Interjú Balázsi Ildikóval AI Technológia képzésünkről

Balázsi Ildikó az ELTE alkalmazott matematika szakán végzett. 17 éves szakmai tapasztalattal rendelkezik a nemzetközi és országos tanulói teljesítménymérési adatok elemzésében, tervezésében, végrehajtásában. Néhány éve foglalkozik prediktív modellek építésével, a nagy adatbázisokban rejlő adatvagyon kiaknázásán, üzleti célú felhasználásán dolgozik adatbányászati technikák alkalmazásával. AI Technológia képzésünket tavaly ősszel végezte el, erről beszélgettünk.

Data Scientist-ként dolgozol a Pillér Kft-nél, mely a NAV számára biztosít kiemelt IT-szolgáltatásokat, és fő profilja az informatikai rendszerekkel kapcsolatos szoftverfejlesztés, szoftvertámogatás, infrastruktúra-üzemeltetés, tanácsadás. Milyen elvárásokkal érkeztél az AI Technológia képzésre, és mit vártál a képzéstől?

A mi adatbányász csapatunk többek között prediktív modellezéssel foglalkozik, így a tananyag első fele nem volt számomra újdonság, habár az elméleti alapok felelevenítése sosem árt. A tanfolyamtól azt vártam, hogy a legújabb MI technológiákról a lehető legtöbbet tudjam meg, és fontos volt számomra a Python-ban való programozás gyakorlása is, mert ebben kevés tapasztalatom volt, más statisztikai szoftverekkel dolgoztam eddig.

A munkánk során mindig keressük az új lehetőségeket, mind az adatok leíró elemzése, mind a prediktív modellezés során a lehető leghatékonyabb, az adott feladathoz és az adatainkhoz legjobban illeszkedő módszerrel szeretnénk dolgozni. Az MI területén az elmúlt években elképesztő ütemű fejlődés történt, és ugyan ezt a fejlődést igyekeztünk követni a napi munkáink mellett, úgy éreztük, egy jól felépített tanfolyam sokat segíthet az alapok megszilárdításában és a legújabb módszerek, modellek megismerésében.

A tanultak közül mely módszerek, vagy a képzés mely témái voltak leginkább tanulságosak/hasznosak számodra?

A neurális hálókról, azon belül is elsősorban a szövegfeldolgozó nyelvi modellekről tanultak talán a leginkább relevánsak a munkám szempontjából. A képzés jó kapaszkodókat adott ehhez a témához is, emellett Simonyi András és Szabados Levente rengeteg további szakirodalmat és releváns linket megosztott a tananyagban, amiből mindenki ki tudja válogatni a számára legfontosabbakat, és el tud mélyedni az általa választott témában. Egy, a rövid szövegek kategóriákba sorolását célzó feladatunk most is fut, itt közvetlenül alkalmazni tudjuk a tanfolyamon tanultakat.

Mit gondolsz, milyen mélységű programozási tudásra van szükség ahhoz, hogy valaki tényleg profitáljon a képzésből?

Bizonyos szintű programozási ismeretekre szükség van, mint ahogyan a matematikai alapok nélkül is nehéz lenne tájékozódni a tanfolyam anyagában. De nem feltétlenül kell virtuóz Python-felhasználónak lenni – ahogy az én példám is bizonyítja. A tanfolyam elég nagy hangsúlyt fektet az elméleti alapokra, arra, hogy megértsük, mi és miért történik a kódok futtatásakor, ugyanakkor minden alkalommal oldottunk meg konkrét gyakorlati példákat is, amelyekhez előzetesen kidolgozott mintapéldákat is kaptunk kapaszkodónak. A megoldott feladatok kódjaihoz pedig bármikor vissza tudunk nyúlni a jövőben egy-egy új problémán, modellezési feladaton dolgozva. Azt mondanám, hogy az elmélet és gyakorlat aránya a tanfolyamon belül többnyire kiegyensúlyozott volt, és noha sokszor mindkettőből szívesen fogyasztottam volna többet is, a megadott időkerettel a képzés a jól gazdálkodott.

Mesélnél a projektfeladatodról, ami a vizsgamunkád is volt?

Úgy választottam feladatot, hogy annak a lehető legtöbb köze legyen a munkánkhoz, de mivel érzékeny adatokkal dolgozunk, a tényleges adatainkat nem lett volna célszerű behozni a tanfolyamra. Ezért olyan nyilvánosan elérhető adatokkal dolgoztam a projektfeladatban, ami hasonló módszerek használatát igényelte. A feladatban online boltok termékeit a termékleírás alapján termékkategóriákba soroló modellt fejlesztettem többféle módszerrel. Azért is volt jó ezen a problémán dolgozni, mert a tanfolyamon tanult eszköztár jó néhány elemét fel tudtam használni a megoldásban a klasszikus felügyelt tanulási módszerektől a saját építésű, teljesen kapcsolt neurális hálón keresztül a bonyolultabb nyelvi modelleket futtató modulok alkalmazásáig. És a legjobb, hogy a teljes folyamatot át lehet ültetni - még ha nem is egy az egyben - a meglévő feladatainkra, a projektmunka kódjai kis átalakítással használhatók a mindennapi munkánkban is.

Beváltotta-e a képzés a hozzá fűzött reményeidet? Támogatja-e a céljaidat, amit a képzésen tanultál?

Igen és igen. A képzés jól volt összeállítva, az előadók, Szabados Levente és Simonyi András kiváló, az MI területén nagy elméleti tudással és óriási szakmai tapasztalattal rendelkező szakemberek, akik a hatalmas tananyagot élvezetesen és követhetően adták át, és saját gyakorlati tapasztalataikkal színesítették. Az itt tanultak megerősítették, elmélyítették a tudásomat és adtak némi gyakorlatot a mesterséges intelligencia alapú modellek építéséhez Python környezetben, amire a jövőben alapozhatok.

Kiknek ajánlanád a képzést?

Azoknak, akik rendelkeznek már némi tapasztalattal a prediktív modellezés és/vagy a Pythonban végzett adatelemzés területén, és szeretnék követni az elmúlt időszakban az MI területén történt gyors fejlődést, szeretnék a legújabb MI-módszereket beilleszteni az eszköztárukba.

Ha érdekel AI Technológia képzésünk, ismerd meg részletes tematikánkat!

Érdekel az AI Technológia képzés