden résztvevő elkötelezett. Az iparágban a meghatározó hozzáállás reaktív, és kiegészítő feladatkörnek tartják az adatmunkát. Ezen változtatni kell, el kell mozdulni a proaktív és az adatkiválóságot fókuszba helyező hozzáállás felé.”

Ehhez tisztázott folyamatokra és szabványokra van szükség. Ennek eléréséhez pedig egy erős infrastruktúrát kell felépíteni minden AI projektben, illetve megfelelő ösztönzőket megállapítani minden résztvevő számára.

“Annak ellenére, hogy az adat az elsődleges, mégis a modellfejlesztés az ünnepelt oldala az AI-munkának, hiszen ez az amit be lehet mutatni konferenciákon, demonstrálni az állásinterjúkon, és ez az amiért a startupokra extra nyomás nehezedik, mert kutatólaborként is kell funkcionálniuk.”

A modellmunka van reflektorfényben, úgyhogy a vezetők számára fontos, hogy nézzenek be az árnyékos oldalra is. Megfelelő körültekintéssel kell az egész folyamatot vizsgálni, és a valós szükségleteknek megfelelően allokállni az erőforrásokat!

A probléma már az oktatás szintjén megjelenik. Az “AI-képzettség” szinte egyet jelent a modellfejlesztéssel, ezért arányosan kevesebben vannak az igazán jó adattudósok egy 2016-os kutatás szerint - mondjuk ha a friss állástrendeket nézzük, ez a helyzet változóban van. Az adattudománynak már javulóban a presztízse, de fontos, hogy ez a projektek gyakorlati tervezése és menedzsmentje során is megjelenjen.

Van egy régi mém a természetes nyelvfeldolgozással foglalkozók közösségében, ami jól rávilágít az adatmunkát érintő felfogás problémáira: “Mindig, amikor kirúgunk egy nyelvészt, javul a szövegfelismerési hatékonyság”. Természetesen gyorsan lehet értéket generálni ha átvágjuk a kanyarokat, csak hosszabb távon alacsonyabb lesz a fejlődési potenciál.

A kutatásban a jó gyakorlatokról is megkérdezték az AI-projektekben résztvevőket. Igazából semmi forradalmit nem mondtak, csak olyan dolgokat, amik a szoftverfejlesztésben rég bevettnek számítanak, csak éppen az adatkezelési oldalon nem mindig szokás őket alkalmazni:

- általános, mindenkire érvényes irányelvek

- alapos dokumentáció

- egymás ellenőrzése (peer review)

- jól körülhatárolt szerepkörök

Ezekkel a megoldásokkal ki lehet zárni a bizonytalanságokat és nagyságrendekkel csökken az adatszennyezés esélye.

Mi az amit te tehetsz azért, hogy ne sodorja el az AI projektedet az adatkaszkád? Reméljük, adtunk néhány hasznos gondolatot, és egy kicsit sikerült az adatoldalra irányítani a figyelmet, hiszen tényleg többet érdemelne. Nagyon gyakran ezen múlik, hogy siker vagy kudarc lesz -e az értékteremtési folyamatok eredménye!

┃A projekt

Nagy mennyiségű online újságcikk feldolgozása és kategorizálása jellemzőik alapján, a cím, a tartalom, a szerző és a dátum megállapításával.

┃Probléma

Ügyfelünknek (egy magyar startup) egy megbízható, robusztus és folyamatosan működő adatfeldolgozó rendszerre volt szüksége, amely skálázható is. Többszáz hírportál és egyéb weboldal teljes tartalmát kellett valósidőben menteni. Az elmentett adatokon az ügyfél saját szolgáltatását, valamilyen analitikai feladatot végzett el.

Ehhez a feladathoz egy olyan rendszerre volt szükségük, amely beazonosítja az online cikkek főbb építőköveit, vagyis a címet, a szerzőt, a dátumot, és a tartalmi részt, majd ezeket megfelelő kategóriák alatt el is menti. Minden más adatot (beleértve például a képeket, banner hirdetéseket) “más” indexeléssel kellett ellátni és figyelmen kívül hagyni.

Mivel az új tartalmak áradata sosem szűnik meg, ezért végtelen skálázhatóságra volt szükség.

Ezen kívül egy összekötő megoldást is ki kellett dolgoznunk, ami lehetővé teszi, hogy az általunk gyűjtött adat automatikusan, erőfeszítés nélkül és folyamatosan be legyen csatornázva az ügyfél analitikai rendszerébe.

┃Megoldás

Építettünk egy ún. scraping eszközt, amely előre meghatározott webcímeket keres fel, ott megnyit minden egyes linket, azokat priorizálva, amelyeket cikk-ként azonosít. Először a legfrissebbekkel kezd. Ha a linkelt oldalon talál linket, azt is megnyitja. Egészen addig folytatja ezt, amíg a linkelt oldalon már nem talál további linket.

A Proof of Concept jól működött, bebizonyította, hogy az alkalmazott gépi tanulásos modell megfelelő megoldást kínál. Ezután el kellett érni, hogy a modell végtelenül skálázható és folyamatosan működőképes legyen. Ehhez a felhőtechnológia alkalmazása tűnt járható útnak. Az AWS segítségével elértük a dinamikus skálázhatóságot, amire egy fizikai szerver nem lenne képes. A projekthez ugyanakkor egy hibrid “serverless” metódusra is szükség volt, mivel bizonyos adatokat folyamatosan elérhetően kellett tárolni.

┃Metódus

Létrehoztunk egy gépi tanulás modellt, és az online cikkek DOM elemeinek (a weboldalak xml és html fájljai logikai faalakzatban) indexálásával betanítottuk. Azt is megtanítottuk a modellnek, hogy a cikk elemei jellemzően hogyan helyezkednek el egymáshoz képest.

Miután a szoftver megnyitja egy adott portál főoldalát, majd az összes további linket az oldalon, ellenőrzi az alábbi paramétereket:

1. Felhasznált font típusa, szavak száma

2. Szöveg színe, központozási jelek típusai

3. a TextNode doboz értékei (alak és méret)

4. TextNode Class és Parent Tag

5. DOM szekvencia relatív pozíciói

Ez a modell létrehoz egy kategória-valószínűségi vektort.

A szoftver megbecsli a kategóriáját az adott DOM-nak. A tanítási fázis során megmutatjuk a helyes megoldást, tehát a tanítási folyamat ebben az esetben “supervised”, ellenőrzött.

A modell ezután elmenti a megoldást (“helyes volt a becslés vagy nem?”), újrakalibrál és átlép a következő DOM-ra, már egy kicsivel magasabb sikerességi eséllyel.

A metódus sikeresnek bizonyult, megbízhatóan mentette el a megfelelő kategória alatt az adatokat.

┃Eredmények

Az ügyfél 5-10 ezer webcímet szkennelt minden nap. A szoftvert nem kellett leállítani a folyamatos fejlesztés közben sem. Folyamatosan monitoroztuk a memóriafelhasználást és egyéb paramétereket. 15 “crawler” dolgozott 45 szálon, mint egy 100 Gb adatot generálva óránként.

A metódus sikeresen átment a stresszteszteken és még mindig használatban van, kevesebb, mint 1 százalékos hibarátával.

A projekt

Ügyfelünk adatalapú információ átadással, tanácsadási szolgáltatások nyújtásával foglalkozik. A magyarországi leányvállalat célul tűzte ki a jogszabályok változásairól szóló nyilvános információk (cikkek) folyamatos monitorozását, illetve az ezekben fellelhető információk felhasználható adattá alakítását.

A probléma

A jogszabályok szövegéből természetesen kinyerhető egy csomó technikai adat, amelyeket lehetséges tárolhatóvá és kereshetővé tenni. Csakhogy egy jogszabályváltozás lehetséges hatásait ezekből az adatokból nem lehet kinyerni - ehhez a jogszabályokat értelmező cikkek szövegének elemzése szükséges.

Nyilvánvalóan értékes szolgáltatás lenne a partnercég ügyfelei számára, hogy ha a jogszabályokkal kapcsolatos információkat folyamatosan friss szakmai kommentárokkal látná el.

Az összes ilyen szakcikk napi szintű felkutatása, a releváns információk kinyerése és rögzítése jelentős feladatot jelentene a szakértők számára. Ennek a folyamatnak a teljes vagy részleges automatizálása jelentős üzleti értéket tudna teremteni a cég ügyfelei számára.

A megoldás

Első lépésként egy intelligens hírkeresőre volt szükség.

Ez a rendszer teljesen automatizáltan gyűjti össze az online cikkeket, kinyeri a szükséges adatokat, továbbá Természetes Nyelvfeldolgozás (NLP) segítségével a cikkeket minőségi és a változásokhoz kötődő relevanciájuk szerint rangsorolja.

1. Adatgyűjtés és keresés futtatása

Összegyűjtjük a módosítással érintett jogszabályokat, majd az ezekből meghatározott keresési kifejezések segítségével összegyűjtjük a találatokhoz tartozó linkeket.

2. Web-Crawling

Az általunk fejlesztett ún. scraping eszköz egyesével megnyitja az említett linkeket, kinyeri a weboldalt felépítő elemekhez (DOM-okhoz) tartozó információkat. Általában egy DOM-elem tartalmaz valami szöveget/képet, stílusleírókat (háttérszín, szöveg típusa) valamint az oldalon való elhelyezkedést.

3. Cikk / Nem cikk szerinti osztályozás

A gyűjtött adatokat az általunk létrehozott gépi tanulás modell osztályozza aszerint, hogy azok cikkek vagy sem.

4. Adatkinyerés

A cikkekből egy másik, szintén általunk létrehozott gépi tanulás modell kinyeri a címet, a publikálás időpontját, a tartalmat, valamint a szerzőt, ha az jelölve van.

5. Ranking

Az adatkinyerést követően a rendszer a cikkek tartalmát összeveti a jogszabály megváltozott szövegével. Minél jobban hasonlít, annál magasabb prioritást kap. Az algoritmus figyelembe veszi a cikk dátumát, hosszát, és fehér-, illetve fekete listákkal is összeveti a webcímet.

Módszerek, eszközök és technológiák:

Python, Google Search API, PostgreSQL adatbázis, a modellekhez a Tensorflow és LightGBM keretrendszereket vettük igénybe.

Eredmények:

A szoftver automatikusan összegyűjti és csokorba szedve, fontosság és relevancia szerint osztályozva mellékeli a weben megjelenő írásokat, amelyek az adott jogszabály változásairól szólnak, így kényelmessé téve az információk követését.