Az MI már megírja a kódot. Akkor miért tanuljunk data science-t?

Juhász Gergő a KÜRT Akadémia webinárján mesélt egy rendszerről, amelyben MI-ügynökök készítenek Power BI-riportokat, más ügynökök pedig ellenőrzik őket. Az ellenőrök olyan szigorúak lettek, hogy minden apróság miatt visszaküldték a munkát. A rendszer javított, ellenőrzött, majd kezdte elölről. Ezzel sikerült elérni, hogy egyetlen ember elhasználja a cég tokenkeretének húsz százalékát.

„Ez én voltam.” - vallotta be Gergő.

Az automatizálás működött. Már csak azt kellett megoldani, hogy ne kerüljön ennyibe.

Közben a haszna is nagyon valóságos. Ferenczy Gergő, a Neuron Solutions munkatársa szerint bizonyos fejlesztési feladatokat, amelyek korábban két–négy hétig tartottak, ma fél nap alatt megoldanak MI-vel. Juhász Gergő pedig már évekkel ezelőtt egyetlen éjszaka alatt automatizált ChatGPT-vel egy napi egyórás másolgatós folyamatot. Pythonban addig a Hello Worldnél bonyolultabbat nem írt.

Innen nézve jogos a kérdés: mire érdemes időt szánni a tanulásban, ha az MI már a munkát is megcsinálja?

Például arra, hogy észrevegyük, amikor mégsem.

Juhász Gergő rendszerében ugyanabból a feladatból két, nagyjából azonos riport születhet, csak az egyik hat óra alatt, a másik két óra ötven perc alatt készül el. És ennek bizony nagyon is különbözik az anyagi vonzata. A szigorú ellenőrök megtalálják a hibákat, de drágán dolgoznak. Ha lazítanak a szabályokon, teljesen hamis eredmény is átcsúszhat.

A „kész van” ezek szerint még egészen sok mindent jelenthet.

Ferenczy Gergő ezért a fontos döntéseknél több megoldást kér az ügynöktől, előnyökkel és hátrányokkal, majd ő választ. Ő beszélt az ügyféllel, ő tudja, merre halad a projekt. Egy ma kényelmesnek tűnő technikai döntés miatt két hét múlva az egészet lehet, hogy át kell majd alakítani.

Az ellenőrzéshez másik modellt, lehetőleg másik szolgáltatót is érdemes bevonni – javasolta Juhász Gergő. Tapasztalata szerint néha az is segít, ha megemlítjük, hogy a konkurencia jobban megoldotta.

A technológia új, a motivációs eszköztár gyanúsan ismerős.

Csakhogy a második modell válaszát is meg kell ítélni valahogyan. Itt kap értelmet az elméleti tudás. Damsa Andrei, a Data Science képzés vezetője egyszerű példát hozott: ha az MI random foresttel oldott meg egy feladatot, tudjuk, mi az, és kérdezzünk rá, kipróbált-e egy egyszerűbb lineáris regressziót is. Ehhez ismerni kell a lehetőségeket, különben az első magabiztos magyarázatnál véget ér az ellenőrzés.

A valódi céges adatok pedig különösen jók abban, hogy próbára tegyék a magabiztosságot.

Ferenczy Gergő egy diplomamunka tapasztalatait idézte: a rendezett versenyadatokon jól teljesítő MI-rendszerek a korábbi projektjeik adatain már elakadtak. Hiányzó értékek, megmagyarázatlan oszlopok – kellett egy szakember, aki elmondta, mit jelentenek az adatok.

A „column_3” oszlopnév egyelőre a mesterséges intelligenciának sem üzleti specifikáció.

Miután ezt tisztázták, az egyik feladatban az MI jobb eredményt ért el, mint egy korábbi, néhány órás elemzés. A másik projektben viszont az utolsó százalékok is számítottak: ott a senior szakember modellje pontosabb lett, és  nagyságrendekkel gyorsabban futott. Megérteni, mit szeretne az ügyfél, milyen adat áll rendelkezésre, és pontosan milyen feladatot adjunk az ügynöknek? A munkának ez a része egyre nagyobb része lesz a szakmának.

Hogyan próbálhatod ki mindezt, ha tanulni szeretnél? Válassz egy témát, ami érdekel, szerezz hozzá adatot, és építs belőle valamit. Közben kérdezd az MI-t arról is, mit miért csinál. Így a módszerek rögtön egy valódi problémához kapcsolódnak.

A kód gyorsabban elkészül. Valakinek azonban továbbra is tudnia kell, hogy a megfelelő problémát oldottuk-e meg.

És lehetőleg még a tokenkeret következő húsz százaléka előtt.