AI-ismeretek nélkül mit sem ér az önéletrajz: ez az egyetem talált megoldást a pályakezdők problémájára

Az Óbudai Egyetem AI Campus programja hogyan válik a mesterséges intelligenciára építő intézményi stratégia kézzelfogható, működő elemévé? Milyen konkrét célokkal mérik, hogy az AI valóban javítja-e a mindennapi működést?

Az volt a célunk, hogy az intézményi AI-stratégia ne csak vízió legyen, hanem rögtön akciótervszerűen lebontott konkrét program. Minden pont mögé konkrét KPI-t, vagyis mérhető teljesítménymutatót tettünk: mikor tekintjük sikeresnek, mikor nem, milyen határidővel dolgozunk, és milyen pénzügyi keret tartozik hozzá. Ezek első körben nem feltétlenül nagy, intézményi szintű mutatók, hanem rövidebb ciklusú, konkrét akció-KPI-ok. Ilyen lehet például egy AI-képzés megszervezése meghatározott számú résztvevővel, egy platform bevezetése, tesztelése, illetve annak mérése, milyen visszajelzéseket kapunk.

Arra törekszünk, hogy az Óbudai Egyetem AI-natív intézményként működjön.

Ezt három dimenzióban nézzük. Az AI-nativitás azt jelenti, hogy az AI nem különálló kísérleti projektként jelenik meg, hanem beépül az egyetem mindennapi működésébe, az oktatásba, kutatásba és adminisztrációba. Az AI-first megközelítés lényege, hogy amikor egy kolléga feladatot kap, először végiggondolja, hogyan tudná azt gyorsabban, hatékonyabban vagy jobb minőségben megoldani AI segítségével vagy automatizációval. Az AI-readiness pedig azt jelenti, hogy a kollégák tudják, milyen eszközök érhetők el, hova kell nyúlniuk, és hogyan tudják ezeket használni akkor is, ha nem programozók.

Van egy AI nagyköveti rendszerünk, amelyben gyűjtjük a konkrét alkalmazási példákat, beszélgetünk a kollégákkal, figyeljük, mit használnak ténylegesen, és mi az, ami működik és mi az, ami nem működik. Ha egy tanulástámogató rendszert például nem használnak olyan mértékben a hallgatók, ahogy vártuk, akkor azt kivezetjük. Ha pedig egy AI-támogatott karriercentrum-komponensben látunk fantáziát, akkor beemeljük.

Az AI Campus egyik konkrét fejlesztése egy belső GenAI-platform, amelyen keresztül az oktatók, kutatók, hallgatók és munkatársak egy közös egyetemi felületen érhetnek el különböző AI-modelleket. Mit tud ez a rendszer pontosan, és hosszabb távon belső eszköz marad, vagy piaci termék is lehet belőle?

Ezt a platformot eredetileg azért kezdtük el fejleszteni, hogy az Óbudai Egyetem teljes közössége – oktatók, kutatók, hallgatók és munkatársak – egy biztonságos, intézményileg szabályozott környezetben tudjon AI-eszközöket használni. Jelenleg béta rendszerként működik, tehát elsősorban belső eszköz, de

nem kizárólag egyetemi használatban gondolkodunk: vannak piaci megkereséseink, és árajánlatokat is adtunk már ki, bár szerződést egyelőre nem kötöttünk.

Ez egy hibrid rendszer, egy felületen keresztül többféle AI-modell érhető el. Vannak olyan modellek, amelyek az egyetem saját szerverein futnak, ezek érzékenyebb vagy intézményi adatok feldolgozásánál fontosak, mert az adat nem hagyja el az egyetemi infrastruktúrát. Emellett külső, nagy teljesítményű modellekhez is tudunk kapcsolódni, ha a feladathoz erre van szükség. A platform központi hozzáférési és irányítási rétegként működik.

A felhasználó egyetemi azonosítóval belép, mi pedig a háttérben be tudjuk állítani, ki milyen modellekhez férhet hozzá, milyen jogosultsági szinttel és milyen felhasználási kerettel.

A potenciális külső felhasználók azok az intézmények és vállalatok lehetnek, amelyek szeretnének saját, kontrollált GenAI-környezetet, de nem akarják vagy nem tudják ezt nulláról felépíteni. Ilyenek lehetnek más egyetemek, kutatóhelyek, állami intézmények, illetve olyan cégek, ahol fontos az adatkezelés, a jogosultságkezelés és az, hogy bizonyos folyamatok ne teljesen nyilvános felhőben fussanak.

A globális szereplőkkel nem lehet versenyezni, ez nem arról szól, hogy modellt építünk, mint az OpenAI, az Anthropic, az AWS vagy az Alibaba, hanem hogy hogyan lehet a leghatékonyabban hozzáférni a lokális és frontier erőforrásokhoz egy helyről.

A nagy felhőszolgáltatóknál is megjelentek hasonló logikájú központi AI-hozzáférési rendszerek. A mi előnyünk az, hogy lokálisan telepíthető, intézményi működésre szabható, magyar környezetben értelmezhető és adatbiztonsági szempontból kontrollált megoldást tudunk adni.

A kutatásban hol van az a pont, ahol az AI valóban időt nyer a kutatónak, és hol kezdődik az a terület, ahol továbbra is nélkülözhetetlen az emberi intuíció, szakmai ítélet és kísérleti munka?

Szerintem az AI akkor tudja érdemben növelni egy kutatás hatékonyságát, ha a kutató már tudja, mi érdekli, mit keres, esetleg már van hipotézise is, vagy például feldolgozandó cikke, adata, matematikai modellje vagy konkrét kutatási kérdése. Ilyenkor az AI azokat a részfeladatokat gyorsíthatja fel, amelyek korábban sok időt vittek el: szakirodalmat elemez, módszertani elemeket emel ki, szimulációt futtat, vagy segít ellenőrizni, hogy egy ötlet egyáltalán megvalósítható-e.

Erre épül az Agentic Discovery Platform is, melyet a HUN-REN AI Szolgáltató Központjával közösen fejlesztünk. Ez egy human-in-the-loop, vagyis emberi kontroll alatt működő kutatástámogató AI-platform, amely több AI-ügynök összehangolt munkájával segít eljutni egy kutatói elképzeléstől a kutatási eredményig, akár tesztelhető szoftverekig. Nem egy hagyományos chatbotról van szó, hanem olyan rendszerről, amely képes értelmezni egy szakmai szöveget vagy elképzelést, abból egy első, futtatható számítógépes próbaverziót készíteni, majd az eredményeket visszacsatolni a kutatónak.

Ha például van egy bonyolult tudományos cikk, a platform ki tudja emelni belőle a fő állításokat és módszertani elemeket, majd készíthet hozzá egy demonstrációs programot, esetleg statisztikai elemzéseket adhat, adatokat kereshet a probléma jobb megértése érdekében, implementálhatja a kutatásmódszertani elemeket.

Ezzel még nem jön létre végleges szoftver, hanem egy gyorsan kipróbálható próbaverzió, amellyel meg lehet nézni, hogy az adott elméleti ötlet vagy modell számítógépes környezetben működőképes-e.

Mondok egy konkrét példát. Egy vércukorháztartást leíró matematikai modellt próbáltam tesztelni, valamint annak paramétereit hangolni. A platform felépítette a cikkben szereplő elméleti modell számítógépes változatát, kipróbálta az adott use case-en, segített értelmezni az eredményt, és még egy első tanulmányvázlatot is előállított. Egy ilyen munka korábban napokat vagy akár heteket vett volna igénybe, most viszont egy-két óra alatt el lehet jutni egy első, ellenőrizhető változatig.

Azt gondolom, hogy később a kutatástervezésben is komoly szerepe lehet a platformnak, például segíthet felmérni, hogy egy projekthez milyen eszközre, adatbázisra vagy mérési kapacitásra van szükség, van-e ilyen az egyetemen belül, ki rendelkezik fölötte, illetve milyen költséggel lehet beszerezni vagy bérelni.

Ugyanakkor az AI nem helyettesíti a komplex gondolkodást, a kísérleti munkát, a mérést, a terepi adatgyűjtést, a fizikai jelenségek megfigyelését, és azt sem, amikor emberekkel kell egyeztetni, eszközöket megszerezni vagy adatokat előállítani. Az AI ott erős, ahol már van mit feldolgozni, modellezni, összevetni vagy kipróbálni. Azt viszont, hogy miért kutatunk valamit, mi a jó kérdés, és hogyan kell az eredményeket felelősen értelmezni, továbbra is az ember fogja meghatározni.

Az AI-ügynökök nemcsak felgyorsítják a munkát, hanem a munkaritmust is átalakítják. Mit jelent ez mentálisan azoknak, akik napi szinten ilyen rendszerekkel dolgoznak?

Nem biztos, hogy az emberi működés alapból erre a tempóra van beállítva. A technológia elképesztő sebességgel változik, és aki ezt napi szinten követni próbálja, annak folyamatosan alkalmazkodnia kell: új modellek, új eszközök, új munkamódszerek jelennek meg. Én is azt érzem, hogy ahogy próbálom követni a trendeket és kiszűrni a zajból, mi az, ami valóban fontos, az mentálisan nagyon megterhelő.

Az ügynökalapú rendszerek ezt tovább fokozzák. Ma már előfordulhat, hogy lefekvés előtt az ember még feladatot ad egy AI-ügynöknek, az éjszaka dolgozik rajta, reggel pedig ott van az eredmény, amit értékelni kell, tovább kell vinni, újabb utasításokat kell adni. Ez óriási hatékonysági lehetőség, de közben megváltoztatja a munkaritmust is:

sokkal nehezebb letenni a munkát, mert a rendszer akkor is dolgozhat, amikor mi pihennénk. Ezért nemcsak technológiai kérdésről beszélünk, hanem arról is, hogy az ember, a szervezet és az oktatás hogyan tud ehhez alkalmazkodni.

Az AI-szuverenitás sokszor jól hangzó politikai-gazdasági jelszó. Mit jelent ez a gyakorlatban Magyarországon? Magyarország és a régió mennyire tud versenyben maradni az AI-fejlesztésekben a nagy amerikai és kínai szereplőkkel szemben?

Az AI-szuverenitásról könnyű nagy szavakat mondani, de először azt kellene tisztán látni, hogy a digitális képességeinkben sem vagyunk igazán szuverének. Kevesebbet beszélünk arról, mi történne például akkor, ha holnap leállna a Gmail vagy valamelyik, a napi működéshez használt nagy globális digitális szolgáltatás. A magyar gazdaság, különösen a kkv-szektor jelentős része gyorsan bajba kerülne, mert napi működése mélyen beépült globális szolgáltatásokra épül.

A szuverenitás tehát nem ott kezdődik, hogy saját nagy nyelvi modellt álmodunk, hanem ott, hogy értjük-e, milyen technológiai függőségeink vannak és azokat hogyan lehetne megszüntetni, már ha meg lehet, vagy meg akarjuk.

Magyarország és a régió önmagában nem fogja felvenni a versenyt az amerikai és kínai óriásokkal számítási kapacitásban, tőkében, adatvagyonban vagy fejlesztési sebességben. Európának ugyanakkor vannak erős pozíciói, elég a holland ASML-re gondolni, amely kulcsszereplője a csúcskategóriás chipgyártásnak. A kérdés az, tudunk-e ezekből valódi ipari és AI-kapacitást építeni.

Magyarország számára a realitás nem a globális alapmodellek versenye, hanem az, hogy értsük és kontrolláltan használjuk ezeket a technológiákat, védjük a saját adatainkat, és minél gyorsabban felkészítsük az AI átállásra a gazdaságot, az oktatást és a kutatást. Ehhez számítási kapacitás, képzés, intézményi együttműködés és kormányzati támogatás kell.

Az AI egyre több olyan feladatot átvesz, amelyet korábban junior informatikusok végeztek. Mit jelent ez a pályakezdők számára: beszűkülnek a klasszikus junior pozíciók, vagy inkább átalakulnak?

Sok vállalatnál ma már az az elvárás, hogy egy friss diplomás azonnal tudjon AI-eszközökkel fejleszteni, komplex rendszerekben gondolkodni, sőt lehetőleg már medior vagy senior szintű problémamegoldásra legyen képes. Csakhogy az egyetemi képzés hagyományosan nem erre a sebességre és nem erre a belépési szintre volt berendezkedve.

A klasszikus junior feladatok egy része valóban átalakul, mert az AI sok belépő szintű programozási, dokumentációs, tesztelési vagy előkészítő munkát fel tud gyorsítani, át tud venni. Ez azonban nem jelenti azt, hogy a pályakezdők szerepe megszűnne. Sokkal inkább arra utal, hogy

más készségekkel és felkészültséggel rendelkező fiatal szakemberekre lesz szükség: olyanokra, akik nemcsak végrehajtanak, hanem képesek AI-eszközökkel együtt dolgozni, ellenőrizni az eredményt, megérteni a rendszerlogikát, és felelősen dönteni arról, mire lehet ráépíteni, mit lehet egy éles rendszerbe kitenni, sőt, aki ismeri a társadalmi hatását annak a rendszernek, amivel dolgozik, hiszen az európai szabályozás ezt szigorúan megköveteli.

Nekem korábban is az volt a misszióm, hogy az ipari onboarding idejét, ami sokszor egy-két év, le tudjuk vinni hat hónapra. Ezt ma az AI miatt még fontosabbnak látom. A hallgatóink el tudnak helyezkedni, ezzel jelenleg nincs gond, de az biztos, hogy a munkaerőpiac gyorsabban változik, mint ahogy a hagyományos tantervi és akkreditációs ciklusok reagálni tudnak, biztos, hogy azokban is kell változás.

Ezért többedmagammal kezdeményeztük egy olyan szakmai bizottság létrehozását, amelyben az informatikai képzést folytató intézmények a kormányzattal együttműködve határoznák meg az ágazat jövőbeli oktatási irányait. A bizottság feladata lenne a stratégiai prioritások kijelölése, a jelenlegi képzési kínálat felülvizsgálata, valamint annak tisztázása, hogyan igazodhat mindehhez az akkreditációs rendszer. Meggyőződésem, hogy az AI az új informatika, ezért ebből kell levezetni, milyen szakokra van szükség, meddig tartsanak a képzések, mit és hogyan oktassunk, lehetőség szerint az AI minél szélesebb körű integrációjával.

Mit kell ma másként tanítani, mint akár három-öt évvel ezelőtt? Hogyan kellene a gyors technológiai fejlődéshez alkalmazkodnia a képzésnek?

Mi két irányból próbálunk reagálni. Egyrészt minden szakon biztosítunk AI-képzést. A következő generációs tantervekben azt szeretnénk elérni, hogy az AI ne csak egy-egy szakhoz kapcsolódó alkalmazási példaként jelenjen meg, hanem legyen szerves része a képzési terveknek, illetve, önálló tudásterületként is kerüljön bemutatásra.

Vagyis ne csak azt tanítsuk meg, hogy például egy mérnök, informatikus vagy gazdasági szakember mire tudja használni az AI-t, hanem azt is, hogyan működnek ezek a rendszerek, milyen alapfogalmakat kell érteni hozzájuk, hogyan lehet velük biztonságosan és kritikusan dolgozni, mire alkalmasak, és hol vannak a korlátaik.

Az AI-literacy ebben az értelemben azt jelenti, hogy a hallgató nemcsak használni tud egy AI-eszközt, hanem érti is, mikor bízhat benne, mikor kell ellenőriznie, hogyan kell jó kérdést feltennie, és milyen etikai, adatvédelmi vagy szakmai kockázatokkal kell számolnia.

Amit ma másképp kell tanítani, mint akár három éve, az nem pusztán az, hogyan kell promptolni. Mélyebb technológiai megértésre van szükség. Felértékelődik a fizikai valósággal való kapcsolat, a hardverek működtetése, az energiahatékonyság, a lokális modellek futtatása, a modellek optimalizálása, például kvantálása, vagyis annak megértése, hogyan lehet egy nagy modellt kisebb számítási kapacitáson használhatóvá tenni anélkül, hogy lényegesen elbutulna.

Emellett új szerepkörök jönnek létre: lesz, aki AI-rendszereket üzemeltet, lesz, aki a biztonságukat garantálja, lesz, aki az ügynökök működését, viselkedését, eszközhasználatát érti mélyen. Ehhez viszont matematikai, architekturális és rendszerszintű alapokat is erősebben kell tanítani. Arra is fel kell készíteni a hallgatókat, hogy

teljesen máshogy kell együttműködni egy mesterséges intelligenciával, mint egy emberrel. Ez nem egyszerűen egy új szoftver, hanem új interakciós forma. Meg kell tanulni jó feladatot adni neki, ellenőrizni az eredményét, visszacsatolni, újrafogalmazni a kérést, és közben nem elveszíteni a saját szakmai felelősséget.

Ma a loop engineering, az embodied AI, az ágensek a fősodor, viszont biztos vagyok benne, hogy ezek hasonlóan gyorsan fognak változni: az univerzális értékek, kritikus gondolkodás, változásmenedzsment, etika, pszichológia, természettudomány lesznek azok az alapok, amire az AI világát rá lehet építeni.

Az egyetemeknek gyorsabban kell követniük a technológiai ciklusváltásokat, és gyorsabban kell speciális tananyagokat készíteniük. Közben viszont nem szabad feladni az alapokat: minél gyorsabban változnak az eszközök, annál fontosabb, hogy a hallgató értse, mi történik a technológia mögött. Olyan szakembereket kell képeznünk, akik nemcsak használják az AI-eszközöket, hanem értik is, hogyan működnek, mikor lehet rájuk építeni, és hol kell emberi szakmai kontrollt gyakorolni.

A cikk megjelenését az Óbudai Egyetem támogatta.

Címlapkép forrása: Portfolio/Berecz Valter