Bevezetés
A mai blog postunk témája a magyar piacon felívelő AI kurzusok és AI ügynök oktatások lesz.
Körbejárjuk mennyire megbízhatóak ezek a kurzusok és milyen valódi értékkel ruházzák fel azokat akik erre befizetnek. A piac érdeklődése nagyon fontos és a témában történő edukáció még fontosabb. Viszont fontos tudni, hogy ha befizetünk egy ilyen kurzus-ra, akkor mi az amit nagyon valószínűséggel nem kapunk – pedig ez lenne az alapja a skálázható és biztonságos rendszerek megépítésének.
Piac jelenlegi állapota
Abban egyetérthetünk, hogy a mesterséges intelligencia térnyerése már-már exponenciális méreteket öltött az elmúlt években. Ennek megfelelően pedig jogosan merül fel a kérdés, hogy ilyen mértékű technológiai változást mennyire tudunk társadalmilag és politikailag lekövetni. Minden változás ami a nyugati civilizációt naggyá tette, relatíve hosszas és alaposan átgondolt folyamatok illetve governance eredménye lett.
A cél mindig az volt, hogy a fejlődő gazdasági rendszerekkel azonos vagy közel azonos ütemben fejlődjön az intézményesedés, a jogrendszer és a társadalmi berendezkedés.
Viszont jelenleg nem ezt látjuk. Ha extrapoláljuk ezt a trendet, akkor egy olyan világ képe tűnik fel, amelyben a nemzetközi aktorok nem tudták/akarták lekövetni a változást, amit ez fejlődés hozott mert egy precedens nélküli sebességen zajik.
Azt tudjuk, hogy a versenyszféra mennyire gyorsan adaptálódik új technológiákhoz, de vajon a társadalom, nemzetközi jog, és politika mennyire gyorsan képes erre?
Illetve, azt is megemlíteném, hogy ennyire diszruptív és potenciálisan gyökeres változásokat előidéző technológiát még sosem kellett a szektornak megfelelően integrálnia.
Az állam felel az állampolgárokért (elvileg), viszont ha az állam nem képes dinamikusan követni és ellensúlyozni a technológia generálta társadalmi veszélyeket, illetve kockázatokat, akkor semmi esély nincs arra, hogy ez a technológiai transzformáció úgy menjen végbe, hogy nem hullanak el ezrek a folyamatban.
Feltenném a kérdést, hogy mi van akkor, ha jelenleg a vállalati szféra felelőssége ennek a folyamatnak a kordában tartása, amíg utoléri a sok esetben sokkal bürokratikusabb állami és nemzetközi mechanizmusok?
Ez persze kifejezetten nehéz, hiszen a kapitalizmus sokkal kegyelmesebb az ember felé amikor nem hátát a falnak vetve küzd az életben maradásért. Amikor egy alapvetően profitorientált gazdasági berendezkedés kézhez kap egy eszközt, amely irdatlan mértékű hatékonyság növelést és költség csökkentést tud előidézni – megfelelően használva és integrálva – akkor egy kevésbé megfelelő időzítéssel kombinálva katasztrofális következményekkel járhat az “ember” számára.
De mi a piac válasza?
Erre látunk most egy korai szakaszában lévő reakciót, amelyben – nagyon helyesen – az early adopterek igyekeznek megtanulni, hogy ők maguk hogy tudják használni a technológiát, hiszen a cél az lenne, hogy az ember ne helyettesítve legyen, hanem olyan dolgokra tudjon fókuszálni, melyek valóban értékteremtők, és a mesterséges intelligenciával közösen tudjon hatékonyabban és jobban dolgozni. Az AI által generált hatékonyságnövelés és költségcsökkentésnek lehetővé kellene tennie, hogy a vállalatok ne arra használják fel, hogy leépítéseket hajtsanak végre ahol csak lehet, hanem hogy új dimenziókat is nyitnak a munkavállalóknak, ahol új módon vannak a képességeik kamatoztatva.
Ez egy új fajta vezetést és szemléletet igényel, mind munkavállalói de legfőképp vezetői oldalról.
Ugyanakkor ez is egy új támadási pontot nyithat, amelyről senki nem beszél.
A hirtelen igény, hogy együtt tudjunk dolgozni mesterséges intelligencia 3rd party szolgáltatásokkal – legyen az egy automaizációba épített llm láncolat vagy egyéb API hívásokkal bővített logikai architektúra – egy olyan fenyegetési vektort nyitott, ami viszont a KKV-kra nézve lehet jelentős, ha nincs koordinálva és ellenőrizve.
A mesterséges intelligencia elterjedése és a technológia folyamatos demokratizálódása óta egyre több AI oktatási vonal látszik megnyílni, amelyek azt ígérik, hogy segítenek abban, hogy magunknak tudjunk olyan vállalati automatizációkat építeni, amelyek valamilyen okos vagy AI komponensel vannak kibővítve, no code, egyszerű GUI – a vállalati kánaán.
Ha ezt egy cégvezető oldaláról nézem, akkor egyrészről örülök annak, hogy fejlődik a piac, viszont ijesztőnek is tartom, hogy – érthető okokból – nem eléggé felkészített munkavállalók nem megfelelő tudás háttér mellett szeretnék a saját folyamataikat céges laptopról gyorsítani, okosítani stb. Ez önmagában egy rettenetesen veszélyes irány lehet.
A technológia elérhetővé válása azt eredményezi, hogy az addig erre dedikált IT, data science, computer science departmenteken kívül eső személyek olyan műveleteket hajthatnak végre, amely potenciálisan veszélybe helyezi a szervezetet vagy az adott szervezeti egységet.
Ugyanis a technológiai belépő szint csökkent, viszont a tudás nem ezzel arányosan nőtt.
A kurzus-illúzió: miért hamis egyszerűség?
A no/low-code GUI (pl. n8n) valóban csökkenti a belépési korlátot – de ugyanakkor eltakarja a kritikus rétegeket: autentikáció, felhőjogosultságok, kulcs- és titokkezelés, futtatási környezet, költségkontroll, naplózás/megfigyelhetőség, token monitoring, instance monitoring etc. Egy átlag 12 alkalmas vagy 24 alkalmas mesterséges intelligencia kurzus legfeljebb mintát ad; rendszertervezést, biztonsági kontrollhálót és production környezetű megfelelést nem fog tudni átadni. – nem is feltétlen a kínálati oldal gyengesége miatt, hanem azért mert a kurzus intervalluma értelemszerűen nem elégséges és a szükséges gyakorlati tapasztalatok nem könnyen elsajátíthatók.
Komoly és sok domain-en átívelő technikai háttértudás szükséges megfelelő automatizációs, AI automatizációs architektúrák, RAG LLM pipeline-ok kiépítéséhez (legyen az egy saját AI chatbot, vagy egy lead lake bővítés & cimkézés), ahhoz hogy valódi és hosszantartó üzleti értéket lehessen belőle létrehozni. Ezt kicsit úgy kell elképzelni hogy egy adatelemzőnek könnyebb data science irányba képeznie magát mint annak, aki értékesítésben mozgott. És vica-versa.
Mivel automatizált megoldásokról beszélünk, ezért rendszerekről beszélünk, amelyeket monitorozni, ellenőrizni és fenntartani kell. Ebben a szakmában csak nagyon egyszerű automatizációk esetén beszélhetünk “plug in and go” megoldásokról, azok pedig ritkán teremtenek üzleti értéket. (és természetesen azokban az esetekben is javasolt szigorú megfeleltetésen és tesztelésen átvinni, hiszen a skálázható, alapvető biztonsági elvek mentén épített megoldások már egy olyan architektúra design elem, amit ezekben a gyorstalpalókon gyakorta nem tanítanak meg).
A biztonságos megfelelőség az Orion technologies-nál egy alapvetés. Ha részletesebben szeretnél olvasni arról hogy ez nálunk hogyan is történik, akkor ajánljuk figyelmedbe egy előző írásunkat:
Biztonságos AI – Mikre figyeljünk, ha mesterséges intelligencia kapacitásokat integrálunk vállalkozásunkba:
Források:
https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng?utm_source=chatgpt.com
https://owasp.org/www-project-top-10-for-large-language-model-applications/?utm_source=chatgpt.com
- Internal Documentations
