A szoftverfejlesztés útjairól, a szoftverek segítségével zajló automatizációs lehetőségekről és a mesterséges intelligencia jelenéről beszélgettünk Balogh Endrével a Lexunit vezetőjével. Az első részt itt olvashatod.
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.”
Mit gondolsz, mennyi idő lesz, míg az emberekbe beépül ez a tudás, ennek a tudásnak a használata?
Látok egy erőteljes különbséget ebben Nyugat és Kelet között. Vannak ügyfeleink Nyugat-Európában és Amerikában és ők már az első lépésektől abszolút ebben gondolkodnak. Együtt dolgozunk például egy kicsi, amerikai lead generáló céggel, akik azt szerették volna, hogy az algoritmus képes legyen kiválasztani az ügyfél által preferált leadeket, majd olyanokot ajánljon, amik ezek alapján nagyobb valószínűséggel hoznak üzletet.
Ők konkrétan a nulladik perctől abban gondolkodtak, hogy ez szoftveres feladat legyen és az algoritmus a felhőben fusson. Úgy akarták felépíteni a rendszert, hogy tudták, ezt a technológiát akarják használni, mivel ez nagy versenyelőnyt jelent és minél előbb kezdik használni, annál előbb tesznek szert erre az előnyre.
Érdemesebb már az első lépéstől így csinálni, mint utólag bevezetni?
Vannak cégek, akinek már most is van szoftveres környezete. Egy klasszikus szoftvert kell elképzelni, ami gyakorlatilag egy modell része, mondjuk egy egész projekt 30%-a. E köré kell felépíteni egy infrastruktúrát, ami gyakorlatilag maga az üzleti folyamat. Mindehhez le kell fejleszteni a felületet, mögé tenni a hátteret…
Egy olyan szoftveres projektet képzeljünk el, ami a cégünk saját folyamataira van szabva és, amit hozzá lehet csatolni a már meglévő vállalatirányítási rendszerekhez, hiszen a szoftverek képesek egymással kommunikálni.
Ez az, amit mi csinálunk tulajdonképpen. Ilyen új modelleket és környezeteket hozunk létre, majd ezeket beillesztjük adott üzleti folyamatba. Ezeknek az üzleti folyamatoknak egy részét tudjuk tehát automatizálni, amit ily módon utólag is meg lehet tenni, de ahogy fentebb mondtam, ha tehetjük érdemes egészen a nulladik lépéstől bevezetni.
Mindez csak a nagyok játszótere lesz vagy meg tudják fizetni a kisebbek is?
Azt gondolom, a kisebb cégek is meg tudják ezt fizetni. Vannak persze bizonyos korlátok, de nem hiszem, hogy csak a multik engedhetnék meg maguknak ezt a technológiát. A különbség ott van, hogy a multiknak nagyobb folyamataik vannak, ezáltal több adatot gyűjthetnek. Nem azt mondom, hogy egyből grandiózus méretekben kell gondolkodni!
Első lépésként ki kell választani egy üzleti folyamatot és azt jól kell definiálni, hogy mit szeretnénk belőle kihozni. A legnagyobb különbség a KKV-k és a multik között az én meglátásom szerint, hogy a KKV-k nem feltétlenül vannak tisztában azzal, hogy mely folyamataik automatizálhatóak, nincs emberük, aki rávilágítana, hogy hol lehetne egy ilyen szoftveres technikát jól alkalmazni.
Ti tudtok ebben tanácsot adni?
Ránk úgy kell gondolni, mint egy belső fejlesztőcsapatra, akik leülnek a cégvezetővel, feltérképezik és megértik az általa kiválasztott teljes folyamatot és erre a folyamatra képeznek egy szoftvert vagy egy automatizációs megoldást. Ha nem értjük magát a folyamatot, amit a vezető automatizálni szeretne, nem leszünk képesek megfelelő szoftvert létrehozni.
Tehát nekünk A-tól Z-ig ismernünk kell ezt a bizonyos kiválasztott folyamatot, hogy sikeresen segíthessünk. Arra a szintre nem fogunk felfejlődni, hogy ismerjük az egész bizniszt, de mondjuk az IT-s részét igen, és nekünk pontosan ezeket a dolgokat kell egy közös kollaborációban összehozni.
A cégvezető ismeri az üzleti részt, mi ismerjük a technológiát és ebből a kettőből kell azt a működőképes fúziót összehozni, amiből aztán megszülethet a megoldás, amivel magasabb szintre emelhető egy ilyen folyamat.
Mik azok a folyamatok, amiket leggyakrabban kérnek tőletek?
Mindenkinek más problémája van, így ezt nem igazán lehet összehasonlítani. Az egyedi szoftverek szépsége, hogy mi nem sorozatgyártunk, hanem mindig különböző cégek különböző problémáira fejlesztünk különböző folyamatokat. Lehetetlen összehasonlítani egy webes tartalomgeneráló marketing cég analitikáját egy gyártó céggel, aki arra kíváncsi, hogy milyen minőségbiztosítási feltételei vannak az ő quality gate-en való átjutásának.
Láttok valamilyen „divatot”?
A trend, amit biztosan látok, az a képfeldolgozás. Ez egy nagyon jólmenő üzletág, abból a szempontból, ha például képekből szeretnénk diagnosztikát csinálni. Van egy képem és szeretném felismerni, hogy mi van ezen a képen. Autók esetében mondjuk felismertethető, hogy teljesen látható-e, látható-e a rendszáma, mi a márkája, a színe… Mondok ehhez kapcsolódóan egy problémát: csinálunk az utcán kétszáz képet autókról és azt mondjuk, hogy csoportosítani kell azokat, amik egy autóhoz tartoznak.
Ez egy jó nagy feladat. Ha erre van szoftverünk, akkor az automatizáltan végigpörög és csoportosítja rendszám alapján a képeket. Mivel azért itt is van hibalehetőség, a szoftver feldobja azokat a képeket, amikhez emberi asszisztencia szükséges, azaz a végén egy embernek már csak ellenőriznie kell az eredményt és ez már egy ilyen folyamat esetében nagy segítség. Ezt hívjuk egyébként ajánlórendszernek.
Mennyire alakulhat át az orvoslás vagy a könyvelés vagy azok a területek, amikre alkalmazható ez a módszer?
Azt mondanám, lesznek a kezünkben olyan szoftverek, amikkel magasabb minőséget tudunk produkálni. A CT képek esetében például a rákos megbetegedéseket kiszűrheti már az algoritmus is. Ilyenkor az történik, hogy a szoftver egy ajánlórendszerben megjelöli azokat a képeket, amiken rákos megbetegedést mutató sejtek láthatóak.
Így az orvosnak már nem kell ezer képet átnézni, elég csak a megjelölteket, ez pedig nagyban meggyorsítja a folyamatokat. Ugyanez érvényes a könyvelés területére is. Az automatizáció a repetatív folyamatokat válthatja ki. Persze azt senki ne gondolja, hogy egy az egyben nulláról indulva lekönyvel mindent! Jelenleg itt még nem tartunk.
Ezek olyan segédeszközök, amikkel ma még csak bizonyos folyamatok automatizálhatók. A folyamat végén azonban ember fogja csinálni a dolgokat, a folyamat legvége mindig az ember.
Sokakat érdekel, az önvezető autók kérdésköre, amikben ugye szintén mesterséges intelligencia működik…
Az önvezető autókat folyamatosan fejlesztik. Mindez úgy zajlik, hogy rengeteg fajta jelet kell begyűjteni a külvilágból, ami többféleképpen történhet. A tesztvezetések során emberek is autóznak az utakon, így tudják kalibrálni a gépi látást. Az algoritmusok be vannak tanítva például arra, hogy az adott közlekedési táblákra mik az adekvát reakciók. Miközben zajlik egy ilyen tesztvezetés, folyamatosan táplálják be az adatokat, viszont ez nagyon sok idő, túl sok lehetőség…
Mindezt meg lehet úgy is csinálni, hogy létrehoznak egy virtuális teret, felépítenek egy virtuális várost, ahol különböző eseteket szimulálnak. Mert mi van, ha például balestezik egy ilyen önvezető autó és az algoritmus nem látott még balesetet? Akkor nem tud reagálni, tehát létre kell hozni ilyen helyzeteket, hogy betanítható legyen ezekre. Vagy a valóságból felvett baleseteket táplálok be neki, vagy pedig baleseteket szimulálok a rendszerben különböző beállásokból, napszakokban.
Ha ezeket folyamatosan tanítom a gépnek, akkor rá fog tanulni a különböző esetekre. Mit tegyen, ha kilép elé egy babakocsis, egy biciklis, egy kutyasétáltató…? Az önvezető autóktól egyébként egyáltalán nem állunk olyan távol. Különböző szinteket határoztak meg, amelyeket teljesítenie kell az algortimusnak és ezeket a szinteket folyamatosan vezetik be, tesztelik és értékelik.
Mennyire lesz képes megközelíteni a mesterséges intelligencia az emberi gondolkodást?
Az emberi gondolkodást még mi emberek sem térképeztük fel teljesen. Az agy működéséről, annak teljességében fogalmunk sincs. Csak arra tudunk szoftveres megoldást kínálni, amit már ismerünk. Az emberi agy és annak a komplexitása egy olyannyira magas szintű dolog, amit évmilliók alatt fejlesztett ki az evolúció. Én nem hiszek abban, hogy belátható időn belül meg tudnánk ezt közelíteni szoftveresen. Hogy belátható időn belül képesek lennénk leképezni az emberi gondolkodást.
Egy szoftvernek be lehet tanítani érzelmeket?
Olyat már tud, hogy valamilyen szinten minősít egy beszélgetést és ez alapján ajánlást tesz a call centeres kollégáknak. A szoftver képes revíziót készíteni vagy értékelni egy beszélgetés hangulatát. Tehát azt már be tudja kategorizálni, hogy ez egy örömteli vagy épp egy feszesebb hangulatú beszélgetés-e. Természetes nyelvfelismeréssel képez szavakat, ha bizonyos szófordulatokat sokszor hall, azokat megtanulja, képes rátanulni a hanglejtésekre és a hangok mintáját alakítja át jelekké.
Gyakorlatilag egy bizonyos szinten mindent szoftverré, jellé képez át és azt próbálja értelmezni. Tehát érzelmeket nem tudunk betanítani neki.
