Jós, láss!

Ügyfél

A magyar tulajdonú kisvállalkozásból nemzetközi cégcsoporttá nőtt KÜRT Zrt. adatvédelemmel, adatvesztések megelőzésével és adatok helyreállításával kapcsolatos technológiákat és megoldásokat fejleszt. A KÜRT annak köszönheti jó hírnevét, hogy a csúcstechnológiák között is az élen jár – említhetjük például a gépi tanulást, a neurális hálókat, a big datát és a mélytanulást.

A Kürt egy konzorciumot alapított két partnerrel egy részben EU-s programból finanszírozott kutatási projekthez, és én az egyik partner alvállalkozója voltam.

Projekt

A kutatási projekt annak vizsgálatára irányult, hogyan lehet nagysebességű, big data-technológiákra épülő valós vagy közel valós idejű naplóelemzésben felhasználni a gépi tanulást a várható anomáliák felismerésére és előrejelzésére. A projektben többféle szerepkörben vettem részt a pályázat írásától a megvalósításig. Az elején a különböző kutatási anyagok és fejlesztési koncepciók véleményezése volt a feladatom. Ezt követően én feleltem a projekt keretében megvalósítandó megoldás tervezéséért. Az utolsó – egyébként legizgalmasabb – fázisban pedig életemben először adódott lehetőségem a neurális hálók és a mélytanulásos algoritmusok tényleges alkalmazására.

A projekt egyik eredményterméke egy olyan elosztott megoldás alapverziója volt, amely IoT-eszközök és más IT-berendezések valós idejű monitorozását végezte, az adatokat pedig egy központi naplógyűjtőbe továbbította, ahol egy szintén központi monitorozó alkalmazás mélytanulásos technológiával feldolgozta ezeket az adatokat, hogy megpróbálja előrejelezni a várható meghibásodásokat. A megoldás a Kürt biztonsági incidensek észlelésére és felderítésére szolgáló megoldásának, a SeConical terméknek képezte részét. A feladataim közé tartozott a gépi tanulási és a naplógyűjtő komponensek megvalósítása, amely a SeCoMaLe nevet kapta (a SeConical Machine Learning után). Ez az ökoszisztéma saját kommunikációs protokollal gondoskodott a gyors és hatékony adattovábbításról. Bővíthető architektúrája lehetővé tette például többféle kezelőalkalmazás kialakítását. Az egyik ilyen volt a szintén általam fejlesztett SeCoMaLe ReTiMo (Real Time Monitoring), de emellett készült még egy másik monitorozó felület is.

Az általam fejlesztett telemetriai és központi gépi tanulási komponens Pythonban készült, a Keras és a Tensorflow felhasználásával, míg a ReTiMo kliens egy C#-ban írt WPF-alkalmazás lett.

A személyes oldal

Először 1992-ben olvastam mesterséges intelligenciával és neurális hálókkal kapcsolatos szakirodalmat. Azóta vártam, hogy magam is használhassak neurális hálót. A mesterséges intelligencia 2010 utáni robbanása csak erősítette ezt a vágyat. Tanúja voltam, ahogy többen – köztük barátaim is – gépi tanulásra és mélytanulásra épülő alkalmazásokat készítenek. Én pedig csak tétlenül vártam a sajátomra, pedig mindenki bátorított, hogy nem is nehéz. Végül a sors úgy hozta, hogy valóra vált ez a szakmai álom.

Mindenkinek ajánlom, hogy vegye fel a bakancslistájára egy gépi tanuláson alapuló alkalmazás fejlesztését. Egyszerűen fantasztikus érzés, amikor az adatok és az algoritmusok összeállnak, és a gép képes lesz a jövőbe látni. Amíg el nem kezd működni, el sem hiszed, hogy valaha fog, aztán mégis történik valami csoda – hamarabb, mint várnád.

A Kürttel még 2012-ben kezdtünk együtt dolgozni. Nagyon megtisztelő, hogy azóta is rendszeresen meginvitálnak egy-egy projektre.