Mesterséges intelligencia a HORECA szektorban 

Ma már egy drón tájékoztat bennünket arról, hogy a telkünk mely részein táboroznak a krumplibogarak. A paradicsomot már nem Piri néni szortírozza, hanem egy gép és azon már meg sem lepődünk, hogy egy szoftver dolgozza ki a hotelszobák árazási stratégiáját. De az a tény, hogy beszélgetésünk alatt Levi egy olyan whiskeyt tartott a kezében, amelynek készítési metódusát és ízvilágát egy MI rakta össze az emberek ízlésének elemzése alapján, az már lehet nonszensz.

Levivel korábban 5 éven keresztül dolgoztunk együtt egy nemzetközi piacra készülő mesterséges intelligencia alapú szoftveren. Mindig is lenyűgözött az intellektusa, a humora, hogy mindenről van releváns véleménye és az, hogy mennyire egyszerűen és képszerűen tud elmagyarázni hihetetlenül bonyolultnak tűnő dolgokat. Nem vagyok egy MI rajongó, de van sok kérdés, amelyek egyre aktuálisabbak. Ezért ez a cikk…

Eredetileg programozó vagy, majd később buddhista teológusként is végeztél, aztán visszatértél a mesterséges intelligenciával való foglalatoskodáshoz, startupokhoz, tanácsadáshoz, gépi tanulócsapatok támogatásához. Tanítasz is többek között a frankfurti egyetemen. Gondolom sokan megkérdezik Tőled, hogy ez a rengeteg dolog, hogy fér egyáltalán az életedbe. Mi a Te válaszod erre? 

Az, hogy meglepő, de én egyáltalán nem érzem sokfélének. Szerintem én monomániásan egyféle dologgal foglalkozom és ezek mindig valamiféle tudattal kapcsolatos folyamatok, hogy ezek emberiek, vagy ezek modellezése, szimulációja valamilyen gépi formában történik- e, az egyáltalán nem érdekel. Az viszont igen, hogy milyen módon kattognak bennünk ezek a kerekek. Volt, amikor ezt a kognitív tudományok területén kerestem, volt, hogy a buddhista teológia területén kutattam, most pedig inkább a modellezés és a szimuláció területén vacakolok ezzel… de a lényeg ugyanaz. 

A kvantumfizika mindkettőnk egyik kedvenc területe, hogy az elménket és a körülöttünk lévő világot (frekvenciákat, energiákat) hogyan tudjuk tudatosan a természet törvényeinek figyelembevételével használni és alakítani. Hogyan is érzékeljük a világot, van-e különbség az érzékelt világ és a valós világ között. Ez alapjaiban megérne egy külön Zoom beszélgetést, viszont ami ide kapcsolódik az ennek kiegészítő területe a kvantum-informatika, hiszen ez már az MI kérdésekben is egyre fontosabbá válik. Mivel Téged fel is kértek arra, hogy tanítsd ezt a legjobb embertől kérdezem… ez a terület mit is vizsgál pontosan?

Azt vizsgáljuk, hogy kvantumfizikai számításokat alapul véve, hogyan lehet gépi tanulási eljárásokat alkalmazni, tehát kvantumszámítógéppel lehet-e a gépi tanulást végezni. Múltkor egy nagy gyógyszergyárnak dolgoztam, ahol egérkéknek a viselkedését kellett modellezni, hogy ha alzheimer gyógyszert kapnak akkor hogyan reagálnak, változtat-e a viselkedésükön az adott gyógyszer vagy sem. A megfigyelt kimenetből kellett visszafelé valamiféle algoritmust létrehoznunk. A gépi tanulás tulajdonképpen ez, hogy a megfigyelt eddigi adatokból valami olyan rendszert hozunk létre, ami jól modellezi a történteket és ezáltal a jövőben meg nem figyelt adatokra tudunk mondani valami okosat amire kíváncsiak vagyunk. 

Hogyan születtek ebből a mezőgadasággal kapcsolatos projektjeid? 

Ez egy fura sztori. Egyrészről akinek kalapácsa van, mindenhol szöget lát. Amikor gépi tanulás kalapácsod van, akkor kezdesz mindent gépi tanulás kalapáccsal nézegetni. Van egy kedves tanítványom aki a Frankfurt School-on végzett nálam. Ő alapvetően egy nagy amerikai, de európai telephellyekkel is rendelkező mezőgazdasági gyártó cégnek dolgozik. Ő azt mondja, hogy: „lám-lám, eddig azt hittük, hogy a mezőgazdaság az kifejezetten nem előrejelzés alapú sztori, de azért nézzük meg, hogy milyen apróságokat lehet benne megjósolni. Például: mikor kellene öntözni, vetni, aratni? Ugye az egyik legrégebbi előrejelzés az emberiség történetében a Nílus áradásainak előrejelzése. Nem túlzottan mai a probléma, az, hogy hát, mikor kellene kimenni a mezőre. De nyílván a korabeli tanulási technikákkal felnéztek az égre, számoltak valami szöget, aztán remélték, hogy jó lesz. Ma már ezt másképp csináljuk. 

Milyen speciális területen alkalmazhatók ezek az új eljárások? 

Ami nagyon meglepő az az, hogy egy csomó olyan minta felismerési feladat van a mezőgazdaságban, ami nem túlzottan bonyolult, pl.: a paradicsom szortírozás. Hinné a fene, hogy ez egy gépileg modellezhető probléma, pedig hát igazság szerint a piros paradicsom és az éretlen paradicsom közötti megkülönböztetést egész jól meg lehet tanulni gépileg. Csak sokkal kellemetlenebb lenne, ha nekem kellene megírnom egy programban azt, hogy mikor finom, mekkorának kell lennie vagy mennyire legyen piros. Soha nem lennék jó paradicsom szortírozó! Viszont ha meg tudom kérni Mari nénit hogy legyen kedves szortírozza szét azt az 1 tonna paradicsomot, ő végez vele mondjuk három óra alatt, és nekem ez utána mint tanulóadat a rendelkezésemre áll a végeredmény, akkor azt már oda tudom adni egy gépnek és megmutatni neki, hogy nézd így néz ki egy paradicsom amit szeretünk, így meg amit nem… 

Találkoztam már ilyen növényfelismerő applikációkkal. Megmutatod a telefonodnak a növény levelét és az közli Veled, hogy mi a növény becses neve, hogy kell vele bánnod, hogy szeresse az életet. Van ezeknek ipari verziója is? 

Igen, korábban hitte a fene, hogy a növények megkülönböztetése milyen könnyen tanulható… De valóban vannak már ezek az appok, amiket említesz és most gondold el, mi történik olyankor, hogy ha egy ilyen rajta van a traktoron és felismeri, hogy mihez kell majd hozzányúlnia.

Nem szántunk be mindent, nem permetezünk le mindent ész nélkül.

Hanem a traktor analizálja, hogy mi van alatta. Van, hogy semmilyen kémiai eszközt nem használ, csak kitépi. Sok helyen vannak vizuális problémák, paradicsom, gaz kártevők felismerése. A drón pontosan meg tudja mondani, hogy hol lát krumplibogarat. Fogod a műholdképet, beküldöd egy gépi tanulási eszközbe és megmondja hogy 3,82 % X- típusú kártevőt lát a területen. Itthon inkább ökoszisztéma formáló hatása van. John Deere például azt mondja…” Mi egyre kevésbé szeretnénk traktort árulni, helyette inkább a szolgáltatást adnánk el.” Vagyis például a mostani John Deere traktorokban az egy létező szolgáltatás, hogy folyamatosan figyelik a traktor jelzéseit, a hangját egy gépi tanulási eszköz küldi befelé az adatot egy központi szervernek és a szerver küld egy SMS-t a gazdának, hogy holnap vigye el a traktorját szervizbe de nagyon gyorsan, mert meg fog dögleni. Láthatóvá válik az egész rezgés profilja a traktornak és ez erős költségcsökkentő faktor. 

Hazánkban a növénytermesztő gazdaságok egyre nyitottabbak a termelés hatékonyságát növelő precíziós technológiákra. Állítólag kb 30%-uk már eleve ilyen gazdálkodást folytat. Milyen tapasztalataid vannak ezen a téren a szolgáltatói oldalról?

Az eszközszolgáltatók csomagszerűen kezdik el ezt az egészet kínálni, tehát te már komplexen próbálsz majd olyan felszerelést venni, aminek nemcsak egy eleme okos hanem van ehhez valamilyen adatkezelés is. Van valami lehetőséged arra, hogy döntéstámogatást kapj, hogy ne csak szigetszerű megoldásaid legyenek, mint pl. hogy van kamera a traktoron. Mert ez csak egy elem. Vagy ha az öntözőrendszerben van valami előrejelzés az időjárás előrejelzés alapján, az is csak egy elem. A kérdés az, hogy ezt az egészet össze tudod-e hozni egy olyan komplex eszközparkká, vagy egy olyan automatizált szolgáltatás halmazzá ami kihasználja az elemi eszközöknek az előnyeit. Most nemrég láttam, hogy az egyik gépet arra tanítják, hogy csak az érett narancsot szedje le. A szín alapján dönt, de képes a robotkar segítségèvel egyesével megvizsgálni a narancsokat amit emberileg is megtennénk. Iszonyatos mennyiségű hatékonyságnövekedés, meg hát ennek megfelelően az el nem pazarolt energiának és kémiai anyagoknak a gazdálkodása. Szóval csak azt öntjük le, amelyiket le kell önteni növényvédő szerrel, ez nagy előrelépés. 

Tehát optimalizálható a termelési hatékonyság és a növényvédelem is és Ti mindezeket támogatjátok a mesterséges intelligencia alapú elemzésekkel. Ennek akkor ha jól értem komoly gazdasági eredményei is vannak. 

Van egy közgazdász professzor aki eleinte laikusan állt a gépi tanulás relevanciájához, majd látta, hogy ez feltűnően sok gazdasági hatással kezd járni, így úgy döntött ír ebből egy könyvet, a címe: Prediction Machines. Megnézte közgazdász szemmel, hogy mi az a fő mondandó, ami egyébként a gazdasági mechanizmust mozgatja, egyáltalán mi áll az automatizálás mögött és a következőt állítja. Először is kitalál az ember egy technológiát ami relatíve általános célú. Ilyen volt pl. a villamos áram. Ami először nagyon egyszerű céllal született aztán később már valakinek eszébe jutott, hogy mi lenne ha árammal távolítanád el a háztartási port. Magyarul játszanak egy technológiával, mi mindenre lehet még jó. A fő mozgatórugó az, hogy olcsó és jó minőségű előrejelzés szülessen, tehát abból amit korábban tudtunk következtessünk arra, amit nem tudtunk. Emberek egy csomó problémát elkezdenek átalakítani, hogy ementén értelmezhetővé váljon. Tehát átalakítjuk a háztartás, söprés problémáját vákuumszívás problémájává és elkészül a porszívó mint eszköz. 

Vannak olyan területek, amelyekről nem gondoltuk korábban, hogy predikciós problémaként is értelmezhetőek? 

Igen. Pl. önvezetés is ilyen. Sosem gondoltuk, hogy előrejelzési probléma lesz az önvezető autó. De persze értelmezhető így is, hogy meg tudod-e jósolni, hogy a szembejövő autó mikor mit csinál. Ezeket a predikciós dolgokat elkezdjük manapság berántani egyéb szakterületekre is. Rájövünk, hogy egy csomó minden, amit csinálunk mi emberek az gyakorlatilag egy előrejelzés, mint, hogy megnézzük, érett-e már a gyümölcs a fán. Közben amúgy egyre több mindent csinál a gép, de mindennek a komplementere viszont sokkal értékesebb lesz. Mert hát a döntést azt Te hozod meg és felelősséget az előrejelzéseidért Te vállalod és ennek az értéke egyre emelkedik. 

Ezen technológiák használata méret-gazdaságossági kérdés is? Egy átlagos kistermelő is el tudja érni ugyanazokat a fejlett technológiákat, amiket a nagyok használnak? 

A John Deere ezt úgy oldotta meg, hogy megvásárolt egy startupot. Ez amúgy úgy indult, hogy pár egyetemi srác először egy sima rendes mobiltelefonnal kiment a rétre, haladt a mezőn és kézzel felcímkézték a növényeket és befotózták majd bevitték egy rendszerbe az adatokat. Nyilván ezek után ráálltak erre az egész kérdésre és kitalálták, hogy lehet automatizálni és a John Deere miután megvette pár nap alatt beépítette a munkafolyamatába. Na innentől kezdődik az, hogy ők lettek kb. a világ legnagyobb adatbázisának gazdái. Magyarul akié az adat, azé lesz a szolgáltatási képesség. Na most rátérve a kérdésre, egy gazda aki szeretné igénybe venni ezt a szolgáltatást, neki valójában nincs szüksége erre a sok adatra és a technológia kifejlesztését sem kell már megoldani, csupán annyi dolga van, hogy keres egy platformot, ami neki hasznos. A legtöbb haladó mezőgazdasági cég felismerte, hogy akkor lesz versenyképes, ha beleépíti a szenzor technológiát a masináiba. Amivel egy gazdának törődnie kell, legyen ez bármilyen nagy mezőgadasági vállalkozó, hogy milyen módon találja meg a automatizáló szolgáltatási megoldást a saját problémájára. De nem kell MI tudóssá válnia, mert azt valaki más megtette helyette. A válasz tehát, hogy elérhetőek ezek már bárkinek gyakorlatilag. 

Ezek a technológiák nyílván attól függnek, hogy épp paradicsomot termesztek vagy búzát. Mert ha búzát akkor gondolom a kombájnba épített szenzorra van szükségem esetleg műholdas információkra. De ha paradicsomot nevelgetek egy fóliasátorban akkor semmit nem érek az előzőekkel mert paradicsomnevelő kütyüt kell keresnem. 

Igen, mivel a mezőgazdaság mondhatjuk egy hardveres műfaj, a szoftverek ritkán elegendőek önmagukban, mindig kell oda valami eszköz is. De pl. az egyik tanítványom az egyik legnagyobb magyarországi pékárugyár tulajdonosa. Náluk a kakaós csiga minőségellenőrzése úgy történt, hogy a futószalag mellett ül Gizi néni és az a csiga, ami egyébként már vállalhatatlannak látszik és nem akarnád a pultra rakni mert megdobálnának vele…na azt leszedte. De, hogy ez amúgy teljesen világosan automatizálható folyamat. Körülnézett a piacon és speciel kakaóscsigára vonatkozó automata nem volt, ezt még senki nem találta ki, hogy kellene, így ház az ő esetében ez saját innováció formáját kellett öltse, össze kellett raknia, le kellett fejlesztenie. De azért ez ritka eset. A legtöbb dolog már megtalálható a piacon. 

Szerinted hosszútávon ezeknek milyen környezetvédelmi előnyei lesznek még azon túl, hogy ha optimalizálják a folyamatokat akkor reméljük kevesebb vegyi anyag kerül a talajba. Milyen egyéb hozadékát látod ennek? 

Vannak ugye a radikális technológiai váltások, amik paradigmaváltással is együttjárnak. Ismerjük ezeket, szeretnénk is, de legtöbbször ezek irányába van a legnagyobb ellenállás. Mondani könnyű például, hogy gyorsan kapcsoljunk le mindent, ami szénnel tüzel, de hát ki kapcsolja le? Ami eddig ezzel működött az most mivel fog? Kik fogják üzemeltetni? Hol vannak rá a szakemberek? Mi lesz a gépekkel? Hova tesszük őket, honnak vesszük az újakat? Szóval azért ebbe kevesen gondolnak bele. Ugyanakkor ha azt mondjuk, hogy meglévő paradigmákon belül is tudunk akár 30%-kal hatékonyabbak lenni, optimalizálni, azért az sem egy megvetendő szempont, sőt! Ez esetben ez pontosan 30% kevesebb kibocsátás, ami azért nem mindegy.

Ez a két módszer nem zárja ki egymást, lehet egyszerre üzemeltetni őket. A probléma, hogy az optimalizálások alapja a rendszer működésésenk tökéletes ismerete. De ilyenünk sok esetben nincs, pl. a gazdaság egészéről nem tudunk a priori precíz megoldást adni. De becsülni tudunk, prediktálni.

(AP Photo/Google, Connie Zhou)

A Google-nak van egy jó usecase-e. Találkoztak egy problémával, miszerint nagyon sokat fogyasztanak a google szerverparkjai, ezeket komplett kiserőművek szolgálják ki helyenként. Ott ha valaki pár %-ot tud csökkent az már egy konkrétan egy kisvárosnyi méretű energiacsökkentést jelent. De a google parkok belső működéséről zárt képletű analitikus mozgást adni nehéz, mert függ egy csomó mindentől, pl. az időjárástól is vagy, hogy az emberek milyen forgalmat bonyolítanak le az interneten épp akkor. Iszonyú komplex probléma. De a cél, hogy csökkentsék az energiafelhasználást. Nem volt erre szimulációjuk, ezért úgy döntöttek, hogy megfigyelik egy évig majd ezekből az adatokból megjósolja a rendszer, hogy mi fog történni, ha …

Amikor ez az előrejelző elég pontos lett, akkor azzal már tudtak kísérletezni. A következő lépés tehát az volt, hogy megtanulja a gép a viselkedéseket. Csináltak egy olyan eszközt, ami gyakorlatilag ezzel a szimulátorral játszott állandóan és próbálgatta, hogy milyen körülmények között működik a legjobban ez a szerverpark. Ennek az lett az eredménye, hogy 40%-kal vitték le a hő és energia fogyasztását, ami elképesztő. 

Ezt a módszertant egy hotelláncnál vagy étteremláncnál is simán lehet alkalmazni?

Igen, az optimum keresési technológiák esetében az a jó, hogy minél nagyobb a probléma annál nagyobb megtakarítást tud okozni. Nemzetközi hotellánc vagy egy nemzetközi étteremhálózat is tudná használni, mivel mi tápláljuk be, hogy milyen szempontok szerint optimalizáljon. És itt pl. beletesszük, hogy a szállítási, ellátási láncok minél rövidebbek legyenek meg mindenféle egyéb zöld szempontokat pl. csomagolástechnika meg alapanyag, energiafelhasználás és akkor ugyanúgy tud a gép keresni. 

Jönnek már ilyen megkeresések felétek vagy a zöld technológiák és ezzel kapcsolatos szabályozások még nem helyeztek ekkora nyomást a szolgáltatókra?

Változó. Vannak szektorok vagy globális szervezetek, akik kezdenek ráébredni dolgokra. Pl. gyógyszeripar már nagyon, mert ott olyan orbitális költségek vannak, hogy ott egyszerűen muszáj. Ilyenkor amúgy azt gondolom, hogy szerencsés az, hogy ami drága az sokszor nem zöld. Mert ilyenkor jönnek a társadalmi szabályozások is és akkor ezek jó irányba terelődnek. 

Hogy egyeztethető ez össze a buddhizmussal? 

Ugye ez attól függ, hogy minek tekintjük a buddhizmust, mert ha vallásnak vagy vállalkozásnak akkor nem. De a buddhizmus amúgy nem egy álláspont vagy egy filozófia, hanem gyakorlatilag egy csinálás. Tehát megpróbálod megismerni a saját belső folyamataidat, észrevenni, hogy működsz, hogy reagálsz és ezt próbálod átalakítani, jobbá tenni. Ezért nekem ez a kettő egybeesik, mivel sokban hasonlít arra , amit a saját belső működéseden is végre tudsz hajtani. Következtetsz a viselkedésedre, reakcióidra, másokéra. Sok összecsengés van ebben. A buddhizmus és ökológia, közgazdaságtan az egy nagyon izgalmas kérdés és már egyre többen foglalkoznak vele, úgy mint Kovács Gábor a Corvinus Egyetemen, akivel ha jól tudom szintén beszélgettél. (Igen, és ez lesz a következő blogbejegyzés:)

És ha már csinálás és jól-lét, akkor ez a whiskey, amit a kezedben tartasz mitől is izgalmas? 

Igen, a whiskeynek a fine dining irányban is meglepő fordulatai vannak. Van egy svéd kisüzemi lepárló, valamikor a 2000-res évek vége felé alakult és készítettek egy “intelligens” névre hallgató terméket, ami arról ismeretes, hogy vásárlói visszajelzések alapján állította össze a mesterséges intelligencia, hogy a fogyasztók milyen ízre vágynak. Ezek alapján megállapították, hogy milyen a jó whiskey és megcsinálták. AI-01 néven fut és valóban klassz. Kifejezetten vannak ilyen úttörő projektek, amelyek ízlés, egyéni testreszabás irányába mozdulnak el. 

Ez lesz a jövő, hogy úgy gyártanak lekvárt és kenyeret, hogy összerakják a vásárlói profilt és legyártják milyen a jó eperdzsem?

Végülis az adidas már ezt csinálja a cipőkkel, így elég valószínű. Ott is begyűjtik az infókat, hogy mi a trend, a fiatalok milyen cipő designokat szeretnek és ez alapján gyakorlatilag automata módon optimalizálják a terveket, ami közvetlenül be van kötve a gyártósorba. Ha ezt meg lehet csinálni cipővel, whiskeyvel akkor meg lehet csinálni lángossal és baracklekvárral is. 

Hogy látod ezt a HORECA szektorra vetítve? 

Volt egy startup akinek tanácsadtam, azzal foglalkoznak, hogy hotel szoba árazási problémákat vizsgáltak. Mert nyílván mindenki szeretne magas áron eladni szobát, de nem annyira drágán, hogy ne vegyék meg. De mivel ez időben és térben sem fix, ezért korábban úgy működött, hogy megfigyelték évek alatt, mi működik, korábbi foglalási adatokból esetleg elemzést gyártottak. Na ez a startup most megnézi az összes nagyobb forgalmat bonyolító eseményt a körzetben összegyűjti az ezzel kapcsolatos adatokat és az alapján határozza meg az árazási stratégiát. Egyre több ilyen döntéstámogató eszköz lesz a HORECA szektorban is. 

Szerinted ha valaki arra adja a fejét, hogy egy komolyabb MI szoftvert épít bele a munkamenetébe, mire kellene figyelnie?

Egyrészt a gépi tanulás nem más mint olcsó, jó minőségű előrejelzés és szerintem éljünk ezekkel a lehetőségekkel a saját területükön mindenképpen. Ha ezek miatt sokkal jobban és optimálisabban tudunk cselekedni, mint ahogy eddig cselekedtünk, magyarul segítjük a saját döntéseinket iakkor az már lényeges előrelépés nem csak a profitábilitás de a környezetvédelem területén is. 

De a döntést meghozni mindig nekünk kell, nem úgy van, hogy magát kiporszívózza a lakás meg a gép megold mindent helyettünk. Keressük meg a mi a szektorunknak megfelelő rendszereket, találjuk ki, hogy tudunk vele környezettudatosabban működni, de mindenképpen tegyünk bele energiát, hogy használjuk is ezeket! 

“Learn it until it learns you.”- mondja az angol, tehát addig tanuld meg, amíg nem ő tanul meg téged. Jobb, ha az ember megy a technológia elé és nem fordítva. Van ez a félelem a mesterséges intelligenciától, de én sosem féltem még a kalapácstól, de attól inkább, aki a kalapácsot mozgatja. A tárgytól sosem kell félni, akitől meg kell ijedni az mi magunk vagyunk.

De ez már egy összetettebb kérdés, ez már egy másik beszélgetés. 🙂


Interjú: Buza Kriszta


Fotók: Szabados Levente, Google, John Deere