AI fejlesztési tapasztalatok a hazai nagyvállalati és az amerikai startup szektorból | Publikus

Feltöltés dátuma: 2021. október 01.

Online AI Data Tapasztalat Nagyvállalat Lexunit USA piac Fejlesztés

Következő Protechtor Data eseményünk vendége Horváth Dávid, a Lexunit társalapítója és stratégiai tanácsadója.

A Lexunit számos nagyvállalatnak szállít AI alapú szoftveres megoldásokat a gyártóipartól a biztosítási szektorig, LexAI munkacímen futó dokumentum-feldolgozó rendszerüket pedig idén beválogatták a Top 100 digitális innováció közé.

A beszélgetés során a hazai nagyvállalatokkal és amerikai startupokkal közös munkáikból származó tanulságok és tapasztalatok kerülnek bemutatásra. Körbejárjuk annak a kérdéseit, hogy milyen környezet és elvárások övezik az AI alapú fejlesztéseket a hazai és az amerikai vállalati szektorban, mire kell odafigyelni, mik lehetnek a tipikus buktatók, milyen hozzáállás és szemlélet szükséges a sikeres együttműködések kialakításához ebben a két – működésben és a digitalizáció szintjét tekintve is – markánsan eltérő világban?

Az eseményen való részvétel ingyenes, de regisztrációhoz kötött.

 

Transcript

Laczkó Gábor: – Szeretettel köszöntök mindenkit, én Laczkó Gábor vagyok, három sapkám van, jelenleg éppen a Protechtor sapkában ülök itt. Egyébként a Stylers szoftverfejlesztő cég, és a Braining Hub IT képző központnak az egyik alapítója vagyok. Dávid, kicsit bemutatkoznál nekünk?

Horváth Dávid: – Igen, köszönöm a lehetőséget, és ezt a fantasztikus felvezetőt. Igazából én egy egyszerű vidéki srác vagyok, vidéken nőttem fel. Kicsit több, mint 10 éve kerültem Budapestre, amikor jelentkeztem a BME-re. Gépészmérnökként végeztem. Az egyetemen találtam olyan barátokat, akik a mai napig is együtt tolják velem a Lexunitnak a szekerét, de ez nem volt ilyen egyszerű, igazából idáig egy hosszú út vezetett. Alapvetően az egyetem után belevetettem magamat a startup világba. Elkezdtem meetupokra járni, kinéztem magamnak egy mentort, megkérdeztem tőle, hogy én dolgoznék neked, akár ingyen, szeretnék fejlődni, szeretnék tanulni, és akkor kaptam lehetőséget. Ebben az időszakban nagyon sokat tanultam a startup dolgokról, termékfejlesztésről UX-ről, salesről, projektmenedzsmentről, szoftverfejlesztésről általánosságban. Ez egy nagyjából 10 hónapos időszak volt. Viszont beleláttam a startupos befektetői világba, és picit elvesztettem a bizalmamat e dolog kapcsán, ez elindított bennem dolgokat. Amikor elkerültem ettől a kis fejlesztő csapattól, elkezdtem építeni a saját álmomat. Először is egy szoftvert szerettem volna megalkotni az albérletemből, aminek az lett a vége, hogy gyakorlatilag két hónap után nem tudtam fizetni az albérletemet, és megoldást kellett erre találnom. Ez egy jelentős mélypont volt nekem. A nagy rájövések után beindult bennem egy érési folyamat, ami 2016-ig tartott, ez egy két és fél, három év. Ebben az időszakban folyamatosan képeztem magamat, tanultam, készítettem magam arra, hogy mit és hogyan kéne csinálni. Arra jöttem rá, hogy szeretnék arra tudást szerezni, hogy hogyan kell építeni szoftvereket, hogy kell menedzselni embereket, hogy kell a jogi dolgokkal bánni. Egy csomó minden, ami akkor még nincs meg, amikor az emberhez hozzávágnak egy halom pénzt, hogy itt van, építsél egy startupot. Ezért sokszor el is failelnek az emberek ilyen tapasztalat nélkül. Én arra gondoltam, hogy építek egy hagyományos vállalkozást, így született meg a Lexunit. De ez sem volt annyira egyszerű, mert az első társalapítók, akiket először találtam magam mellé, azért az nem volt megfontolt döntés, kicsit inkább érzelmi alapú. Két év után össze is omlott ez a próbálkozás. Nyilván nagyon sokat tanultam ebben az időszakban is, de azt megtanultam, hogy az nagyon fontos, hogy az ember kikkel veszi magát körbe, és hogy kikkel vág bele egy ilyen komoly kihívásba. Ekkor találkoztam Endrével, akit az egyetemről ismertem meg, nagyon jó barátom, ő a Lexunit mostani ügyvezetője, becsatlakozott mellém. Így lettünk ketten, elkezdtük ezt az egész Lexunit sztorit újraépíteni. Ezután becsatlakozott hozzánk jó barátként Ádám és István, egy évfolyamra jártunk az egyetemen. Együtt kezdtük újraépíteni a Lexunitot, akkor már arra formára, meg azzal a hozzáállással, amit most is látni akár világhálón, akár a munkáinkon keresztül. Nagyjából ez lett volna.

Laczkó Gábor: – Mondtad, hogy sok minden volt. Ahogy hallom a sztoritokat, BME, a startup területén egy nehéz és mély világ. Erről pár mondatban mesélsz, hogy mi volt a tapasztalat? Engem nagyon érdekel, hogy mi volt az a kevésbé jó, vagy negatív tapasztalat, amit itt láttatok.

Horváth Dávid: – Amikor hátrafelé nézek, akkor értem meg, hogy mik történtek igazából, amikor abban az időszakban próbálkoztam. Mindent nagy energiával, nagy lendülettel csinálok, nekiállok, mint most is. Akkor nem volt tapasztalatom, nem volt tudásom. Nagyon sok alapelv kiforgott ezekből a hibákból. Például most már tudom, rendszeresen történik az – és szerintem minden cégnek az életében így van –, hogy úgy próbálunk döntéseket hozni, hogy információhiányos állapotban vagyunk. Ezek inkább csak jó tippek. Most hogyan döntöd el, hogy ebbe az irányba fogsz menni, mikor nincs hozzá tudásod? Gyakorlatilag azt csináltam akkor, és most is szeretem ezt csinálni, hogy előre beugrok az ismeretlenbe, és vállalom a kockázatot. Ezért is érdekel az ilyen startupos világ. Ami igazából a magyar befektetői témakörrel kapcsolatos, amit én látok, hogy más az itteni értékrendszer, és más, hogy hogyan gondolkozunk egy startup felépítése kapcsán. Ez a tudás nekem mostanában lett nyilvánvaló, hogy elkezdtem ebben a témában beszélgetni sok startupperrel Bostonban, befektetőkkel, egyéb szolgáltatókkal, ügyvédekkel, HR-esekkel, hogy miről is szól ez az egész. Amit anno ott láttam, az nem erről szólt, és ezért egy kicsit csalódtam benne. Viszont azt is láttam, hogy szokták azt mondani, hogy a startupok nagy része elfailel, 10-ből mondjuk 1-nek sikerül, hogyan tudod ezt a kockázatot csökkenteni. Ez volt az én hozzáállásom, hogy tanulok, minél többet. És ez úgy történik, hogy nagyon sokat hibázok és esek, de mindig úgy esek, hogy előrefele essek, és akkor végül valahova eljutok. Igazából ez a tanulásról szól, hogy rájöjjek arra, hogy kikkel kell magamat körbevennem, vagy hogy hogyan kell ehhez a dologhoz hozzáállnom. Szerintem sokan például nem tudják – beszélgetek sok kezdő vállalkozóval –,hogy anno, mikor én meghoztam azt a döntést, hogy elhagyom a 8 órás biztonságot adó munkahelyemet, akkor hogyan fogok ebbe belevágni. Egy dolgot tudtam, hogy nekem nap 8 órába bele kell raknom nagyon jó minőségű energiát. És ha ez megtörténik, és ezt én konzisztensen csinálom, akkor annak lesz eredménye. Az más kérdés, hogy ennek is lehetett volna katasztrofikus vége, hogy nem sikerül a dolog, de végül is kiforgott belőle valami. Az embernek bízni kell a képességeiben, a tudásában, támaszkodnia kell az ismerőseire, barátaira, és onnan kell továbbmenni.

Laczkó Gábor: – Ha azt mondanánk most magunknak – magamat is beleértem –, hogy ezzel a tudással, meg tapasztalattal, ami most megvan, vissza kéne menni oda, ahova a cég alapításakor visszamehetnénk, akkor feleannyi idő és energia kellene ahhoz, hogy eljussunk ide. De ezt nyilván meg kell élni, át kell rajta menni. Dávid, mesélj egy kicsit, milyen típusú projekteken dolgoztok? Kimondottan, ami ehhez a területhez kapcsolódik.

Horváth Dávid: – Ha megengeded, picit még visszakanyarodnék, hogy így igazából az AI dolgot bevezessem. Említettem, hogy amikor elkezdtük a Lexunitot újraépíteni, becsatlakozott hozzánk István és Ádám. Én a Lexunit mellett velük foglalkoztam ezzel az AI témával – ez 4 és fél éve kezdődött –, figyelemmel kísértem ennek a témakörnek a fejlődését, amikor ezek a kérdések felmerültek. Ez egy sokkal régebbi sztori nyilván, ez a mesterséges intelligencia, meg ez a dolog, hogy ez az egész honnan jön. Igazából ebben a 4 évben akkora fejlődésen ment keresztül ez, meg akkorát változott a világ ekörül, hogy az valami elképesztő. Az elején mi is úgy álltunk, hozzá, hogy a legalapabb építőelemeit megpróbáltuk megérteni. Publikációkat olvastunk, a matematikát mögötte, mit, miért, hogyan választunk stb. Akkor még nem voltak meg ezek a nagyon erős szoftveres támogatások, nem volt olyan, hogy nekem kell egy valamilyen modell, hogy leveszem és használom. Hanem hogy a legtöbb dolgot meg kellett magadnak építgetni, és hát ezzel a két sráccal elkezdtem csinálni. István és Ádám, ők nagyon-nagyon pengék. Ők voltak, akik behozták ezt az egész témát. Az első ilyen kis projekt, amit azt gondolnám, hogy komolyabb dolog és magunknak összeraktunk, a Google 2017 márciusában publikált egy Neural Episodic Control nevű reinforcement learninges publikációt. Ez gyakorlatilag olyasmit akart megoldani, hogy van ez a klasszikus, hogy ráereszted az intelligenciát Atari játékokkal játszani képes környezetre. Az intelligencia interakcióba tud lépni egy ilyen játékkal, és akkor volt egy publikáció, amiből nem látsz egy sor kódot sem, ez egy matematikai leírás, eredmények vannak benne, referenciák vannak felsorolva, és akkor mi ezt elkezdtük leimplementálni magunknak, Ez egy nagy tanulási folyamat volt. Egyébként megtalálható most, Open source ki van rakva, az akkori első botlásaink, próbálkozásaink fent vannak a világhálón. Ráeresztettük egy Pac-Manre, játszott vele, és az lett a vége, hogy azt oldotta meg, hogy sokkal kevesebb tanító adat volt szükséges az intelligencia számára, ahhoz, hogy képes legyen megcsinálni dolgokat. Volt egy külső memóriája, ebből tudott optimális döntéseket hozni. Itt halt el a reinforcement learninges vonalunk, gyakorlatilag nem is találkoztunk azóta sem ilyen projektekkel, Istvánt kivéve, onnantól kezdve, ahogy az AI projektek bekerültek a rendszerbe, meg így fejlődtek. Azt érdemes elmondanom nagy vonalakban, hogy ez nem egy olyan dolog, hogy mi egy AI fejlesztő cég vagyunk, hanem ez úgy néz ki, hogy nagyon sokat kell az ügyfeleket, a cégeket pingelgetni, kicsit piszkálni. Nagyon-nagyon sok elfailelés van, nagyon kicsi annak az esélye, hogy valahol egy ilyen projekt összejön. Azért hogy egy cég túléljen – és mi ezt láttuk az elején –, mást is be kellett vállalni. A projektjeinknek van egy eloszlása, hogy abból mennyi az AI. Vannak AI projektjeink, de több, ami nem AI projekt. Az elején örültünk, hogyha egy-egy ilyen projektet megtalálunk. A nehézség abból is fakad, hogy elkezdesz egy céggel beszélgetni, és nem tudja a cégtulajdonos, az ott dolgozó emberek, hogy nekik van egy problémájuk, és ezt AI-jal kell megoldani. Ők csak azt tudják, hogy nekünk van egy problémánk. Nekik tök mindegy, hogy mivel oldod meg ezt, AI-jal vagy bármi mással, nekik az a lényeg, hogy az meg legyen oldva. Ezért nehéz onnan elindulni, hogy mondjuk, ha te mérnökcsapattal kezdesz el dolgozni, és nagyon tudjátok azt, hogy meg tudtok alkotni egy technológiát, vagy nagyon-nagyon tudjátok ezt használni, és ezt akarjátok ráerőltetni a piacra, miközben a piacot ha megkérdezed, azt sem tudja, hogy mi ez a technológia.

Laczkó Gábor: – Ebben a székben ülve annyiszor szembesültem már azzal, amit mondasz, hogy nem tudják megfogalmazni a problémakört sem feltétlenül, illetve lehet, hogy a problémakört meg tudják fogalmazni, de azt, hogy mi a megoldás, az most lehet, hogy másodlagos.

Horváth Dávid: – Igen. Gyakorlatilag ez a hobbiprojektekből oda fejlődött, hogy akkoriban volt egy ilyen kis startup kezdemény, amihez mi a technológiát szolgáltattuk. Könyvelő vállalkozókat kötött össze ez a rendszer. Ebben eleinte semmilyen AI dolog nem volt, de én itt láttam egy lehetőséget. Akkor még ezek, az ilyen OCR alapú dokumentumfeldolgozások már léteztek, de még nem volt igazából a világhálón sem. Akkoriban az SAP-nak volt egy ilyen publikációja, hogy ők hogy oldottak meg egy ilyen problémát. Akkor találtunk rá még egyre, ahol képfeldolgozás alapon oldottak meg dokumentum-feldolgozást. Úgy éreztem, hogy nagyon időben láttam egy ilyen rést, hogy na, ezzel a megoldással lehetne valahova nyomulni. Ebbe a startupos sztoriba én a srácokat tudtam ezzel motiválni, Istvánt és Ádit, hogy na, csináljuk meg ezt a dokumentumfeldolgozó valamit. Akkor ez így is volt, hogy mi saját kontóra építettünk egy számlafeldolgozót, ami abban volt másabb az akkor elérhető OCR-es számlafeldolgozóktól, hogy teljesen mindegy, hogy milyen volt a számlának az elrendezése, össze tudta róla szedni, hogy mi az adószám, vagy mi a bruttó összege a számlának. Ez egy általános generikus megoldás akart lenni. Több-kevesebb sikerrel megoldottuk ezt a feladatot, bekötöttük a rendszerbe, a startup elment a süllyesztőbe, nagyon rövid idő alatt földbe álltak. Nekünk ez a tudás, meg a technológia megmaradt, és elkezdtünk ezen tovább mozogni. Ez volt az az idő, amikor István és Ádám hivatalosan is elkezdtek becsatlakozni a Lexunitba. Nekem volt egy ilyen gondolatom, hogyha itt fene fenét eszik, nekem az lesz a feladatom, hogy ezeknek a srácoknak, meg magamnak előteremtsek egy AI projektet. Honnan akasztasz le egy olyan munkát, amiért fizetnek is, és azt csinálod, amit szeretsz? Ez egy borzasztó nehéz dolog egyébként. Szerintem jól álltak a csillagok, vagy valami csoda folytán jó helyre kopogtattam be, és leesett egy ilyen projekt. Gyakorlatilag ez volt az első igazi AI fejlesztésünk, amiért fizettek is, és ezt beépítettük valahova. Itt nem fogok említeni tulajdonneveket. Az IP-t, mindent eladtunk. Ez egy nagyon jó tapasztalat volt, ennek a jogi oldalát tekintve, vagy amikor elvárás van azzal kapcsolatban, hogy egy AI teljesítsen valahogy. Amikor ezt saját magadnak csinálod, és azt mondod rá, hogy ez működik, meg, hogy azt be is kell bizonyítani valamilyen metrikák szerint, és ezeket mindenféle szerződésekkel, jogi támogatással megoldani, az nem egy egyszerű feladat. Ez nekünk nagy tanulási folyamat volt. Az a megoldás, amit akkor csináltunk, ez egy adatgyűjtő rendszer, ami hírportálokat tud monitorozni, és ha belegondolsz, ez a dokumentumértelmező technológia, ami képről és dokumentumról ki tud neked szedni valamilyen strukturált adatot. Ezt a technológiát felhasználtuk arra, hogy weboldalakból szedjünk ki strukturáltan adatot. Annyival fejlődött tovább, hogy amikor portálokról beszélünk, vagy a világhálón bármilyen oldalról, akkor megjelenik ebben egy nehézség, hogy az lehet, hogy egy kategóriaoldal, lehet, hogy egy landingpage, de az is lehet, hogy egy blogbejegyzés. Mivel nekünk a tartalmat kellett összeszedni, megjelent itt egy olyan igény, hogy hogyan tudnánk akkor azt megoldani, hogyha van egy ilyen világhálót pásztázó szoftver, ami begyűjt mondjuk 1000 darab oldalt, és abból neked csak 100 darab a blogbejegyzés, vagy hír, amit neked fel kell dolgozni, hogy ezt hogy válogatod le. Gyakorlatilag itt jött be az a klasszikus dolog, hogy klasszifikálni kell a bejövő adatot. És akkor egy kisebb megoldást csináltunk, ami eldöntötte egy weboldalról, hogy azon cikk van, vagy nem cikk van. Hogyha cikk van rajta, akkor azt további feldolgozásra küldtük, és kiextraktáltunk róla adatot, szerzőt, címet, tartalmat, ilyesmit. Itt az is egy nagy tanulság volt, amit akkor nem gondoltunk, hogy nagyon sok AI fejlesztő cég vagy kis próbálkozások, akik összeállnak, akár mint mi is, hogy egy AI fejlesztés, vagy egy ilyen megoldásnak az AI része, data része, az a projekt teljes méretéhez hasonlítva egy kicsi rész. Ez egy specifikus dolog, egy nagyon-nagyon különleges, és a magas szaktudást igénylő rész, de a teljes projektet nézve 20-30-40 %-a maximum. Tehát általában ha van egy ilyen AI, data alapú megoldás, akkor azt körbe kell venni mindenféle támogató rendszerekkel. Azokkal általában valami folyamatba van illesztve, kommunikálni kell azokban a rendszerekben. Rengeteg minden a hagyományos explicit programozással előállítható szoftver. Nekünk is az volt a nagy kihívás, hogy oké, megcsináljuk az AI-t, kitaláljuk, és akkor utána még nagyon sok munka van azzal, hogy abból egy használható megoldás legyen. Itt vált ketté az, hogy nagyon nehéz AI fejlesztéssel foglalkozni, nagyon nehéz azt mondani, hogy mi csak AI fejlesztőket toborzunk, és ezekben leszünk a legjobbak. A cégek szeretnek komplett megoldásokat vásárolni, szeretik ezeket egy kézben tudni, és azt mondani, hogy oké, itt van ez a probléma, ezt ti oldjátok meg. Nem azt akarjuk, hogy keresünk külön, aki megoldja neked az AI dolgot, keresünk, aki fejleszt hozzá webappot, keresünk aki beépíti cloud rendszerbe. Hanem itt van, oldjátok meg. Ezért mentünk ebbe az irányba, hogy bár a zászlóshajó, amiben mindig szerettünk dolgozni, és szeretjük ezeket a datás dolgokat, de legtöbbször jut mellé olyan munka, amit szeretünk vagy nem szeretünk, meg kell csinálni. Ez a világháló monitorozó AI alapú dolog, ez volt az első projektünk, és akkor ebből még forogtak ki nagyvállalati irányba. Itt sem fogok neveket mondani, de biztosítónál is van témánk, két nagy biztosítónál, ami több mint 40 országban van. Az egyik ilyen témában gyakorlatilag képfeldolgozást csinálunk, ezek autósképek, úgynevezett RPA folyamatok, ahol próbálnak valami üzleti problémát automatizálni. Korábban mondjuk ez egy humán interakciót igényelt, hogy létrejöjjön. Le kellett valamit fotóznod, be kellett szedned, be kellett gyűjtened az adatot. Ezt manapság lehet automatizálni, meg tudja csinálni magának a végfelhasználó, mondjuk egy chatbottal beszélgetve. A chatbot meg tud AI-ra támaszkodva minőséget ellenőrizni, vagy azt mondani, hogy én vagyok a chatbot, kérek egy ilyen képet. Megcsinálod a képet, én a chatbot meg megnézem, hogy azt a képet kaptam-e, ami az elvárt. Ezt például AI-jal meg lehet oldani. Itt nagyon specifikus, mivel autós képekről beszélünk, ilyeneket kellett megoldanunk, hogy milyen irányból van fotózva az autó, mi a rendszáma, állnak-e az autó előtt, külön alvázszámleolvasó. Vagy, hogy a képen egyáltalán van-e autó vagy nincs autó. Ezek különböző adatfolyamatok. Gyakorlatilag itt ezt kellett megoldani. Itt, amivel szembesültünk, amikor egy ilyen AI megoldást ki kell rakni a cloudba, és ott ezt működtetni kell, hogyan tudod ezt megfelelő költségek mellett üzemeltetni. Ugyanis, ha belegondolunk, egy AVS-en egy virtuális gépet futtatni egy hónapig, amiben van egy olyan videókártya, ami fel tud dolgozni nagy felbontásban képet, annak elég nagy költsége van. Engem érdekelt ez a téma, ez nyilván fejlődik folyamatosan. Ennek az a problémája, hogy hogyan tudod videókártyán cserélgetni a memóriába töltött modelleket. Itt van egy csomó fejlesztési irány. Alapvetően, aki ezt megoldja, és tudja kezelni, az egy tök jó dolog. Itt erre kellett rájönnünk, hogy nem úgy van az, hogy ott majd állandóan AVS-en fellövünk egy gépet, éjjel-nappal fut, ketyeg a dollár, és akkor közben meg on demand kéne lefuttatgatni néha a folyamatokat. Persze képfeldolgozásnál meg lehet oldani ezt sokféleképpen, de nehéz része ennek. Másik biztosítónál olyan témánk is volt, ugyanezen a számlafeldolgozós technológián alapulva, másféle dokumentumokat kellett feldolgozni. Például medikai dokumentumokat, egészségügyi biztosítás, rengeteg ilyen anyag megfordul egy rendszerben. Ez nagyon könnyűnek látszik, hogy mindenkinek dokumentumot kell feldolgozni, sajnos nem így van. Én is azt hittem, hogy ezzel a megoldással mi a világot meghódítjuk. Azt tudni kell, hogy a Lexunit egy pár éves cég, ennyi idő alatt is nagyon sok projektet láttunk, de egy nagy céghez bejutni, akár évek is lehetnek. Egy salesfolyamat, vagy hogy valahova célirányosan bedolgozd magad, az másfél év körül van legalább. Ha csak nem ismersz valakit, a rokonod nem dolgozik ott, volt főnököd, volt munkatársad. Ezek a sztorik működnek. Van ez a medikai dokumentumos téma, ugyanúgy mint a weboldalnál, megy a dokumentum, leklasszifikálod. Milyen dokumentum? A vagy B típusú? Ha B típusú, akkor ráereszted a B típusú adatextraktálót. Ezek ilyen data pipeline-ok, gyakorlatilag egy kaptafa ezek mindegyike. Ezekben az évek alatt építkeztünk, folyamatosan fejlesztettük konkrétan azt a frameworköt, amiből kiforognak ezek a modellek. Nemcsak az, hogy leültünk, és manuálisan összakattintgattuk a dolgokat, hanem próbáltuk robosztusabb megközelítésben fejleszteni, megpróbálni ezeket körülvenni saját toolinggal, hogyan menedzseljük a bemenő, kimenő adatokat. Ezek a tanítási folyamatok ezekből állnak jellemzően, hogyha sok van belőle, hogyan kezeljük. Ez is fejlődött ebben a témában az évek alatt.

Laczkó Gábor: – Arról egy picit mesélsz, hogy – autófotózás, egészségügy, biztosítás – amikor megkezdődött egy-egy ilyen fejlesztési folyamat, úgy mentek oda hozzátok a megrendelők, hogy én most akkor pontosan tudom, hogy mit szeretnék, ezt akarom? Hogy zajlott ennek az egésznek az előkészítő folyamata? Hogy kezdtétek el a projektet magát?

Horváth Dávid: – Ha ezt ilyen nagyon hideg állapotból kezdi az ember, hogy te be akarsz jutni egy céghez, az neked másfél év. Nekünk nem ez volt ebben az esetben, hanem azért tudtunk ilyen gyorsan eredményeket elérni, mert volt ismerős jobbra-balra. Tudták rólunk, hogy mit csinálunk. Azt gondolom, hogy nagyon sokat kell ebben a témában beszélgetni. Az biztos, hogy az nem fog működni, ez a sell or die, hogy na majd te elmondod, hogy ezt csinálja az AI, meg így csinál, úgy csinál, és akkor azt megveszik. Hanem általában ez a folyamat egy hosszú, iteratív folyamat, olyan, mint egy növény, folyamatosan öntözni kell, és lehet, hogy egyszercsak valami kiesik belőle. Egyébként a hozzáállásunkat is – nem csak az AI-os projektekben, hanem bármiben – ebbe az irányba próbáltuk erősíteni, hogy konkrétan egy fejlesztés mellé nagyon sokat konzultálunk. Párhuzamosan megy a dolog, heti háromszor leülünk a klienssel, és akkor beszélgetünk, picit szabadabban. Ennek az a lényege, hogy  próbálunk olyan mentális modelleket építeni, ami a közös nyelvünk lesz onnantól kezdve, hogy azt mondod, hogy te is érted, és az alatt én is ugyanazt értem, meg te is ugyanazt érted. Ez a közös nevezőre eljutás egy hosszú és iteraktív folyamat. Gyakorlatilag itt is ez volt, mind a két biztosító esetében, hogy ahhoz, hogy te oda eljussál, előre nagyon sok energiát bele kell raknod, és kockáztatnod kell, és lehet, hogy az lesz a vége, hogy nem sikerül. Nekünk az elmúlt években rengeteg ilyen folyamatunk volt, amikor beleraktunk valamibe nagyon magas, jó minőségű energiát, huzamosabb ideig, és elfailelt. Rengeteg ilyen volt. Ha azt mondanám, hogy 10-ből 1 bejött az egy jó szám.

Laczkó Gábor: – Miért failelt el egyébként? Már visszaelemeztétek?

Horváth Dávid: – Igen. Ezen szoktunk gondolkozni. A mi hozzáállásunk az volt, hogy nem speciálisan fókuszáltunk egy-egy iparágra, hanem az elején próbáltuk őket kielemezni. A nagyvállalatoknál az történik, hogy a döntéshozás az máshol van általában, mint ahol te be tudsz egy ilyen céghez csatlakozni. Tehát többszintes a sales-es folyamatod. Ez azt jelenti, hogy meggyőzöl egy középvezetőt, és a középvezető nagyon kedveli a témát, tudja, hogy ez a jövő, hisz benne. De amikor ő ezt megpróbálja belül eladni, akkor mindig jönni fog az a kérdés, nem azt fogják megkérdezni eggyel magasabb szinten, hogy „ezt AI-jal oldják meg? Akkor ez nekünk kell.” Hanem azt fogják mondani, hogy „mennyibe kerül, mikor térül meg?” És így ez egy többlépcsős dolog, azért is tart olyan nagyon sokáig. És persze az, hogy minél távolabb van tőled a döntéshozás, annál nagyobb a gap. Ha például a döntéshozóval közvetlenül tudsz beszélgetni, és ugyanezt az iteratív konzultációs folyamatot követed, akkor ezt a gapet tudod csökkenteni azzal, hogy egymást edukáljátok arról, hogy mi ez az AI, és te is kapod az információt arról, hogy mit csinál a cég, és hogy mi nekik az érték. Az, hogy nekünk van egy sablonos dolgunk, amit mi mindenhova benyomunk, az szerintem már nem működik. Lehet, hogy nagyobb cégeknél működik. Mi mint kis cég, nem tudjuk ezt így csinálni, alkalmazkodnunk kell.

Laczkó Gábor: – Érdekes amit mondasz, mert az ember fejében az is megfordul, hogy egy-egy nagyvállalatnál, multinál megvan az, hogy igen, én szeretnék egy AI stratégiát építeni, és az AI stratégiának a része az, hogy ilyen és olyan és amolyan területeket fogok automatizálni vagy felvértezni AI technológiákkal. De akkor ez a te tapasztalatod szerint nem ennyire tudatos, hanem megoldást akarnak, és az igazából mindegy, hogy most AI-nak hívjuk vagy nem AI-nak?

Horváth Dávid: – Igen. Azt gondolnánk – és egyébként tényleg így van –, hogy az AI dolog ez egy hatalmas nagy technológiai újítás, legalábbis az, hogy a hardveres dolgok miatt megnövekedett a számítási kapacitásunk, hirtelen meg tudunk vele oldani nagyon sok mindent. De nem itt vannak a cégek, hogy most mindent meg akarunk AI-jal oldani, hanem van egy folyamat. Én konzultációs folyamatban részt vettem sokkal nagyobb cégnél, ahol nem az volt a cél, hogy mi oda fejlesszünk be AI-t. Hanem s digitális stratégia, hogy jó lenne valamilyen disztraktív újítást csinálni. Elkezdődik a konzultációs folyamat, és addig-addig nyomozol, meg térképezed fel a lehetőségeket, hogy milyen irányba lehetne egy ilyen nagy cégen belül menni. Lehet, hogy eljutsz oda, hogy még be van kapcsolva a hálózatba 200 Windows XP. Akkor olyan problémák vannak, akkora nagy a tehetetlenség, és akkora robosztus monstrumok ezek, hogy őnekik adaptálódni sokkal lassabb, sokkal több időbe telik. Jellemzően, hogyha nem célirányosan felülről jön az, hogy na, már nekünk AI kell, meg ez kell, az kell, akkor nagyon nehézkes. Működhet, de kitartás kell hozzá, erőforrás kell hozzá, ott kell lenni folyamatosan addig, amíg ki nem forog tőlük, meg nem fogalmazódik náluk a konkrét igény. Én így gondolom. Ettől függetlenül belelátunk nagyvállalatok működésébe. Most például, ahol nem fejlesztünk konkrétan AI-t, ezt Ádám barátom, aki szintén Lexunit társtulajdonos, őrajta keresztül jó ismeretség és reputáció során kerültünk kapcsolatba a Hyundai-jal, és a Rolls-Royce-szal, ahol ugyanúgy látjuk ezeket a működéseket. Mindegyik más, mindegyik máshogy működik. Ezek inkább mérnöki fejlesztéssel foglalkozó cégek. Voltak biztosítók, amiket most még így látok, és ipari cégekből is van egypár. Tavaly nagyjából 10 kezdeményezést dobtunk be, hogy elkezdtünk bele nagyon sok energiát beletolni, előkészíteni, presales folyamatok, konzultációk, mindenféle anyagok. Prototípust fejlesztesz, mindezt saját erőből, annak tudatában, hogy lehet, hogy az árokba hajítottad ezt az időt, energiát. Nagyon sok próbálkozás kell ahhoz, hogy valami kiforogjon. Én most, másfél év után kezdtem el az első ipari témával foglalkozni, amiből konkrétan projekt kerekedett ki. Most folyamatban van ez a fejlesztés. Az iparban ennek van létjogosultsága. Ez szintén képfeldolgozás, mikor a gyártósoron megy valami termék, és próbálod valamilyen optikai módszerrel a minőséget biztosítani, a selejtet kiszűrni, valami döntési mechanizmust beiktatni. Mondjuk zöld vagy piros a termék, akkor menjen jobbra vagy balra. Ez már egy ismert dolog, itt nincs semmilyen AI újítás. Az ipari témákban nemhogy AI-jal nehéz belépni a piacra, hanem általánosságban bármiféle szoftverfejlesztéssel. Ez nagyon-nagyon kifeszített, forintokra kikalkulált. Ott nincs az, hogy álmokra építünk várat. Az nagyon száraz, tényleg csak arra költenek, amire muszáj. Nagyon komoly megtérülésszámítások vannak. És jellemzően ezek éves pénzügyi ciklusok, amikre várnod kell. Kis cégként ez sokszor nem megengedhető, mert másfél évet nem engedhetsz meg magadnak, hogy várj egy projektre. Főleg az elején, mert addig éhen halsz, csinálni kell más dolgokat. Visszatérve az iparág-kérdésre, hogy melyik iparág és hogyan. Nekünk az volt a hozzáállásunk, hogy információhiányos állapotban nehéz döntést hozni. Az volt a stratégia hogy megpróbálunk sok mindent, csapkodunk jobbra-balra, valami csak kiesik. Ez hosszútávon nem fenntartható nyilván, mert ebben nem találsz méretgazdaságosságot. Nagyon specifikus lehet egy-egy projekt, igen sok tudás, meg információ kiesik belőle. Egyszer azt mondod, álljunk meg, rázzuk gatyába az egészet, és lőjük be mi legyen az új irány, ami ilyen pivotálás, minden sallangot levágunk, ez megy, ebbe az irányba fogunk menni. Nekünk ez volt a hozzáállásunk, és így forgott ki az, hogy kikkel szeretnénk, kikkel tudunk együtt dolgozni. Így jutottunk el az amerikai startupokig. Ezek voltak a nagyvállalati tapasztalatok, élmények.

Laczkó Gábor: – Ha picit még mesélsz itt a magyar, meg a nagyvállalati részről, az jó lenne. Ha utána összehasonlítjuk a magyart és az amerikait, illetve arról a kultúráról, a startup részéről is beszélsz, hogy miért jó itt az amerikai startupoknak dolgozni, az remek lenne.

Horváth Dávid: – A magyar nagyvállalati részről tapasztalat, hogy az sem mindegy, hogy az a nagyvállalat, akivel dolgozol, ő mit csinál. Teljesen más egy olyan digitális terméket fejlesztő vállalatnak bedolgozni, mint egy biztosítónak, vagy egy ipari cégnek. Van, ahol digitális termékeket fejlesztenek, jellemzően ott ki van alakulva a kultúrája a termékfejlesztésnek, a tudás meg van honosítva, az emberek így gondolkodnak. Ott sokkal hamarabb ki tud forogni egy dolog, hogy nekünk szükségünk van egy ilyen megoldásra. Alacsonyabb szintre is kerülne ilyen döntéshozás, és jobban megbíznak a termékfejlesztő menedzsereknek, középvezetőknek az irányító társaiban. Például ilyen cégnek is dolgozunk be, ott csináltunk jogszabályváltozásokra cikkrankoló szoftvert. Ez is egy teljesen automatikus dolog. A világhálón történik a keresés, ebből a keresésből kiesik egy csomó adat, és akkor ezt az adatot kell először kiszűrni, majd utána valahogy sorrendezni, hogy mit gondolsz te a megfelelő tartalmaknak. Egy olyan minőségű dologra gondolj, amit te szolgáltatásként adnál egy másik cégnek, egy felhasználónak. Azt mondani, hogy megváltoztak a jogszabályok, ezeket a cikkeket olvasd el hozzá. Csináltunk egy ilyesmit. Ugyanúgy benne van ez a klasszifikáló, hogy cikk, nem cikk. Ezenkívül volt itt egy nyelvfeldolgozás témakörén belül, vagy ahhoz kapcsolódó Inverse Frequency Distribution, ezeket használtuk. Gyakorlatilag ilyen rankoláshoz rengeteg feature-t kielemzünk, hogy az adott szó hányszor szerepel az adott cikkben. Ezeket handcrafted feature-öknek mondják. Van összeszedve mondjuk 20 db ilyen, ez alapján egy interneten megtalált adatra tudunk adni egy pontot, hogy 20 feature szerint ez ennyi pont, és akkor ezt tudjuk sorrendezni, meg szűrni. Most elméletileg megint el fog indulni egy nagyvállalati. Ott adatmigrálások vannak, az már nagyon technikai. Háttérben szoftverek, adatváltozások vannak, machine learninggel van megoldva bizonyos adatstruktúráknál. Tegyük fel, adott egy szöveg, mert két aposztrófban van, de hogy az nettó ára valaminek, oda beleírva. Másik adatbázisban el kéne rakni egy helyre, ennek az összemapelése machine learning segítségével van támogatva. Adatbázismigrációkat fogunk támogatni, ez a projekt indul és folyamatban van. Ezen kívül amit még nem mondtam, az szintén egy gyártó cég, összeszerelő üzem, fúrókat csinál. Nemzetközi, hatalmas cég. Itt van két raktárrendszerük, ezek a raktárrendszerek automatikusan működnek. Ha valaki ismeri, ilyen liftraktárrendszer, bepötyögöd, hogy neked kell valami, és kihozza. Egy lézer megvilágítja azt a dobozkát, amiből vegyed ki az elemet. A lényeg az, hogy van több ilyen lift, ezek össze vannak rendezve fizikailag egy csarnokba, és vannak dolgok, amikre optimalizálni kell. Ez nem is AI, ez inkább datás dolog. Az adatokat kell nézni, hogy mi történik. Azt akarják megoldani, hogy van két liftcsoport halmaz, és ezek a liftcsoport halmazok egyenlően legyenek kiterhelve, annak ismeretében, hogy mit fogsz gyártani, mit fogsz összeszerelni a jövőben. Itt történik egy optimalizáció. Ez a kiterheltség abban is segít, hogy emberek szedik össze ezeket az alkatrészeket és viszik el a gyártósorra. egy A meg egy B csoport, ha nem egyenletes az eloszlás, akkor az emberek mindig egy lifthez mennek. Vagy a fizikai berendezés, amelyiknek nagyobb a terhelése, az sokkal hamarabb tönkre fog menni, mert sokkal többet van használva. Ebből van a másik, amit optimalizálni kell, hogy konkrétan van egy betárazási folyamat, hogy egy raktárrendszerben kell elpakolni ezeket, hogy mi az alapértelmezett elpakolása a termékeknek. Erre is lehet tenni egy javaslatot, hogy hogyan kéne elrakni ahhoz, annak ismeretében, hogy mit fogsz gyártani a jövőben, hogy kell betáraznod, hogy minél kevesebb legyen a fizikai mozgása ezeknek a lifteknek. Ezzel foglalkozunk most. Gyakorlatilag ezek voltak a nagyvállalati példák, amiket összeszedtem, meg amikről szerettem volna mesélni.

Laczkó Gábor: – Hogy jutottatok el az amerikai startupokhoz? Mi volt az a pont? Minek segítségével? Azt tudjuk jól, hogy Amerika külön állatfaj, oda nagyon nehéz akár szolgáltatással, akár termékkel bejutni. Nektek ez hogy sikerült?

Horváth Dávid: – Itt rögtön mondanám, hogy a jó szerencse. De nyilván ez a hozzáállás, meg a belerakott idő, energia. Alapvetően a szerencse ebben az egészben, hogy nekünk van egy nagyon jó ismerősünk, aki kimondottan ebben a startupban, ökoszisztémában mozog. Én már elkezdtem vele az építkezést, sok-sok beszélgetést, meg a találkozást. Végül is barátok lettünk. Ő is érdeklődött az AI irányába, Amerikában tanult, és ezzel a sráccal nagyon sokat dumáltunk. Elkezdődött egy első bemutatás, hogy tegyük fel, hogy itt van egy ilyen cég Magyarországon, ahhoz képest, hogy Amerikában milyen árakon dolgoznak, ahhoz képest itt Magyarországon az jut mindenkinek eszébe, hogy ez itt olcsó. De egyébként így is van, attól, hogy amerikai projekten dolgozol, egy magyar cégnek nem fognak amerikai árat fizetni. Ők azért hozzák Magyarországra a fejlesztéseiket, mert olcsó. Azért nem viszik el Indiába a fejlesztéseket, mert a kulturális különbségek messzebbre viszik a dolgokat. Nagyon jó minőséget tudnak a közép-európai fejlesztőcégek csinálni, és ez ott egy jelenség. Nagyon nagy a verseny az európai fejlesztő cégek között, hogy Amerikába dolgozzál. Mert mindenki azt látja, hogy azért hozzák ide a fejlesztéseket, mert itt meg tudják venni olcsón, és jó minőséget kapnak. Ebből a tömegből kitűnni, az a nehéz dolog. Még ha össze is jön neked egy ilyen projekt, amit be tudsz húzni, ez a kulcsa mindennek, hogy megfelelő hozzáállással nagyon jó minőséget kell csinálni. És igenis az van, hogy sokszor bele kell tenni azt a plusz energiát, ami miatt azt mondod, hogy nem éri meg. Sokszor el fogsz jutni oda, hogy ez már nem éri meg. De hosszú távon ezek a plusz belerakott dolgok azok, amik segíteni fognak az utadon. Ezek vissza fognak jönni. Jellemzően ezekre rá kellett jönnünk, hogy azok a startupok, akikkel dolgozunk, nem úgy van, hogy dolgoznak veled 2-3 hónapot, hogy leteszteljenek, hogy kifizetnek valamekkora összeget, és azért cserébe te azt a munkaórát lerakod az asztalra. Hanem odarakod a xxx-et, mert azért fogják azt mondani, hogy ezek a srácok, ezekkel akarunk dolgozni, ez rohadt jó, ezekben megbízunk. Ez hosszútávon visszajön, meg el tudod osztani, átalakul, fejlődik, bedolgozod magad. De én azt javaslom mindenkinek, legalábbis nekünk ez a hozzáállásunk, hogy ezt meg kell csinálni rohadt jól, nagyon jó minőségűre. Iszonyú magasak az elvárásaink saját magunkkal szemben. Ez nem azt jelenti, hogy mi mindent tökéletesen csinálunk, vagy ne hibáznánk. Rengetegszer előfordul, hogy már az elején valamivel kapcsolatban rossz döntést hoztunk, de meg kell oldani. Utána úgy kell hozzáállni, hogy tök mindegy mi fog jönni az úton, hiszünk magunkban, meg fogjuk tudni csinálni, meg fogjuk tudni oldani. És ezt kell látnia másnak is kívülről, a megrendelőnek, hogy neked ilyen a hozzáállásod, hogy a siker érdekében meg fogsz tenni mindent. Gyakorlatilag ez az, ami nekünk segített továbbhaladni innen. Mert akkor ezt elmondja az egyik a másiknak. Ez teljesen szájhagyomány útján történik. Célirányosan hideghívásokkal, meg LinkedIn írásokkal bejussál egy céghez, ennek kicsi az esélye. Nyilván nem lehetetlen, de nekünk az vált be, ezek a referálók. A referálókat úgy tudod építeni, ha jó minőséget csinálsz.

Laczkó Gábor: – Ez biztos. Ezt saját tapasztalatból is tudom mondani. Nálunk is a Stylers az 11 éve kint van Amerikában, de még mindig úgy érzem, hogy rettentő nehéz egyről a kettőre jutni, és hiába vannak az embernek jó ügyfelei, még mindig európai fog maradni. Ahogy mondod, szeretnek európaiakkal, közép-kelet európaiakkal dolgozni, de mégsem vagy amerikai. Ez azért látszik az árakban is, és sajnos a hozzáállásban is, hogy te mindig európai leszel az ő szemükben, akkor is, ha már 11 éve ott vagy.

Horváth Dávid: – Igen. Ennek az útnak mi nagyon az elején járunk hozzátok képest. Tőletek kell tanulni, meg példát venni, mert ezt ti is megoldottátok. Ez még egy nagy tanulság, hogy nem kell a kereket mindig újra feltalálni, hanem a bevált dolgokat kell nyomni, és megfelelő hozzáállás kell. Nem győzöm hangsúlyozni, hogy ez mindig változni fog. Adaptálódni kell, jöhet bármi, ez mindig hullámvasút ez az egész. Amikor megy a szekér, akkor mindig bele kell rakni duplán, triplán, amikor meg nem megy, akkor is. Ez a vállalkozósdi, hogy mindig nyomni kell. Amikor a másik pihen, és te nyomod, akkor előnyöd származik abból.

Laczkó Gábor: – Mesélj, hogy konkrétan a projektek kapcsán mi az, amit sikerült megvalósítani? Mit láttok a kultúrából aztán? Mennyire befogadóak?

Horváth Dávid: – Amit látunk, az az, hogy amiről beszélünk, hogy Magyarországon van egy gap és edukálni kell, na, az ott nincsen. Ott az van, hogy a rajtgépben állva gyakorlatilag megmondja, hogy AI, AVS, jobbra, balra. A másik az, hogy a startupok nagyon gyorsan mozognak. Amíg azt mondod, hogy itt egy sales-ciklus másfél év, ott olyan, hogy az igény megszületésétől az, hogy te konkrétan beütöd az első sor kódot, az lehet, hogy két hét vagy három hét. Az a fajta bizalmatlanság, valahogy onnantól kezdve hogy te bent vagy, ez nincs. Gyakorlatilag az van, hogy ez kell, ki kell ütni, és ott nem fognak kukacoskodni dolgokon. Nagyon eredményorientáltak. Ez főleg startupokra jellemző, hogy nekik kell produkálni befektetési körre valami eredményt, és annak működnie kell valahogy. Akkor ő nem fog lemenni, és nézegetni az utolsó sor kódot, hogy na, most az milyen szépen van megírva. Nem azt mondom, hogy rossz minőséget kell előállítani, hanem azt mondom, hogy nem érdekli őket a bürökrácia, nem érdekli őket. Az a lényeg, hogy minél gyorsabban jussál eredményre. Egyébként vannak nehézségei, mert állandó rohanásban vagy, és el tud burjánzani nagyon hamar a hülyeség. Tehát, ha rossz döntéseket hozol ebben az egészben, és nincs tesztekkel a kódod alátámasztva, vagy nincsen normálisan ledokumentálva, az nyilván az úton visszaköszön. Az elindulás, és az, ami az ő fő vezérelvük, hogy eredményre kell jutni, mert van egy x büdzsé, amiből nekik villantaniuk kell valamit, mondjuk egy következő körös befektetésig eltolni. Ott szintén az lesz a lényeg, hogy azt ő meg tudja mutatni, és azt fogja eldönteni, hogy tudja-e használni 50 user, vagy 100 user. Nem azt, hogy hogy van megírva, hanem, hogy működik? Igen. Megcsinálja amit kell? Igen. És itt van a nagy különbség, hogy a bürokrácia náluk nagyon-nagyon minimalizálva van. Ilyenkor ennek a nehézségeit tudatosan kell kezelni. Ez visszaköszönhet az úton, ezzel találkoztunk, hogy na, ez a baj, az a baj. Nehéz embert bevonni a projektbe, mert nincsen dokumentálva, stb. Ezek az egyéb hátulütői. De AI fejlesztésben, amik konkrét projektek, például az egyik startup, akik nem befektetésből mennek, de Bootstrappelték az egészet, és nagyon sikeres dolog lett. Nálunk nem olyan mértékben ismert jelenség, hogy a biztosítós adatokkal trade-elnek. Gyakorlatilag egy trading platform, ahol információ cserél gazdát pénzért cserébe. Ez a rendszer képes arra, hogy amikor történik ez a trade, akkor történik egy licitálás ebben az egészben. Tehát több ,mindenki tud javaslatot tenni a vásárlásra. Van egy ilyen rendszer. És amikor van egy ilyen rendszer és te vagy az a médium, aki ezeket a trade-eket menedzseli, akkor gyakorlatilag a te profitod az a margine. Egy trade-en van egy valamekkora profitod. Ez a profit, vagy ez a margine a vásárlóhoz és az eladóhoz mérten specifikus. Tehát nem az van, hogy a rendszer, aminek mindig 10 % a margine-ja, hanem konkrétan tudják, hogy egészségbiztosítás vertikálon belül adott vendorra, adott buyerre milyen margine-t kell állítani. Ez is egy bonyolító tényező. Ettől függetlenül időszakosan is változik az, hogy mekkora margine-t tudsz ezekre rárakni. És akkor itt jött be az, hogy építettünk nekik egy rendszert. Ez már big data projekt, mert rengeteg trading dolog, hogy napi sokmillió adatpont érkezik be, folyik át egy ilyen rendszeren. Egyrészt kellett építenünk egy olyan cuccot, amivel mi ezt az egészet tudjuk monitorozni, meg nézni, hogy mi történik ebben az egészben. Majd utána, miután ez megvolt ez az alapozás, hogy van adat, akkor az adatról lehet csinálni dolgokat, és jön ezeknek a margine-oknak az optimalizálása. A sok projekt közül ez egy projekt ebben a témában. Ez egy automatikus dolog, ami összeszed egy csomó adatot, csinál példafuttatásokat, ami szintén produkál adatot. Tehát a rendszer teljesen automatikus, mindenféle szcenáriókra generál adatot. Azokat begyűjtjük, kiértékeljük – ez ilyen data dolog –, és ki tudjuk köpni az eredményt, hogy adott napon adott vendorra mekkora margine-t kell rakni ahhoz, hogy a profitot maximalizáljuk. Itt vannak egyéb, más, sokféle témák is. Ezenkívül dolgozunk egy HR-es startupnak, ahol jelentkezőket és álláslehetőségeket matchelünk össze. Nagyon egyszerű úgy elképzelni, hogy van egy önéletrajzod, vannak álláslehetőségek, és akkor ezeket hogyan kötöd úgy össze, hogy ez megkötődjön ez a kapcsolat. És ha rosszul kötöd ezeket össze, akkor sosem lesz az, hogy valaki elmegy az adott állásra dolgozni. De ha nagyon jól kötögeted össze, akkor az történik legjobb esetben, hogy van 100 lehetőség, van 100 jelentkező és akkor mindenki talál munkát. Nyilván ez nem így működik, de így kell elképzelni. Itt van egy matching, ebben szavak vizsgálata van, nyelvfeldolgozás, ilyesmivel vannak összekötögetve. A rendszer megcsinálja a jelentkezéseket, a felületet tudod nézegetni. Ezenkívül pont egy hete, ez az én projektem volt, a cégnek az a neve, hogy Virtual Sapiens, ők most indultak el nemrég. Olyan AI technológiát fejlesztenek, hogy videóhívásban, mint amiben most beszélünk, én benyomom a kamerafeedemet, és ez folyamatosan elemzi, nekem visszajelzést ad arról, hogy ne fogjam meg az arcomat, ne dőljek ki jobbra-balra, nem jó a megvilágítás, túl sok töltelékszót használok, stb. Ehhez csináltunk egy rendszert. Gyakorlatilag a napokban az utolsó milliméterek vannak hátra – azok mindig a legnehezebbek –, ki fog kerülni. Ebben van sokféle AI dolog, amiknek az érdekessége, hogy böngészőkbe fut, ez ilyen hibrid, van benne data streaming, videófillet, cloudba kell küldeni. Itt nagyon sokat tanultam ezeknek a rendszereknek a skálázhatóságáról. Az oké, hogy másodpercenként elküldök egy frame-et egy rendszernek, hogy dolgozd fel vagy tárold el, de mi van akkor, ha van ezer ilyen. Van egy rendszer, ami ezer FPS-sel dolgoz fel valamilyen adatokat. Ha ezt úgy kell megoldanod, mégha nem is real-time, de near real-time, ahogy mondják, az egy nagy kihívás. Abba végig kell gondolni, hogy a technológia hogy épül fel. Ennek a rendszernek igazából az architektúrája, ami bonyolultabb, egy hosszú-hosszú folyamat volt. Hogy éreztessem, ez a teljes fejlesztés 6 hét. Ezen dolgoztunk tőlünk hárman-négyen, meg tőlük hárman-négyen. Ezek a mostani amerikai startupos projektjeink. Ez a három partnerünk van, de folyamatosan beszélünk érdeklődőkkel. Szintén nem olyan, hogy beszélünk valakivel és abból projekt lesz, hanem ez úgy néz ki, hogy folyamatosan bővíted a networködet, folyamatosan gondozod, időről időre beszélgetsz velük. Mert hogyha az asztalukra kerül valami dolog, amikor rád kell, hogy gondoljanak, akkor gondoljanak rád. Ez a megközelítés.

Laczkó Gábor: – Időeltolódás egyébként nem okoz gondot?

Horváth Dávid: – Borzalmas az időeltolódás. Ez a legszörnyűbb része az egésznek, amikor reggel 8-kor nekiállok dolgozni, és este 10-kor Slacken még megy, hogy jó, akkor ezt hogy tudom kideployolni, mit írjak át melyik konfigba, gyakorlatilag ez ennek a hátulütője. Őt nem fogja érdekelni, hogy nálad mennyi az idő, mert hogy ő akkor dolgozik

Laczkó Gábor: – Ez egyébként jellemzően nyugati vagy keleti part?

Horváth Dávid: – Most keleti part. Van egy Texasban, van egy Kaliforniában, akivel dumálgatunk, de jellemzően keleti part, ami még a jobbik.

Laczkó Gábor: – Az még az egyszerűbb része.

Horváth Dávid: – Igen.

Laczkó Gábor: – Hogyha össze kéne hasonlítani, Magyarországon vannak a nagyobb, biztosabb ügyfelek, akik úgy mondom, hogy biztos háttérrel rendelkeznek egyébként, vélhetően az ő nevük ott van, akkor biztonságot jelenthetnek. És akkor van az amerikai rész, ahol jellemzően startupokkal vagytok kapcsolatban. Melyikkel szerettek jobban dolgozni? Melyik típusú ügyféllel?

Horváth Dávid: – Talán onnan indítanám el a gondolatmentet, hogy ha nagyon sokféle dolgot csinálsz, egy idő után elkezdenek a dolgok ismétlődni. Ki fognak rajzolódni mintázatok, hogy valakinek kell valami, és gyakorlatilag eljutsz oda egy idő után, hogy sok mindent egyszer már megalkottál. Találkozol valami olyannal, hogy 50-60 %-át a projektnek össze lehet másolgatni, összerendezed. Nyilván meg kell lenni hozzá a tudásodnak, mert ezt már megalkottátok párszor. Ez egy nagyon fontos kérdés, hogy hogyan menedzselitek ezt a tudást. Szerintem itt kell meglátni a lényeget, hogy onnantól kezdve, hogy ezek a minták elkezdenek ismétlődni, tudsz gondolkozni, hogy elvigyed-e ezt az egészet méretgazdaságosság irányába. És sokkal inkább versenyképesebb vagy, mert nagyon időtakarékosan, időhatékonyan tudsz megoldani egy-egy ilyen problémát. Mi azt látjuk, hogy jellemzően a datás projektekben, ahol az adatpipeline-ok vannak, ott már nagyon sok mindent megalkottunk, és abból jópár dolgot tudunk újrahasznosítani. Jellemzően ez, amit mondtam a dokumentumfeldolgozós témában elég hamar tudunk eredményt produkálni. A másik a cloud rendszerek. Innen indítanám el, mert cloud rendszerek kapcsán nagyon sok template-ünk már megvan, rengeteg modellünk ki van dolgozva, és nagyon gyorsan tudunk összerakni valami igazán komplex, robosztus dolgot. Azt mondják, hogy van egy 6 hetes projekt, amit mi beleteszünk, sokkal nagyobb az értéke, hiszen benne van több éves tudás, tapasztalat, összemásolt rengeteg kód. Ennek a híve vagyok, hogy ebbe az irányba kell menni. Ha megtaláltad a méretgazdaságosságot, akkor gatyába kell rázni a dolgot, és abba az irányba kell elkezdeni jobban nyomulni. Nekünk például ez az amerikai startupos világ, azt gondolom, hogy egy állomása ennek az egésznek. Mindig van a jelenlegi információk birtokában egy kép, hogy oké, most ez a jó, de itt változik, fél év múlva már megint jönnek-mennek a lehetőségek, tapasztalunk dolgokat, leszűrünk, új döntések születnek. Hogy a cloudos vagy datás dolgokból a végén startup lesz vagy enterprise amerikai cég, vagy egy nagyobb enterprise cég, nem tudom, de most így gondolom, hogy a startupos a jó irány.

Laczkó Gábor: – Mondtad, hogy nem dőreség az újrafelhasználás, meg a tudatosság ebben. Alakul már valamilyenfajta termék, vagy van ilyen a scoopban, hogy ilyen irányba is elindultok?

Horváth Dávid: – Jellemzően ezeknél a startupoknál az üzemeltetés, karbantartás ilyen formában nem létezik. Ebből a nagyon kevés mintából mi így tapasztaltuk. Egy jól összerakott kommunikációs csomaggal meg lehetne oldani az üzemeltetés-karbantartást. Gyakorlatilag fejlesztés címszó alatt fut ez az egész végig. Ez az üzemeltetés-karbantartás az, ami nagyon nagy fájdalom, amikor másfél éve építesz ilyen rendszereket. Ebben kezdtünk el mi gondolkozni, hogy ez egy cloudba fellőhető modul, egy monitoringrendszer. Nekünk erre megvan sokminden, belelátunk adatbázisokba, aggregálgatunk adatokat, csomó mindent össze tudunk szedni bizonyos rendszerekből. Ehhez kapcsolódóan alakul így valami. A másik, amit én látok, a nagyon elasztikus, nagyon skálázódó microservices rendszer. Erre van olyan architektúránk, ami kezd ilyen drag and dropos lenni. Megvan egy modell, amire azt mondjuk, hogy nagyon sok mindenre jó. Azt viszont nem szeretjük, ha van egy dolog, és azt mindenre rá akarnánk erőltetni, ennek ellene vagyunk. Mindig megvizsgáljuk, hogy mire van szükség, ezt próbáljuk modularizálni és termékesíteni gyakorlatilag. Magát azt, hogy a projektet el tudjuk adni, mint egy nagyon hamar kideployolható cucc.

Laczkó Gábor: – Hol lesz a Lexunit 5 év múlva?

Horváth Dávid: – Ez egy érdekes és nehéz kérdés. Mély dolgokat érintő kérdés. Gyakorlatilag mindig innen indul az egész, hogy mi a vízió missziója a sztorinak, és mit szeretnénk elérni. Anno, régen 3 éve, amikor összeállt a csapat, az volt az elképzelésünk, hogy mi Magyarországnak a vezető AI fejlesztő cége szeretnénk lenni. Igazából haladunk az úton, de szerényen. Ebben még mindig van luft. Lehet menni előre, viszont 5 év múlva azt gondolnám, hogy a nemzetközi vonalak jobban meg fognak erősödni, és én nem titkolom, de valószínűleg én ezen a startupos vonalon sokkal aktívabban el fogok kezdeni mozogni. A Lexunit célja, hogy minél több tudást, tapasztalatot halmozzon fel, és hogy ebből valami kiforogjon. Egy olyan startup, egy olyan termék, ami sokkal skálázhatóbb, nem emberi erőforrás, hanem egy sokkal skálázhatóbb dolog. A másik, hogy igenis kell találni egy olyan nagyívű problémát, ami sok embernek az életére hatással van. Most jelen pillanatban ez nincsen. Ezt érzem a Lexunitban, hogy fogunk olyan témát találni, amivel igenis fogunk tudni hatással lenni az emberek életére. Ezt nem tudom, sok mindenben megjelenhet. Korunknak rengeteg problémája van, ezeket kutatjuk folyamatosan, próbálunk kapcsolódni energiaipari témákhoz. A biztosítás, amiben lehet luft igazából, az elektromotorok, ilyesmi téma. Akarunk találni olyan problémát, amit meg fogunk tudni oldani. Ahogy az elején kezdtem ezt a történetet, hogy láttam egy startupot elfailelni, mert nem volt tudásuk, tapasztalatuk, erőforrásuk. Mi most azon az úton haladunk, hogy ezt megteremtsük, hogy mindenünk adott legyen ahhoz, hogy tudjunk egy ilyet építeni, alkotni. Ez most még formálódik.

Laczkó Gábor: – Dávid, én azt látom, hogy hamarosan végéhez közeledünk, és van egy pár kérdésünk, forduljunk rá erre a pár kérdésre, ami érkezett hozzánk.

Orbán Bettina: – Három kérdést írtam össze azok alapján, amiket a közönség tett föl. Az egyik az, hogy van-e bármi, amit így utólag máshogy csinálnál a fejlődésed során?

Horváth Dávid: – Nem igazán. Nem módosítanék semmit. Én szeretem úgy, ahogy voltak a dolgok, minden hibával, minden eséssel. Nem, nem változtatnék semmit.

Orbán Bettina: – Ahogy mesélted az elején, a bemutatkozás során, elég sokat tanultál ebből is. Nagyon sok helyen fordultál meg, elég mély a tapasztalatod. Van egy olyan kérdésünk is, hogy szerinted hogyan kellene belekezdeni az AI fejlesztés megtanulásába, milyen skillekre van ehhez szükség?

Horváth Dávid: – Szerintem kell hozzá matematika, ha nagyon az ember a mélyére akar menni, akkor kell hozzá a matematika, mert vannak benne olyan dolgok. Mondok egy példát. Annak idején én is nekiálltam az egyetemi matematikámmal, meg akartam érteni azt, hogy hogy történik egy neurális hálónál a back propagation. Amikor ehhez elkezded bújni a netet, meg felütsz egy-két médiumcikket, akkor találkozol egy csomó ilyen hieroglifával, le vannak írva, hogy plusz, mínusz 2, meg minden és így kijön belőle valami. Azt igazából megérteni egy ilyen folyamat során, hogy például mitől lesz a modellben egy végigfutó folyamatos függvény, hogy az deriválható legyen, bizonyos elemeire hogy tudod kiszámolni a parciális deriváláltakat, hogy a back propagation során egy bizonyos neuronnak mekkora mértékben változtasd meg az állapotát, stb. Szerintem ehhez kell egy kis matematika. A másik, hogy ezek az ilyen szoftveres skillek, az, hogy az ember tudjon alapszinten programozni, nem kell nagy mesternek lenni, nem elvárás, hogy te nagyon nagy programozó legyél, de be kell ütni azért egy-két sor kódot, szerintem ez is elengedhetetlen dolog. A harmadik, hogy szeressél kutakodni, több oldalról megvizsgálni dolgokat. Amit nagyon hasznosnak éreztem, az az, hogy találj magadnak társat, akit ugyanúgy érdekel a téma, és beszéljétek ki, hogy te mit értesz alatta, ő mit ért alatta, és dobjátok össze, hogy mit kéne, találjatok magatoknak hobbiprojekteket, és azon keresztül fejlesszétek magatokat.

Orbán Bettina: – Még egy kérdés lenne. A bemutatkozás során meséltél arról, hogy neked anno a startup nem arról szólt, mint amiről most szól. Erről picit bővebben tudnál mesélni nekünk, mi az, amiről most szól neked egy startup?

Horváth Dávid: – A korábbi években, amikor így ezzel találkoztam, főleg a befektetői dolgokról meséltem, hogy nekem az nem tetszett, emiatt vesztettem el a bizalmamat, hogy tapasztalat nélkül nem is láttam bele sok mindenbe, csak azt láttam, hogy nagyon sok pénz szétfolyik, elfolyik. Gyakorlatilag valamibe öntik a pénzt, és nem születik eredmény. És akkor erre rá kellett jönnöm, hogy nem is feltétlen az volt a cél, hogy ebből szülessen valami. Én ezt nagyon nagymértékű pazarlásnak éreztem akkor. Most pedig ahogy látom, hogy miről szól nekem a startup, hát gyakorlatilag egyrészt ezzel kapcsolatban beszélgettem nagyon sok startupperrel, bostoni arcokkal, és azokat szedtem össze, hogy először a vízió misszió kell. Valami olyan dolgot találni aminek van luftja, tehát ami emberek életére hatással van. Amikor te startupper vagy, és beleugrasz egy ilyen dologba, akkor ezt az álmot kell eladnod másoknak. Mit látnak mások? Azt látják, hogy mekkora potenciál van benne, és mekkora kockázat van benne. Mi a feladatod? Neked az a feladatod startupperként, kezdeményezőként, hogy ezt a kockázatot valamilyen befektetés árán elkezdjed csökkenteni, és ezt a csökkenést te tudjad igazolni valahogyan, visszaigazolást kapni erről, hogy a kockázatcsökkentés megtörtént. Szerintem itt nagyon fontos a csapatépítés, az hogy hogy építed ki magadnak a well you networköt, amibe meg fog kötni az a befektetett pénzérték. Mert az fog történni, hogy nem egyedül vagy, hanem 10-en, aztán 50-en és 100-an, és hogy ebben a folyamatos struktúrában ezt el kell látni folyamatosan fizetéssel, stb. Ez az ilyen topdown építkezés. A startup lényegében erről szól szerintem, hogy találni egy missziót az életben, másokra hatással lévő dolgokat létrehozni, fejleszteni, jobbá tenni, s nem feltétlenül mindig ezzel a közhellyel élve, de igenis kell lenni valamilyen küldetésnek ebben az egészben.

Orbán Bettina: – A három kérdésre adott válaszból kiderül, hogy a csapatok nagyon fontosak, hogy milyen emberekkel vagy körülvéve.

Laczkó Gábor: – Dávid, én szeretném megköszönni ezt a remek beszélgetést, és nagyon remélem, hogy tényleg sikerül azt az utat bejárnotok, amit itt most beszélgettünk, és nagyon drukkolok nektek. Köszönöm a közönségnek is, hogy itt voltatok, és meghallgattatok minket.

Orbán Bettina: – Én is nagyon köszönöm mindenkinek a részvételt, Dávid neked is még egyszer köszönöm, hogy elfogadtad a meghívásunkat, sok sikert kívánok nektek, remélem, hogy még sokat fogunk rólatok hallani.


Horváth Dávid

Horváth Dávid

Founder & Strategy Adviser at Lexunit Group Ltd.

Dávid a Lexunit alapító társtulajdonosa, stratégiai tanácsadója. Gépészmérnöki végzettséggel és több éves nemzetközi nagyvállalati szférában szerzett fejlesztői tapasztalattal rendelkező vállalkozó, aki elkötelezte magát amellett, hogy olyan cutting-edge technológiák felhasználásával, mint például mesterséges intelligencia, a modern üzleti igényeknek maximálisan megfelelő és valódi értéket teremtő digitális megoldásokat hozzon létre.

Jelenleg stratégiai tanácsadóként segíti a Lexunitot, biztosítva az üzleti és a technológiai oldal közötti szinergiák hatékony működését mind vállalati szinten, mind pedig az egyes projektek tekintetében.

Szakmai partnerek

AI fejlesztési tapasztalatok a hazai nagyvállalati és az amerikai startup szektorból | Publikus

Feltöltés dátuma: 2021. október 01.

Online AI Data Tapasztalat Nagyvállalat Lexunit USA piac Fejlesztés

Ajánlott videók

Amikor az AI találkozik a holografikus mikroszkópiával – Egy termék rögös útja a piacra | Publikus

Vezetőként működni: Egy sokat látott vezető tapasztalatai | Publikus

Leading Through Uncertainty – Nivia Henry, Spotify | Publikus

Sustainable Machine Learning by Carl Zeiss AG | Publikus

Technológiai szakemberektől a technológiai közösségekig | Publikus

How to scale a unicorn-building engineering team (and stay sane) | Publikus

AI alapú megoldások az ügyfélszolgálatokban | Publikus

Secure Coding Képzés | Publikus

Az üzleti modellezés és a design thinking az értékteremtő vállalat és szervezetfejlesztésben | Publikus

A JavaScript a jövő…? | Publikus

Az Olimpiai Arany Útja: Mit Tanulhatnak a Tech Vezetők Szilágyi Árontól? | Publikus

Low-Code platformok a gyakorlatban: Tévhitek és válaszok | Publikus

Spring Boot 3, de Kotlin és Webflux | Publikus

Haladó User Sztori – Képzés | Publikus

Ipari létesítmények IT kihívásai – Autóipari kitekintő | Publikus

IT vezetők élete: Hogyan határozzuk meg okosan az IT céljainkat? | Publikus

Hibrid Cloud Képzés | Publikus

MVM NET: Kritikus infrastruktúrák üzemeltetése és védelmük | Publikus

DevOps kerekasztal: Felhőtechnológiákról IT vezetői szemmel | Publikus

Business Operations: Az adatalapú vezetői működés mibenléte | Publikus

A légiközlekedés technológai és zöld kihívásai | Publikus

The role of AI in data and text analyses | Publikus

A jövő városai – Digitális városok | Publikus

Paradigmaváltás az eAláírásban: Hogy lehet holnaptól az ügyvitel részévé tenni? | Publikus

Building data-driven corporate operations | Publikus

A Mesterséges Intelligencia hatása a vállalati szervezetekre | Publikus

AI code tool-ok vizsgálata | Publikus

Viselkedésvezérelt fejlesztés (BDD) – hogy a termék a megfelelő problémát oldja meg! | Publikus

Containers & Serverless – Stronger Together | Publikus

Ezt gondolják a munka világáról a mai fiatalok! | Publikus

AI security: How to hack ChatGPT | Publikus

Egy product roadmap evolúciója | Publikus

Elmozdulás a legacy kódtól – tréning | Publikus

Az operatív vezetés kihívásai az e-commerceben | Publikus

Infrastructure as code – tréning | Publikus

Kubernetes Day: Learn about the World of Kubernetes in a casual Setting | Publikus

E2E tesztelés elmélete és gyakorlata – Módszertan és eszközök | Publikus

A 21. század kertésze: precíziós technológiák a városi agrárium szolgálatában | Publikus

Streamnet: ,,A jövő megérkezik az irodákba, és az audiovizuális rendszereknek ebben nagy szerepe van!” | Publikus

Webshippy: „mindig is tudtuk, hogy mi nem csak egy fulfillment cég akarunk lenni…” | Publikus

Tresorit: Magyar startup siker és a digitális adatvédelem új korszaka | Publikus

Hogyan készüljön a Te (user) sztorid? – Tréning | Publikus

Neticle: A jövő üzleti döntései, avagy az adatalapú kultúra sikere | Publikus

Design Terminal: Így működik egy startup inkubátor | Publikus

A Crypto gaming világa – Play & earn ökoszisztéma és az AEY Metaverse Guild | Publikus

Java Spring 6 újdonságok – Tréning | Publikus

Van létjogosultsága az OpenAI ChatGPT-nek a vállalati szektorban? | Publikus

Cloud security AWS – Tréning | Publikus

Még nem veszi el az AI a fejlesztők munkáját, de döbbenetes vezetői képességei vannak! | Publikus

Mesterséges intelligencia a marketingben | Publikus

Digitalizáció és innováció az építészetben | Publikus

Black Friday sémák a magyar piacon és közép-kelet európai tükör | Publikus

Amit a metaverzumról és üzleti validációjáról tudni kell | Publikus

Microservice Observability | Publikus

Nagyvállalati sebezhetőségek és kvantum kihívások az IT biztonságban – interjú Silurral | Publikus

Mesterséges intelligenciával a rák ellen | Publikus

A crypto piac és eszközök vállalati szemszögből: lehetőség vagy kockázat? | Publikus

Az alkalmazásfejlesztés jövője: Low-Code / No-Code | Publikus

A crypto bányászat befektetési aspektusai: előnyök, kockázatok, szükségletek | Publikus

Bukott projektek anatómiája | Publikus

A vezetői karizma és annak határai | Publikus

„Egy amerikai céget indítani és üzmeletetni, amiből a startupodat tudod futtatni, lényegesen olcsóbb és egyszerűbb” | Publikus

Iparági trendek és digitalizáció az autókereskedelemben – Beszélgetés Schiller Márkkal | Publikus

Shipping trendek és kihívások webshop és logisztikai oldalról: Benu és Packeta | Publikus

Mesterséges intelligencia és jogi felelősség | Publikus

REGIO JÁTÉK: a modern játékkereskedelmi kiskátéja – stratégiai gondolkodás és IT | Publikus

Mire van szükség ipari IT fejlesztési projektek input minőségének javításához? | Publikus

Microservice Tréning Nap | Publikus

Az e-sport és gaming jelene a magyar piacon és azok kereskedelmi metszetei | Publikus

Az ingatlanpiaci digitalizáció jelene és jövője | Publikus

5 év múlva elképzelhetetlen az adathitelesítés blockchain nélkül | Publikus

API használat, state management és az rxjs szépégei nagy projektek esetén | Publikus

LegalTech trendek a magyar piacon és a vilában | Publikus

Foodpanda: Digitalizáció és stratégiai látásmód piacvezető szerepben | Publikus

Data science módszerek vásárlói viselkedésminták elemzésére 2.0 | Publikus

Next Earth: A blockchain alapú jövő | Publikus

Nestlé: Online FMCG értékesítés a világ legnagyobb élelmiszeripari vállalatának szemszögéből | Publikus

Data Science az online médiában: az adatvezérelt újságírás jövője | Publikus

A Java jelene és jövője | Publikus

A sikeres ügyfél-szolgáltató együttműködés kultúrális és szervezési kérdései | Publikus

Generációk és fogyasztói szokások változása a metaverzum kapujában | Publikus

OKR, avagy hogyan érik el a világelsők a legambiciózusabb terveiket | Publikus

A Bitrise sztori: üzlet, vezetés és vállalati kultúra | Publikus

Mesterséges intelligencia a videós kontent gyártásban | Publikus

Java REST API kihívások és megoldások | Publikus

Mesék a való életből: adathalászat, mely a javunkat szolgálja | Publikus

Az adatvagyon keletkezése, kezelése és monetizációja az e-kereskedelemben | Publikus

A mesterséges intelligencia alapjai | Publikus

Cégépítészet – hogyan építsünk sikeres vállalatot a digitális korban? | Publikus

Amikben hibáztam – Beszélgetés Bojár Gáborral | Publikus

Influencerek és új médiacsatornák az e-commerce marketingben | Publikus

HR támogatás a digitális forradalom tükrében | Publikus

Agilis tesztelés a gyakorlatban | Publikus

Subscription rendszerek a médiában: HVG, Central Médiacsoport | Publikus

Az ügyfélélmény versenyjogi és fogyasztóvédelmi aspektusai | Publikus

Digitális ipari megoldások: az AR/VR ipari alkalmazása | Publikus

Digitális terméktervezés és a design kutatás haszna | Publikus

Projekt életciklus fejlesztői szemmel | Publikus

Ipar 4.0 – Álmok és a valóság Data Science szemszögből | Publikus

Ameddig a föld kerek, mindig lesznek Dockerek! | Publikus

Bodorítsunk-e bárányfelhőket – mire jó a cloud? | Publikus

A fenntarthatósági kihívások az E-commerce logisztikában | Publikus

Vezető a vezető mögött | Publikus

Iparági helyzetelemzés a B2B e-commerce piac trendjeiről és jövőjéről | Publikus

Remote first | Publikus

AI alapú ajánlórendszerek a gyakorlatban | Publikus

AI fejlesztési tapasztalatok a hazai nagyvállalati és az amerikai startup szektorból | Publikus

Ökoszisztémák az e-kereskedelemben | Publikus

Adatokban gazdag | Publikus

Kubernetes Policy Enforcement – a Kubernetes videóbírója | Publikus

Innovatív payment stratégia: így kattintanak egyre többen a fizetés gombra | Publikus

Engineering kultúra vol. 2: Feedback és onboarding a terítéken | Publikus

Hogyan építsünk AI alapú vállalati alkalmazásokat? – Avagy egy szakma szépségei és buktatói | Publikus

Exportfejlesztés az Egyesült Államokban | Publikus

Intézményi befektetők a nemzetközi piacra lépés mögött – ahogy a Hiventures látja | Publikus

Szervezeti hálózatelemzés | Publikus

Konténerizáció ismertető | Publikus

Data Science – IT Morning School | Publikus

Data science módszerek vásárlói viselkedésminták elemzésére | Publikus

Hogyan válasszak e-commerce fejlesztési platformot? | Publikus

Robotok a vállalati kommunikációban | Publikus

Single source of TRUTH, avagy a teljes customer experience forrása és jövője | Publikus

Termékkereső a webáruházakban | Publikus

A mesterséges intelligencia határterületei | Publikus

Hogyan lettem adattudós? | Publikus

Building Products People Will Love | Publikus

Milyen a hatékony engineering kultúra? | Publikus

Mi fán terem az agilitás? – IT Morning School | Publikus

Natív és cross platform alkalmazások – IT Morning School | Publikus

Webes technológiák – IT Morning School | Publikus

Hogyan épül fel egy fejlesztő csapat? – IT Morning School | Publikus

Robotikai alapok – IT Morning School | Publikus

Technológiai áttekintés – IT Morning School | Publikus

E-commerce az Egyesült Államokban: Amazon és más csodaszerek | Publikus

Magyarországról az amerikai piacra: a partraszállástól a befektetőkig | Publikus

Így reagáltunk mi a változásokra – szallas.hu és ingatlan.com | Publikus

Kitartás a vezetésben és sportban | Publikus

Mit tanul ma egy vezető? Mások hogy csinálják? | Publikus

Kezdjünk bele az AI transzformációba! | Publikus

Az e-commerce jövője: 50%-os részesedés a teljes kiskereskedelemből? | Publikus

Vízesés és agilis fejlesztési szemléletek — mindkettőre szükség van? | Publikus

Microservice architektúra alapok | Publikus

A jövő váratlanul válik jelenné – Auchan, Decathlon, Rossmann | Publikus

E-commerce rendszer Microservice architektúrával | Publikus

Kiberbiztonság webes aspektusai, támadási felületek és védekezési lehetőségek | Publikus

Felhasználói élmény és e-commerce – 1. rész | Publikus

Felhasználói élmény és e-commerce – 2. rész | Publikus

Google Analytics fejlesztői szemmel | Publikus

Chatbot alapok és gyakori integrációk | Publikus

Hogyan határozzuk meg és hogy mérjük a legfontosabb eCommerce KPI-okat? | Publikus

Hogyan használjuk ki az adatelemzés adta lehetőségeket a digitális világban? | Publikus

Termékajánlók webshopoknak a Google AI segítségével | Publikus

AI ajánlórendszerek típusai és megközelítései | Publikus

Diverz kereskedelmi folyamatok felépítése | Publikus

Evolution of the Shopping Experience – a Walmart Case Study | Publikus

Ajánlott videók