Benedek Csaba szerint a hazai MI-műhelyek korábban ciklikusan, „bottom-up” módon értek el nemzetközi visszhangú eredményeket. Az MI-robbanás után azonban kiderült: tartós versenyképesség csak átfogó stratégia, közös erőforrások és intézményesített együttműködések mellett lehetséges.

Ennek egyik fő eszköze lett a 2020-ban indult, öt egyetemet és négy kutatóközpontot összefogó Mesterséges Intelligencia Nemzeti Labor, amely neves tanácsadó testülettel, állami és ipari partnerekkel dolgozott össze. A cél a nagy hatású alap- és alkalmazott kutatások, publikációk és szabadalmak ösztönzése, az ipari transzfer felpörgetése, valamint a párhuzamok felszámolása és a kompetenciák összekapcsolása volt.

Kapcsolódó

A hazai ökoszisztéma ma már nemcsak a kutatói kiválóság fenntartására, hanem az MI-eszközökhöz való hozzáférés bővítésére is fókuszál. Benedek Csaba kiemelte az európai MI-infrastruktúrákhoz való kapcsolódást, és azt, hogy a nemzetközi kiválósági hálózatok magyar tagjai köré külön egység szerveződik, amely a nemzetközi pályázati térben is közösen tud fellépni.

A versenyképesség másik pillére a hazai és külföldön dolgozó magyar kutatók közösségének összekovácsolása. Ennek jegyében rendszeressé váltak a szakmai találkozók és szimpóziumok: nyári, többnapos magyar MI-találkozók (ahol világhírű, jellemzően magyar származású szakemberek osztják meg tapasztalataikat), illetve nemzetközi egyetemekkel közös, tematikus workshopok. Ezek az alkalmak egyszerre szolgálnak kapcsolatépítést, projektindítást és a közös publikációk előkészítését.

Bendedek Csaba
Bendedek Csaba
Kép: Economx, Szollár Zsófi

Benedek Csaba néhány gyakorlati példát is bemutatott a különböző területekről az előadásában:

  • Matematikai alapok és reprezentációk: a mélyhálók működésének jobb megértése, belső reprezentációk elemzése, valamint klasszikus kombinatorikai-gráfelméleti sejtések MI-támogatású megközelítései;
  • Gépi látás és térérzékelés: városléptékű 3D pontfelhők hatékony feldolgozása, sávszintű jármű-lokalizáció GPS-en túlmutató módszerekkel;
  • Energiaipar: energiahálózati terhelés- és igény-előrejelzés időjárási, piaci és rendszerállapot-adatok integrálásával;
  • Védelemtechnológia: korlátozott adatmennyiséggel is működő, robusztus MI-modellek fejlesztése harctéri környezetre optimalizálva;
  • Gyártás és minőség: optikai mérésekre épülő hibadetektálás, lakkozási minőség ellenőrzése, ok-feltárás tanuló algoritmusokkal;
  • Építőipar: valós-világi rezgéstesztek és digitális ikrek összehangolása (például nagy faépületek stabilitásának vizsgálata).
  • Egészségügy: hosszú Covid hatásainak feltérképezése élsportolóknál, biológiai életkor becslése fotók, genetikai vagy egyéb vizsgálatok alapján, valamint mikroszkópos képek automatikus kiértékelése és sejtazonosítás onkológiai kutatásokban;
  • Biztonság és megbízhatóság: neurális hálózatok elleni támadások vizsgálata, magyar nyelvi modellek fejlesztése és célalkalmazása.

A hazai sikertörténetek nemzetközi inspirációkhoz is kapcsolódnak. Benedek Csaba felidézte több magyar kutató (köztük világszinten is meghatározó szakemberek) szerepét a kompozíciós neurális hálózatok és keresési algoritmusok fejlődésében.

Kell a „gyorsító sáv”

A HUN-REN SZTAKI igazgatóhelyettese hangsúlyozta, hogy a kutatói kiválóság mellé szervezeti kiválóság is kell: közös erőforrások, gyors belépés a nagy európai felhő- és hardverkapacitásokba, valamint olyan programok, amelyek a párhuzamosan dolgozó műhelyeket egy jól kommunikálható cél felé terelik.

A MILAB ebben egyszerre töltött be ernyő- és „gyorsító sáv” szerepet: egységes keretet adott, eseményeket szervezett, a piaci igényeket közelebb vitte a kutatói kínálathoz, és segített a nemzetközi projektekbe is belépni.

Merre tovább?

Benedek Csaba zárásként arról beszélt, hogy hogyan tehető még hatékonyabbá az MI-infrastruktúrákhoz való hozzáférés, miként növelhető a magyar részvétel a zászlóshajó európai programokban, illetve hogyan lehet a laboratóriumi eredményeket gyorsabban beépíteni az ipari és egészségügyi gyakorlatba. Az irány azonban világos: a következő évek versenyelőnye az együttműködések mélységén, a közös erőforrásokon és a tudástranszfer sebességén múlik.