Folytatjuk a GyártásTrend és a PPH Media által kezdeményezett Urban Tech & Smart City Awards kapcsán indított interjúsorozatunkat a verseny zsűritagjaival. A szakértők kifejtik, mit várnak a versenytől, milyen pályázatokra számítanak, illetve milyen trendeket látnak a saját szakterületükön.
A részletekről és a jelentkezésről az urbantechawards.hu oldalon lehet tájékozódni.
Ezúttal Simon Vilmos egyetemi docens, a BME MEDIANETS Lab vezetője válaszolt a kérdéseinkre.
Ön a BME MEDIANETS Lab élén számos nemzetközi K+F projektet vezet, például török és japán partnerekkel közös, mesterségesintelligencia-alapú közlekedési rendszereken (TRALICO) is dolgoznak. Látva a globális és európai élvonalat, miben van a legnagyobb lemaradása a magyarországi okosváros- és mobilitási projekteknek, és melyek azok a területek, ahol akár versenyképesek is tudunk lenni?
A magyar kutatók és fejlesztők szakmailag nem maradnak el a globális vagy az európai élvonaltól. Kiváló szakembereink vannak, akik nagyon motiváltak, és sok energiát, időt fordítanak arra, hogy képezzék magukat. A versenyképességünkből pedig adott esetben azért veszíthetünk, mert nincsenek olyan pilotok, helyszínek, ahol ki lehetne próbálni a technológiát. Igazából egy nagyvárosunk van: Budapest, és a hazai bürokrácia sem mindig kedvez annak, hogy ezeket a projekteket gyorsan meg lehessen valósítani és ki lehessen próbálni. Elég sok lépcsőfokon kell túljutni ahhoz, hogy valaki egy valós környezetben működő pilotprojektet Magyarországon végig tudjon vinni. A versenyképességünk mindenképpen a tudásunkban rejlik. Erős egyetemeink vannak, és a nemzetközi projektjeinkben is látható, hogy szakmailag semmivel sem maradunk el a japán vagy a török partnerektől. Az állam, illetve a kormányzat talán azzal tudna segíteni, ha még jobban támogatná, hogy a magyar önkormányzatok, városok is forráshoz jussanak ilyen projektek megvalósítására, hiszen ezen a területen meglehetősen forráshiányosak.
A versenyre már megvalósult vagy működő pilotfázisba lépett projektekkel lehet nevezni. Zsűritagként milyen típusú pályázatokra számít az okosvárosi mobilitás és a közlekedést, infrastruktúrát érintő kategóriákban? Inkább lokális okosmegoldásokat – például intelligens parkolást, szenzoros méréseket – vár, vagy vannak már itthon is átfogó, adatalapú, rendszerszintű forgalomoptimalizálási projektek?
Mivel egy induló versenyről van szó, nehéz megmondanom, milyen típusú pályázatok fognak beérkezni. Szerintem lehetnek lokális okosmegoldások, ahogy a kérdésben is szerepel, de lehetnek rendszerszintű forgalomoptimalizálási projektek is. Utóbbiak esélyét valamelyest csökkenti az, amit az imént is említettem: kevés a helyszín és a lehetőség ezek kipróbálására. Leginkább olyan pályázatoknak örülnék, amelyek az emberek tényleges problémáit oldják meg, és nem egy n+1. okosotthon- vagy okosváros-megoldást kínálnak, ami valójában nem is viszi előre a dolgokat. Lehet egy ötlet vagy megoldás jól hangzó, de ha nem oldja meg az emberek hétköznapi problémáit, akkor kevésbé látom az értelmét.
Ha szeretnénk megnyerni a közvéleményt – hiszen az okosváros számos területével kapcsolatban tapasztalható szkepticizmus –, akkor meg kell mutatnunk, hogy mindez miért jó az embereknek, mitől válik jobbá az életminőségük.
Nem arra gondolok, hogy például ingyenes internetük lesz a köztereken, mert nem erre vágynak. Vannak olyan problémák, amelyek a városi életet néha pokollá változtatják, és ezek megoldásában például a közlekedés optimalizálása sokat segíthetne.
A két legfőbb kutatási területe az intelligens közlekedési rendszerek és az AI által optimalizált közlekedésirányítás. Véleménye szerint jelenleg melyik hazai szektor vagy iparág – például az autóipar, a logisztika, a közszolgáltatók vagy az önkormányzatok – a legnyitottabb és legfejlettebb ezen technológiák gyakorlati alkalmazásában? Hol látja a legégetőbb szükségét a mesterséges intelligencia azonnali beavatkozásának?
Nagyon nyitottnak érzem az önkormányzatokat és a városokat. Magyarországon – legalábbis eddig ez volt a tapasztalatunk – nagyon könnyű megnyerni őket az ilyen projektekre, és nagyon szívesen együttműködnek. Az autóipari cégek nagyobb multinacionális vállalatok, amelyeknél először a felső vezetést kell megnyerni. Ha viszont elköteleződnek, akkor nagyon komolyan veszik az adott projektet, és rendelkezésükre állnak a szükséges források és a tudás is. Náluk ugyanakkor hosszabb átfutási idővel kell számolni. A magyarországi városokkal és önkormányzatokkal kapcsolatban nagyon pozitív tapasztalataim vannak. Problémát inkább az jelenthet, hogy rendelkezésre állnak-e náluk az ehhez szükséges szakemberek. A napi feladataik ellátására természetesen felkészültek, de más kérdés, hogy rendelkeznek-e azzal a tudással, amely a mesterséges intelligencia forgalomirányításban vagy közlekedésoptimalizálásban történő alkalmazásához szükséges. Kérdés, hogy vannak-e náluk olyan adatbányászok vagy AI-specialisták, akikre ehhez szükség van. Ez az önkormányzatoknál szűk keresztmetszetet jelenthet.
Ön az alapítója és egyben igazgatója a PARIPA programnak, amely egyfajta hidat képez az egyetemi tehetségek és a meghatározó IT-partnercégek között. Hogyan látja a hazai egyetemi, kutatói közeg és a városüzemeltetők, önkormányzatok kapcsolatát? Mennyire jellemző ma itthon, hogy a legújabb tudományos, egyetemi kutatási eredményeket valóban integrálják a városfejlesztési projektekbe?
Ahogy az előző kérdésnél is említettem, a városüzemeltetők és az önkormányzatok nyitottak az együttműködésre. Nem is emlékszem olyan megkeresésünkre, amelyet elutasítottak volna. Az, hogy a tudományos kutatások eredményeit mennyire tudják integrálni, elsősorban attól függ, hogy rendelkeznek-e az ehhez szükséges szakmai felkészültséggel. Hiába implementálunk és tesztelünk egy rendszert, azt később üzemeltetni is kell. Ehhez olyan AI-szakértőkre van szükség, akik később is tudnak vele foglalkozni és képesek üzemeltetni. Ez a fő probléma: nagyon nyitottak, szívesen kipróbálnak sok mindent, de kérdés, hogy később ki fogja ezeket a rendszereket üzemeltetni, illetve lesznek-e anyagi források az üzemeltetésükre. Ezt hajlamosak vagyunk elfelejteni. Nem elég valamit megépíteni, majd nagy csinnadrattával átadni. Utána éveken keresztül üzemeltetni is kell – ez jelenti az igazi kihívást.
Mit gondol, a szakmai megalapozottság és a technológiaválasztás szempontjából mi a fontosabb: az adatok puszta gyűjtése, vagyis a szenzorhálózatok kiépítése, vagy az a prediktív képesség, amellyel a rendszer képes megelőzni például a közlekedési dugókat?
Mindkettő nagyon fontos, a kettő egymás nélkül nem működhet. Több olyan projektünk volt, amelyben azért volt nehéz előrelépni, mert az adatok nem voltak megfelelőek. Nagyon fontos kérdés az is, hogy milyen szenzorhálózatot építünk ki. Van, aki a kamerarendszereket részesíti előnyben, más az induktív hurkokat vagy a radaralapú megoldásokat, de rendelkezésre áll a floating car data (FCD) is, amikor magukból az autókból érkeznek az adatok. Valószínűleg mindegyik megoldásnak megvannak az előnyei és a hátrányai. Egy város számára – bármelyik megoldás mellett is dönt, a floating car data kivételével, hiszen az nem a várostól függ – mindez komoly költségtételt jelent. Sokszor felmerül a kérdés: erre a célra költsünk, vagy inkább aszfaltozzunk le három utcát? Ez nehéz döntés, és ha nem áll rendelkezésre valamilyen pályázati forrás, akkor az önkormányzatok nehezen tudják kiépíteni ezt a szenzorhálózatot.
A prediktív képesség ugyanakkor nagyon fontos, mert segítségével előre tudjuk jelezni a dugókat, és úgy tudunk közbeavatkozni, hogy a torlódás még ki sem alakult. Miután már kialakult, nagyon nehéz ezt megtenni. Mindez azonban nagymértékben függ az adatoktól.
Az adatbányászati munkáink (különböző AI-projektek) jelentős részét a rendelkezésünkre bocsátott adatok megértése, tisztítása, strukturálása és a modellbe történő betáplálása teszi ki. Ez a teljes munkaidő akár 50–60–70 százalékát is elviheti. Ha nincsenek megfelelő adatok, ha az adatok nem elég reprezentatívak, nem elég hosszú időszakon keresztül gyűjtötték azokat, nem teljesek, vagy sok hibás mérés van közöttük – ami azért elő szokott fordulni –, akkor mi is tehetetlenek vagyunk. Hiába tanítunk be bármilyen gépi tanulási modellt: ha nem jók az adatok, a modell sem fog releváns következtetéseket adni számunkra. Éppen ezért egy olyan városban, ahol a szenzorhálózati infrastruktúra valamilyen formában nincs kiépítve, valójában hozzá sem tudunk fogni egy ilyen projekthez.
A borítókép illusztráció, fotó: Adobe Stock
