Üzletfejlesztés és innováció
Az ELTE Informatikai Kar Kompetencia Központja az ipar számára is releváns kutatási projektek megvalósítása mellett nagy hangsúlyt helyez arra, hogy a Központ keretében jelenleg futó projektekre építve hosszabb távon is megalapozza a Kar már évek óta folyamatban lévő átalakulását egy potens innovációs környezetté. Hangsúlyos törekvésünk, hogy a kutatás és az oktatás terén elért eredményeinkhez méltó sikereket érjünk el a Karon születő kutatási eredmények üzletileg is életképes projektekké formálásában, fejlesztésében, inkubálásában.
Ezen általános cél érdekében fontosnak ítéljük, hogy
– előkészítsük a Kompetencia Központ égisze alatt születő kutatási eredmények minél teljesebb körű üzleti célú kiaknázását, továbbgondolását, továbbfejlesztését;
– megteremtsük a feltételeit és folyamatait az ELTE Informatikai Kar bármely szegletében születő kutatási eredmények üzleti célú hasznosításának (e tekintetben nagyban támaszkodunk az ELTE IK részvételével folyó InnoChange projektre is);
– bővítsük és naprakészen tartsuk az innováció sikerre viteléhez szükséges készségeket, kompetenciákat, ismereteket;
– megerősítsük a Karon azt a konstruktív, tettvágyó, ambiciózus, együttműködő, kreatív és kudarctűrő szemléletmódot, ami elengedhetetlen a sikeres innovációs tevékenység folyamatossá tételéhez;
– és biztosítsuk magának a Kompetencia Központnak a hosszútávú fenntarthatóságát és pozitív erejét.
Céljaink megvalósításának első lépése, hogy üzleti szempontból újragondoljuk jelenleg futó kutatási projektjeinket, olyan kérdésekre irányítva rá figyelmünket, mint hogy milyen üzleti problémák megoldására lehetnek alkalmasak, milyen (további) ipari szereplők számára lehetnek érdekesek, milyen piaci igényeket elégíthetnek ki. Az alábbiakban ezen szempontok alapján mutatjuk be a Kompetencia Központ keretében futó, illetve a Központ munkájához kapcsolódó projektek egy részét.
Szoftveresen kompenzált képfeldolgozás
Üzleti/piaci probléma:
A radiológiai vizsgálatok többsége a pácienseket nem elhanyagolható mértékű sugárterhelésnek teszi ki. (Ez igaz a CT, MRI és SPECT vizsgálatok esetében is.) A sugárterhelés csökkenthető, ha a radiológiai vizsgálatokat kisebb mennyiségű radioaktív jelölőanyag beinjektálásával végzik el, ám a kisebb mennyiségű radioaktív jelölőanyag jellemzően rosszabb képminőséghez vezet, ami veszélyezteti a diagnózis pontosságát és megbízhatóságát.
A Mediso és az ELTE IK közös fejlesztésének célja, hogy matematikai módszerekkel és mesterséges intelligencián alapuló eljárások segítségével feljavítsa a radiológiai – konkrétan CT és SPECT – vizsgálatok során születő képek minőségét, lehetővé téve, hogy kisebb mennyiségű radioaktív jelölőanyag beinjektálása mellett se csorbuljon a képminőség, és ezáltal a diagnózis pontossága és megbízhatósága.
A projekt első lépésként a szív radiológiai vizsgálata során használt képfeldolgozó algoritmusok tökéletesítésére koncentrál, különös tekintettel a radiológiai páciensek szívképének vizsgálatához használt, úgynevezett átfolyásos eljárások automatikus kiértékelésére. A feladat egyik része az emberi szív szoftveres leképezése a rendszer számára (ez előfeltétele a mesterséges intelligencia és gépi tanulás technológiák alkalmazásának), a másik része a képminőség javító algoritmusok megalkotása és élesítése, és ezáltal a képfelismerés és kiértékelés automatizációja. A szoftveresen feljavított képalkotásra és -elemzésre épülő automatizáció további előnye, hogy lerövidíti a folyamat időtartamát, melynek következményeként egység idő alatt több vizsgálat végezhető el, több beteget tud fogadni a rendszer.
Milyen előnyhöz jut a Mediso a megoldás által:
A projekt sikerességének ismérve, hogy a megalkotott képminőség javító algoritmusok olyan formába és minőségi szintre kerülnek, hogy közvetlenül beépíthetőek a Mediso nemzetközileg versenyképes, csúcstechnológiát képviselő orvosi képalkotó berendezéseibe, tovább erősítve és modernizálva a Mediso világhíres radiológiai berendezésein futó adatgyűjtő, rekonstrukciós és képfeldolgozó szoftvereket. Az ELTE-vel közösen fejlesztett szívmodellek, reorientációs protokolok és mozgáskorrekciós megoldások esetében máris teljesült ez a siker kritérium, és a következő egy-két évben várható a további eredmények beépülése a Mediso termék palettájába. Különösen izgalmasnak ígérkezik egy cserélhető apertúrák befogadására képes új termék kategória megteremtése, amely esszenciális nóvumot fog jelenteni a radiológiai berendezések piacán, amennyiben átmenetet teremt a piacon jelenleg ismert két típusú radiológiai berendezés között: ötvözve a teljes testes vizsgálatokra is használható általános célú SPECT és CT kamerák előnyeit az adott test területekre és felvételi protokoll-csoportokra specializált kamerák előnyeivel.
Milyen részét/szeletét oldja meg a feladatnak az ELTE IK:
Az ELTE IK kutatóiból és hallgatóiból álló csapat több alapvető fontosságú részfeladat elvégzését vállalta, többek között a projektben használt mesterséges intelligencia – ún. „felügyelt” és „felügyelet nélküli” mélytanulás – technikák optimalizációját a szívmodellek elkészítéséhez, a fejlesztésnek keretet adó adatszerkezetek és eljárások kialakítását, a tudományos igényességgel lefejlesztett szoftverek prototipizálását, és a teljes szoftver rendszer elméleti alapjainak kidolgozását.
Miért az ELTE IK-val lépett partnerségre a Mediso:
Az ELTE IK kutatói olyan szakmai-elméleti hátteret és K+F kompetenciákat hoztak a projektbe, amelyek egyrészt biztosították a fejlesztések biztos tudományos alapokra helyezését és időtállóságát, másrészt még a kiemelkedően erős kutatás-fejlesztési kapacitással rendelkező Mediso-ban sem voltak a projekt által megkívánt szinten jelen. Az együttműködés további előnye a Mediso számára, hogy a kooperáció hozadékaként kinevelődött egy több tucat jól képzett hallgatóból álló bázis, akik nem csak a tétel definíciók szintjén, hanem a konkrét gyakorlati tapasztatok szintjén értik a Mediso rendszereit, és ezért hatékonyan tudnak dolgozni azok továbbfejlesztésén. Ugyanezen előny tükre az ELTE szempontjából, hogy a projektekbe bevont hallgatók a munkaerőpiacon egyértelműen hasznos, kézzelfoghatóan gyakorlati oktatásban részesülnek.
További részletek:
Szűcs Ádám személyes sztorija: ELTE-s doktoranduszként szabad kezet kapott a Mediso-tól, hogy felépítse a projekt alapjait és megszervezze és levezesse – ELTE-s státusza mellett immár a Mediso alkalmazásában álló szakértőként – a komplex projekt éveken átnyúló implementációját.
Specializált teszt szimulátor
Üzleti/piaci probléma:
A Mediso méltán világhíres multimodalitású – vagyis különböző diagnosztikai vizsgálatok kombinációit (SPECT/CT, PET/CT, PET/MRI) lehetővé tevő – berendezéseinek előállítási költsége egyediségük, komplexitásuk és variabilitásuk okán meglehetősen magas, gépenként milliárd forintos nagyságrendű. Ugyanezen egyediség, komplexitás és variabilitás szükségessé teszi a megrendelők számára leszállított gépek teljes körű és alapos előzetes tesztelését, ami ebben az értéktartományban önmagában is óriási költségeket jelent a cég számára. A tesztelés erőforrás igényének és anyagi terhének kordában tartása ennek megfelelően kiemelkedően fontos üzleti cél a Mediso számára.
Az ELTE hathatós támogatásával zajló projekt célja, hogy a Mediso által fejlesztett gépek tervezése, prototipizálása és legyártása során elengedhetetlen tesztelési feladatok minél kisebb mértékben magukon az értékes hardvereken, vagyis a fizikai valóságukban megépített leendő végtermékeken fussanak, és minél nagyobb mértékben szoftveresen kialakított szimulációs környezetben. A szoftveres tesztek lefuttatásához is szükség van ugyan dedikált hardverre, ám ennek megépítése és működtetése más nagyságrendű költséget jelent, mint amit a végtermékeken folytatott tesztelés jelentene.
Milyen előnyhöz jut a Mediso a megoldás által:
A Mediso termékfejlesztési igényeire szabott specializált szimulátor egyrészt masszív megtakarításokat hoz a Mediso számára, másrészt optimalizálásra is lehetőséget ad a termékfejlesztési folyamat során, így hatékonyabbá és eredményesebbé teszi ez utóbbit. Léteznek ugyan hasonló szimulátorok a piacon, ám egyrészt csak a Mediso számára értelmetlenül magas áron, másrészt jellemzően függőséget okozva az adott beszállítótól.
Mediso szoftver bázis refaktorálása
Üzleti/piaci probléma:
Egy szoftverfejlesztéssel foglalkozó cég és az általa fejlesztett szoftverek párhuzamos evolúción mennek keresztül. Először egy monolitikus csapat megír egy monolitikus szoftvert, hiszen a kezdeti fázisban ez a leghatékonyabb. Ahogy azonban a cég, illetve a szoftver fejlődik, a monolitikus szoftver architektúra többszintű skálázási problémákat hoz magával.
Először is ahhoz, hogy sok fejlesztő dolgozhasson egy szoftveren, elengedhetetlen, hogy párhuzamos fejlesztések folyjanak, ám egy monolitikus rendszer esetén a módosítások az egész szoftvert érintik, ezért a fejlesztőknek be kell várniuk egymást. Az üresjáratok elkerülése végett a fejlesztők általában elkezdenek egyszerre több feladattal foglalkozni, ami viszont ellehetetleníti a megkívánt koncentrációt. Ráadásul az elkészült fejlesztések többletmunkát jelentenek az el nem készült módosítások fejlesztőinek, és a fejlesztés során igénybe vett nem-emberi erőforrások sem használhatóak ki hatékonyan.
Ahhoz, hogy a szoftver által egységnyi idő alatt elvégezhető feladatot növelni lehessen, vagy vertikálisan kell továbbfejleszteni a szoftvert, hogy a termék egy példánya tudjon több feladatot elvégezni, vagy horizontális skálázás esetén a termékből több példányt kell párhuzamosan futtatni, ami szintén nem optimális a monolitikus szoftverek esetén, mert minden példány minden szoftverkomponensét skálázni kell, az architektúra nem teszi lehetővé a komponensek független skálázását.
Végül vevői oldalon egyre inkább megjelenik az igény, hogy a termékek elinduljanak a „vékony-kliens” irányba, vagyis hogy csak a felhasználói felület fusson az ügyfél számítógépén, a szoftver sava-borsa pedig egy külön „szerver” számítógépen. További igény még a korszerű szoftver termékek felé, hogy privát, illetve publikus felhő alapú környezetekben is hatékonyan működjenek. Monolitikus architektúra esetén ezek a megoldások is nehezen kivitelezhetőek.
A nukleáris medicina és a modern hibrid képalkotó technikák terén a nemzetközi élvonalba tartozó Mediso Kft. mára elérte azt a kritikus méretet mind a fejlesztők számában, mind a vevői igényekben, hogy továbbfejlődésének és szoftverrendszerei felskálázásának útjában áll a monolitikus szoftver architektúra. Megnehezíti ugyanakkor a modernebb szoftver technológiákra való átállást, hogy a Mediso termékeinek speciális szenzitivitása és biztonsági igénye miatt az elosztott rendszerek esetén egyébként is fokozott szerepet játszó kiberbiztonság minden egyéb szempontnál előbbre való a cég számára. Különösen igaz ez, ha egyes komponensek publikus, de legalábbis nem a vevők által kontrolált számítógépeken futnak.
Megoldás:
Az egyes szoftver komponensek független skálázását lehetővé tevő moduláris architektúra mindazonáltal megoldást jelent az előbbiekben felvázolt problémákra. Egy szoftver komponenseinek megfelelő elkülönülése nagyban elősegíti a fejlesztési- és felhasználói skálázási problémák áthidalását.
Mivel a komponensek önálló életet élnek a fejlesztés szempontjából, ezért az erőforrások allokálása során kialakuló „versenyhelyzetek” száma nagyban csökken, az adott fejlesztési körben nem módosított komponensek nem terhelik a fejlesztési infrastruktúrát, és a fejlesztők nem szembesülnek az üresjárat problémájával.
A termék skálázhatóságát is pozitívan érinti a moduláris architektúra. A horizontális skálázás fejlesztési ideje lecsökken, a vertikális skálázásnál pedig a komponensek külön skálázhatósága kedvezőbb helyzetet teremt az erőforrás kihasználtság szempontjából. Egy moduláris architektúrán alapuló szoftver esetén a vékony-kliens, illetve az elosztott, felhő alapú megoldások által kijelölt követelmények megvalósítása is jelentősen egyszerűsödik.
Természetesen a komponensek közötti adatáramlásnak meg kell felelnie a fokozott biztonsági követelményeknek is, megnyugtató mértékben titkosítani kell a hálózati kommunikáció során küldött, a háttértárakon, valamint esetlegesen a memóriában tárolt adatokat. További szempont, hogy a páciens adatokhoz ne férjenek hozzá illetéktelen személyek még akkor sem, ha közvetlen hozzáféréssel rendelkeznek a termék felhasználói felületéhez, vagy annak bármelyik komponenséhez.
Milyen részét/szeletét oldja meg a feladatnak az ELTE IK:
A Mediso Kft. felkérésére az ELTE Informatikai Kara egy modern, elosztott szoftver kifejlesztésére alkalmas architektúra felépítésébe kezdett. A munka során egy olyan keretrendszer készül, ami lehetőséget ad egy modulárisan felépített szoftvertermék egyes komponenseinek egymástól elkülönült fejlesztésére. A tervezés során végig elsődleges szempont volt a már meglévő megoldások felhasználhatósága, vagyis hogy az eredeti követelményeket megvalósító funkciók könnyen átemelhetők legyenek az új szoftverbe. A keretrendszer segíti a komponensek közötti hatékony és biztonságos kommunikációt, ugyanakkor gondoskodik a tárolt adatok biztonságáról is.
Elkészült többek között egy orvosi képmegjelenítő alkalmazás prototípusa, ami demonstrálja a keretrendszer működését. Az alkalmazás két komponensből áll, egy vékonykliens megjelenítőből és egy háttérkomponensből, ami utasítja a megjelenítőt, hogy mi kerüljön a képernyőre. A vékonykliens megjelenítőből két változat is készült, egy tradicionális grafikus felhasználói felület (GUI) alkalmazás, valamint egy webes megjelenítő. Mindkettő csupán megjelenítő szerepet tölt be, a tényleges munkát a szerverkomponens végzi.
Az együttműködés során az ELTE IK kutatói és hallgatói folyamatos kapcsolatot tartanak a Mediso Kft. fejlesztőivel. A rendszeres megbeszélések eredménye, hogy a tervezés és megvalósítás során folyamatos visszajelzéseket kap mindkét oldal, így biztosított, hogy a keretrendszer és a prototípus alkalmazás mindig az aktuális igényeket elégíti ki. Az egyetemi munka során felhalmozott tudás vállalati továbbképzések formájában eljut a Mediso fejlesztőihez is, ami megkönnyíti a keretrendszer felhasználását céges környezetben.
Milyen előnyhöz jut a Mediso és az ELTE a projekt által:
A vállalati partner a projekten keresztül egy olyan keretrendszerhez jut, amely által moduláris szoftverré tudja átalakítani meglévő monolitikus szoftvereit, miközben a felhasználáshoz és fejlesztéshez szükséges tudást a folyamatos együttműködés és kommunikáció során könnyedén, külön erőfeszítések nélkül szerzi meg. Ezáltal egy olyan jövőbiztos szoftver birtokosa lesz, amely megfelel a kor és az ügyfelek elvárásainak, és lehetővé teszi új funkciók gyors megépítését, új verifikációs irányok gyors kipróbálását, és a hatékonyabb erőforrás-kihasználtság miatt eddig nem elérhető megtakarítási lehetőségek kihasználását.
Az ELTE IK kutatói és hallgatói a piac számára hasznos, a végfelhasználók valós igényeiben gyökerező kutatási és fejlesztési munkát végeznek. Ez pozitívan hat a projektben résztvevőkre is. A hallgatók már a tanulmányaik során elmélyedhetnek a vállalati partner mindennapi munkája során felmerülő éles kihívásokban, ezáltal tanulmányaik végére azonnal bevethető, könnyen betanítható munkaerővé válnak. A kutatók az ipar számára fontos problémákat oldanak meg, miközben az eredmények akadémiai szempontból is hasznosak, hiszen lehetséges publikációk alapját képezhetik.
Egészségügyi adattavak építése
Üzleti/piaci probléma:
Mindennapi online tevékenységeink hatalmas mennyiségű adatot generálnak: a közösségi média aktivitásunk, keresési lekérdezéseink, a felhőalapú számítástechnikai megoldások igénybevétele, az internetre kötött különféle eszközök használata mind-mind folyamatosan termelik az adatokat, hogy csak a legközkeletűbb adatforrásokat említsük. Nem csoda, hogy az adatok tárolása, kezelése és biztonsága központi kérdéssé vált mindenki számára, legyen szó akár az egyénekről, a vállalatokról vagy a kormányokról. A világ ki van éhezve olyan adatkezelési rendszerekre, amelyek egyszerre biztonságosak és védik az adatokhoz fűződő személyiségjogokat.
Az érem másik oldala ugyanakkor, hogy a különféle forrásokból gyűjtött adatok számtalan, általánosan fontosnak tartott célra lehetnek hasznosak, és az adatok e célokra való hatékony felhasználása gyakran megkívánja az adatok központi elérhetőségét és feldolgozását. Ami sok esetben útjában áll a központi elérhetőségnek az az adatok széttöredezettsége és inkonzisztenciája, formális összeegyeztethetetlensége, melyet a vállalati üzleti környezetben rendszerint az „adatsilók” problémájaként emlegetnek.
A nehézséget az okozza, hogy egyik oldalon a személyiségi jogok védelme és az adatbiztonság, a másik oldalon az adatfelhasználás hatékonysága gyakran ellentétes irányba mutatnak. Ez az ellentmondás sehol sem szembetűnőbb, mint az egészségügyben.
Megoldás:
A nagy mennyiségű adatok kezelésének egyre elterjedtebb módja az ún. „adattavak” (data lakes) használata, amelyek olyan tárolók, amik különböző típusú adatokat gyűjtenek össze nyers, eredeti, feldolgozatlan formájukban, vagyis a tárolt adatok nincsenek egyneműsítve vagy egyéb módon előkészítve semmilyen konkrét felhasználási mód vagy cél irányába. Az ELTE és az E-Group közös projektjének fő célja, hogy egy adattavat építsen ki a különböző típusú egészségügyi adatok összegyűjtésére, tárolására és elemzésére, amely adatok a projekt jelenlegi fázisában elsősorban a Pécsi Tudományegyetem egészségügyi tevékenysége és szolgáltatásai során keletkező adatokat jelentik, valamint ezekhez kapcsolódó külső adatokat. A megépítendő „data lake” az adatvezérelt egészségügyi innovációt hivatott támogatni, egy közös platformra hozva és ezáltal megkönnyítve az informatikai szakértők, mérnökök, orvosok, kutatók és klinikusok közötti interakciókat és információátadást, megkönnyítve olyan égető problémák megoldását, mint például a GDPR-nak való megfelelés.
A sokféle adat összegyűjtése és integrálása (a retrospektív egészségügyi nyilvántartásoktól az egészségügyi eszközökből származó prospektív adatokig) nem triviális feladat. Számos komplex részfeladatot kell megoldani, gondoskodni kell többek között az adatvédelemről (vagyis az adatok anonimizálásáról), a szellemi tulajdon védelméről (az adatok vízjelezésén keresztül), az adatok eredetének rögzítéséről, az adatok hitelességének elemzéséről, az adatalapú azonosításról és hitelesítésről, valamint a rendszer előkészítéséről a federált tanulási alkalmazások számára (hiperlink beillesztése az „Egészségügyi adatokon végzett federált tanulás” projektre).
A projekt jelentősége:
Míg a projekt egyes konkrét eredményei – akár az informatika, akár az egészségügyi szolgáltatások, akár a jog területén – önmagukban is jelentősek lehetnek, a projekt teljes megvalósítása az egészségügy valamennyi területét egyszerre érintő új adatfelhasználási lehetőségek előtt nyitja meg az utat. A projekt által összegyűjtött és előkészített adatok hasznosítása az egészségügyi ellátás minőségének és költséghatékonyságának javulásához, valamint a diagnosztikában, a terápiában és általában az orvosi folyamatokban várható innovációk sorához vezethet. Tekintettel az egészségügyi adatok érzékenységére és óriási stratégiai jelentőségére, horderejét nem lehet eléggé hangsúlyozni.
A projekt melyik részét végezte az ELTE Informatikai Kara:
Az ELTE Informatikai Karának kutatócsoportja felel a projekt elméleti megalapozottságáért, különös tekintettel a megvalósítandó biztonsági stratégiákra és protokollokra. Az adatstruktúrák és a fő rendszerprototípusok, valamint a rendszer belső kommunikációs kereteinek megépítése az ELTE és az E-Group szoros együttműködésével történt.
Miért választotta az E-Group az ELTE Informatikai Karát partnereként:
Egyrészt az ELTE IK számos referenciával és releváns projekt tapasztalattal rendelkezik. Másrészt, Dr. Kovács Attila és Dr. Ligeti Péter vezetésével az ELTE kiberbiztonsági tanszéke vezető szerepet tölt be ezen a tudományterületen. Az E-Group egy ipari szereplő, ennek következtében nem rendelkezik a projekt biztonsági és adatvédelmi szempontjainak teljes érvényesüöleéséhez szükséges elméleti-tudományos kompetenciákkal. Harmadrészt az E-Group és az ELTE mindketten tagjai az EIT közösségnek, melynek keretében már korábban is szorosan együttműködtek.
További részletek:
Yuping Yan, a projekt fő kutatója, egyszerre az ELTE doktorandusza és az E-Group csapattagja. Munkájával – amely a nagyméretű adatbázisok adatvédelmét biztosító technikákra irányul – a híd szerepét tölti be a két szervezet között a projektben. A projekt eredményeit eddig hat konferencia előadásban és egy folyóirat cikkben publikálta.
Egészségügyi adatokon végzett federált tanulás
Üzleti/piaci probléma:
Ahogy a gépi tanulási modellek egyre hatékonyabban támogatják a diagnosztikát és az átfogó statisztikai módszerek elengedhetetlen részévé válnak az egészségügyi folyamatoknak, komoly várakozás és igény mutatkozik ezen technológiák mind szélesebb körű alkalmazására. A hatékony gépi tanulási modellek – és közöttük is elsősorban a mesterséges neurális hálók – betanítása azonban jelentős mennyiségű releváns adat felhasználását igényli, mely adatmennyiség jellemzően nem áll az egyes egészségügyi intézmények rendelkezésére.
Megoldás lehetne a lokálisan elérhető adatbázisok egyesítése, ám ez az adatok rendkívüli érzékenysége és az érthetően szigorú előírások miatt nem lehetséges.
Ami valóban megoldást jelent ezen problémára az az úgynevezett federált tanulás (federated learning) alkalmazása. Ez egy olyan, adatbázisok közötti együttműködésre épülő modell betanítási módszer, amely nem igényli, hogy az adatok elhagyják az adatgazda saját rendszerét. Az ELTE Szoftver- és Adatintenzív Szolgáltatások Kompetencia Központ (ELTE KK) keretei között az egyetem és az E-Group egy teljeskörű rendszer fejlesztését tűzte ki célul, ami lehetővé teszi egyészségügyi alkalmazások ezen elven alapuló, a páciensek számára erős adatvédelmi garanciákat nyújtó fejlesztését. A projekt szorosan összefügg egy párhuzamosan futó másik ELTE – E-Group fejlesztéssel, ami egészségügyi adatok összegyűjtését és kezelését szolgáló adattavak („data lakes”) létrehozására irányul (hiperlink beillesztése az „Egészségügyi adattavak építése” projekthez).
Egy gyakorlatban is jól használható federated learning (FL) keretrendszer felépítése számos kihívással jár. Egyik ezek közül az adatszabványosítás feladata, vagyis hogy a különböző formában létező adatok összeegyeztethetők, kompatibilisek legyenek egymással. Egy másik feladat a szoftverarchitektúra körültekintő tervezése, amely szavatolja a rendszer komponenseinek optimális és biztonságos elrendezését. További feladat a személyes adatok védelmét szolgáló extra biztosítékok beépítése, amik a neurális hálókra leselkedő kibertámadások ellen óvják a rendszert.
Miért előnyös a projekt az E-Group számára:
Az E-Group a keretrendszer fejlesztéséből közvetlen üzleti hasznot vár, minthogy az egészségügyi adatokon végzett federált tanulást, illetve neurális háló modell betanítást mint szolgáltatást kívánja értékesíteni különböző piaci szereplők felé. Konkrétan ez azt jelenti, hogy általánosan elérhetővé teszi a partner egészségügyi intézmények megfelelően előkészített és gondosan levédett adatait, hogy azokat bárki gépi tanulási (machine learning) modellek betanítására, tesztelésére, frissítésére használja. Ha az E-Group ügyfelei egy új vagy módosított gépi tanulási modellt működőképes állapotba szeretnének hozni, vagy akár csak valamilyen komplex statisztikai összefüggést keresnek, egyszerűen feltöltik a betanítandó modellt az E-Group rendszerébe, meghatározzák a szükséges paramétereket és a felhasználni kívánt adatok körét és jellemzőit, a rendszer pedig a federált tanulási folyamat lefuttatásával kiadja számukra a specifikációnak megfelelően betanított, kész modellt.
A projekt az ELTÉ-vel együttműködésben való fejlesztése lehetővé teszi az E-Group számára az egyetem elméleti és gyakorlati tudásának felhasználását.
A projekt mely részeiben vesznek részt az ELTE csapat tagjai:
Az egyetem kutatói a projekt elméleti, és részben a technikai hátterét biztosítják a neurális hálók, a gépi tanulás, a federált tanulás, valamint a kriptográfia területein. Az ELTE csapata egyrészt a keretrendszer gyakorlati implementálását és a szükséges szoftverarchitektúra megépítését segíti, másrészt a potenciális fenyegetéseket, illetve az azokkal szembeni megelőző lépések és ellenintézkedések lehetőségeit elemzi, a rendszer megfelelő működésének, integritásának, illetőleg a személyes adatok és üzleti titkok védelmének érdekében. Az ELTE kutatói ezenfelül folyamatos támogatást nyújtanak a kommunikációs protokollok, valamint a rendszer biztonságát és az adatok titkosságát garantáló algoritmusok implementálásához, melyben az egyetem doktori és mesterhallgatói is jelentős szerepet vállalnak.
Miért választotta az E-Group partneréül az ELTE Informatikai Kart:
Az E-Group és az ELTE egy gyümölcsöző, kölcsönösen előnyös és hosszútávú együttműködést épített ki az elmúlt években, számos közös projekttel és változatos kollaborációs formákkal. Ez a projekt is egy példa arra, hogy az egyetem kutatói és hallgatói üzleti szempontból is közvetlenül hasznos partnerei tudnak lenni egy kutatás-fejlesztésre és innovációra fókuszáló hazai kisvállalatnak.
MEMS érzékelők mesterséges intelligenciával támogatott gyártása
Üzleti/piaci probléma:
A mikro-elektromechanikus rendszerek (angol rövidítéssel MEMS-ek) a modern ipari környezetekben széles körben alkalmazott csúcstechnológiák. Olyan parányi, elektromos és mechanikai komponenseket tartalmazó eszközökről van szó, amelyek képesek mikroszkopikus szinten érzékelni, vezérelni és működtetni, és ezek által makroszkopikus szinten hatásokat generálni. A technológiát ma elsődlegesen az autóiparban, az orvostudományban, az elektronikában, a digitális kommunikációban és a honvédelemi szektorban alkalmazzák. Az ELTE kiemelt ipari partnere, a mérnöki és technológiai megoldások terén nemzetközi szinten vezető pozíciót elfoglaló Bosch a technológia egyik nagy úttörője, „okostelefonokban, táblagépekben, viselhető eszközökben, kiterjesztett és virtuális valóság (vagyis AR/VR) szemüvegekben, drónokban, robotokban, intelligens otthonokban és a dolgok internete (vagyis az IoT) területén használt alkalmazások sorára fejlesztett ki és vitt piacra MEMS érzékelőket és kapcsolódó megoldásokat” (ld. https://www.bosch-sensortec.com/).
A MEMS-gyártás egy rendkívül összetett, több száz lépést tartalmazó folyamat. A folyamat során rögzített adatokból hatalmas adatbázisok születnek, amelyek valós idejű elemzése óriási kihívást jelent a gyártás során, holott az elemzés a hibák felismerése és előrejelzése céljából meglehetősen fontos. Egy tipikus elemzés több millió alkatrészt és több ezer különböző paramétert érinthet. Egyes esetekben az összefüggések rejtve maradnak, mert vagy nem állnak rendelkezésre megfelelő elemző modellek, vagy hiányoznak az adatok értelmezéséhez szükséges módszerek. Ennek eredményeként a múltban lehetetlen volt a komplex adatok hatalmas mennyiségét olyan mértékben felhasználni, hogy a MEMS-ek meghibásodási aránya a kívánt 0,1%-os küszöbérték alatt maradjon. Az eddigiekben a legkorszerűbb megoldás az volt, hogy a gyártási folyamatot szakértőkkel finomhangoltatták, így még egy olyan világszínvonalú üzemben is, mint a Bosch hatvani üzeme, a növekedés korlátja a drága emberi szakértelem volt.
Megoldás:
Az új paradigma az emberi erőforrás szükségességének kiküszöbölésére törekszik azáltal, hogy az összetett termelés-optimalizálási problémák megoldása során statisztikai elemzésekre támaszkodik, a mesterséges intelligencia (AI), a gépi tanulás (ML), és azon belül különösen a mélytanulás (DL) technológiáit használva a szenzorgyártás során gyűjtött adatokon. Az AI-alapú statikus és testreszabható/betanítható ML algoritmusok keveréke lehetővé teszi az összetett viselkedések eddig nem elérhető pontosságú és megbízhatóságú leírását, előrejelzését és kezelését, végső soron pedig a gyártási idő csökkentését, az anomáliák azonosítását, a hibák korai felismerését és a leállások előrejelzését. Sőt, az érzékelők viselkedésének alaposabb megértése nem csak a MEMS-érzékelők gyártási folyamatai során előforduló hibák alacsony szinten tartásához és monitorozásához hasznos, hanem új termékek, termékcsaládok kifejlesztéséhez is.
További lépésként a mesterséges intelligencia alkalmazásokat be is lehet ágyazni magukba a MEMS-érzékelőkbe, hogy közvetlenül írják le és jósolják meg az álaluk megfigyelt érzékelők viselkedését, vagy akár új funkciókkal gazdagítsák az utóbbiakat a felhasználói elégedettség növelése érdekében. Ilyen lehet például a mechanikai (túl)terhelés érzékélése, ami azért fontos, mert a túlterhelés csökkentheti a MEMS-érzékelők pontosságát a céleszközökbe, illetve célalkalmazásokba való beépítésüket követően. Az effajta hatások megértéséhez nagyszámú érzékelő viselkedését szükséges elemezni, ami automatizáció nélkül nehezen lenne megvalósítható.
Milyen előnyökkel jár a projekt az üzleti partner számára:
Az imént említett elemző eszközök alkalmazása hatékonyabb ipari gyártási eljárásokat és jobban teljesítő terméktervezési folyamatokat eredményez a MEMS-gyártás területén a Bosch számára, amely így előnyre tesz szert a versenytársaival szemben azáltal, hogy csökkenteni tudja a szenzorok gyártási idejét és növelni tudja a MEMS-alapú termékek pontosságát. Az ebből adódó árcsökkenés révén a kizárólag MEMS-alapú érzékelők használata szélesebb körben is reálissá válik, például az autonóm járművezetés területén, ahol megfizethetőbb árú végtermékekhez, és a technológia nagyobb mértékű adoptációjához vezet.
Egy hosszabb távú, ám reális remény, hogy az elemző eszközöknek és a segítségükkel nyert mélyebb tudásnak köszönhetően (i) eddig fel nem ismert lehetőségek tárulnak fel a gyártási folyamat tökéletesítésére; (ii) új perspektívák nyílnak meg a fejlesztésoldali gyártástámogatás előtt; (iii) megvalósul a mesterséges intelligencia alapú intelligens MEMS-érzékelők építésének lehetősége; sőt (iv) a Bosch számára új üzletág jöhet létre, amely az eszközöket szolgáltatásként kínálhatja fizető ügyfeleknek, elsősorban más gyártó vállalatoknak.
A projekt mely része történik/történt az ELTE Informatikai Karán:
Az ELTE Informatikai Kara – egy dedikált PhD-hallgató teljes munkaidőben való alkalmazása, illetve több ELTE kutató aktív hozzájárulása révén – a projekt szempontjából kiemelten fontos feladatok egész sorát ragadta magához, többek között a fent említett felhasználási területeken használt ún. felügyelt és nem felügyelt mélytanulási technikák optimalizálásában. Általánosabb szinten pedig a célnak megfelelő mesterséges intelligencia megoldások kiválasztásától és testreszabásától kezdve az elemző eszközök különböző platformok közötti átvihetőségét biztosító módszerek kidolgozásáig, az ELTE széles körűen járult hozzá a projekt megvalósításához.
Miért választotta a Bosch az ELTE Informatikai Karát partnerének:
Az ELTE kutatói olyan szakmai elméleti megközelítést hoztak a projektbe, amely mindvégig szilárd tudományos alapokat és magas elméleti színvonalat biztosított és biztosít ma is. Emellett az ELTE csapata olyan speciális K+F kompetenciákat biztosított, amelyekkel még a kiemelkedően K+F-orientált Bosch sem rendelkezett a projekt által megkövetelt mértékben. A Bosch számára a partnerség további jelentős előnye, hogy a projekt a Bosch termékeit és rendszereit nemcsak az elvont tételek szintjén, hanem a gyakorlati tapasztalatok szintjén is értő hallgatók sorát termeli ki, akik extra képzés szükségessége nélkül tudnak dolgozni e termékek és rendszerek további fejlesztésén. Ugyanennek az előnynek a másik oldala az ELTE szempontjából az, hogy a projektben részt vevő diákok közvetlenül alkalmazható, hasznos és piacorientált oktatásban részesülnek, ami növeli értéküket a munkaerőpiacon.
További megosztásra érdemes részletek:
Itilekha Podder személyes története, aki dupla szerepben – az ELTE doktoranduszaként és a Bosch kutatójaként – kulcsszerepet játszott a projekt koncepcionálásában, szervezésében és megvalósításában.
Szolgáltatás komponensek elhelyezése egy elosztott felhő alapú infrastruktúrában
Üzleti/piaci probléma:
Napjainkban a virtualizáció – vagyis a fizikailag létező eszközök (hardverek) erőforrásainak megsokszorozása szoftveresen szimulált („virtuális”) számítási környezetekkel – átalakítja többek között a telekommunikációs iparágat is. A telekommunikációs operátorok, mint például az AT&T és a Verizon folyamatosan cserélik le a fizikai hálózati komponenseket virtuális, tisztán szoftver alapú komponensekre. Ehhez az operátorokat kiszolgáló gyártóknak (pl. a Ericssonnak) is alkalmazkodni kell.
A dedikált hardver komponensek helyét fokozatosan átveszik az általános célú szerverek, amelyeken egy új szolgáltatás bevezetése egy új szoftver program(együttes) elindítását jelenti csupán, kiváltva a dedikált fizikai eszközök hosszadalmas tervezési, gyártási és üzembehelyezési folyamatát, amivel egy új szolgáltatás bevezetése a közelmúltig járt.
Ezzel egyidejűleg zajlik a jelenleg legkorszerűbbnek számító ötödik generációs, vagyis 5G telekommunikációs hálózatok bevezetése a világban, mely lehetőséget nyújt olyan alkalmazások támogatására, amelyek a jeltovábbítás késleltetésének extra alacsony szintjét tűrik csak el. Ezen alkalmazások támogathatóságának feltétele azonban, hogy az alkalmazások késleltetés-kritikus részei közel fussanak a felhasználókhoz. Mivel a telekommunikációs operátorok már rendelkeznek a felhasználók közvetlen közelében található infrastruktúrákkal, számukra természetes következő lépés egy alacsony késleltetéssel működő felhő szolgáltatás bevezetése. Ezáltal olyan alkalmazások helyezhetők át felhő alapú infrastruktúrába, mint az ipari robot vezérlők, a kiterjesztett- és virtuális valóság alkalmazások és a jövőbemutató digitális egészségügyi szolgáltatások.
Ami még hiányzik ahhoz, hogy a felhasználók közelében lévő fizikai infrastruktúrák hasznosíthatók legyenek a késleltetés-kritikus alkalmazások felhő alapú támogatására az a jelenlegi központosított felhő infrastruktúrák átalakítása elosztott infrastruktúrákká. Ez a folyamat távolról sem triviális. Egy új szolgáltatás elindításához minden egyes szoftver komponens számára egyenként ki kell választani a megfelelő adatközpontot a szolgáltatás követelményei alapján. Ilyen követelmények felmerülhetnek a különböző szoftver komponensek között (pl. a késleltetés elfogadható mértékét illetően), az egyes komponensek vonatkozásában (pl. hogy milyen hardveres támogatásra van szükség a komponens működéséhez), vagy végpontok között, több komponensen átívelően. Egy olyan elosztott rendszerben, ahol százas vagy akár ezres nagyságrendben vannak jelen az adatközpontok, egyenként kiválasztani a megfelelő lokációt irreálisan hosszú idő, a feladat komplexitásáról – és az optimalizálás költségeiről – nem is beszélve.
Megoldás:
A cél egy olyan keretrendszer elkészítése, mely automatikusan képes erőforrást rendelni az egyes szolgáltatások komponenseihez egy elosztott felhő infrastruktúrában. Ehhez az első lépés, hogy információt kell gyűjteni az infrastruktúra felépítéséről és állapotáról. Mivel ez az információ különböző speciális adatbázisokban (magyarul is használt angol kifejezéssel inventory-kban) található, a keretrendszernek képesnek kell lenni csatlakozni ezekhez az inventory-khoz és kiolvasni belőlük a szükséges adatokat.
Mielőtt azonban feláll a rendszer, meg kell tervezni a későbbiekben elindítandó szolgáltatásokat. Ezt egy szakértő teszi meg, egy sablont készítve a tervezett szolgáltatásokhoz, ami leírja, hogy milyen komponensek és azok között milyen kapcsolatok szükségesek a szolgáltatás elindításához. Amikor az operátor – vagy közvetlenül az operátor egyik ügyfele – el szeretne indítani egy szolgáltatást, választ egy sablont és kiegészíti azt az aktuális esetben fontos követelményekkel, mint például, hogy milyen régióból milyen késleltetéssel legyen elérhető az adott szolgáltatás, vagy hogy milyen erőforrás igényekkel induljon el. A kifejlesztett keretrendszerben ezek a követelmények az infrastruktúra ismerete nélkül is megfogalmazhatók. A speciális követelményekkel kiegészített sablon birtokában a keretrendszer erőforrást rendel a szolgáltatás minden egyes komponenséhez és megtervezi a komponensek közötti adatforgalom irányítását is.
A keretrendszer azt is lehetővé teszi, hogy több megoldás alternatíva esetén az operátor által definiált szempontok alapján kerüljön kiválasztásra a megfelelő erőforrás elosztás. Ez praktikusan azt jelenti, hogy az operátor definiálhat egy sorrendező elvet, amely előnybe részesít valamilyen konkrét szempontot, például a költségcsökkentés vagy a teljesítmény maximalizálás szempontját.
Milyen előnyhöz jut az ületi partner a megoldás által:
A késleltetés-kritikus szolgáltatások támogatásának igénye természetes módon magával hozza, hogy a centralizált felhő alapú infrastruktúrákat idővel egyre inkább leváltják az elosztott felhő alapú infrastruktúrák. A fent említett keretrendszer lehetővé teszi az Ericsson számára, hogy összekapcsolódó komponensekből álló szolgáltatásokat indítson automatizált módon elosztott felhő alapú infrastruktúrákon, különböző követelmények (pl. késleltetés, erőforrás igény) figyelembevételével. Habár a megoldás egy heurisztikus algoritmusra épül, amely nem garantáltan találja meg minden esetben az optimális megoldást, a keretrendszer vitathatatlan értéke a feladat automatikus megoldása valós időben (percek, sőt akár másodpercek alatt).
Milyen részét/szeletét oldja meg a feladatnak az ELTE IK:
Az ELTE egyik PhD hallgatója 6 éve képezi szerves részét a keretrendszert fejlesztő csapatnak, amely több év fejlesztési tapasztalattal a háta mögött 2018-ban új alapokra helyezte a rendszert, és azóta folyamatosan új funkciókkal bővíti azt. A doktori hallgató jelentős szerepet vállalt az új rendszer tervezésében, kivitelezésében, valamit az egyre bővülő funkciók hozzáadásában.
Külön hozadéka a projektnek, hogy kiderült, a keretrendszer olyan problémák megoldásának is alapja lehet, amik szorosan nem kapcsolódnak az eredeti célhoz, azonban hasonló megoldási módszert igényelnek. Az ELTE hallgatója részt vesz ezeknek az utóbb felmerült üzleti problémáknak a kiértékelésében is, és amikor a keretrendszer relevánsnak tűnik egy adott probléma megoldása szempontjából, segít azonosítani és lefejleszteni azokat a szükséges kiegészítéseket, amik jelenleg hiányoznak a rendszerből az új kontextusban való alkalmazhatósághoz.