10 IT-szakkifejezés, amit minden érdekeltnek ismernie kell

Az állandó híráradatban még nekünk, IT-szakembereknek is nehéz eligazodni, mivel sokan dobálóznak újabb és újabb buzzwordökkel, miközben a jelentésüket nem magyarázzák meg elég jól. Ezt a listát azért állítottam össze, hogy segítsek azoknak, akik szeretnék megérteni, hogy mi mit jelent, és hogy az az egyes technológiák milyen hatással lehetnek az életünkre. Tíz olyan, technológiával kapcsolatos kifejezést magyarázok el, amelyeket fontos megérteni, ha naprakészek és versenyképesek akarunk maradni a gyorsan változó piaci körülmények között.

1. Mesterséges intelligencia

Mindenki ismeri a kifejezést, de kevesen vannak tisztában a konkrét jelentéssel és azzal, hogy ez a technológia már ma is szerves részét képezi életünknek. A mesterséges intelligencia egy digitális számítógép vagy egy általa irányított robot azon képességét jelenti, hogy olyan feladatokat végezzen, amelyeket általában intelligens lényekhez szokás kötni.

A számítógépek feldolgozási sebességének és memóriakapacitásának folyamatos fejlődése ellenére még mindig nincsenek olyan programok, amelyek általánosan helyettesíteni tudnák az embert. Vannak olyan területek vagy sokrétűbb tudást igénylő feladatok, ahol az emberi rugalmasság nélkülözhetetlen. Mindazonáltal léteznek olyan feladatok is, melyekben a gépek elérik vagy megközelítik az emberi teljesítményt: ilyen például a számítógépes látás és képfeldolgozás. Az ilyen programok képesek a számlákon található adatokat felismerni, digitalizálni és feldolgozni. Egy másik példa a pénzügyi világból a hitelkérelmek elbírálása. Van olyan bank, amely a technológia használatával 30-szor gyorsabban tudja lezárni a hitelkérelmi folyamatait.

2. Gépi tanulás (Machine Learning – ML)

A gépi tanulás a mesterséges intelligencia egyik ága, amely adatok és algoritmusok segítségével utánozza az emberi tanulást, fokozatosan javítva a szoftverek pontosságát. A gépi tanulási algoritmusok múltbeli adatokat használnak bemenetként új kimeneti értékek előrejelzéséhez. A technológiát az okostelefonok virtuális asszisztenseiben és a modern navigációs szoftverekben is használják. A gépi tanulás célja olyan hatékony, általánosításra (generalizálásra) képes rendszerek létrehozása, amelyek néhány példa „megismerése” után, a megszerzett „tapasztalatok” alapján képesek döntéseket vagy számításokat végezni, akár soha nem látott szituációkban is. Ha például azt szeretnénk, hogy egy ML-szoftver megtanulja az összeadást, akkor elég, ha néhány példát mutatunk neki véletlenszerű számokkal, és később bármilyen számmal képes lesz kalkulálni. Ezen képesség kialakításához fontos, hogy ne tanítsuk túl sok adattal a rendszert, mert ez túltanuláshoz vezethet és a szoftver elveszítheti általánosító képességét. A megfelelő mennyiségű és minőségű tanításra használt adat előállítása a gépi tanulás egyik fő kihívása.

3. Mély tanulás (DL)

A mély tanulás a gépi tanulás és a mesterséges intelligencia egy olyan altípusa, ahol több, korábban már betanított rendszert fűznek össze úgy, hogy az egyes fázisok kimenete a következő fázisok bemenete legyen. Az ilyen megoldásoknál tipikus, hogy több különböző algoritmust használó módszer egymással párhuzamosan működik, és az utánuk következő fázis feladata összevetni az eredményeket és eldönteni, hogy melyik helyes. Ez a módszer lényegében azt utánozza, ahogyan az emberi agy működik ismeretek/tudás megszerzésekor. A technológia gyakran megtalálható az arcfelismerő szoftverekben, az önvezető autók szoftverében, a fordítóprogramokban és a chatbotokban.

4. Optikai karakterfelismerés (OCR)

Az optikai karakterfelismerés (OCR) olyan üzleti megoldás, amely automatizálja az adatok kinyerését a beolvasott dokumentumból vagy képből, majd a szöveget gépileg olvasható formába alakítja át, hogy azt adatfeldolgozásra, például szerkesztésre vagy keresésre lehessen használni. Az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hivatala például rengeteg dokumentumot kap és dolgoz fel nap mint nap. A gyorsaság és precizitás kulcsfontosságú számukra, ezért az ABBYY-hez fordultak, hogy digitalizálhassanak harmincévnyi archív bejelentőűrlapot. A kritikus adatokat >99%-os pontossággal rögzítették, majd juttatták el a megfelelő helyekre. 12-féle űrlapon 120 egyéni mezőt képesek automatikusan digitalizálni. Az OCR a számlák kezelésére is használható, de ez nem kívánt kockázatokkal járhat (lásd a következő pontot!).

5. Természetes nyelvi feldolgozás (NLP)

A vállalatok nagy mennyiségű strukturálatlan szöveges adatot használnak – számlákat, kérelmeket, nyilatkozatokat stb. – és képesnek kell lenniük ezek gyors feldolgozására. Az online létrehozott és adatbázisokban tárolt adatok nagy részét a természetes emberi nyelv teszi ki. A szervezetek egészen a közelmúltig nem tudták hatékonyan kiértékelni ezeket az adatokat. Ebben segíthet a természetes nyelvi feldolgozás.

Az NLP a számítógépes szoftverek azon képessége, mely szerint azok értelmezni tudják a beszélt és írott emberi nyelvet. Ez a mesterséges intelligencia egyik szakága. Az NLP a nyelvészetben gyökerezik és már több mint ötven éve létezik. Számos gyakorlati alkalmazása van, többek között az orvoskutatásban, a keresőmotorokban és az automatikus dokumentumfeldolgozásban. Az NLP lehetővé teszi a számítógépek számára, hogy az emberekhez hasonlóan megértsék a természetes nyelvet. Az NLP-megoldások segítségével a számlákat össze lehet kapcsolni a korábban aláírt szerződésekkel, hogy a vállalatok védve legyenek az olyan csalókkal szemben, mint az a férfi, aki a Google-t és a Facebookot becsapva több mint 100 millió dollárt utaltatott át a számláira.

Az ABBYY egyik biztosító ügyfelének például nagy mennyiségű számlát kellett digitalizálnia a kárigénylési folyamatok részeként, melyek több csatornán keresztül érkeztek. Az NLP segítségével csökkenteni tudták a kézi feldolgozást és növelték a hatékonyságot, a számlák feldolgozásának 40%-át automatizálták – felgyorsítva a kárigénylési ügyek lezárását.

6. Folyamatbányászat (PM)

A folyamatbányászat a folyamatok feltárásának, nyomon követésének és javításának analitikus tudománya, amely a folyamatokat a végrehajtás közben keletkezett eseménynapló-adatok alapján elemzi. Szisztematikus adatgyűjtéssel és a szoftverek, illetve a folyamatelemzés segítségével azonosíthatók a rejtett hiányosságok, a szűk keresztmetszetek és az automatizálási lehetőségek; ezzel pedig jelentősen csökkenthetők a költségek. Bár a technológia viszonylag új, már aktívan kutatják. A Pannon Egyetemen például van egy kurzus a témában, ahol a hallgatók megtanulhatják, hogy milyen folyamatbányászati algoritmusok léteznek. Az ABBYY budapesti K+F központja folyamatbányászati megoldások fejlesztésével foglalkozik, és szerintünk fontos lenne, hogy országszerte több tanfolyam induljon, hogy az üzletemberek és a szoftvermérnökök naprakészebbek lehessenek.

7. Robotizált folyamatautomatizálás (RPA)

Az RPA segítségével olyan szoftverrobotokat lehet létrehozni, amelyek képesek monoton üzleti folyamatok elvégzését megtanulni, utánozni, majd végrehajtani. Ez segít optimalizálni az üzleti folyamatokat és elkerülni a hatékonyságbéli hiányosságokat. A programot úgy kódolják, hogy a képernyőn látható dolgokat felismerje és reagáljon rájuk, végrehajtsa a billentyűleütéseket és egérmozdulatokat, valamint emuláljon különféle más műveleteket. A megoldást akkor használjuk, amikor a különböző rendszerek vagy szoftverek integrálása túl nehéz lenne vagy nem lenne költséghatékony.

A robotizált folyamatautomatizálási szoftverek ugyanúgy képesek bármilyen alkalmazással vagy rendszerrel együttműködni, mint az emberek – azzal a különbséggel, hogy az RPA éjjel-nappal, megállás nélkül, sokkal gyorsabban, nagy megbízhatósággal és pontossággal képes dolgozni. Az RPA hasznos lehet a bankok számára, ahol a szakképzett dolgozóknak sok másolást és adatpontossági ellenőrzést kell elvégezniük. Az RPA nemcsak azért hasznos, mert gyorsabb, hanem mert sokkal pontosabb lehet, mint az emberek.

8. Neurális hálózat

A neurális hálózat egy olyan algoritmikus modell, amely az emberi agy működését utánzó folyamat segítségével próbálja azonosítani a mögöttes összefüggéseket egy adathalmazon belül. A mesterséges neurális hálózatok az emberi agyhoz hasonlóan „sejtek” hálózatából állnak, ahol az impulzusok (bemenet) sejtről sejtre haladnak, majd az információ alapján létrejön egy cselekvés (kimenet).

A neurális hálózatok tehát neuronokból álló rendszerek, amelyek szerves vagy mesterséges természetűek is lehetnek. A neurális hálózatok legnagyobb előnye az, hogy képesek alkalmazkodni a változó bemeneti adatokhoz (általánosítás, lásd fent); így a hálózat a lehető legjobb eredményt produkálja anélkül, hogy a kimeneti kritériumokat újra kellene tervezni.

9. No-code / low-code platformok

A no-code / low-code platformok olyan fejlesztési környezetet biztosítanak, amely lehetővé teszi nem szoftverfejlesztők számára is, hogy a hagyományos, gépeléssel történő kódolás helyett grafikus felhasználói felületen dolgozzanak. Egyszerű mobil- vagy webalkalmazások hozhatók létre a drag-and-drop megoldás segítségével. A technológiát a kevés fejlesztői tapasztalattal rendelkező kollégák is használhatják alkalmazások létrehozására, így nagyszerű megoldás lehet az IT-erőforráshiány és a nem megfelelő munkavállalói készségek tekintetében. A Gartner kutatócég szerint 2024-re a technológiai termékek és szolgáltatások 80%-át olyan emberek fogják elkészíteni, akik nem technológiai szakemberek.

Az ABBYY Vantage nevű low-code/no-code platformja.

10. Hálózat szolgáltatásként (Network as a Service)

A hálózat-mint-szolgáltatás (NaaS) egy olyan felhőszolgáltatási modell, amelyben az ügyfelek saját hálózati infrastruktúra kiépítése helyett hálózati szolgáltatásokat bérelnek egy felhőszolgáltatótól. A vállalkozásoknak továbbra is telepíteniük kell az alkalmazásokat, de az összes alacsony szintű szervizelési és üzemeltetési tevékenységet a szolgáltató végzi. Sok vállalkozás azért választja ezt a megoldást, mert a NaaS szolgáltató felel a hálózati erőforrások karbantartásáért és kezeléséért, ezáltal a vállalat alkalmazottai magasabb hozzáadott értékű munkával tölthetik idejüket.

A NaaS tulajdonképpen a hálózati funkciók előfizetéses alapon történő biztosítása, gyakran a felhőben. A nagy NaaS-szolgáltatók, mint például az Amazon Web Services, amely a felhőszolgáltatások úttörője, lehetővé teszik az ügyfelek számára, hogy olyan hálózatot használjanak, amely valójában nem a saját fix, helyhez kötött hardverükre épül.

Ezek tehát azok az aktuális témák, amikkel tisztában kell lenni ahhoz, hogy eligazodjunk a hírek és technológiák között. Az érthetőség kedvéért próbáltam nem túl mélyen belemenni a részletekbe, a szakemberektől utólag is elnézést kérek ezért. Mindazonáltal remélem, hogy lesznek olyanok, akik hasznosnak találják ezeket a rövid magyarázatokat.

A szerzőről:

Máhr Tamás informatikai mesterdiplomával rendelkezik, PhD-ját a Delfti Műszaki Egyetemen szerezte meg. Az ABBYY, egy globális IT-cég budapesti K+F központjának vezetője, amely az intelligens dokumentumfeldolgozás (IDP), valamint a folyamatbányászat és -felfedezés területén jár élen. Az ABBYY 14 országban van jelen, és megoldásait több mint 5000 vállalkozás használja, köztük Fortune500 cégek is. Máhr Tamás szakterülete az algoritmusok, a mesterséges intelligencia, a folyamatbányászat és a webalapú megoldások.

Hardverek, szoftverek, tesztek, érdekességek és színes hírek az IT világából ide kattintva!