Pénzcentrum • 2024. június 3. 11:45
Manapság egyre nagyobb teret kap minden olyan tevékenység, amit valamilyen algoritmus vezérel. A ChatGPT berobbanása óta rengeteg szervezet kezdett el valamilyen formában AI-tartalmazó megoldást használni, a nagyvállalati környezetben már elkezdték a AI stratégiák és részlegek kiépítését, de a nagyobb horderejű modelleknek azért még bőven van tere. Hogyan zajlik egy AI projekt bevezetése, milyen adatokra és előkészítésre van szükség? Egyéni szinten miért érdemes a saját munkánkra szabni a jelenlegi AI adottságokat? Milyen típusú tevékenységeket alakíthat át gyökeresen az AI? Sólyom Balázst, a Trendency Zrt. adatüzletágának vezetőjét kérdeztük.
Egyre több cégvezetőt foglalkoztatja, hogy milyen adataik vannak, mit lehetne azokkal kezdeni, egyáltalán meg lehet-e mondani a számok alapján, hogy milyen a tevékenységük, jó irányba tartanak-e. Hogyan indul el egy ilyen típusú elemzési folyamat? Mennyire egyszerű vagy bonyolult összerakni egy adatüzletágat?
Az alapot a kereskedelmi vagy szolgáltató szektorban is ugyanaz jelenti, először fel kell mérni, hogy milyen kihívásokkal, nehézségekkel áll szemben az adott vállalkozás. Ez jelenthet lemorzsolódás vizsgálatot, amikor azt nézzük, hogy kik azok az ügyfelek, akik bizonyos feltételek teljesülése mellett elhagynák azt a szolgáltatót, akivel együttműködnek, vagy milyen célcsoportokat lehet még finomhangolni, hogyan lehet szegmentálni, jobban megszólítani az ügyfélkört. Erre jó példa, amikor postán korosztálytól függetlenül mindig megkérdezik, hogy szeretnénk-e sorsjegyet, viszont egy személyre szabottabb ajánlatra – egy fiatal diák vagy egy nyugdíjas alapvetően teljesen más termékeket választ – valószínűleg sokkal nyitottabbak lesznek az emberek. Már léteznek ilyen jellegű modellek is, amelyekkel jobban kihasználható az offline csatornákban rejlő potenciál.
A legtöbb tevékenységünk onnan indul, hogy elkezdünk beszélgetni a megrendelővel, akik szinte az összes szektorból érdeklődnek, hogy milyen üzleti problémáik és terveik vannak.
A legideálisabb, amikor hozzáférést kapunk kvázi a “széfhez” és felmérhetjük, hogy milyen adatokkal rendelkeznek.
Eztt követően pedig közösen átgondoljuk, hogy ezek hogyan segíthetik a tevékenységeiket. Ezekre a kérdésekre házon belül 2020-ig nem volt válaszunk, tradicionális webfejlesztő cégként működtünk. A csapatlétszám 4 év alatt 30 főre emelkedett az üzletágban és több irányvonalat is meghatároztunk. A webanalitika stratégiai alapkővé vált, nagyon sok ügyfélnél ez nyitja meg az utat, mert viszonylag könnyen hozzá lehet férni és nagyon sokat meg lehet tudni valakinek az online jelenlétéből is. Gyorsan meg tudjuk mutatni a saját lenyomatunkat, hogy hogyan gondolkodunk, mit látunk egy cégből, rengeteg insightot át tudunk adni, hogy mit tapasztalunk az adataikból, és így nagyon könnyen ki lehet építeni egy hosszabb távú együttműködést.
A webanalitika mellett ez a csapat a Data Science és a Data Engineer területen aktív még, előbbiben a kutatás és modellezés a feladatunk, a fókusz abszolút a nyelvi modellek használatán, illetve a különböző predikciós modellek fejlesztésén van. A Data Engineer vonalon az elkészült modellek produkciós környezetbe juttatása az egyik fő cél, hogy egy szerveren, stabilan, kevés erőforrásból is működjön 1-1 Data scienctist által megálmodott dolog. Emellett itt történik az adatok tisztítása, transzformálása és szolgáltatása is. A 30 főben még van projektmenedzser, business analyst, tesztelő, backend és frontend fejlesztő is, gyakorlatilag teljesen önálló szervezetként tudunk működni. Nálunk mindenki azt vizsgálja a saját területén keresztül, hogy mit lehet kezdeni az adatokkal, és mindezt hogyan lehet reprezentálni.
A vállalatvezetők, megrendelők mennyire vannak azzal tisztában, hogy egyáltalán milyen adataik vannak és hogyan, mire tudják használni azokat?
Kis túlzással mondhatni, hogy a többség egyáltalán nem tudja, hogy pontosan milyen adatvagyonon ül. Sok cégvezetőnek van egy elgondolása arról, hogy milyen értéket is képviselhet a cége adat szempontból, de tapasztalatunk alapján ez távolabb helyezkedik el a valóságtól – talán sokakat meglep, de inkább alábecsülni szoktak ilyenkor az ügyfelek. Nagyon sokszor függ ez a vállalatmérettől is, a kisebbeknél kevesebb az adat és azok nem is annyira szerteágazóak, ezért ők egy fokkal jobban tisztában vannak azzal, hogy mijük van, viszont nehezebb kiaknázniuk ezeket az értékeket.
Ahogy növekszik egy szervezet, annál jellemzőbbé válik, hogy az egyes területek önállóan működnek, és mindenki csak a sajátjára koncentrál, ami viszont nagyon beszűkíti lehetőségeket.
A szinergiákat ki kell aknázni, a pénzügytől kezdve a marketingen át, és az IT-t is bevonva. Ha ezt az egészet felöleljük, akkor sokkal könnyebb olyan dolgokat megtalálni, ami a teljes szervezet hatékonyságát tudja növelni és közben minden terület megtalálja benne a saját kis hasznát. Ezért is tartjuk nagyon fontosnak az adatvagyon-felméréseket, hiszen azon túl, hogy számtalan meglepetéssel szolgál egy-egy ilyen projekt a vállalat vezetői és szakértői számára, még segít egy valós, elérhető képet is festeni, a hangzatos vágyálmok helyett.
Ezt az összképet nagyon nehéz összeszedni, egyes szervezeti egységek sokszor megelégszenek azokkal a folyamatokkal, eredményekkel, amiket aktuálisan ki tudnak aknázni, saját területük számára. Nem veszik figyelembe, hogy az egész szervezet hatékonyságára sokkal nagyobb hatást lehet kifejteni, ha pontosan átlátják, hogy mijük van. A nagyvállalatoknál jellemző még egyfajta ellentét az IT és az üzleti érdekek között, pedig a jogi területen lévő szinergiákkal kiegészülve jutunk a teljes képhez, amit nagyon sokan ma még szerintem nem látnak át.
Milyen kihívások vagy szükségletek kellhetnek ahhoz egy-egy vállalat oldaláról, hogy elkezdjenek egy AI-t tartalmazó megoldást használni? Milyen szektorokban, feladatköröknél lehet ez kiemelt jelentőségű?
A ChatGPT nagyjából olyan erővel robbant be az üzleti szférába, mint egy reformkor, sok cég mérettől függetlenül elkezdte valamilyen formában használni az AI-t, például levelek fordítására, összefoglalására, fordításra vagy hírlevelek gyártására. Emellett pedig egyre nagyobb az elterjedtsége a nagyvállalati környezetben a klasszikusabb AI megoldásoknak,
sokan használnak már különböző prediktív modelleket (pl. lemorzsolódást vagy fogyasztást előrejelző modellek, de egyre inkább nyílik a lehetőségek tárháza mindenki számára.
A legtöbb helyen a spórolás vagy az eredményesség miatt gondolkodnak a bevezetésén. Előbb vagy utóbb ki fogják váltani ezek a megoldások a robotizálható vagy automatizálható munkákat, de most még nem feltétlenül erre koncentrál a piac jelentős része. Egyre többen kezdenek el AI stratégiát gyártani, külön részlegeket létrehozni, de azért a generatív AI adta megoldások vannak a rivaldafényben. Rövid távon el fogunk oda jutni, hogy már a profitban is érezhető lesz ezen megoldások ereje, ez pedig az AI lehetőségeit nagyon hamar ki is fogja tágítani. Nagy kérdés, hogy a jogi környezet hogyan követi le ezt a változást, több megoldás kapcsán már felmerültek problémák.
Ha valaki megtanulja jól használni, azzal tulajdonképpen a saját tudását skálázza fel, hiszen 8 munkaóra alatt sokkal több értéket fog tudni teremteni, mint aki nem él ezekkel a lehetőségekkel.
Már most látszik, hogy aki a saját munkájára tudja szabni a jelenlegi AI adottságokat, mekkora lépéselőnybe kerülhet. Ha csak abból indulunk ki, hogy valaki kap naponta 100 levelet, amit óránként összefoglal neki egy AI asszisztens, és kivonatolja, így a napi 2-3 óra helyett 30 percben manifesztálódik ez a feladat, akkor kis túlzással 2 és fél órával többet tud hatékony lenni a munkájában. Ha egy grafikusnak nem azzal telik az ideje, hogy álmodozzon és koncepciókat próbáljon alkotni, hanem megtanul promptolni (szöveges instrukciók adásával alakítani az adott képet - szerk.), és az AI generálja neki az inspirációt, azzal szintén rengeteg időt lehet nyerni. Ha egy újságírónak nem a kutatással megy el az ideje, hanem egy AI-rendszer összegyűjti a világ top 200 oldaláról az aktualitásokat és tematika szerint aggregálja, akkor nem 2 óra a tartalomkeresés, hanem 5 perc.
Mi is elkezdtük már használni azokat az AI megoldásokat, amelyek súlyos munkaórákat tudnak megspórolni a fejlesztőknek, kvázi asszisztensként már egész jól beépült a munkánkba. A kódok tisztaságáért, illetve kódsorok írására az ún. prompt engineering-et már aktívan használjuk (olyan bemeneteket hoznak létre, amelyek az AI modellt arra utasítják, hogy konkrét típusú válaszokat vagy cselekedeteket generáljon - szerk.), illetve vannak olyan vizuális elemek, ahol képgeneráló algoritmusokkal dolgozunk. Még mielőtt berobbant volna a ChatGTP, már akkor voltak prediktív jellegű AI modelljeink, amiket elkezdtek használni az ügyfeleink.
Hogyan zajlik egy AI projekt bevezetése és megvalósítása, milyen előkészítés szükséges hozzá? Mekkora erőfeszítés egy-egy új megoldás implementálása és a mindennapokba történő beillesztése?
Először is tisztában kell azzal lenni, hogy milyen adataink vannak. Nagyon sok ügyfélnek már fix elképzelése van arról, hogy mire van szüksége, ami azonban nem minden esetben oldja meg a problémáját, ezért nagyon fontos, hogy megértsük, hogy
milyen üzleti célokkal, kihívásokkal, nehézségekkel és adottságokkal van felvértezve az adott vállalat. Ezt a négy dolgot kell ahhoz tudni, hogy hatékony lehessen bármilyen AI bevezetése.
Mivel a hazai nagyvállalatok egy része nem a 2000-es évek adta digitális kihívásokra lett felépítve, sokaknak még az online jelenlét is komoly kihívás, nemhogy a szükséges infrastruktúra rendelkezésre állása. Ha meg is van minden adottság, akkor is azt szoktuk javasolni, hogy ne egy nagy beruházással kezdjünk, hanem bizonyítsuk be, hogy a rendelkezésre álló adatokban és az üzleti célokban van metszet, és ha ez sikerült, utána következhet a nagyobb erőforrás bevonása. Nagyon sokan nem veszik figyelembe, hogy nem elég lefejleszteni valamit, azt integrálni is kell a szervezet életébe, hogy a kollégák valóban használják majd.
Hogyan hathat a tartalomfogyasztásra az AI és változhat meg a jelenlegi digitális média szerepe? Mivel ássa a sírját a média, ha használja, vagy ha blokkolja? Ez az egész jó lesz a fogyasztónak?
Az embereknek nem lesz több ideje, viszont ma már bárki állíthat elő tartalmat, influenszerek, tartalomkészítők, Youtube-on, Tiktokon, Instagramon, bármilyen közösségi platformon, ami a napi tartalomfogyasztási időt emészti. Szűkül az olló, hiszen ott van a tévé, a rádió, az offline és online sajtó, szerintem sokak alól el fog fogyni a levegő. És arról még nem is beszéltünk, hogy mi van akkor, ha majd az AI nem egy híroldalra visz minket, amikor a keresőt használjuk, hanem összefoglalja, hogy milyen események történtek az adott oldalak alapján – technológiailag ez már akár holnaptól is működhetne így. Hány híroldalnak lesz akkor létjogosultsága? Az biztos, hogy aki nem lesz képes e szerint kiszolgálni az olvasói igényeket, az nem fog tudni sokáig fennmaradni.
Egy-egy médiumot nagyon sok oldalról lehet vizsgálni az adatok szempontjából. A klasszikus webanalitika például mutatja, hogy a cikkeket hányan olvasták, vagy a közösségi média, hogy ott milyen teljesítményt ér el egy sajtótermék. A versenytársakról, a szerkesztőségi rendszerből szintén rengeteg információ nyerhető ki. Az volt az első lépésünk, hogy építettünk egy olyan rendszert, ami ezeket az adatokat egy ökoszisztémában képes összerendezni és mindezt reprezentálni, tehát meg tudja nézni mondjuk a főszerkesztő, hogy mennyien olvasták aznap a médiumot, melyik szerkesztője mennyi cikket gyártott, azok hogy teljesítettek, vagy mik voltak a legolvasottabb tartalmak. Segítünk értelmezni az elmúlt időszak teljesítményét, ami szerintem méltatlanul alulreprezentált sok szerkesztőségben,
a legtöbben csak az aktuálisan futó adatokra koncentrálnak, viszont a folyamatos most követése néha nem ad elég kontextust annak, hogy amúgy hová jutottunk el.
A hírhelyzetelemzés tipikusan ilyen, ameddig nem mutattuk meg a szerkesztőségeknek, hogy egy hírhelyzetet a versenytársak hogyan dolgoznak fel, és csak azt figyelték, hogy még olvassák-e a híreiket, addig nem tudtak jobbá válni. Bizonyos halálesetek tematizálják a teljes hazai sajtó figyelmét, de az izraeli konfliktus és a jelenlegi közéleti helyzet is ugyanilyen. Kielemezzük a teljes hazai médiában, hogy ki mennyit foglalkozik egy-egy ilyen hírrel, hogyan dolgozza fel. Ha II. Erzsébet brit királynő halálhíréből indulunk ki, nem csak egy nekrológ és egy-két hozzá kapcsolódó hír jelent meg, volt olyan médium, aki 4 nap alatt 120 kapcsolódó hírt hozott le. Sok aspektusból lehet az eseményeket körbejárni, és ebben próbálunk a szerkesztőségeknek segíteni, hogy hogyan tudják még inkább kiaknázni azt a figyelmet, ami egy téma köré éppen összpontosul.
Oyan megoldásokat is létrehoztunk, amelyek abban próbálnak prediktíven segíteni, hogy mikor mit érdemes éppen az adott portál főoldalán vagy a közösségi médiában megjeleníteni, amivel a legnagyobb lehet az adott oldal elérése. Nagyjából a top 10 témát próbáljuk belőni, hogy mikor mivel érdemes foglalkoznia egy-egy médiumnak, illetve mikor mit érdemes hangsúlyosan publikálni. Ezen a területen több mint 20 szerkesztőséggel tartunk napi kapcsolatot, és velük együtt dolgozva próbáljuk megfejteni ezeket, illetve elemezzük a korábbi tartalmaik eredményeit. Van olyan médium, aki ennek köszönhetően a tavalyi számaihoz képest már megduplázta a napi látogatottságát.
Milyen megoldásokkal védheti a pozícióját a média, hogyan segíthetnek ebben az AI megoldások?
Elég borúlátó a jövőképem ebben a tekintetben, szerintem világszerte szűkülni fog a médiapaletta. Vajon kinek írnak az újságírók, az algoritmusnak vagy az olvasónak? Ebben már nem is olyan könnyű egyértelmű választ adni, hiszen egy cikknek meg kell felelnie a Google Search-nek, a Google Discover-nek, a Facebook-nak stb. Úgy látjuk egyébként, hogy a legtöbb médium próbálja egy kicsit visszaszerezni a kontrollt, újra elkezdtek regisztrációt kérni, hogy kialakuljon valami kötődés, de az előfizetéses modellek is elkezdtek megjelenni. A hírlevelek, amiket a szakma már rég eltemetett, napjainkban reneszánszukat élik, vannak azért arra utaló jelek, hogy kezdenek felébredni a médiumok.
Képek: Mónus Márton