„Az érdekel, hogy hogyan tudok a legnagyobb hatással lenni dolgokra.”

Seres Szilvia beszélgetése Prekopcsák Zoltánnal, a Prezi Data Science & Analytics csoportjának vezetőjével.

Mi volt az első „internetes vállalkozásod”?

Mindig is a matematika érdekelt a legjobban, ami a mérnök szüleimnek is köszönhető. Bekerültem a Fazekas Mihály Gimnáziumba, ami matek szempontból vezetőhelynek számított akkoriban. Nagyon érdekes osztály verődött össze, sokféle érdeklődési körrel. Itt kezdtünk bele 16 évesen az első „internetes vállalkozásunkba”. Nem nagyon voltak webrádiók, amik léteztek azok csupán a klasszikus rádióknak voltak az internetes megfelelői. Hárman kitaláltuk, hogy jó lenne alulról szerveződően online rádiókat felépíteni, amivel a szubkulturák  résérdeklődéseit is lefedjük. Írtunk egy webrádió szoftvert, ami ingyenes tárhelyeket kihasználva streamelte a zenét. 

Hozzáférhetővé tettük olyanok számára, akik rádiókat szerettek volna készíteni. A csúcson 50 rádiónk futott, 50 különböző rádióssal. Ők összegyűjtötték a zenéket és az alkalmazásunkkal elkészítették a playlisteket, mi pedig szétszórtuk a zenefájlokat ingyenes tárhelyekre, és vissza streameltük a hallgatóknak. Volt olyan rádió például, ami egész nap portugál fuvola zenét játszott. Mivel a rádiósok elég nagy networkkel bírtak, volt hogy 100-an, 1000-en is hallgatták ezeket naponta, miközben se bevételünk, se szerverünk nem volt. Később nyertünk a projekttel egy nemzetközi díjat, amivel jött egy kis pénzmag is. Ebből vettük az első saját szerverünket, ugyanis az ingyenes tárhelyszolgáltatók egyre kevésbé szerettek minket. Megpróbáltunk nagyobb lendületet adni neki, de aztán jött az érettségi és az egyetem, így lecsengett a dolog. Érdekes tapasztalat volt, hogy hogyan lehet elkezdeni, felépíteni és éveken át működtetni egy ilyen projektet.

Kiviteleztetek együtt további ötleteket?

Mindannyian a Budapesti Műszaki és Gazdaságtudományi Egyetem Villamosmérnöki és informatikai karán kötöttünk ki, ahol az első évek nagyon húzósak voltak. Ötletek ugyan voltak, de a mai napig nem csináltunk semmit együtt. Én az egyetem mellett fejlesztőként elkezdtem bedolgozni egy webfejlesztő cégbe, de az nem volt egy szívderítő munka. Aztán kikötöttem egy csapatnál, akik egy brainstorming platformot fejlesztettek 2006 környékén. Ez egy olyan céges platform volt, ahova cégen belül ötleteket lehetett gyűjteni és együtt dolgozni rajtuk. HR vonalon próbáltuk meg eladni céges innováció és szervezetfejlesztés céljából. Bár jól indult, jött a válság és sehol sem volt pénz ilyesmire, így hamarosan bezártuk. Emlékszem, hogy nagyon presztízs titulusokat adtunk magunknak, én voltam a kutatás fejlesztési vezető, a másik srác a technológiai igazgató, habár rajtunk kívül nem volt több fejlesztő a cégben. 

A részterületek mindig is érdekeltek?

Mindig voltak niche érdeklődéseim, hobbijaim, amit az internet jól segített. Például 2005 körül a slam poetry kezdett el érdekelni, és elkezdtem anyagokat gyűjteni Amerikából. Vadásztam ezeket és rátaláltam hasonló emberekre, akikkel megalapítottuk a Slam Poetry Budapestet.  Mi csináltuk az első rendszeres klubot Budapesten 2008-ban. Bár néhány évvel később kiszálltam a szervezésből, jó látni, hogy manapság sok száz fős helyek telnek meg a slam poetry eseményekre.

Az egyetemen mi érdekelt leginkább?

 Ahogy haladtam előre a tanulmányaimban egyre specializáltabb és érdekesebb tantárgyaim lettek. Oda sodródtam a Média Oktató és Kutató Központ (BME MOKK) környékére, ahol megismertem Halácsy Pétert, Somlai-Fischer Szabolcsot, Bodó Balázst, Vályi Gábort, Babarczy Esztert. Bejártam órákra és eléggé behúzott a dolog amiatt, hogy nem csak technológiai szemlélettel álltak hozzá a digitális kultúrához és az internethez. Tudtam, hogy nem értek hozzá, de érdekelt és nagyon tetszett ahogyan a társadalomtudományi és informatikai kar között egyfajta hídat képeztek. Épp indult egy EU-s kutatási projektjük egy holland és egy finn egyetemmel együtt, ami egy P2P (fájlcsere) platformról fejlesztéséről szólt. Ebben vettem részt, és mivel pont mentem ki Erasmus ösztöndíjjal Finnországba így ott kint is tudtam rajta dolgozni. A MOKK-os időszak mind network, mind szakmai szempontból kinyitotta számomra a világot, amiért a mai napig hálás vagyok.

Az egyetemen ajánló rendszerekkel is foglalkoztam. 2006-ban indult a Netflix Prize, amikor a Netflix felajánlott 1 millió dollárt annak, aki 10%-kal megjavítja az ajánló rendszerét. Nyilván azt gondoltuk, hogy ki, ha mi nem, és belevágtunk 22 évesen. Volt egy pont, amikor kimértük az eredményt és aszerint 12%-kal megjavítottuk az ajánló rendszert. El is kezdtük elosztani a pénzt mivel többen dolgoztunk rajta amikor is a feltöltésnél kiderült, hogy nem, hogy javítottuk, hanem 8%-kal rontottuk is az eredményt. 

Ebből is rengeteget tanultunk, például a gépi tanulási algoritmusok visszaméréséről. Az adatos érdeklődésem folyamatosan alakult. Az Erasmus is azért lett Finnország, mert ott volt adatbányászati területen egy híres professzor, aki pont abban a félévben ugyan külföldön volt, de a doktoranduszaitól is rengeteget lehetett tanulni. Tikk Domonkos csinált szövegbányászatot ekkor már a BME-n és ott volt Gáspár Csaba, aki még doktoranduszként felkarolta az adatbányászati területet, és vele kezdtem el dolgozni a Dmlab-ban, ami félig egyetemi, félig üzleti adatelemzési projekteken dolgozó cégként működött. Nem voltam alapítója, de a második évben csatlakoztam. Aztán 2007-ben indult a Kitchen Budapest, a Magyar Telekom innovációs laborja, ahol ösztöndíjas lettem fél évre. Próbáltuk kitalálni, hogy hogyan is lehetne ezt jól csinálni, voltak Demo Day napok, akkor készült a ZUI prezentációs program, ami a Prezi elődje volt. Nagyon jó volt a közeg és a hangulat is. 

Milyen projekteket csináltatok a Kitchen Budapestben?

Volt egy adatvizualizációs projektünk, a Celebgráf, ami egy magyar hírportál, az Origó cikkeiben megjelenő személyek kapcsolatait ábrázolta hálózatos formában. Szövegelemzési módszerekkel azonosítottuk a cikkekben a személyeket, és a közöttük levő kapcsolatokat ábrázolni próbáltuk minél érthetőbb és látványosabb formában. Mivel az adathalmaz rengeteg cikket tartalmazott, nagy pontossággal tudtuk csoportosítani az egyes sportágak versenyzőit, vagy akár az egyes politikai pártok tagjait és szimpatizánsait is. Ezzel átfogó képet jelenítettünk meg a magyar és nemzetközi közélet szereplőiről.

Egy másik projektben mobiltelefonos gesztusfelismerést csináltunk. Akkor még nem jött ki az első iPhone, így klasszikus régi Nokia-s buta telefonon a gyorsulásmérő szenzor adataiból felismertük, hogy hogyan mozgatja az illető a telefonját és erre írtunk üzeneteket. Amikor például úgy lendítette meg valaki a karját a telefonnal, mintha sört inna, akkor írt a haveroknak egy smst, hogy „Este sör?”. Lehalkítani is lehetett a telefont egy kézmozdulattal. Itt azon dolgoztunk sokat, hogy a szenzor adatokból, hogyan lehet egy mozdulatot felismerni minél pontosabban.

Szintén 2007-ben megpróbáltuk feltérképezni, hogy mekkora lehet a magyar P2P jelenség, amiről írtunk egy Kitchen Budapest riportot Korsós Milánnal, Bodó Balázzsal, Halácsy Péterrel és Szalay Andrással. A riportban azt vizsgáltuk, hogy a hazai fájlcserélő hálózatokon mit, és miért lehet letölteni, valamint próbáltunk fogyasztási mintákat és viselkedéseket keresni. Néztük a legnagyobb hazai torrent trackerek és a legnagyobb hazai DC hubok forgalmát, illetve követtük a feltöltött fájlok életciklusát és a letöltési szokásokat. Az érdekelt minket, hogy mit cserélgetnek az emberek, hogy a kulturális ökoszisztéma hogyan működik a peer-to-peer hálózatokon keresztül a fájlmegosztások révén. 

Benne voltam még pár projektben, illetve az ösztöndíjas periódus után még egy évig vissza jártam oktatni. Elsősorban adatvizualizációs előadásokat tartottunk Papp Gáborral.  Én inkább alapelveket, elméleti részt tanítottam jó gyakorlatokkal, míg Gábor Processing-et oktatott. Később tanítottam a BME-n is, ahol volt egy választható Big Data tárgyam, amin volt amikor 80-an voltak, ami szabadon választható tárgy esetében kiugró szám. 4-5 évig ment, de 2018-ban befejeztük, mert már távolabb kerültünk a témától. 

 A Kitchen Budapest után hol folytattad? 

Amikor eljöttem, akkor volt egy döntési pont az életemben, hogy „ipar” vagy egyetem, és végül elkezdtem a doktori képzést a BME-n. A témám idősoros adatok elemzése volt, az érdekelt, hogy különböző szenzor adatokból mit lehet kihozni. Beletettem 3-4 évet úgy, hogy mellette folyamatosan projektek voltak, de közben sikerült mélységesen kiábrándulnom a kutatói létből. Talán az volt a legnagyobb kontraszt, amikor írtuk a cikkeket. Volt olyan, amit gyorsan megírt az ember, mert mondjuk el akar utazni egy nem túl komoly konferenciára Porto-ba, de volt olyan cikk is, amiben két év kemény munkája volt, és amit presztízs szakmai folyóiratban jelentettünk meg. Egy évvel később azt láttuk, hogy 120-an olvasták és három hivatkozás volt rá, miközben bármilyen projektben, startup-ban amiben benne voltam eközben arról beszélgettünk, hogy sok millió felhasználót hogyan fogunk tudni kiszolgálni. Úgy éreztem, hogy amit keresek szakmailag, az a hatás. Az érdekel, hogy hogyan tudok a legnagyobb hatással lenni dolgokra. Ez a kontraszt azt üzente, hogy nem a kutatói pályán van a helyem.

Ezt a döntésemet megerősítette egy prágai ösztöndíj is még a doktori képzés alatt. Az volt az elképzelésem, hogy szenzor adatokkal igazán érdekes dolgot például az agykutatásnál lehetne csinálni. Prágában volt egy neves orvos a csapatával, aki Parkinson-kóros betegeken csinált olyan műtéteket, ami során a betegség miatt inaktívvá váló agyi területre épített be elektródákat. Az elektromos agystimulációval ingerelte az inaktív területet, ezáltal csökkentette a betegség tüneteit. A műtét közben ahogy az elektródákat elhelyezte az agyban, azok végig adatokat generáltak és rögzítettek. A tudomány nevében több pácienssel kutatásokat is végeztek. Képeket mutattak például az alanynak, és közben nézték, hogy hogyan reagálnak az elektródákkal ellátott agyi területek. Tonnaszámra voltak ott ilyen agyi szenzor adatok pár tucat pácienstől. Kitaláltam, hogy kimegyek és megértjük az agy működését a fél éves ösztöndíjam alatt. Ahogy ebből látszik is, ambícióval soha nem volt gond egész életemben. Lement a fél év és úgy éreztem, hogy kellene még 20-30 év ahhoz, hogy egyáltalán megértsem, hogy a mellettem ülő ember mit csinál. Ez egy újabb tőrdöfés volt a kutatói pályámnak. Én nem akartam ennyi időt várni, hogy valami nagy dolgot hozhassak létre.

Dolgoztál a doktori képzés mellett?

Sokat dolgoztam. Igaz volt rám mindig, hogy iszonyatosan nehezen mondok nemet. Ami érdekesnek látszott, abba szívesen ugrottam bele. Megtaláltak a Secret Sauce Partners (SSP) nevű cégtől, amit egy magyar származású amerikai üzletember hozott létre. Korábban Amerikában alapított cégeket, de úgy döntött, hogy a következőt Magyarországon fogja létrehozni. Megtetszett a cég modellje, ugyanis az elején nem döntötték el, hogy mi legyen a termék. Volt pár nagyobb tématerület, például adatvédelem, utazás, öltözködés. Azt mondták, hogy tudományos alapon próbálnak olyan területeket keresni, ahol kiszolgálatlan igények vannak. Rendkívül komplex kérdőívezéseket csináltak, illetve protoípusokat hoztak létre az adott területekre, és megnézték, hogy melyik kezd el beindulni. Amikor megkerestek, akkor már látszott, hogy kettő a három témából adatos. Így a doktori mellett részmunkaidőben elkezdtem velük dolgozni. 

Melyik terület lett a nyertes?

Az online ruha rendelés nyert. Ott találtak egy olyan problémát, miszerint a legnagyobb visszatartó erő az online ruha rendelésben az, hogy nem tudod, hogy jó lesz-e a méret. Ezt az is bonyolította, hogy mondjuk a H&M 6-os ruha nem egyezik meg a C&A 6-ossal. Ezeket az eltéréseket van, aki tudja, de sokan nem. Olyan márkáknál amiket nem ismersz, nem mersz vásárolni emiatt. Ezen a területen rengeteg tanuló adat is rendelkezésre állt, hiszen nagyon sokan visszaküldték a rendelt termékeket a nem jó méret indoklásokkal, és persze volt adat arra, hogy kinek, mi volt a jó méret. Elkezdtünk algoritmust fejleszteni arra, hogy hogyan találjuk meg az „elcsúszásokat” a márkák méretezése között. A mai napig ez egy sikeres cég, itt van Budapesten, 30-40 munkatárssal és építik ezt a relatíve specializált terméket, ami a világ legnagyobb brandjeinek a honlapján egy beépülő méretajánló modul.

Azóta már csináltak vizuális stílus ajánlót is. A „Fit Predictor” első algoritmusát még én fejlesztettem és az SSP-ben töltött időszakból rengeteget tanultam. Eleve az a szemlélet, hogy hogyan találjuk meg a piaci lehetőségeket, hogy utána hogyan fejlesszünk terméket, és hogyan tanuljunk a visszajelzésekből meghatározó volt számomra. Itt gyakorlatilag végig csináltunk egy termékfejlesztést, amiben az elejétől benne voltam onnantól kezdve, hogy az első márkától megkaptuk az adatot, egészen addig amíg már kint voltunk néhány márka honlapján tesztüzemben. 

A cégvezetésről, a startup szemléletről Piroska Zolitól, a cég alapítójától rengeteget tanultam ezalatt. Érdekes volt tőle látni eleve azt a gondolkodást, hogy ő nem a magyar cégekre, vagy a networkjében lévő cégekre koncentrál, hanem a piac legnagyobb cégeit célozza meg. Odament például demozni a világ egyik legnagyobb ruhamárka cégéhez úgy, hogy termék még nem is létezett, de csináltunk egy kamu demot. Lemásoltuk a cég weboldalát és fixen beleégettünk méret ajánlásokat. Azzal kezdte a megbeszélést, hogy ledemózta a módosított weboldalt, és azt mondta, hogy ezt pár hónapon belül élesbe tudjuk nekik állítani. Mindenki leesett a székről és azt mondták, hogy jó.

Hogy indult  a saját céged eközben?

Az egyetemi projektekben egyre többször kaptunk olyan méretű adatokat amivel egy közepes egyetemi laptop már nem tudott megbirkózni. Többször volt olyan pont, hogy az adat a vinyóra sem fért rá, nem hogy elemezni tudtuk volna. Olvasgattunk technológiai lehetőségekről, és akkor indult a Hadoop Big Data rendszer fejlesztése.

Az egyik konzultált hallgatóm öt elfekvő gépet hálózatba kötve egy elosztott rendszert létrehozva elkezdett foglalkozni a Hadooppal. Elkezdtünk játszani vele és azt tapasztaltuk, hogy izgalmas, de nagyon nehéz használni, és hogy mérnökként is csak vért izzadva tudunk lefuttatni egy egyszerű elemzést. Közben ahhoz voltunk szokva, hogy adatelemzéshez vannak vizuális eszközök, ahol grafikonokat csinálsz, akár drag and drop módon gépi tanulási modellt használsz, és minden ott van a kezed alatt.  Nagyon logikusnak tűnt, hogy erre is kell, hogy legyen, ezért elkezdtük keresni, hogy létezik-e ilyen szoftver, ami ráül erre az elosztott rendszerre és egy vizuális elemző felületet ad felette. Mivel nem találtunk, diploma téma pedig kellett, abban maradtunk a hallgatómmal, Makrai Gáborral, hogy csinál egyet, amit 2010-ben el is kezdett fejleszteni. A jobb diplomamunkákból mindig írtunk cikkeket, ebből is lett, illetve elvittük egy konferenciára bemutatni.

Milyen visszajelzések érkeztek a konferencián?

Rendkívül nagy pofára esés lett. Én adtam elő az akadémiai professzorok előtt és már a kérdéseikből lejött az előadás után, hogy számukra ebben nincs innováció, mert nincs benne egyetlen képlet sem. Nem viszi előre a tudományt, csupán van két dolog, amit összekötöttünk. 

A konferencia Dortmundban volt és a szünetben odajött hozzám az Ericssontól egy német szakember, hogy ez mennyire izgalmas, mert ők is most kísérleteznek a rendszerrel és vannak problémák, megkérdezte, hogy ki lehet-e próbálni a felületünket? A következő szünetben jött egy másik konferencia résztvevő hasonló kéréssel. Ekkor jöttem rá, hogy ugyan ebből PhD-m nem lesz és tudományosan senki sem fogja értékelni, de üzleti lehetőség van benne. Marketinghez és kommunikációhoz nem értve csináltunk egy landing page-t, ahol leírtuk, hogy mi ez, és adtunk lehetőséget az érdeklődőknek az e-mail címük megadására. Két hónap alatt 3000 e-mail címet gyűjtöttünk össze. Kiderült, hogy elég nagy az érdeklődés, pont jókor, és jó helyen voltunk, mert ekkor robbant be a Hadoop és a big data. Ha visszanézzük a Google Trends kereséseit akkor indult a nagy érdeklődés, és akkor zuhant vissza, amikor eladtuk a céget. Az időzítés tökéletes volt. Tudtuk, hogy ketten kevesek leszünk, ezért behúztunk még mérnököket és 2011 végén megalapítottuk hatan a céget Radoop néven. 

Mivel foglalkoztatok a kezdetekben?

Folyamatosan fejlesztettük a termékünket, de látszódott, hogy egy ilyen kiforratlan piacon még kevesen akarnak szoftvert venni, ezért elkezdtünk tanácsadással is foglalkozni. Értettünk a Hadoophoz, hiszen sokat foglalkoztunk vele, és azok a cégek, akik kezdtek bevezetni big data rendszereket gyakran fordultak hozzánk. Így kerültünk a Prezihez, a Ustreamhez és más európai cégekhez. Nagyon sokszor tanácsadás és oktatás volt a feladatunk, idővel pedig beérett, hogy elkezdtek szoftver licence-ket is vásárolni a különböző cégek. 

Az teljesen evidens volt, hogy ennek Magyarországon a piaca akkoriban a Prezi és a Ustream. A Magyar Telekom éppen az első tesztrendszerét állította fel, nagyon korai fázisban volt mindenki, miközben Amerikában és Nyugat-Európában kezdett beindulni. Próbáltunk felvenni sales tanácsadót, marketingest, de a magyar piacon nem találtam olyan szakembert, akinek nemzetközi tapasztalata volt. Rájöttünk, hogy ezt nagyon nehéz itthonról csinálni. Aztán jött még egy mélypont. Makrai Gábor – akivel elkezdtem – nem látta a potenciált a dologban. Egy adott ponton döntenünk kellett, hogy két év után lehúzzuk a rolót vagy megyünk tovább. Gábor kivált, mi pedig öten tovább vittük a céget, szereztünk projekteket, hogy legyen alap finanszírozásunk. Azt viszont hamar láttuk, hogy ezt úgy lehetne jól csinálni, ha valaki ott lenne Amerikában vagy Londonban és sales-marketinges szemlélettel vinné. Nekem volt affinitásom arra leginkább, hogy ebbe belerázódjak, jártam konferenciákra, próbáltam találkozókat szervezni.

Azonban az is egyértelmű volt, hogy ez önerőből nem fog menni. Elkezdtünk befektetőkkel beszélgetni. Ez volt a JEREMIE alap programjainak az időszaka, amikor rengeteg bankár-befektető jelent meg a magyar piacon EU-s pénzzel, és rendkívül rossz feltételeket támasztottak, emiatt végül nem vágtunk bele. Külföldi befektetők is furán néztek ránk, de mivel nagyon ment a terület, volt némi nyitottság. Nagyon előrehaladott tárgyalásokig azonban ott sem jutottunk, ami amiatt is volt, mert egyikünkben sem volt meg a szándék, hogy kiköltözzön.

Prekopcsák Zoltán, Craft Conference, Budapest, 2018
Prekopcsák Zoltán, Craft Conference, Budapest, 2018.

Senki sem érdeklődött később sem irántatok?

A RapidMiner nevű cég –  akikkel szorosan integrálva volt a szoftverünk – elkezdett érdeklődni és ajánlatot is tettek. Azonban a 3 év beletett munka után alacsonynak tűnt az összeg és nemet mondtunk, ami nagyon ijesztő is volt egyben, hiszen végre valaki jelentős összeget kínált azért amit csináltunk. Nyomtuk tovább és közben a RapidMiner kapott egy 5 millió dolláros befektetést, ami akkor ezen a területen még nagynak számított. Pár hónap múlva újra bejelentkeztek. Közben nekünk is jobb lett a helyzetünk, mert sikerült Spanyolországban, Indiában és a nagyobb big data gócpontokban megvetni a lábunkat távolról is. Miközben azt gondoltuk, hogy mindenképp oda kell menni tárgyalni az eladáshoz, addig az első nagyobb szoftver eladás egy e-mail megkereséssel indult és pár nap alatt lezajlott. Megmondtuk az árat, majd kérte a vevő a szerződést, még tesztelni sem akarta, meg akarta venni. Így már nem csak érdekes technológiánk volt, hanem ügyfeleink, bevételünk, ami egyből izgalmasabb volt a RapidMinernek is. 2014-ben, egy évvel később hatszoros árat kaptunk a cégért a korábbi ajánlatukhoz képest. Eladtuk a céget és csatlakoztunk a RapidMinerhez. Eleinte a magyar csapatot vezettem, aztán a magyar és német fejlesztő irodát. Ezután lettek további kis magyar startup sikertörténetek is. Például a hozzánk hasonlóan big data területtel foglalkozó SequenceIQ, vagy Orosz Bálinték akiket a Skyscanner vett meg. Idővel lehetett látni, hogy vannak jó magyar befektetők is, akiknek vannak sikeres exitjei, de erről akkor mi már lecsúsztunk.

Ma már látom, hogy mennyire amatőrök voltunk az elején, és mekkora óriási mázlink volt, hogy ebből egyáltalán lett valami. Akkor 2-3 év alatt a tízszeresére nőtt a big data érdeklődés, amire nekünk volt egy kész megoldásunk, egy első termékünk egy robbanó piacon. Ha tapasztaltabbak lettünk volna, akkor biztos többet kihozunk belőle, de így is elégedett vagyok vele. Ez volt a tanulópénz.

Változott az, hogy nehezen mondasz nemet?

Ebben továbbra sem vagyok jó. Ha kapok három érdekes lehetőséget akkor nem az a megoldásom, hogy ebből kettőt választok, hanem hogy többet dolgozom, hogy beleférjen mind a három. Amióta családom és gyerekeim vannak azóta a feleségem segítségével ezt igyekszem kontroll alatt tartani.  Ezt nem oldottam meg teljesen, csak az időm lett kevesebb.

Meddig maradtál a RapidMinernél?

5 évig maradtam. A budapesti iroda eközben 5 főről 25-re nőtt, az én szerepem is változott, és fokozatosan csúsztam bele a komolyabb menedzsment feladatokba. Bostonba és Németországba utaztam sokat, a befektetőkkel is gyakran egyeztettem. Abból, hogy egy befektető mit kérdez egy negyedéves board meeting-en szemléletet és fókuszálást tanultam, mert az ember nagyon szét tud forgácsolódni, főleg egy saját cégben. Úgy éreztem, hogy  kétévente változás kell, ami egy ideig az volt, hogy nőttem bele az egyre nagyobb szerepekbe, aztán cégen belül kicsit mást kezdtem csinálni. Nem csak a fejlesztői rész érdekelt, hanem az egész cégépítés. Elindítottunk egy growth – hogyan tudunk növekedni – és egy data science csapatot cégen belül, ami sokkal kisebb csapat volt, újra elkezdtem adatot elemezni. Ez másfél évig tartott és sikerült olyan impulzusokat adni a cégnek, ami gyorsította a növekedést.

Négy évig csináltam a saját céget, öt évig dolgoztam a RapidMinerben, aztán úgy éreztem, hogy ideje húzni egy vonalat. 2019 márciusában léptem ki, és egy nagyon jó helyzetben sikerült ott hagynom a céget. Arra gondoltam, hogy fél évig pihenek, inspirálódok, utazunk a családdal. Egy héttel később azonban felhívtak a Prezitől, hogy van egy adatelemző vezetői pozíció és hogy érdekelne-e. Először nemet mondtam, mert pihenni szerettem volna. Azonban mivel úgy éreztem nagyon rám van szabva a pozíció, nem hagyott nyugodni a dolog és elkezdtünk beszélgetni.

 

Belevágtál?

Az adatok és a termék cégek mindig is érdekeltek, soha nem akartam projekt cégeket vagy tanácsadást csinálni hosszútávon. Olyan termékek érdekeltek, ahol sok felhasználó van, sok az adat és érdekes dolgokat lehet találni benne. Budapesten ilyen vezetői szerep szinte csak a Prezinél van, így nem lehetett nemet mondanom. Egy 10 fős – részben San Franciscó-i és részben  budapesti data science és analytics csapatot vezetek. Kvantitatív elemzéseket csinálunk és minden adat átfut a kezünk alatt. Van egy komplex data pipeline-unk, amin különböző elemzések napi szinten lefutnak. Ez naprakész marketing, termék és pénzügyi adatokat jelent. 

A Prezi Halácsy Péter háttere és elvei miatt mindig is adatvezérelt cég volt. Az egész cégben nagyon erős az affinitás arra, hogy adatokat elemezzenek, ami nagyon sokszor önkiszolgáló módon történik. Most is több mint száz felhasználója van az adatoknak cégen belül. Van rengeteg dashboard, bárki önállóan összerakhat újakat, és van egy adattárház, ahol a fontosabb táblákat és adatokat bárki megtalálja. Sokan azt gondolják, hogy minden cég így működik, de ez az adatvezérelt működés nem annyira tipikus. Ez a szemlélet, hogy bármilyen részlegben egy döntés előtt adatokat kell nézni, a legtöbb helyen nincs így. A Preziben viszont igen, és ez nagyon vonzó volt. Az önkiszolgáló működésnek köszönhetően pedig az elemző csapatom a nagyobb összefüggéseket keresheti és nem a pontszerű kérdéseket válaszolja meg.

A Prezinél az is izgalmas számomra, ahogyan egy egy termékes cégből többtermékes céggé válik. Pár évvel ezelőtt megvették az Infogr.am nevű lett céget, akik infografikákat csináltak. A Prezi Videóval pedig már három különböző termék van a portfólióban, amiben adatelemzésileg az is érdekes, hogy a termékek hogyan hatnak egymásra. 

Ezen túl a Prezi céges kultúrája és társadalmi felelősségvállalása pedig mindig is nagyon vonzó volt számomra. Van bennem egy vágy, hogy kicsit viszonozzam azt, amit a Prezi tett a hazai ökoszisztémáért, amit adott a városnak és az országnak. Eddig is csupa jó helyen dolgoztam, de amikor bemész a Prezibe, azt látod, hogy csupa okos ember van ott jó szándékkal, akik az egót kint hagyják a küszöbön, és ez nagyon felszabadító. Ilyen kultúrájú céget nem könnyű létrehozni, de a Prezinek sikerült.

Saját cég alapításában gondolkozol? Hogy állsz az ötletekkel?

Mindig motoszkál bennem a saját cégalapítás gondolata, mert nagyon élveztem az alapítói szerepet. Azonban míg régen volt egy ötletem és beleugrottam, azóta láttam jó pár céget megtorpanni, vagy rossz periódusba jutni, és elkezdtem sokkal kritikusabb lenni az ötlekkel kapcsolatban. Mindig azt keresem a termékötletekben, hogy mi garantálja azt benne, hogy nem fog  megtorpanni 100, 1000, vagy 10000 ügyfélnél. Sokszor az a probléma, hogy a termék nem tudja megtartani az ügyfeleket, mindig van egy lemorzsolódás, amit pótolni kell, és emiatt a cég növekedése lelassul és végül megáll. Keresem, hogy hol vannak azok a kulcspontok egy ötletben, egy termékben, egy cégben, amelyek garantálni tudják, hogy ez a lassulás ne jöjjön el, vagy minél később következzen be. Vannak konkrét ötleteim, de látom, hogy miért torpannának meg túl korán. Egy része olyan, hogy ha az ember belevág, akkor valószínűleg ki tudja találni, hogy hogyan lehet mégis tovább lökni egy következő szintre, de most nem látom azt a potenciált, ami miatt nagyobb történet lehetne ezekből. Nulláról felépítettünk és eladtunk egy 6 fős sikeres termékcéget, és legközelebb szeretnék ennél legalább egy nagyságrenddel nagyobb dolgot építeni. Azonban a mostani konkrétabb ötleteimben még a 20-30 fős potenciált sem feltétlenül látom.

Mesterséges intelligencia, gépi tanulás, mit prognosztizálsz?

Minél inkább benne van valaki a mesterséges intelligencia, gépi tanulás területében, annál inkább szkeptikus, hogy ez hova vezet. Ha megkérdezed az utca emberét, hogy önvezető autók mikor lesznek, akkor azt mondja, hogy jövőre. Ha megkérdezel egy szakembert, akkor azt mondja, hogy még minimum 20 év. Nyilván ebben benne van az Elon Musk hype-ja.

Azt látom, hogy miben volt eddig sikeres a gépi tanulás. A mesterséges intelligencia a játékokban már megveri az embert, pontosan ismer fel képeken dolgokat, akár hamis képeket és videókat generál. Ezek lenyűgözőek, de amit nem feltétlenül látnak sokan, hogy ennél miért sokkal nehezebb probléma a logikai érvelés, vagy a váratlan események kezelése. Egy ilyen algoritmus működik a dolgok 90%-án, de lehet, hogy pont az a 10% lenne az igazán fontos, amire még ötlet sincs, hogy hogyan fog működni. Ez az utolsó 10%  egy nagyon nehéz feladat. Abban hiszek, hogy egy önvezető autó az esetek 99%-ban jó döntést hoz, de abban az 1%-ban viszont potenciálisan nagyon rosszat. Tartom magamat annyira figyelmes, jó vezetőnek, hogy nálam a rossz döntés aránya kisebb. Ezt a pontosságot az algoritmusokban nagyon nehéz még feljebb tolni. Amikor eljutsz oda az algoritmusok pontosságával hogy már 90% felett vagy, akkor általában valami rendkívüli új megközelítésre van szükség, hogy tovább tudjál lépni.

Lehet, hogy nem is az a fontos, hogy ezeket a komplex döntési problémákat megoldjuk, mert ebben az emberek is viszonylag jók, hanem inkább az a fontos, hogy az apró, nem annyira kritikus döntéseket tudjuk automatizálni. Például a tőzsdén már rég nem emberek kereskednek, hanem robotok. A több millió döntést robotok hozzák emberek helyett, sokszor még jobb döntéseket is hozva, a szubjektivitást kizárva. Egy több millió felhasználónak kimenő hírlevél ajánlatot egy ember nem tud egyesével beállítani, hiába lennének jó ötletei, nem skálázható és nem is éri meg. Ezeket az apró és viszonylag kockázatmentes döntéseket automatizálni már ma is jó a technológia.

Egy komplex orvosi diagnózis és kezelési terv esetén viszont nem reális cél az, hogy a döntést egy gép hozza meg. Fontos, hogy támogassa a döntéshozó embert információkkal, statisztikákkal, de az ennyire komplex, nagyon összefüggő döntéseket nem tudjuk még automatizálni. Viszont az, hogy precízebbek legyenek a gyógyszeradagolások ha már egészségügy a példa fontos lenne, hogy mérjünk vissza a hatást. Miért azonos mennyiségű kapszulát vesz be egy 60 és egy 100 kg-os ember?

Rengeteg lehetőség van a területen ezekben a kis döntésekben, de a komplex átfogó döntéseket amin életek múlnak, azt ne akarjuk még a mesterséges intelligenciára bízni. Lehet, hogy oda is eljutunk egyszer, de ezt nem tartom annyira fontosnak. Amiről a szóbeszéd van, azok ezek a Szent Grál típusú problémák, amelyek károsak a területnek. Minden évben megígérjük, hogy jövőre lesz önvezető autó, ami már öt éve nem teljesül. Ebből az lesz, hogy a hype hullámban megint lemegyünk mélyre, ami következtében mindenki pesszimistává válik. Hogy ebben hol és milyen szerepem lehet a jövőben, azon sokat gondolkozom. 

A kutatás az NKA támogatásával valósult meg.

Megosztom

Comments are closed.