A tanulás
Egyetlen feladatra tanult meg
Amikor egy vezetői megbeszélésen azt kérdezik tőlem, mit tud az AI, a legrövidebb igaz válasz az, hogy megjósolja a folytatást. Egy nagy nyelvi modell tanítása közben semmi mást nem kér tőle senki, csak azt, hogy egy szövegrészlet után tippelje meg a következő darabot. Nem szót, hanem tokent, vagyis szótöredéket, mert a gép ilyen egységekre vágja a nyelvet. A tippet összevetik azzal, ami tényleg ott állt, a hibából pedig visszaigazítják a modell belső súlyait. Ugyanez megy több százmilliárd alkalommal, szövegen, kódon és táblázaton.
A dolog ott válik érdekessé, hogy ezt a feladatot felszínes statisztikával nem lehet jól megoldani. Ahhoz, hogy valaki kitalálja, mi jön egy szerződésrészlet, egy hibanapló vagy egy félkész függvény után, ismerni kell a nyelvtant, a műfaj szabályait, a tárgyi tudást és a logikai szerkezetet. A modell nem azért sajátítja el ezeket, mert valaki külön megtanította neki, hanem mert a jóslás pontossága ezt megköveteli. Emiatt a „csak statisztika“ mondat a célt írja le helyesen, a képesség határát viszont rosszul.
A nyers előrejelző modelltől még két lépés vezet a használható asszisztensig. Az egyik az utótanítás, amiben emberi értékelések alapján tolják el a modellt a hasznos és követhető válaszok felé. A másik a megerősítéses tanítás olyan feladatokon, ahol a megoldás ellenőrizhető, tehát matematikán és kódon, és ebből jön a mai gondolkodó modellek lépésenkénti munkája. A magja attól még a folytatás megjóslása marad.
Ugyanaz a gépezet
A gépnek mindegy, hogy a minta szövegből áll
A tanítási feladatban egy szó sem esik arról, hogy az adatnak szövegnek kell lennie. Kell hozzá egy sorozat, amiben a korábbi elemek megszorítják a következőt, és kell hozzá sok belőle. Ennyi a feltétel, úgyhogy ugyanaz az architektúra működik minden olyan adaton, ami ilyen sorozatba rendezhető.
A legmeggyőzőbb példa, amit az utóbbi időben olvastam, egy 2025 szeptemberében a Nature-ben megjelent kutatás. A szerzők ugyanazt a GPT architektúrát, ami a szöveget folytatja, emberi betegutakra állították rá. A tokenek helyére diagnóziskódok kerültek, mellettük a nem, a testsúly, a dohányzás és az alkoholfogyasztás, az egész időrendbe fűzve, és a modell azt tanulta meg, mi következik egy ember egészségtörténetében. Négyszázezer brit résztvevő adatán tanították, utána pedig 1,9 millió dán ember nyilvántartási adatán ellenőrizték, a paraméterek módosítása nélkül. Több mint ezer betegség kockázatát becsüli egyszerre, mindenkinél a saját előzményeihez igazítva, és akár húsz évre előre kirajzol egy lehetséges folytatást. A pontossága a szerzők összevetése szerint a célzottan egy betegségre épített, rutinszerűen használt kockázati pontszámokéval összemérhető.
Van ebben a kutatásban egy szám, ami egy bevezetési projektben többet ér minden pontossági adatnál. A modell 2,2 millió paraméteres, vagyis a nagy chatbotok méretének elenyésző törtrésze, és egyetlen gépen elfér. A teljesítményt nem a modell nagysága adta, hanem az, hogy négyszázezer ember egészségtörténete rendezett, időrendbe fűzött, egységes kódolású formában rendelkezésre állt. Ugyanez az arány áll egy cégnél is. A nagy modellt más megépíti, a sorozatot, amin tanulni lehet, senki nem építi meg a cég helyett.
A másik részlet, amit a szerzők maguk emelnek ki, a hibákról szól. A modell megtanult olyan mintákat is, amiknek az orvosi valósághoz semmi közük. A vérmérgezést az esetek 93 százalékában kórházban diagnosztizálják, úgyhogy a modell nyolcszoros kockázatot ad rá annak, akiről bármilyen más kórházi adat szerepel a rendszerben. A szerzők megfogalmazása szerint ezek a minták csak az adatgyűjtés folyamatát tükrözik, és a modell ezeket is megtanulja. A gép tehát ezen a ponton nem a betegséget tanulta meg, hanem azt, ahogyan az adatot gyűjtötték. A kutatás ezzel együtt azt ajánlja, hogy az ilyen modell a meglévő diagnosztikai folyamat kiegészítése legyen, ne a helyettesítője.
Hasonló modellek dolgoznak ma DNS szakaszokon, protein szerkezeteken, időjárási mezőkön és sima táblázatos adaton. Ezek nem a chatbot, és egy részük nem is ugyanazzal a belső felépítéssel megy, a hajtóerő viszont azonos. Van egy sorozat, van hozzá rengeteg példa, és a modell megtanulja, hogyan folytatódik.
A cég oldalán
Egy magyar cég nem tanít modellt, mégis az adatán múlik
Innen szokott félrecsúszni a beszélgetés. Ha a modell az adatból tanul, akkor gyűjtsünk adatot és tanítsuk meg a sajátunkra, hangzik a következtetés. Egy magyar közép vagy nagyvállalat viszont nem fog alapmodellt tanítani, és nincs is rá oka. A saját adata három másik ponton dönti el az eredményt.
Az első a kontextus. A modell abban a pillanatban annyit tud a cégről, amennyit a kérdés mellé odatettünk neki. Ha a termékadatbázis három helyen más árat mond, akkor az asszisztens a három közül fog választani, és nincs olyan prompt, ami ezt megoldja. Ezért kerül minden bevezetés közepére a mesteradat kérdés, vagyis az, hogy a cégben egy vevő, egy termék és egy megrendelés mit jelent, és melyik rendszer mondja meg a hiteles választ.
A második a saját előrejelző modell. A rendelésmennyiség, a lemorzsolódás, a géphiba és az árérzékenység ma is jellemzően táblázatos adaton tanított algoritmusokkal megy, nem nyelvi modellel, és ezek a feladatok a cég saját történeti adatán futnak. A nyelvi modell itt nem a jósló szerepét kapja, hanem azt állítja elő, ami a jósláshoz kell. Egy hibajegyből, egy levélváltásból vagy egy megbeszélés leiratából kiszedi, mi volt a probléma, mikor jelezték, mit válaszoltunk és mi lett a vége, és ez már táblázatba kerül. Így lesz a használhatatlan szövegkupacból olyan adat, amin egy előrejelző modell el tud indulni.
A harmadik a mérés. Amíg nincs a cégnek saját kiértékelő készlete, vagyis néhány száz valódi kérdés a hozzá tartozó helyes válaszokkal, addig a bevezetés arról szól, kinek jobb az érzése. Egy promptmódosítás vagy egy modellváltás hatása csak ilyen készlettel válik számmá. Ennek a készletnek az anyaga szintén a cég adata, és házon belül kell összeszedni, mert a nyilvános mérések a cég kérdéseiről semmit nem mondanak.
A legnagyobb kiesés
A megbeszélés elhangzik, aztán elveszik
A legtöbb cégnél a legértékesebb adat ma elhangzik és nem kerül sehova. Egy gyártási eszkalációs körön, egy ügyféltárgyaláson vagy egy heti vezetői értekezleten olyan dolgok hangzanak el, amik soha nem voltak leírva. Miért döntöttünk úgy, ahogy. Melyik vevő melyik kifogással jön vissza harmadszor. Melyik gépnél tudja egyedül a műszakvezető, hogy mikor kell leállni. A jegyzőkönyvbe ebből a határozat kerül be, a hozzá vezető gondolat nem, és a kilépő kollégával együtt a minta is kimegy a kapun.
Az eszközök ezen a ponton már nem kísérleti stádiumban vannak. A beszédből szöveget csináló modellek magyarul is használható leiratot adnak, beszélő bontással, a nyelvi modell pedig a leiratból kiszedi a döntéseket, a vállalásokat, a felvetett kockázatokat és a visszatérő témákat. Innentől ezek keresőbe, táblázatba és kimutatásba kerülnek, tehát olyan helyre, ahol egy vezető rá tud nézni.
A magyar vállalatok pedig pont itt vannak a leghátrébb. Az Eurostat 2025-ös felmérése szerint a tíz főnél nagyobb magyar cégek 3,5 százaléka használ beszédből szöveget csináló technológiát, miközben az uniós átlag 7,2 százalék, Dániában 15,2. A legkézenfekvőbb lépésnél tartunk az uniós arány felén.
Egy győri hajtástechnikai kereskedőnél, ahol huszonkét ember dolgozik, tavasszal azzal kezdtük, hogy a heti rendelési egyeztetést felvettük és feldolgoztuk. Hat hét után a leiratokból kijött, hogy a késések kétharmada ugyanarra a három beszállítóra és ugyanarra a két terméktípusra megy vissza, és hogy a kollégák ezt fejben mind tudták. Papíron ez az összefüggés nem létezett, úgyhogy a beszállítói tárgyaláson sem lehetett felhozni. A kereskedő azóta a leiratból generált kimutatással megy be az egyeztetésre, és ez az első olyan érve, amit számmal alá tud tenni.
A felvétel jogi kerete nem opcionális, és ezt az első körben kell letenni. Kell hozzá jogalap, a résztvevők előzetes tájékoztatása, megőrzési idő, és kell egy döntés arról, ki látja a leiratot és ki nem. Az érzelemfelismerés a munkahelyen az unióban 2025 februárja óta tiltott, úgyhogy a hangulatelemzést ígérő funkciók szóba sem jöhetnek. Ezek nélkül a felvétel nem adatvagyon, hanem kockázat, és a munkatársak bizalmát is elviszi.
Amit nem lehet megvenni
A történeti adat visszamenőleg nem beszerezhető
Az AI bevezetés minden más tétele megvehető holnap. Licenc, gép, tanácsadó, képzés, mindegyik pénz és néhány hét kérdése. A történeti adat az egyetlen, ami nem így működik, és ezt a halasztásnál senki nem szokta beárazni.
Egy lemorzsolódást előrejelző modellhez olyan időszak kell, amiben látszik, ki maradt és ki ment el, és látszanak a hozzá tartozó előzmények is. Ez tipikusan másfél vagy két év adata. Ha egy cég ma kezdi el rögzíteni, akkor az első használható sorozat másfél év múlva áll össze, és addig semmilyen összeg nem gyorsítja fel a folyamatot. Ugyanez igaz a géphibára, az árérzékenységre és a leadminősítésre.
A kivárás tehát nem a döntést tolja el másfél évvel, hanem a döntés utáni első eredményt. Aki idén elkezdi a gyűjtést, az jövő vége felé tud modellt tanítani rá, a jövőre induló pedig két év múlva, miközben a versenytársa addig már két kört futott a visszajelzésen. Pont az a két kör az, ami a modellt a bemutatótól a napi használatig elviszi.
Az adatnak van egy másik tulajdonsága is, ami ebbe az irányba mutat. Ami ma nem kerül rögzítésre, az nem várakozik valahol, hanem megszűnik. A tavalyi megbeszélés tartalma, a visszamondott ajánlat valódi oka, a leállás előtti műszakvezetői megjegyzés nem áll elő utólag. Egy rendszerbevezetést el lehet késni és meg lehet csinálni később ugyanúgy, egy elmúlt évet nem lehet visszarögzíteni.
Hol áll a magyar piac
Adatelemzés van, a következő lépés hiányzik
Az Eurostat vállalati felmérése ennél a pontnál ad egy képet, ami árnyaltabb a szokásos lemaradás történetnél. A tíz főnél nagyobb magyar cégeknek 10,4 százaléka használt 2025-ben legalább egy AI technológiát, az uniós átlag 20,0 százalék, Dánia 42,0. Gépi tanulást adatelemzésre a magyar cégek 2,3 százaléka használ, az uniós átlag 5,1. Eddig a kép az, amit mindenki vár.
A felmérésnek van viszont egy másik sora. Azoknak a cégeknek az aránya, amelyek végeznek adatelemzést, de AI-t nem használnak hozzá, Magyarországon 16,7 százalék, az uniós átlag 11,7, Dániában 8,2. A kettőt összeadva a magyar cégek bő huszonhárom százaléka foglalkozik adatelemzéssel, az uniós átlag huszonöt és fél százalék. A szokás tehát nagyjából ugyanott van. A táblázat, a riport és a kimutatás megvan, a rá épülő előrejelzés nincs, és a különbség nem a lelkesedésben, hanem ebben az egy lépésben jelenik meg.
Az akadályokat a felmérés külön kérdezi, és a magyar válaszokban mindegyik aránya emelkedett 2023 óta. A szakértelem hiányát a cégek 4,8 százaléka jelölte meg, a jogi helyzet tisztázatlanságát 3,8, az adatvédelmi aggályt szintén 3,8 százalék. Az adat elérhetőségével vagy minőségével kapcsolatos nehézséget 2,7 százalék jelölte meg, ami 2023 óta bő másfélszeresére nőtt. Azt olvasom ki ebből, hogy ez az akadály nem oldódik magától, hanem ahogy egyre többen eljutnak az első valódi próbálkozásig, úgy egyre többen bukkannak rá.
Amivel el lehet kezdeni
Négy dolog, amihez nem kell AI projekt
Az adatgazda nevesítése folyamatonként az első, és ez nem informatikai feladat. Egy név, aki megmondja, mi a hiteles vevőtörzs, és akihez az ellentmondás befut. Ahol ez a név nincs kiosztva, ott a tisztítás minden körben újraindul, mert a döntést senki nem tudja meghozni.
A második a döntés és az eredmény összekötése, ami a gépi tanulásban a címke. A legtöbb cégnél a döntés rögzítve van, az eredménye nincs hozzárendelve. Ki kapott árengedményt és visszatért-e. Melyik leadből lett ajánlat és melyikből szerződés. A leállított gépek közül melyiknél döntöttünk időben és melyiknél nem. Előrejelzés csak ott lehetséges, ahol a kimenet is fel van jegyezve, és ez a rögzítés semmibe nem kerül, csak eldöntött rendbe.
A harmadik a megbeszélések felvétele és feldolgozása, a fenti jogi kerettel együtt. Egyetlen ismétlődő körrel érdemes kezdeni, például a heti termelési vagy értékesítési egyeztetéssel, mert ott az összevetés hat hét után már értelmes.
A negyedik a mesteradat egy mondatban. A cégben egy vevő az, ami ebben a rendszerben egy sor, és ha két rendszer mást mond, akkor ez a kettő közül a hiteles. Ezt a mondatot a legtöbb helyen senki nem írta le, pedig egy délután alatt megvan, és a rá épülő munka hónapjait teszi egyszerűbbé.
A határ
Ahol a mintafolytatás nem segít
A mintafolytatás ott működik, ahol a jövő hasonlít a múltra. Egy új piacon, egy szabályozásváltás után vagy egy egyszeri nagy döntésnél a történeti adat kevés, és a modell ezt nem jelzi vissza, mert ő a kapott mintát adja tovább. A vérmérgezéses példa pont erről szól. A szám ott is magabiztosan jött ki, csak az adatgyűjtésről árulkodott, nem a betegről. Ilyenkor a vezető ítélete dönt, az adat pedig a kérdést élesíti, a választ nem adja meg. Ugyanebbe a sorba tartozik a cukorbetegség is, mert ott a betegutakat folytató modellnél egyetlen laborérték jobban teljesített.
A másik határ a mennyiség. Az adat, adat, adat jelszó abban félrevezető, hogy a sok rossz adat nem jobb a kevés jónál. Egy tiszta, húszezer soros tábla, amiben a mezők jelentése egyértelmű, több használható modellt ad, mint egy milliós, amiben ugyanaz az oszlop három helyen mást jelent. A tisztítás ezért a gyűjtéssel egy menetben megy, és a gyűjtés szabályaiba kell beépíteni, hogy később ne kelljen nagytakarítást szervezni.
Ahol a két dolog összetalálkozik, ott a nyelvi modell egy régi korlátot vesz le. Eddig a cégen belül csak az a tudás volt adat, amit valaki beírt egy mezőbe. Ami szövegben, hangban vagy fejben állt, az kimaradt a döntésekből, mert feldolgozni nem lehetett. Ez a korlát szűnt meg, és az adminisztratív teher levétele ennek a legkisebb hozadéka.
A megbeszéléseken a vezetők jellemzően arra számítanak, hogy az AI bevezetés egy szállító kiválasztásával kezdődik. A sorrend viszont a másik irányba megy. Az adat az egyetlen tétel, amit nem lehet megvásárolni, csak gyűjteni, és a gyűjtést visszamenőleg nem lehet elvégezni. Minden más ráépül, és minden más megvárja, amíg kész.