A szoftverfejlesztés útjairól, a szoftverek segítségével zajló automatizációs lehetőségekről és a mesterséges intelligencia jelenéről beszélgettünk Balogh Endrével a Lexunit vezetőjével.
Hogyan tanulnak a „robotok”? Hol tart manapság a mesterséges intelligencia fejlesztése, mire használható, tanítható be jelenleg egy program? Hogyan segíthet cégünk automatizációs folyamataiban és vajon a folyamat végén meddig ülnek még emberek? Ilyen és hasonló kérdéseket boncolgattunk a Lexunit társtulajdonosával, aki a következőképp foglalja össze tevékenységük lényegét:
„Ezekkel a szoftverekkel könyebben láthatunk meg összefüggéseket, emberi erőforrást válthatunk ki és aknázhatunk ki jobban, időt spórolhatunk, költséget csökkenthetünk vagy egységnyi idő alatt még nagyobb hatásfokkal lehetünk képesek termelni. Azt gondolom, ez egy olyan szoftver, amit mindenkinek használnia kell majd a jövőben, mert aki nem így tesz, az gyakorlatilag egy ponton túl nem tud majd fennmaradni.”
Hogyan tudnád leírni a munkátokat a témában teljesen járatlan érdeklődőknek, akiknek a mesterséges intelligenciáról, a szoftverfejlesztésről esetleg egyből az utóbbi évek egyre szaporodó sci-fijei jutnak eszébe?
A szoftverfejlesztésen belül mesterséges intelligencia alapú rendszerek fejlesztésével foglalkozunk, ezek mellett pedig vannak adatelemzéses témaköreink, illetve egyedi szoftvereket is fejlesztünk. Hogy ez mit jelent pontosabban?
Semmiképpen sem valamilyen Skynetes (A Skynet egy kitalált, katonai védelmi célokra készített számítógépes program, melyet a Terminátor-filmekből ismerhetünk. Skynet egy mesterséges intelligencia, mely öntudatra ébredt, és végül saját teremtői ellen fordult. Ő a Terminátor-sorozat legfőbb gonosza. – forrás: wikipédia) disztópiavilág építését!
Ez egy erősen félelemalapú elképzelés, amit sajnos rengeteg cikk és film is megerősít, amik a mesterséges intelligenciák vélt vagy valós képességeiről beszélnek a nézőnek, olvasónak. Mi alapvetően nem Skynetet fejlesztünk.
A helyzet az, hogy a tudomány aktuális állása szerint nagyon távol vagyunk attól, hogy egyáltalán az emberi agyat, az emberi gondolkodást képesek legyünk leképezni szoftveresen. Egy szoftvernek pedig csak azt lehet betanítani, amit mi magunk már ismerünk.
Ami most mesterséges intelligenciának, mesterséges intelligencia alapú rendszernek minősül, az szakmai kifejezéssel a machine learning, azaz gépi tanulás. Itt gyakorlatilag célszoftverekről beszélünk, amelyek bizonyos célproblémákat és feladatokat tudnak megoldani. Azt, hogy egy ilyen szoftver átfogóan és értelmesen tudjon gondolkodni, hogy absztrahálja a világot, majd öntudatra ébredjen, ez olyan távol van tőlünk, mint a közmondásos Makó Jeruzsálemtől.
Hogyan képzeljük el ezeket a megoldásokat?
Vegyük azt a példát, hogy a cégünknek a következő a problémája: rengeteg képünk van almákról és szőlőkről, különböző színekben, különböző irányokból fotózva. A célunk, az üzleti folyamatunk célja az, hogy ezeket a képeket szétválogassuk. Alapesetben ül egy ember egy számítógép mögött és elvégzi a válogatást, hiszen egy ember bármilyen szögből és fényben lát egy almát, meg tudja mondani, hogy ez egy alma, ugyanez érvényes egy szőlő esetében.
A gépi tanulásos módszereknek köszönhetően ma már egy ilyen munka elvégzésre betanítható egy gép is, amelynek célja, hogy meghatározza és szortírozzaa képeken látható objektumokat. Ez egy didaktikus módszerrel érhető e, méghozzá úgy, hogy nagyon sok almáról és szőlőről készült képet mutatunk a gépnek, ami erre rátanul. A tanulási foylamat lezárultával, ha mutatok neki egy olyan képet, amit esetleg még sosem látott addig az adott objektumokról, akkor is 90%-os eséllyel tudja majd eldönteni, hogy mit lát.
Mekkora a hibalehetőség?
Az attól függ, mennyi tanítóadatot tudunk a szoftvernek mutatni. Ha tíz képet lát csak mindegyik típusból, akkor – bár nehéz lenne számokat mondani – nagyjából 80%-os biztonsággal tudja eldönteni, hogy mit lát, melyik melyik objektum. De ha egymillió képet mutatok neki minden felismerendő objektumról, akkor majdnem 100%-os pontossággal lesz képes választani.
Mennyi hibalehetőség van ezzel szemben egy ember munkájában?
Egy ember valószínűleg soha nem tévedne egy ilyen egyszerű szortírozási feladatban. A nagy különbség ott van, hogy ő tizenkét óra után elfárad és hibázini fog, míg egy szoftver nem fárad el, illetve gyorsabban is dolgozza fel a képeket, mert az algoritmus automatizáltan fut le.
Így amit én állítok az az, hogy a technológia az emberi pontosságot tudja megközelíteni és csak azért érhet el magasabb százalékot ebben, mert nincs meg benne ez az „elfáradási-tényező”, az emberi tényező.
Sok esetben a mesterséges intelligencia olyan módon része az életünknek, aminek nem is vagyunk tudatában. Hol vannak ezek a területek, amiket akár naponta használunk?
Klasszikus eset a chatbotok területe. Az ezekkel való kommunikációban választhatok, hogy A vagy B lehetőségről szeretnék vele „beszélni”, hiszen ha szabadszavas beszélgetést akarnék folytatni, arra már nem lenne képes. Ha szabadszavas megfogalmazásban írom le a problémámat, amire megoldást keresek, ahhoz a túloldalon mindenképp egy embernek kell ülnie, aki mindezt értelmezi és annak fényében reagál az olvasottakra.
Ma már létezik egy olyan megoldás erre, ami úgy néz ki, hogy a szoftver természetes nyelvfeldolgozással értelmezi a bemenő információt és így képes releváns választ adni. Fontos kiemelni, hogy ezek a szoftverek sem tudnak minden beszélgetést leképezni, de egy folyamat nagyobb százalékát már képesek lefedni. Mindazt, ami ezen a lefedettségen túlmutat, továbbítják az emberi erőforrásnak.
A másik kézenfekvő példa a telefonunk. Mi nem látunk nagy különbségeket, de a színek teltebbek, a képek élesebbek és ezek is a benne futó mesterséges intelligenciáknak köszönhetőek. Az ilyen célszoftvereket észrevétlenül használjuk a hétköznapjainkban.
A telefonjaink rengeteg adatot gyűjtenek nap mint nap. Ezzel a big data-val mit tud kezdeni a mesterséges intelligencia?
Nehéz belátni a kulisszák mögé és pontosan megsaccolni, hogy a Google mennyi információt is gyűjt rólam. Azt tudhatjuk, ha egész nap megy a telefonunk, könnyen lekövethető hol dolgozunk, élünk, milyenek netezési szokásaink. Gyakorlatilag van egy digitális profilképünk az adatbázisukban, ami abban is segíti őket, hogy célzott ajánlatokat küldjenek, így nagyobb százalékban realizálható vásárlási szándék.
Alapvetően azt tanácsolnám mindenkinek, hogy gyűjtse az adatait a cégével, az üzleti folyamataival kapcsolatban. Lehet ez termeléstől kezdve a pénzügyi folyamatokon át bármilyen adat, amit strukturált formában le lehet menteni, mert ezek a jövőben kulcsfontosságúak lesznek. Valójában már most is azok, hiszen bizonyos döntéseket az ilyen adatok alapján lehet igazán megalapozottan meghozni, és aki most nem gyűjti őket, az le fog maradni.Az adat az új olaj, mert akinek van belőle, az előrébb lesz ahhoz képest, mint akinek nincs.
Hogy miért fontos még az adatok gyűjtése? Mert ha például van ötévnyi historikus adatom, akkor arra visszamenőleg olyan adatelemzést tudok csinálni, amiből trendek olvashatóak ki vagy akár az üzletemmel kapcsolatos problémák detektálhatóak. De ezekkel az adatokkal olyan predikciók felépítésére is képesek lehetünk, melyek korábban nem voltak megoldhatóak komplexitásuk miatt.
Az emberi agy nem képes száz paraméter, száz nyers adat következményeit és összefüggéseit, hatalmas excel táblákat és adatbázisokat egymásba fésülni, de egy szoftver igen.
Mit tudnál tanácsolni a KKV szektor vezetőinek, ők hogyan hasznosíthatják legjobban az eddig elhangzottakat?
Érdemes minden cégvezetőnek megvizsgálni azokat a belső folyamatait, amelyekben a legtöbb ismétlődés van, véges döntéshozatali lépésekkel. Ez jellemzően az adminisztráció vagy a dokumentumkezelés területe. Ezen a ponton visszautalnék az alma-szőlő példára, hiszen ott hasonló folyamatokat tanítunk be a szoftvernek, mint az ismétlődő adminisztrációs feladatok esetében.
Adott a kupac képünk, amit szét kell válogatnunk vagy a kupac dokumentum, amit kategóriákba kell rendezni. Itt jön be az a digitalizációs lépcső, ahol a szoftvert felhasználhatjuk. Megtanulja ezeket a repetitív folyamatokat, így az emberi munkaerő képességeit, aki a sokkal komplexebb problémák ellátására is képes, megfelelőbben aknázhatjuk ki.
Van esetleg ennél konkrétabb példa, amit ki tudnál emelni?
Mondok egy klasszikus területet: a számlázás. A könyvelésre beérkezik egy számla és nekem ki kell nyernem belőle az adatokat. Természetesen az adatokat ugyanúgy be kell vinni: mennyi volt a nettó bevétel, és így tovább. Ezen felül rengeteg számlatípus is van és hiába vannak szkriptjeim, teszem azt a számlázz.hu típusú számlákra, ha valamelyik beszállítóm egy másik típust küld be, arra már nem lesz alkalmazható ez a szkript. A machine learning megoldások ezzel szemben arra képesek, hogy rátanulnak a számlák vagy bármilyen más dokumentum felépítésére.
Tehát a közeljövőben a munkakörök is jelentős változáson mehetnek át?
Ahol nem egy vezetői döntésről van szó, hanem egy alma-szőlő leválogatós vagy bármilyen a, b, c kategóriába sorolós döntésről, ott egyszerűen erőforráspazarlás emberrel végeztetni ezt a folyamatot. Hogy egy adott alkatrész megfelelő-e vagy sem, azt alapos betanítás után egy gép is képes eldönteni.
Fontos leszögeznem, ez nem azt jelenti, hogy az ezt a típusú munkát végző munkatárstól megszabadulunk, hanem azt, hogy olyan helyet keresünk neki, ahol az ő erőforrásait sokkal megfelelőbb módon tudjuk kiaknázni!
Az alkatrészes-gyártósoros példát továbbvíve azt is el tudom mondani, hogy ezek az algoritmusok, amikkel ilyen feladatkörök elvégeztethetőek, legtöbbször már a felhőben futnak, így nekem nem szükséges odamennem a helyszínre, hogy frissítsem a szoftvert. Ha pedig újabb alkatrész jön, akkor csak annyi a dolgom, hogy szemrevételesen megvizsgálom vagy megvizsgáltatom, bekérek róla többezer képet és erre is rátanítom az algoritmust, ami onnantól ugyanúgy felismeri majd az új objektumot is.
