Ma már nem kell programozói tudás, ahhoz, hogy valós üzleti és társadalmi problémákra technológiai megoldást építsünk, sőt, még AI-szakértőnek sem kell lenni ehhez – elegendő egy területet igazán jól ismerni. Egyértelműen bizonyítják ezt a Futureproof Challengere benyújtott pályamunkák. A low-code/no-code AI-verseny Futureproof Builder fődíj nyertesével, Csaplár Dániellel, és a verseny egyik különdíjasával, Berta Sándorral beszélgettünk a témáról.
Látványos sikerrel zárult a tavaly decemberben indult Futureproof Challenge, az első olyan AI-kihívás, amely olyanoknak szólt, akik nem rendelkeznek kódolási vagy mélyebb AI-használati ismeretekkel. A fókusz a technikai előképzettség helyett a problémamegoldáson volt, a megmérettetés pedig egyben tanulási lehetőséget is kínált a résztvevőknek.
A kihívásra a szervezők várakozásait messze meghaladó számú, 49 pályamunka érkezett. Ezek jelentős része nem prototípus volt: több alkalmazást már aktívan használnak a fejlesztőik a mindennapi munkájuk során – közéjük tartoztak a jelentős érdeklődés mellett lebonyolított döntő első helyezettjének, Csaplár Dánielnek, és Berta Sándor különdíjasnak a megoldásai is.
Mérhető eredmények
A Futureproof Builder fődíj nyertese, Csaplár Dániel számos vállalat számára ismerős problémára kereste a választ, amikor pályamunkáját elkészítette; miközben az országban több ezer CNC esztergagép működik, a szakképzett gépkezelők száma évről évre csökken. Egy-egy rossz beállítás – különösen ott, ahol nagyértékű fémalapanyagokkal dolgoznak – százezres, vagy akár milliós nagyságrendű kárt okozhat. A tapasztalt szakemberek ismerik a szabályokat, de ez a tudás nem dokumentált. Átadható-e egy esztergályos 10-15 évnyi gyakorlati tudása? Miként lehet ezt azonnal elérhetővé tenni bárki számára, aki CNC esztergagép mellett áll?
Csaplár Dániel megoldása a problémára a GripLogic AI. A mesterséges intelligenciával működő CNC esztergálási asszisztens négy fő funkcióval segíti a gépkezelőket.
Rendelkezésre áll egy AI Chat Asszisztens, amelybe a gépkezelő természetes nyelven (magyarul vagy angolul) leírja a feladatát, az AI pedig kiszámolja szükséges adatokat (fordulatszámot, előtolást, szorítónyomást). Ha probléma merül fel a megmunkálás során, az Interaktív Hibadiagnosztika funkciónak köszönhetően a rendszer lépésről lépésre végigvezeti a kezelőt a lehetséges okokon, és konkrét, számszerű megoldásokat javasol az adott anyag és paraméterek alapján. Emellett Forgácsolási Kalkulátorok és Anyag Adatbázis is segíti a munkát.
A GripLogic AI egy konkrét információval feltöltött változatát már éles környezetben is működik. Szemléletes adat, hogy a megmunkálás során a keletkező selejt aránya a felhasznált anyaghoz képest a bevezetés óta a negyedére csökkent.
A megoldás könnyen bevezethető bármely olyan vállalkozásnál, ahol fémalapanyagok egyedi megmunkálása folyik. Az alkalmazás implementálásának ideje attól függ, mennyire feltérképezettek a munkafolyamatok. Amennyiben ez adott, és a megmunkálandó anyagokról az ismeretek rendelkezésre állnak akár néhány nap elegendő lehet ehhez.
Csaplár Dániel korábban csak a hobbijához használt mesterséges intelligenciát. Magának az alkalmazásnak a fejlesztése néhány éjszakáját vette el – ez saját értékelése szerint annak köszönhető, hogy pontosan tudta mit akar megoldani. Ahogy fogalmazott:
az időt az viszi el, ha még gondolkodni kell azon, hogy miként lehet a problémát megoldani.
Az alkalmazás által használt tudásanyag feltöltése az élesben használt megoldásnál ennél persze jóval több idő. Fejlesztése ott, ahol már valós környezetben használják, az üzem szakembereinek tudása alapján a bevezetés óta folyamatos.
Hasznos eszköz az edzőknek az utánpótlás neveléséhez
Az AI-eszközök használatát egyszerűnek és gyorsnak ítélte a Futureproof Challenge különdíjasa, Berta Sándor is. A szakember neve a kézilabda kedvelői körében egészen biztosan ismerősen cseng: 24 évig volt aktív játékos, 12 évig edző. 2006 óta videó- és teljesítményelemzőként dolgozik a magyar utánpótlás és felnőtt válogatottaknál valamint világversenyeken, illetve 2012 óta a Nemzeti Kézilabda Akadémia kötelékében. Az ezen a területen tapasztalt hiányosságok miatt vágott bele saját alkalmazás építésébe.
Korábban képgenerálással próbálkozott, de nem ragadta meg különösebben a lehetőség. Az AI felhasználása felkeltette azonban az érdeklődését, hiszen
a mesterséges intelligencia alapvetően adatot gyűjt és elemez, pontosan azt teszi, amire a teljesítményelemzés épül – magyarázta a szakember.
Az első megoldását 2 óra alatt készítette el, négy lépésben. Persze pontosan tudta mit szeretne elérni – évtizedek tapasztalatát tette bele a programba. Eddig 6 munkáját segítő alkalmazást fejlesztett, ezek közül kettővel nevezett a Futureproof Challengere.
A Handball Keeper Pro Analyze kétfajta elemzésre nyújt lehetőséget: vizsgálható a csapat kapusának teljesítménye és az ellenfél játékosainak lövései. Mindkettő pályarajzokkal, grafikonokkal és AI-elemzéssel. A Match Goal Timeline Visualizer pedig egy mérkőzésen az adott és kapott gólok időmegoszlása alapján ad elemzési adatokat.
Ezek és a további alkalmazások is az utánpótlás csapatok edzőinek, illetve a kis költségvetésű egyesületeknek kínálhat megoldást. A rendelkezésre álló, jelenleg használt a teljesítményelemző programok jelentős (évi akár kétmillió forintos) költséget jelentenek, amelyet nem minden edző engedhet meg magának, ráadásul egy, dedikált gépen használhatók.
Berta Sándor célja az alkalmazások fejlesztésével a sport és az utánpótlásnevelés segítése. Megoldásait egy az edzők számára elérhető felületen szeretné hozzáférhetővé tenni.
Az AI-kihívás folytatódik
A Futureproof Challengere folytatódig, hamarosan indul a következő forduló. Érdemes figyelni a kiírást, mert az AI-ról nem beszélni kell, hanem építeni vele.
(Címlapkép: Futureproof Challenge)
