„No risk, no fun.”

Seres Szilvia beszélgetése Tikk Domonkossal a Gravity Research & Development Zrt. egyik alapítójával és CEO-jával.

A Budapesti Műszaki és Gazdaságtudományi Egyetemen végeztél?

Nem, mert nem vagyok az a mérnök típus. Túl sok olyan tárgy volt a curriculumban, ami kevésbé érdekelt. A Budapesti Fazekas Mihály Gimnáziumba jártam, de nem a spec. mat. osztályba. De azért matematika példamegoldásokkal szívesen foglalkoztam a szabadidőmben. Három opció volt számomra a gimnázium után, az egyik volt, hogy matematikus szakra menjek, amiről azt gondoltam, hogy ahhoz nem vagyok annyira erős, a másik a közgazdász, illetve a programozó-matematikus. Végül az ELTE TTK-ra mentem az utóbbit választva. Ez nagyon átfogó oktatást adott a 90-es évek elején, amit szerettem és főleg a matek részét élveztem. Nyolc félévet tanultunk például analízist, ami szórta is a társaságot rendesen. Ugyan programoztam az egyetem öt éve alatt – 3+2 éves volt a képzés –, és a szakdolgozataim része volt a programozás, de mégsem ebben láttam az életem értelmét. Inkább szerettem algoritmusokat kitalálni és írni, hogy valamilyen szempontból optimális megoldást találjak az adott feladatra.

A BME-re egy jó barátom javaslatára jelentkeztem a doktori képzésre, aki már doktorandusz volt ott. Dr. Kóczy László professzor lett a konzulensem 1995-ben, aki a fuzzy rendszerek területének nemzetközileg elismert szakembere. Végigcsináltam a doktori képzést, és 2000 elején doktoráltam le ebből a témából, majd utána posztdoktori ösztöndíjakkal mászkáltam mindenfelé.

Több adatos területű beszélgetésben említették korábbi beszélgető partnereim, hogy ugyan elkezdték, de soha nem fejezték be a doktorijukat.

Magyarországon jellemző különösen a fiatalok között, hogy sokukat elviszi az ipar, pláne, ha mérnöki vagy menedzserszemléletűek. Egy doktori befejezésében az a legnehezebb, hogy nincs semmilyen kényszerítő erő, külső nyomás azonkívül, hogy ketyeg az idő. Ha az embernek rengeteg más dolga is van mellette, akkor nem csinálja meg. Nekem is volt más dolgom, de én szeretem befejezni a dolgokat.

Hol voltál posztdoktori ösztöndíjas? Mi volt a legfontosabb ezekben a lehetőségekben?

Mindegyiknek volt szakmailag előremutató része, és azt is megismertem, hogy hogyan működik külföldön egy egyetem. Az első két posztdoktori ösztöndíjamnál a professzorok nem voltak túlontúl erősek, de hagyták, hogy azzal foglalkozzak, amivel szeretnék, ha cserébe írok cikkeket, így írtam. Emellett ezek az ösztöndíjak tudományos-szocializációs szempontból is érdekesek voltak; új és merőben eltérő környezetben kellett érvényesülnöm mint Magyarországon, illetve alapvetően más kultúrákat ismertem meg.

Először 2000-ben Perthbe, Ausztráliába kerültem ki egy ottani professzorhoz fuzzy témában.  Voltam Dél-Koreában is, ahol egy olyan professzorhoz kerültem, aki csak érintőlegesen foglalkozott a fuzzy témával. Akkor kitaláltam, hogy a témáink metszete a szövegbányászat lesz, azon belül szövegosztályozással kezdtem foglalkozni. Szövegekkel korábban is dolgoztam, egyetem előtt és alatt műszaki szerkesztést csináltam a TeX nevű szövegszedő programmal, amit még Donald E. Knuth csinált a 80-as évek közepén. Az igényes tudományos kiadványok még a mai napig is ezzel készülnek. A TeX egy képletek szedésére specializált programnyelv, amiben a képleteket parancsokkal kell megkonstruálni, illetve a szöveget bevinni, mint egy programkódot le kell fordíttatni az interpreterrel, aminek a kimenete a formázott szöveg lett, például PDF-ben. A Typotex Kiadónál – ahol a könyveim is megjelentek később –   dolgoztam is külsősként 18 évesen koromtól mint TeX szakértő.

Tikk Domonkos

Amikor visszajöttél a posztdoktori ösztöndíjak után, akkor maradtál a BME-n?

Tudományos segédmunkatárs, majd tudományos munkatárs lettem, és főleg projekteket vezettem. Részt vettem például a Magyar Telekom és a BME által közösen alapított Média Oktatási és Kutató Központ (MOKK) K+F-projektjében, a Szavak hálójában. Ebben a MOKK részéről Halácsy Péter és Szakadát István vett részt, Kardkovács Zsolt, Magyar Gábor és jómagam képviseltük a BME-t a Távközlési és Médiainformatikai Tanszékről (TMIT). A projektvezetés mellett volt időm még a saját kutatási területemmel is foglalkozni. A 2000 évek közepén pedig elkezdtünk nemzetközi adatbányászati versenyeken indulni.

Mikor volt az első? Milyen eredményt értetek el?

2005-ben volt az első, a 2005-ös KDD-kupa (Knowledge Discovery and Data Mining), az egyik legmenőbb adatos konferenciának, az ACM KDD-nek a háziversenye, amin Kardkovács Zsolttal és néhány ifjú titánnal másodikok lettünk. Internetes keresőkifejezések osztályozása volt a feladat, tehát jól illeszkedett a szövegosztályozási témámhoz. Ezeken a versenyeken általában megadtak egy adathalmazt (ún. tanítóhalmaz), egy predikciós feladatot, és ezután gépi tanulási módszerekkel kellett ezt a feladatot, azaz egy teszthalmazon a predikciót megadni, amit valamilyen kiértékelés alapján rangsorolni tudtak. A konkrét feladatban a keresőkifejezéseket kellett tematikus osztályokba sorolni, azaz osztálycímkét rendelni hozzájuk; ez egyfajta előfeldolgozása lehet a keresőkifejezések feldolgozásának. Például, ha rákeresel arra, hogy Java, akkor nemcsak a programnyelvre, hanem a szigetre, a kávéra is lehet asszociálni. Ez egy többcímkés osztályozási feladat volt tehát, amire nekem volt egy osztályozóalgoritmusom, amire nagyon büszke voltam. Multikategóriás osztályozást tudott csinálni, azon lefuttattuk, mellé raktunk még néhány algoritmust, kombináltuk őket, és elég jó eredményt kaptunk. Kimentem Chicagóba a KDD konferenciára, ahol 35 évesen azt gondoltam, hogy ez lesz a karrierem csúcsa: ezer ember előtt a plenáris szekcióban mutattam be, hogy hogyan oldottuk meg a feladatot. Azóta tudom, hogy ez a világ jobbulására nem nagyon ható eredmény volt, de viszont segített rájönnünk, hogy innen Magyarországról is lehet világszínvonalú eredményeket elérni.

Mi miatt hiszünk mi magyarok magunkban kevésbé?

Magyarországon nagyon ritka, hogy egy MSc. diplomatervből tudományos publikáció készül, mert a léc alacsonyan van, illetve nagyon sokan magyarul írják. Talán emiatt merünk „kicsinek” lenni. Másutt láttam, hogy ez csak szimpla kishitűség vagy esetleg lustaság. Az informatikai terület nem túl erőforrásigényes például az orvosi kutatáshoz képest, ha az embernek van egy laptopja és esetleg néhány szerver, akkor azon elketyeg szinte minden. Egy magyar MSc. dolgozattal is ki lehet menni egy top konferenciára. Az oktatónak elsősorban az a feladata, hogy jó témát találjon, azaz képben legyen, hogy mely témák kurrensek és fontosak. A hallgatónak pedig az, hogy a feladatot megoldja, és megírja a dolgozatot angolul egy elfogadható szinten, amiben az oktatónak szintén fontos szerepe van. A másik, hogy Magyarországról kevesen publikálnak komolyan jegyzett fórumokon, itt olyan adatbányászati konferenciákra gondolok mint a KDD, a SIGIR, a CIKM, vagy a mostani közvetlen területemen a RecSys.

Mi volt a következő verseny, amin indultatok?

2006-ban is indultunk a KDD-kupán. Akkoriban ugyanis még nagyon kevés ilyen adatbányász verseny volt; nem úgy mint ma, hogy a Kaggle-re egész komoly pénzdíjakkal tesznek már fel cégek és intézmények feladatokat. A dicsőséghez olykor néhány ezer, vagy akár tízezer dollár is járhat. A 2006-os KDD kupának három alpontja volt, amiből egyet megnyertünk, egy másikban pedig harmadikok lettünk. A feladat háromdimenziós tüdőröntgen pixelek, úgynevezett voxelek adatai alapján a páciensek tüdőembólia betegségre való osztályozása volt, vagyis annak megbecslése, hogy a tüdő mely voxelei utalnak arra, hogy ott tüdőembólia alakulhatott ki. Ez az előszűrés nagy segítség a radiológusoknak, mert az erőforrás kevés, sokkal olcsóbb automatizáltan végigfuttatni, és csak az igazán gyanús eseteket ellenőriztetni a radiológus szakértővel. Ezután is indultunk még hasonló versenyeken, de a legfontosabb a 2006 őszén indult Netflix verseny volt számunkra.

Ahol nyertetek holtversenyben.

Az  eddigiekkel ellentétben – ahol egy-másfél hónap állt az indulók rendelkezésére a feladatmegoldásra –, ebből egy sokkal hosszabb verseny lett. Részben az egymillió dolláros fődíj miatt, illetve eléggé ambiciózus célt tűztek ki a szervezők: a saját ajánlórendszerük 10%-os javításával. A fődíj miatt is mintegy 40,000 csapat vett részt a versenyen. Az első év alatt a top versenyzők  a javítás 8,5%-ig jutottak el. Volt egy ranglista, ahol napi szinten lehetett látni, hogy ki, hol áll. Ezt vezettük 2007 januártól májusig, aztán egyre nehezebb lett javításokat elérni. 2007 októberében még sikerült visszaszerezni a vezető pozíciót. A végén, 2009-ben még volt egy nagy neki durálása a Gravity névre keresztelt csapatunknak, amikor kialakítottunk egy kollaboratív platformot a csapatok egyesítésére. Mindenkinek érdeke volt, hogy inkább egyesüljön két csapat, és ne egy harmadik vigye el a fődíjat. Így alakult ki a verseny végére két nagyobb csoport a top 10-15 versenyzőből, amiből mi vezettük az egyiket. A végén ez a két csapat négy tizedesjegyre azonos eredményt ért el. A holtverseny „célfotóval” dőlt el, az alapján, hogy ki mikor adta be a legjobb megoldását. A másik csapat 20 perccel megelőzött minket és így nyertek.

Ez mennyire változtatta meg az életeteket?

Alapvetően. Egy átlagos, alig ismert közép-európai kutató pozíciójából hirtelen viszonylag ismert lettem a szakmán belül. Már a verseny alatt elkezdtem foglalkozni az ajánlórendszerek témával tudományos szempontból is, hiszen a versenyre új algoritmusokat találtunk ki és kódoltunk le, ezek egyben új tudományos eredmények is voltak, és komoly érdeklődésre tartottak számot a verseny miatt is. A három doktorandusz Gravity csapattagból kettő le is doktorált, sőt az egyik az ajánlórendszeres témából írta a dolgozatát. Megalapítottuk a Gravity R&D-t, amit most is vezetek. Hárman még most is itt dolgozunk az alapítók közül vezető pozíciókban.

Mekkora publicitást kaptatok?

A Netflix versenynek nagy volt a publicitása, főleg Amerikában. Velem két interjú jelent meg a New York Times-ban 2007-ben és 2009-ben, és az Index is írt rólunk itthon, ami után megkeresett minket egy hazai stratégiai befektetőcsoport, akik a saját termékükbe akarták integrálni a megoldásunkat. Meg akarták venni a céget, amire dőre fejjel nem azt mondtuk, hogy kérünk egy milliárd forintot és viheted, mert az agyunk nem ezen a vágányon futott, mi befektetést akartunk szerezni. Velük nagyon gyorsan meg is tudtunk állapodni. Nagyon hasznos tudás ma már nekem, hogy ha jó a projekt, versenyezni fognak érted a befektetők, hiszen rengeteg pénz van a világban, ami keresi a helyét. Az első befektetés után kezdtünk el cégként működni 10-15 emberrel.

De már korábban, 2008-tól kerestük a hasznosítási lehetőségeket. Indultunk például a ValDeal Innovációs Zrt. projektversenyén 2008-ban. Ők a 2000-es évek második felében viszonylag aktívak voltak a magyar piacon. Az IT kategóriában mi lettünk a legjobbak, és cserébe megpróbáltak befektetőt felhajtani nekünk. Így  2008 végétől 2009 közepéig többször is prezentáltuk a projektet hazai és nemzetközi befektetők előtt, de rettenetesen rossz feltételekkel adtak volna pénzt, amit nem fogadtunk el. A befektetési tőke a legdrágább tőke. De „no risk, no fun”.

Gravity R&D menedzsment: Urbancsek Tamás, Pilászy István, Tikk Domonkos, Csíkos A. Péter, Németh Bottyán, Petres Zoltán, 2010

Az alapításától vezeted a céget?

Nem, mert volt egy apró csavar még a történetben. 2008-ban kaptam egy Humboldt ösztöndíjat Berlinbe.  A Humboldt Egyetemre mentem – Németország egyik legjobb, legelismertebb egyeteme – egy szövegbányászattal foglalkozó ismertebb professzorhoz, ahol is megtapasztalhattam azt, hogy hogyan működik egy ideális egyetem. Kellett ezért egy CEO, aki egy ValDealtől jött üzletember lett. 2012 februárban leváltottuk, és azóta ismét én vezetem a céget.

Hogyan működik egy ideális egyetem?

A doktoranduszokat nem úgy veszik fel, hogy van valahány doktorandusz hallgatói helyünk, azaz ennyi hallgatót veszünk fel. Kint először is pályáznak egy német, EU-s, vagy más kutatásfinanszírozóhoz egy olyan témával, amiben a professzor erős, és amihez fiatal munkatársakat keres a kutatás véghezviteléhez. Ha megnyerik, akkor időben meghirdetik a pozíciókat, és felveszik a doktoranduszokat rá, ami doktoranduszi állást jelent néhány ezer eurós fizetéssel, ami ugyan nem éri el egy szoftverfejlesztő ipari fizetési szintjét, de bőven meg lehet élni belőle.

A jelentkezők komoly kiválasztási folyamaton mennek át. A berlini csoportunkban volt olyan pozíció, ahova 80-an jelentkeztek a világ minden tájáról. Ebben a helyzetben elvárható a tudományos eredmény elérése a témában, azaz egy doktori megírása 3 év alatt. Itt sem végzi el mindenki, de nem kell mellette másodállás, és nincs oktatási teher sem. Magyarországon az én időmben még kötelező volt oktatni, kredites tétel volt. Az eredményekkel a konferenciákra el lehet küldeni a doktoranduszokat, amit finanszíroz a pályázat, ahol kapcsolatokat teremthetnek, és átfogóbb képet szerezhetnek a szakterületről és az aktuális forró témákról. Más a finanszírozás is. Németországban egy egyetemi oktató minimum 5000 eurót keres, amiért felelősséget érez és úgy is teljesít.

Meddig voltál Berlinben?

Két évet voltam, és ez idő alatt a berlini és a Gravity projektet párhuzamosan csináltam, utóbbit inkább a szabadidőmben. A menedzsment részt vittem négyünk közül, mint Charlie a Charlie angyalaiban: telekonferenciákon tartottam a kapcsolatot az adatbányászcsoporttal. 2010 elején egy nagyon jelentős adatbányász csapattal indultunk, mert azt gondoltuk, hogy az a lényeg, hogy nagyon jók legyenek az algoritmusok. Idővel azonban a mérnöki feladatok kerültek többségbe. Az elején a befektető egyik projektjéhez kellett ajánlórendszert csinálnunk, illetve voltak kisebb-nagyobb más ügyfeleink is. Mivel a befektetőnek egy nagy látogatottságú honlapja volt, ezért az egyik szerencsénk az volt, hogy olyan megoldást kellett rögtön csinálnunk, ami nagyban is működik, azaz jól skálázható. Sokat segített ez a későbbiek során, hogy néhány 1000 tps (transaction per second) forgalmat ki kellett bírnia a rendszernek, ami akkor kihívás volt. Mostanában volt olyan ügyfelünk, akinek 200.000 tps-e volt. Emiatt már az első időszakban olyan robusztus rendszert készítettünk, ami nagy forgalmú ügyfelek kiszolgálására is alkalmas volt.

Németh Bottyán

Hogyan oszlottak meg a feladatok az alapítók között?

Idővel kiderült, hogy a négy alapító közül ki, miben a legjobb. Takács Gábor az algoritmus optimalizálással szeretett foglalkozni. Nálunk ugye csak az ajánlórendszer optimalizálása  volt a feladat, és bár a különböző ügyfeleknél gyakran másra kellett optimalizálni, de egy idő után ez őt kevésbé motiválta, és nem sokkal az alapítás után kilépett. A másik két alapító társam azóta is velünk van. Németh Bottyán jelenleg a marketing igazgatónk, de korábban a termékfejlesztést vezette. Kiválóan átlátja a technológiákat és nagyon jó érzékkel választja ki azt, ami nekünk kell. Pilászy István, aki a doktoranduszom volt, egy kiváló mérnök. A bonyolult rendszerünk összes csínyját-bínját ő érti a legjobban és nagyon jól tudja optimalizálni a kódot különböző szempontok szerint, mint például sebességre vagy költségre, amivel versenyben tudunk maradni a vetélytársainkkal szemben, mert alacsonyabb az árunk. Én egyaránt átlátom a szakmai, pénzügyi és az üzleti részt is, így lettem menedzser. Amikor ebbe az egészbe belevágtunk akkor még sem a piacot, sem a versenytársainkat nem ismertük. Sőt a befektetőink sem tudták még 2009-2010 környékén.

Pilászy István
Hidas Balázs, CrowdRec EU prezentáció

Ennyire nem látszódott akkor még a piac?

A perszonalizáció nagyon sokáig niche terület volt, mi igen korán kezdtünk el foglalkozni vele. 2010 és 2014 között edukálnunk kellett a piacot – mind a KKV, mind pedig a nagyvállalati szegmensben –, miközben különösebben nem jelent még meg az igény a szolgáltatásainkra. Tartottunk webinárokat, volt, hogy kiállításokon vettünk részt, ez utóbbinak nem nagyon láttam hasznát. 2014-től kezdődött egy nagyobb hype, ahol elkezdtek ajánlórendszeres, perszonalizációs cégeket alapítani, amik közül több azóta sikeresen exit-elt, de volt, amelyik megszűnt. Szóval ekkor robbant be a téma. A cégek rájöttek, hogy perszonalizáció nélkül nem élet az élet, amit alapvetően az a felhasználók részéről jelentkező perszonalizációs igény szült, hogy a lehető legteljesebb kiszolgálást kapják, és azonnal azt lássák az adott oldalon, ami valóban érdekli őket. Jól látszik a terület evolúciója, ma már egyre több adat érhető el, egyre több mindent tudhatunk mi is a felhasználókról, ami mellett a jogi szabályozás kicsit le van maradva.

Németh Bottyán, Recsys 2015

De mondok még egy példát, hogy mennyire nem látszódtak akkor még a megoldások és a versenytársak. 2008-ban a Recsys konferencián, nyertünk egy 100.000 dollár értékű konvertálható hitelt, amit egy versenytársunktól kaptunk volna. Mint később kiderült, a televíziós ajánlórendszer, a nyertes projektötletünk már létezett, de erről a versenykiíró, a versenytársunk sem tudott. Ezt aztán meg is valósítottuk, a nézőknek képes volt akár video on demand (VoD), akár az élő csatornák közül ajánlásokat adni, amivel az előfizetések növelhetőek voltak. Azonban volt már néhány olyan cég, aki ezt csinálta, például a ThinkAnalytics már két évvel korábban szolgáltatásként értékesítette. Az elnevezés is változott: sokáig recommendation systemsnek vagy engine-nek hívták ezeket a szoftvereket, aztán 2014 körül kezdett a personalized engine elnevezés elterjedni.

Takács Gábor és Tikk Domonkos, 2008

Szükséges a minél több adat?

Mindig azt mondjuk, hogy nekünk nem kell minden adat, csak az, ami hasznos. Több adat, több tárterület, több költség. Az mindig külön feladat, hogy szelektáljuk, hogy mi az, ami hasznos és kell. A másik pedig az, hogy nem is akarunk tudni mindenről, nekünk nem kell például a felhasználó e-mail címe, a neme stb. Nekünk egy azonosító kell csupán.

10 éve működik az immár Yusp nevű ajánlórendszerünk, amit Software as a service (SaaS) szolgáltatásként nyújtunk. A szoftvert integráljuk  az ügyfél weboldalával vagy applikációjával, leszippantjuk azt az adatot, amire szükségünk van, majd utána valós időben jönnek hozzánk kérések, amit valós időben a vállalt válaszidőn, általában maximum 200 ms-on belül kiszolgálunk, de a tipikus válaszidő inkább 20-40 ms. Ilyenből néhány milliárd megy kifelé az ügyfeleink felé.

Igyekszünk egy win-win-win értékajánlást tenni, amiben az ügyfelünk azáltal nyer, hogy a felhasználó többet vásárol, vagy fogyaszt nála, a felhasználó előnye, hogy könnyebben megtalálja azt, ami érdekli, nekünk pedig a szolgáltatás pénzügyileg rentábilis. Ebben az értékhármasban kell nekünk jól mozognunk. Azt látjuk, hogy a perszonalizácó annyira fontossá vált, hogy egyre több cég maga akarja birtokolni. Volt olyan ügyfelünk, aki azért morzsolódott le, mert felvett 50 embert, hogy csináljanak egy saját szoftvert, egy saját ajánlórendszert. Fontosabb volt számukra az, hogy birtokolják, mint hogy milyen a minősége. Ami azt is mutatja, hogy mennyire jók vagyunk, ha mi ezt a világ öt kontinensén szolgáltatjuk 30-40 fős csapattal több tucat ügyfélnek sokkal kisebb költséggel, de ez mégis egyfajta veszélyeztetettség az üzleti modellünkre, ami miatt váltottunk is.

Hogyan és miben váltottatok?

2017-ben szétválasztottuk a cégnevet és a terméknevét. A cégnév továbbra is Gravity maradt, míg a márkanév Yusp lett. Négy karakter, kiejthető és ami a legnagyobb előnye, hogy nincs másik hasonló. De nem csak ebben változtattunk. Az ügyfélszerzés az első 5 évben jellemzően úgy működött, hogy a Netflix verseny erős referenciát jelentett, így gyakorlatilag csak bejövő érdeklődésekből szereztük az ügyfeleket. Az elmúlt 5 évben azonban már komoly erőfeszítéseket tettünk arra, hogy magunk is értékesítsünk, közvetlenül megkeressünk potenciális ügyfeleket. Fellistáztuk őket, és perszonalizált pitcheket készítettünk számunkra. Jött is be ebből néhány tucat ügyfél, de nem az elvárt mennyiségben. A fő nehézségünk, hogy eljussunk egy elegendően nagy cég döntéshozójához, ami vagy a marketing vezetőt, vagy az IT vezetőt, vagy a CEO-t jelenti. Ez a szerencsén és egyéni kapcsolatokon múlik leginkább. Ügyfélszerzés szempontjából inkább hátrány, hogy Budapesten vagyunk és nem Kaliforniában, bár volt már előnyünk is belőle. Időzóna szempontjából van például olyan partnerünk, aki azért is választott minket, mert nem Amerikában vagyunk, ami tőle 6-7 órára van. Az látszik, hogy vannak olyan országok, ahol számít, hogy honnan jövünk. A magyar IT szerintem nemigen jegyzett, Észtországot sokkal inkább számon tartják a területen. A Bridge Budapest cégeire (Prezi, LogMeIn, Ustream, NNG) büszkék szoktunk lenni, de ezek nem mind magyarországi cégek, legalábbis nem úgy ismerik őket a világban.

Stratégiai együttműködéseket is az egyszerűbb értékesítések miatt alakítottatok ki?

Mivel a nagy technológiai cégek is keresik azokat a startupokat, vagy feltörekvő cégeket, akiket be lehet vinni ügyfelekhez, azt találtuk ki, hogy technológiai partnerségeken keresztül értékesítünk. Ez annyiban más, hogy az értékesítést egy sokkal nagyobb, jobb üzleti kapcsolatokkal rendelkező szervezet végzi, azaz mi bekerülünk így egy globálisan ismert cég ernyője alá, aki hordozóként visz minket is. Ez az eddig a legjobban működő értékesítés modell és jobban is skálázható. A technológiai partnerekkel közös terméket alakítunk ki, emellett bizonyos feladatokat átvesznek tőlünk, másokat meg mi oldunk meg, ami egy win-win megoldás. Jelenleg egy nagy hirdetési platformmal és egy komoly infrastruktúra szolgáltatóval működünk együtt.

Domonkos Tikk, MediaNet, 2015

Mondanál konkrét ügyfelet?

Az egyik legismertebb ügyfelünk világviszonylatban a Disney birodalom részét képező Hotstar, India legnagyobb prémium video streaming platformja, akikkel 2016 óta dolgozunk együtt.

A platform hozzáférést ad az összes jelentős globális sporteseményhez és több mint 100,000 órányi filmhez, amelyek 17 nyelven érhetőek el. A Yusp termékünk integrálva van a Hotstar böngészési folyamatainak alapjaiba. Fokozatosan skálázzuk a dinamikusan növekvő felhasználói bázisukhoz az infrastruktúránkat, ami a 2018-as indiai krikett bajnokság meccsei alatt naponta több mint 1 milliárd perszonalizált videó-ajánlást szolgált ki. Indiában ez a legnézettebb sportesemény, olyasmi mint Európában a Bajnokok Ligája. A krikettbajnokság döntőjét több mint 10 millió néző követte egyszerre online, és ez a csúcsterhelésnél 200.000 ajánláskérést generált számunkra, amit technológiailag kiszolgálni is jelentős teljesítmény. 2018-ban ezzel megdöntötték a YouTube online világrekordját az adott közvetítést egyidejűleg nézők számában.

Ehhez hol vannak adatközpontjaitok?

Bár az elektronok fénysebeséggel utaznak, az azért számít, hogy maga az adat hol van, ezért hét adatközpontunk van a világban (Budapest, Amszterdam, Japán, Szingapúr, Frankfurt, Virginia, San Francisco). A globális jelenlét azért is fontos, mert már a bevételünk kevesebb mint 5% jön Magyarországról. Minden kontinensen van, vagy volt ügyfelünk, nagyvállalati is. Sokáig csak gépeket béreltünk az infrastruktúra-szolgáltatóktól, és minden szoftvert mi húztunk fel és üzemeltettünk, de most már több helyen áttértünk a hibrid vagy sima felhő alapú megoldásra. Ma már a felhőszolgáltató nyújt bizonyos szoftveres infrastruktúrát, például adatbázis szoftvereket, és biztosítja azt, hogy a megfelelő kapacitás rendelkezésre álljon. Ez kicsit drágább, de az üzemeltetési feladatokat csökkenti nálunk, jobban lehet skálázni fölfelé és lefelé is valós időben, illetve ki tudok és be tudok kapcsolni egy gépet, ha szükséges, amire ma már programok is vannak. Ez nagy előny, hogy a szoftverkörnyezet, operációsrendszer tökéletességéről az infrastruktúra-szolgáltató gondoskodik. Nagyon nagy terhelésnél viszont még nem éri meg felhőmegoldást alkalmazni, ott úgynevezett bare metal megoldást használunk a mai napig.

A Covid19-járvány alatt látható volt változás az ügyfeleiteknél?

Voltak pozitív és negatív változások is, amelyek lefutása időben változó. Voltak ügyfeleink, akik elektronikus kereskedelemben vannak jelen és náluk a vírushelyzet bevételnövekedést hozott, ami nálunk is lecsapódott. Általában forgalom arányos díjjal szerződünk, van egy alapdíj, valamint van egy forgalmi egységár 1 millió ajánlásra, de ha nő a terhelés, akkor az egységár csökken. Volt azonban olyan ügyfelünk is, akinek teljesen eltűntek a látogatói. Az előbbi egy rövidebb távú hatás volt, mert azt láttuk, hogy május közepe után kezdett lecsengeni, míg a negatív vonal egy sokkal hosszabb távú hatást generált. Összességében nem érintett minket pozitívan.

CrowdRec EU projekt találkozó

Az ajánlórendszeres tudományos közösség mennyire figyelt fel rátok?

A Netflix versenynek köszönhetően az ajánlórendszeres tudományos közösség is felkarolt minket. Egyrészt részt vettünk EU-s pályázatokban, amely közül az egyik nagyon sikeres lett, az annak a keretében készült algoritmuscsaládunkat beválasztották az 5 kiemelt EU-s projektsikerek közé IT területen, és ugyan nem mi nyertünk, de ez egy fontos teljesítmény. Benne vagyok az ACM Recsys konferencia irányító testületében, és tavaly én voltam a programbizottság társelnöke, ami networking  és az elismerés szempontjából is fontos visszajelzés. Ez a közösség sokat adott nekünk, és mi is adtunk neki. Nemcsak engem, hanem Pilászy Istvánt, Takács Gábort, Hidasi Balázst is világszínvonalú kutatóként tartják számon. Balázs ráadásul új témában tett le olyat az asztalra, ami azóta berobban a területen – erre kimondottan  büszke vagyok. Ez egyébként egy ajánlórendszeres feladatra specializált deep learning algoritmus, a Gru4Rec, amit már beépítettünk a Yusp termékbe és a gyakorlatban is használunk. De vannak további tanítványaim, akik szintén szép eredményeket értek el. Gál Viktor nálam írta az MSc dolgozatát, de támogattam az útját később is, nagyon tehetséges programozó és kutató, jó pár éve doktorált. Solt Illés doktorija bírálat alatt van jelenleg, szintén nagyon tehetséges. Közülük mindenki dolgozott, vagy dolgozik a Gravityben.  Vannak gyakornoki pozícióink, amelyeken keresztül bevonzzuk az egyetemekről az érdeklődőket. Jellemzően inkább programozónak jönnek és nem kutatónak, de kedvező feltételek mellett tudjuk őket tesztelni. Betanulnak, ha tetszik nekik a feladat, valamint persze nekünk is tetszik a teljesítményük, akkor tudnak mellékállásban vagy óradíjas státuszban is dolgozni, és többen jöttek át hozzánk első munkahelyként főállásba is.

Ma is oktatsz még?

Fokozatosan abbahagytam a tanítást. A BME-ről 2012-ben elmentem az Óbudai Egyetemre docensnek, de nagyon sok volt a kettős terhelés. Míg a BME-n a végén már csak félállásban voltam és inkább kutatóként, addig az Óbudai Egyetemen megvolt a rendes óraterhelésem, ami így 2×8 óra volt a Gravityvel együtt, amit fizikailag és mentálisan is nagyon leterhelt. 2014 januárja óta csak a Gravityre koncentrálok. A tudományos iránnyal még valamennyire foglalkozom, érdekes feladatokon dolgozunk a munkatársaimmal a cégben, hasonlóan ahogy a professzorok is teszik, amikor doktoranduszokat foglalkoztatnak. Ha a Google Scholar-ban rám keresel, akkor van körülbelül 200 cikkem és 6000 hivatkozásom, amivel a magyar IT-ban talán a top 10-ben lehetek.

 

A kutatás az NKA támogatásával valósult meg.

 

Megosztom

Comments are closed.