Real Stats. Real Easy. Real Senior. (hiv1)

A matematikai statisztikai módszerek, így az SPSS keletkezésének és használatának indoka hagyományosan a már megtörtént jelenségek megértése az adatokban rejlő összefüggések feltárásával. Később egyre fontosabbá vált a statisztika prediktív szemléletű alkalmazása, a lehetséges következmények bejóslása és döntések megalapozása statisztikai modellek alapján. Manapság pedig fokozottan érvényesül a statisztikai műveletek automatizálására való törekvés az összetettebb folyamatok részeként.

Kevés program vagy szoftvercég éri el az arany életkort, amit az SPSS ünnepel 2018-ban. Méltó pillanat, ugyanakkor érdekes és tanulságos röviden áttekinteni az SPSS keletkezésének történetét. De nem csak az évforduló miatt, hanem mert meglepő módon           az SPSS tárgya manapság kurrens közéleti téma is. Szinte közhelyszerű mesterséges intelligenciát (MI ~ AI, Artificial Intelligence) vélni a különféle eszközök, folyamatok működésének hátterében. A matematikai statisztikai algoritmusok jelenléte nyilvánvaló a mesterséges intelligenciának is nevezett fejlesztésekben.

Napjainkban egyre inkább érzékelhető az AI-narratívák bulvárszintet is tematizáló hatása. Ez hasonló jelenség most a XXI. század elején, mint a relativitáselmélet vagy a freudizmus kávéházi, illetve irodalmi szerepe a XX. század elején. Sajnos elég szerencsétlen szóalkotás a mesterséges intelligencia kifejezés. Többek közt félrevezető sugallata van, mivel az intelligencia szót sokszor a tudat, öntudat, gondolkodás szavak szinonimájaként használják, esetleg úgy is vélekednek róla. Néha az ember, hajlamos intelligenciaként „érzékelni” egyszerű alapértelmezéseket (default) kezelő mechanizmusokat is. Az ilyen attribúció egyrészt értelmezhető az úgynevezett „AI effect” (hiv2) kontrasztjaként, és így nevezhető akár AI komplexusnak is, másrészt magyarázható a Piaget-féle mágikus gyermeki világkép elméletének érvénysülésével (hiv3). Mindemellett nyilvánvaló, hogy például egy akármilyen magas szinten sakkozó gépnek sincs több köze a tudathoz, mint egy kilincsnek. Viccesnek tűnhet, de még az AI-val komolyabban foglalkozó szakmai blogokon is fellelhető olyan típusú elmélkedés, hogy „A lineáris regresszió tényleg gépi tanulás?” (hiv4), avagy mikortól tekinthetők bizonyos statisztikai algoritmusok az AI valamely szintjének. Vigasztalásként ugyanazon a portálon található a következő címmel is egy bejegyzés: „A természetes stupiditás veszélyesebb, mint a mesterséges intelligencia”. (hiv5)

Óvatosabb, tapintatosabb megfogalmazást olvashatunk a jelenségről Walter Isaacson: Innovátorok című (hiv6) könyve bevezetőjében: „… a mesterséges intelligencia (...)  hajszolása rendre sokkal kevésbé gyümölcsözőnek bizonyult, mint az ember és gép közti partnerség vagy szimbiózis lehetőségének megteremtését szolgáló próbálkozások”.

Ekkoriban a számítógépek még lyukszalaggal és/vagy lyukkártyával működnek, nagy termet töltenek be, egy bit ábrázolása relével valósul meg, egy bit akkora, mint egy villanykörte...

Az SPSS születése

• 1950 - Megjelenik Turing cikke a mesterséges intelligencia teszteléséről (Turing-teszt)
• 1952 -  Mrs(!) Grace Hopper: első compiler; Neumann: első modern számítógép (UNIVAC) 
• 1954 -  A Texas instruments bemutatja a szilícium tranzisztort
• 1958 -  Jack Kilby bemutatja az első integrált áramkört (microchip)
• 1960 -  Paul Baran kidolgozza a csomagkapcsolás elvét
• 1963 -  Licklider: felveti egy intergalaktikus számítógép hálózat tervét; Engelbart és Bill English megalkotja az egeret
• 1965 -  Moore: a mikrochipek teljesítménye évente duplázódik; Ted Nelson: első hipertext témájú cikk

A történet 1964-ig nyúlik vissza, amikor a chicagói Stanford University Politikatudományok Tanszékén Norman H. Nie és Dale Bent végzős hallgatók feladata volt saját dolgozataikon kívül a statisztikai adatfeldolgozás támogatása az egyetem oktatói és kutatói felé. Állandó frusztráltságot okozott számukra az akkori számítógépeken fellelhető sokféle adatfeldolgozó program használata, mivel azok eljárásonként más és más egyedi elv, programnyelv vagy szintaktika alkalmazását igényelték, saját program kiegészítésekkel, elégtelen dokumentációk alapján, hatalmas időráfordítással. Ha volt is valami szegényes dokumentáció, nyelvezete inadekvát volt a társadalomtudományok művelőinek.

Frusztrációjukat feloldandó és tapasztalataikat hasznosítandó Bent és Nie elkezdtek megtervezni egy egységes integrált programrendszert, amely megkönnyíti a rutinszerűen előforduló művelek elvégzését az adatelőkészítéstől a statisztikai elemzéseken át a társadalomkutatók számára is értelmezhető eredmények megjelenítéséig. Egy-két éven keresztül maguk fejlesztették a már akkor is létező programok (pl. BMD) alapján saját programcsomagjukat, amely végül előfutára lett a jelenlegi SPSS-nek. 1967-ben csatlakozott a projekthez egy igazi számítógépes szakember Hadlai (Tex) Hull, aki végre korszerűen működő rendszerré fejlesztette a folyamatot az akkor már széles körben használt Fortran programnyelven. Ennek köszönhetően más Fortran fordítóval rendelkező számítógépre is közvetlen áthelyezető csomag született. Bár az SPSS rendszernek sok hiányossága volt, megfelelően kielégítette a társadalomtudományok akkori adatelemző igényeit. Az SPSS alkalmazásának hatalmas hatása lett a társadalomkutatásokra. 

Norman Hugh Nie (1943-2015)), nem csak az IBM számára 1,2 milliárd dollárt érő SPSS atyjaként ismert. Nagy hatású tudós, szociológusként az amerikai szavazók viselkedését kutatta, amelyről több könyvet is írt, (pl.: The Changing American voter), és tucatnyi cikke jelent meg a politikatudományok területén. Munkásságáért számos díjban részesült, 2009-ben az Amerikai Tudományos Akadémia tagja lett.)

Az SPSS innovátorok a számítástechnikában akkoriban szokásos önzetlenséggel nyílt rendszerben gondolkodtak. Abban reménykedtek, hogy más szakemberek folyamatosan tökéletesítik, javítják, módosítják és bővítik a rendszert. Akkoriban az észak-amerikai egyetemek rendelkeztek úgynevezett harmadik, később negyedik generációs számítógépekkel. (IBM7090, IBM 360 és CDC verzió). A programot nem párbeszédes formára tervezték, eleinte kötegelt üzemmódban (batch) futott lyukkártya vezérléssel. Később viszont óriási siker volt a Stanfordon, amikor bevezették a szövegszerkesztővel terminálról már majdnem párbeszédnek is tekinthető táv-kötegelt üzemmódot. 

Nemsokára megvalósult az interaktív párbeszédek lehetősége, amihez az SPSS is igazodott. Az egész világon egyre többen próbálkoztak – Magyarországon is – saját, hasonló célú rendszerek fejlesztésével. Az SPSS alkotói elkezdhettek aggódni saját rendszerük esetleges elavulása miatt, de ez persze másképp történt.

IBM 360 - A korai SPSS verziók futottak ilyen gépeken.

Az SPSS termékké lesz

• 1968 - Noyce és Moore megalapítják az Intelt, és felveszik Andy Grove-ot.
• 1971 - Bemutatják az Intel 4004 processzort; Ray Tomlinson feltalálja az e-mailt
• 1973 - Bob Metcalfe/Xerox: Ethernet; Vint Cerf és Bob Kahn: TCP/IP protokoll
• 1974 - Piacra kerül az Intel 8080

1968-ban jelentik be hivatalosan is – „Statistical Package for the Social Sciences” néven – az SPSS programcsomag születését. Nie és Hull a Chicagói egyetem, illetve az egyetem könyvtárának támogatásával kezdik terjeszteni az SPSS-t, azaz megszervezték, hogy minden egyetem használhassa a programot – ingyenesen. Eredetileg egyáltalán nem gondolták, hogy erre céget alapozzanak. Mindenki folytatta saját karrierjét, Hull az Egyetemi Számítóközpont vezetője lett, Nie eleinte csatlakozott az amerikai Nemzeti Közvélemény Kutató Központhoz, de végül visszatért a Stanfordra és a Politikatudományok Tanszék vezetője lett. Bent visszament szülőhazájába, Kanadába, az Alberta Egyetem ajánlatát elfogadva.

Közben az SPSS járta a saját útját, fokozatosan egyre népszerűbb lett és bármiféle reklámtevékenység nélkül 1974-re elérte az évi 200 ezer dollár bevételt. A bevétel persze csak az 1970-ben a McGraw-Hill kiadásában megjelent első SPSS felhasználói kézikönyv eladásaiból származott, amely hamar elkelt 700 ezer példányban. Nie úgy fogalmazott: „Ez olyan, mintha a Gillette borotva eladások profitja a pengék árából származna”.(Hiv1) Bár penge helyett inkább borotvahabot is mondhatott volna. Megjegyzendő, hogy a korai SPSS felhasználói kézikönyvek sem szimpla menü leírások voltak, hanem a társadalomkutatók számára is érthető, valódi kutatásokból származó érdekes példákkal magyarázott statisztikai praktikumok.

Az SPSS főleg a felhasználói kézikönyv minőségének, praktikusságának és nem utolsó sorban elérhetőségének köszönhetően olyan sikeres és jövedelmező lett, hogy 1971-ben az amerikai adóhatóság megállapította, az SPSS nem csak szoftvertermék, hanem szoftvercégnek tekintendő, ez pedig veszélyezteti az egyetem adómentességét.

Norman H. Nie, Dale H. Bent and C Hadlai Hull. SPSS User Guide 1970. McGraw-Hill, az első kiadás hamar elkelt 700 ezer példányban, ebből csak 3 darab Európában.

Az SPSS céggé válik

• 1975 - Az MITS bemutatja az Altair első személyi számítógépet
• 1975 - Paul Allen és Bill Gates megírják a BASIC-et, majd megalapítják a Microsoftot
• 1975 - Steve Jobs és Steve Wozniak megalkotja az Apple 1-et
• 1977 - Apple II

1975-ben hivatalosan is céggé nyilvánítják az SPSS-t. Vállalatként is az egyetemi, akadémikus területre alapoznak, ellentétben a versenytársakkal (pl.: SAS). Nie és Hull még néhány évig továbbra is csak részidős kedvtelésként tekintettek az SPSS menedzselésére. Ehhez képest az SPSS rohamosan terjedt üzleti és kormányzati területen is. Például a NASA is használta az űrsiklóknál a meghibásodások közötti átlagos üzemidőt becslő számításokra, vagy az amerikai Nemzeti Erdészeti Hivatal a Nemzeti Parkokban előforduló balesetek és medvetámadások riportolására. Az SPSS egyre kedveltebb eszköz lett a fogyasztói piackutatás területén is (pl.: Procter & Gamble).

Egyre többen köszönhették, és köszönhetik ma is megélhetésüket az SPSS-el való munkának, oktatásnak. Az SPSS-hez való hozzáértés gyakorlatilag külön szakmává vált, sőt több szakmává, akár statisztikai képzettség nélkül is. Bizonyos cégeknél például DP-snek nevezik azokat, akik SPSS-el „csupán” adatelőkészítést és/vagy táblázást (Data Processing) végeznek, többnyire persze profi programozó képességekkel, hiszen általában igény a gyorsaság, illetve az esetlegesen „ipari” mennyiségben szükséges műveletek automatizálása. (A táblázási munkába itt beleértendő a táblacellák – százalékok, átlagok – közti különbségekhez a szignifikancia jelzések esetleges megjelenítése is.)

Az SPSS PC/DOS korszaka

• 1980 - Az IBM megbízza a Microsoftot egy PC operációs rendszer kifejlesztésére
• 1983 - A Microsoft bejelenti a Windows-t
• 1984 - Az Apple bejelenti a Machintosh-t

1984-ben megjelent az SPSS PC/DOS változata, ezzel az SPSS az első cég lett a saját kategóriájában, akinek nem csak nagyszámítógépen futhatott az applikációja. Kezdett kibontakozni az SPSS vezető szerepe a saját iparági szegmensében. Fontos fejlemény volt a Microsofttal való partnerség, főleg az SPSS grafikai megjelenésének vonatkozásában. Ebben az időben kezdtek létrejönni a nemzetközi SPSS képviseletek. Hollandiában már 1981-től, de 1990-re az SPSS 90 országban van jelen, köztük a Szovjetúnióban és Magyarországon is. Az SPSS /PC+ 4.0 még DOS-os (akkor már volt MAC-es is) változata annyira jól bevált, hogy sokan ma is használják. Különösen a Data Entry modulja nagyon népszerű ma is, főleg az adatrögzítésre szakosodott cégeknél, mert bár DOS-os felületen és korlátozott változószámmal működik, de egyszerűen megtervezhető kontrollált adatbevitelt biztosít SPSS típusú adatfájlt eredményezve.

Az SPSS Windows korszaka

• 1991 - Linus Torvalds bemutatja a Linux kernel (rendszermag) első változatát
• 1991 - Tim Berners-Lee bejelenti a World Wide Webet; Marc Andersen pedig a Mosaic böngészőt
• 1994 - Justin Hall elindítja az első blogot

Jack Noonan jelentős iparági tapasztalattal csatlakozik az SPSS-hez, mint új vezérigazgató. Norman Nie az igazgatótanács elnöke lesz. 1992-ben debütál az SPSS első Windows-os változata az SPSS 5. Noonan megnyitó ténykedése egy sales csapat felállítása. Az SPSS megcélozza az üzleti világot nem csak tartalmilag, árazásban is. Az SPSS szorgalmazza a nem csak hivatásos statisztikusok számára az adatbányász funkciók kihasználását. 1993-ban az SPSS-t jegyzik a Nasdaq-on, a nettó éves bevétel több mint 50 millió dollár és gyorsan emelkedik. 1995-ben bejelentik a www.spss.com honlapot.

Az SPSS növekedési pályára áll

• 1997 - Az IBM Deep Blue sakkszámítógépe legyőzi Garri Kaszparovot
• 1998 - Larry Page és Sergey Brin elindítja a Google-t

1996-ra a bevétel eléri az évi 84 millió dollárt, és egyben az SPSS fokozottabb növekedési stratégiába kezd, felvásárol több statisztikai szoftvercéget, köztük az akkor magyarországi akadémikus körökben is népszerű BMDP-t, és a piackutatás világban bajnok táblázó programot (Quantum) fejlesztő Quantime-világot.

1998-ban az SPSS felvásárolja az ISL-t (Integral Solutions Limited), ezzel megszerzi a Clementine adatbányász programot, amit kifejezetten gépi tanuláshoz kifejlesztett programnyelvek alapján hoztak létre. A Clementine, későbbi nevén Modeler hamar a cég húzó termékévé vált. Megoldották, hogy a Clementine-on belül a hagyományos SPSS is kezelhető legyen.

Az SPSS az üzleti világot célzó újításokkal bővítve termékkínálatát, a legnagyobb szereplővé kívánt válni – és az is lett – az üzleti intelligencia szoftver piacán. Jack Noonan új cégküldetést hírdetett, „a megnövekedett adatmennyiség hatékony kezelésével támogatni az adatvezérelt döntéshozást”.

Új értelmezést kapott az SPSS rövidítés is: „Statistical Product and Service Solutions”. A sors szójátéka, hogy aki ezt bejelentette, David Nicols akkori poziciója: Senior Principal Support Statistician – szintén SPSS-el rövidíthető. Ezután az SPSS szó csak logóként él tovább, az ezt követő szavak jelzik, melyik SPSS termékről van szó, például a Statistics vagy a Modeler utal az eredetileg SPSS vagy Clementine nevű szoftverre.

Az SPSS új piaci résekre fókuszál: szöveg, audio, video anyagok adatbányászata

•  2001 - Jimmy Wales Larry Sangerrel elindítja a Wikipédiát

2001-ben a bevétel évi 176 millió dollár. Az SPSS többféle „Az első xxx legjobb” listán szerepel, például a Forbes legjobb 200 vagy a Dolgozó Anyák legjobb 100 kisvállalat listáján. Az SPSS az idők folyamán számtalan számítástechnikai és egyéb díjazásban részesült, viszont ő maga is díjazóvá vált az SPSS innovatív alkalmazói felé.

Néhány a számtalan díjból, amit az SPSS elnyert.

Az új évezred elején az SPSS negyed milliónyi ügyfelet szolgál ki, több mint 100 országban, mindenféle területen: akadémikus, bank, kiskereskedelem, pénzügy, kormányzat, egészségügy, biztosítás, telekommunikáció, piackutatás. A leggyakoribb üzleti alkalmazási célok felismerni és megakadályozni a lemorzsolódást, csalást, növelni a bevételt, csökkenteni a költségeket, hatékonyabban működni. Az SPSS megkerülhetetlen a közvélemény kutatás, piackutatás, CRM és bármiféle kérdőíves alapú projektek esetén.

A 15. verzióra az SPSS-t teljesen átírják Java programnyelvre, felhő-üzemmód képessé válik, megvalósul több külső nyelv integrációja, azaz független vagy parancs szintaktika részeként is alkalmazhatók R, Python, .Net és Java szkriptek.

Erősödik a prediktív statisztikai szemlélet. Ennek egyik következménye, hogy a 40. évfordulót nagy izgalomban ünnepelő SPSS büszkén, de a felhasználók legnagyobb megdöbbenésére hirtelen átnevezte a céget és a programot is PASW-re (Predictive Analitics Softwares). Ezt a szokatlan, bár egészen találó nevet másfél év múlva az IBM változtatta „vissza” IBM SPSS-re.

Az SPSS IBM korszaka

• 2011 - Az IBM Watson megnyeri a „Jeopardy!” című vetélkedőt

A közelmúltat már csak néhány utalással jellemezzük. Miután az IBM 2009-ben 1,2 milliárd dollárért felvásárolta az SPSS-t, felhasználói szemmel úgy tűnt, mintha az IBM az SPSS Statistics-ot és a Modelert esetleg összeolvasztva egy már korábban felvásárolt üzleti elemző program (Cognos) alá kívánná rendelni, de szerencsére nem így történt. Viszont mindkét programban folyamatosan fejlesztenek olyan funkciókat, amelyek közelítik a modellezési lehetőségek technikáját, és a felhasználói élményt egymáshoz.

Már korábban is lehetett az SPSS-ben külső/belső programnyelveken fejlesztett saját vagy szerzett szkripteket használni, de az okos telefonok mintájára „okos SPSS”-nek nevezhető verzió, illetve az okostelefonoknál már megszokott módon SPSS-es internetes applikációkat letöltő oldal csak az utóbbi pár évben jelent meg. Különös, hogy az SPSS, de később az IBM is az applikációkat szemérmesen csak kiterjesztéseknek nevezi.

Az SPSS állandó újjászületése – folyamatos megtartva megújulás

Az idők folyamán óriási szakirodalma keletkezett az SPSS-nek. Legnépszerűbbek az SPSS saját korai ’User guide’-ai, és számtalan SPSS inspirálta könyv próbálja vonzóvá tenni a statisztikát a nem matematikusok számára is. Az SPSS az egész világon tantárgy a felsőoktatási intézményekben.

„Isten hozott a statisztika poklában”– ezzel a címmel próbálta a pszichológus hallgatókat is az SPSS közelébe csalni egy sussexi egyetemi honlap (hiv9), sikeresen, a honlap tartalma bestsellerré vált könyvként is megjelent. Több nyelven, magyarul is írtak túlélőkészletnek titulált könyvet az SPSS-hez (hiv10), teljesen más tartalmakkal.  Felemelő, hogy ilyen témájú könyvek is lehetnek bestsellerek (hiv11), de vajon mi a titka, hogy az SPSS maga is túlélő?
Időleges hiányosságaihoz képest az SPSS évről évre sorozatos újításokkal jelentkezett, melyek valamennyire orvosolhattak bizonyos elégtelenségeket vagy aktuális kihívásokat. Tekintsük például a hipotézis teszteléseket, ami kezdettől fogva az SPSS legfőbb ügye. Az első SPSS változatokban elérhető klasszikus szignifikancia alapú hipotézis tesztek néhány verziónként kiegészültek (hiv12), előbb a kismintákra is érvényes ún. egzakt próbákkal, majd automatizált tanuló-teszt minta összehasonlításokkal, később a bootstrap eljárással és a szimulációs technikákkal. Csak a legutóbbi verzióba kerültek a Bayes-féle statisztikák, amelyek felhasználják az MCMC (Markov-Chain – Monte Carlo) mintageneráló algoritmusokat is. (Megjegyzendő, hogy az SPSS AMOS modulban már 15 éve vannak MCMC-t használó eljárások.) Az SPSS Modeler pedig szingifikancia számítás helyett inkább fontosság mutatót (importance coeffitient) használ, ami a modell erejét, illetve a modellt alkotó elemek hozzájárulásának mértékét fejezi ki a magyarázható információ százalékában.

2015-ben megdöbbentő bejelentés sokkolta a szignifikáns statisztikák hajszolóit. Egy vezető amerikai alkalmazott szociálpszichológiai lap (hiv13) megtagadta a szignifikancia számításokon alapuló cikkek megjelenítését. Hoppá! Ismert, hogy a Sir Ronald Aymler Fisher angol tudós által magalkotott szignifikancia-szint fogalom már megszületése (1935.) után nem sokkal indulatokat váltott ki. Amikor Neyman és Pearson bevezette az első és másodfajú hiba fogalmát, Fisher a másodfajú hibát a mentális zavar valamiféle indikátorának csúfolta, és persze a méltó válasz sem maradt el (hiv14). Ma pedig egy tudományos lap érvénytelennek nyilvánítja a klasszikus szignifikancia alapú hipotézistesztelést. Itt nem részletezzük, hogy mi vezetett ehhez a nem előzmények nélküli fejleményhez, egy KSH folyóirat (hiv15) 10 féle szignifikancia tesztekkel kapcsolatos problémát elemez. Két okot mégis említünk, egyik a szignifikáns és szubsztanciális különbség összekeverése, a másik a statisztika erőltetett alkalmazása a természettudományokkal szembeni kisebbrendűségi érzet kompenzálása gyanánt. Néha már-már statisztokráciáról vagy statisztika-mérgezésről lehetne beszélni, (a technokrácia, pszichokrácia vagy a pszichológia-mérgezés szóalkotásokat utánozva). Ehhez – cseppet sem elítélhető módon – az SPSS puszta létezésével nagymértékben hozzájárult, a statisztikai módszerek felelőtlen alkalmazói által. Ám – Ciceróval szólva – dícsérni jöttem az SPSS-t, nem temetni.

Az SPSS sztori 50 év után is tovább folytatódik

Lehet reménykedni vagy találgatni, hova képes még fejlődni az SPSS. Egy lehetséges irány például, amit a lengyel SPSS képviselet utódcége (hiv16) már meg is valósított PS IMAGO néven. Ez az SPSS Statistics-nek egy dashboard-szerű környezetbe ágyazott működtetése, amelyben automatizálható a teljes adatfeldolgozási és modellezési folyamat vagy annak bármely része az adateléréstől az eredmények publikálásáig, akár a dashboard-on meghatározható esemény vagy időpontfüggő időzítéssekkel.

Az IBM az 50. évforduló kapcsán látványos újdonságokat harangozott be. Az SPSS az aktív felhasználók közreműködésével alakul tovább, egy teljesen újratervezett felhasználói felület által biztosított folyamatos felhasználói visszajelzések szerint. 

Előzetesen még egy kis spoiler: Lehetséges lesz az output ablakból ismételt végrehajtást indítani akár az eredeti output felülírásával – módosított paraméter, szintaktika vagy adat alapján. Ez emlékeztet az Excel adatcella kapcsolatok miatti automatikus változások élményére. Az analízis menü kiegészül az elemzés folyamatát „intelligensen” támogató művelet választó felülettel.

Prediktív szemlélettel, ha az IBM is úgy akarja, lehet még 100 éves SPSS évforduló is. 

A világméretű járvány a kínai Vuhan városából indulva a tavasz során végig söpört Európán, az amerikai kontinens északi részén, és napjainkban Latin-Amerika lakosságát és döntéshozóit állítja komoly kihívások elé. A járvány koncentrált terjedése és helyi szintű lecsengése mentén felbukkanó új helyzetek, kihívások és válaszok erőteljesen befolyásolták a lakosság mindennapjainak alakulását. A hang- és szöveganalitikai elemzéssel foglalkozó Clementine szakértői annak jártak utána, hogy a vírushelyzet egyes fázisai mennyire befolyásolták a legnagyobb hazai hírportálok cikkeit, témaválasztását. A 24.hu, a 444.hu, az Index, az MTI, az Origo, a Portfolio, és a QUBIT cikkeit a szakértők az IBM SPSS Modeler és Python-szoftverek segítségével elemezték. A magyar nyelvű szövegekből álló strukturált adatbázis előállításához a saját fejlesztésű ClemTEXT szoftverüket is használták eszközként, hiszen a kutatáshoz a szövegek nyelvtani előkészítése is szükséges volt. 

A vizsgált hírportálokon 2020. január 26. és június 29. között több, mint 30 000 hír jelent meg a koronavírushoz kapcsolhatóan. Ezekből legaktívabban az Index vette ki a részét, a feldolgozott írások 27,3%-a itt jelent meg.

Fél évszázados története alatt olyfajta sztenderd szerepe lett a hasonló célú programok között, mint az Excelnek vagy a Wordnek a táblázatkezelő és szövegszerkesztő programok közt.

Ha Önt is érdekli a szoftver fejlődése, ismerje meg az SPSS történetet Könyves Tóth Előd leírásában. Ha pedig nem csak a történetre kíváncsi, hanem mélyebben is megismerkedne az SPSS Statistics használatával, itt az alkalom!  A hírlevelünkre feliratkozottaknak most könyvet ajándékozunk! 

Könyves Tóth Előd, Ketskeméty László, Izsó Lajos: Bevezetés az IBM SPSS Statistics programrendszerbe című könyvéhez juthatnak hozzá partnereink, melyet előzetes egyeztetés után irodánkban lehet átvenni, hétköznaponként 9.00-17.00 óra között (This email address is being protected from spambots. You need JavaScript enabled to view it.).

Az elmúlt két évben NKFI pályázati támogatásból valósította meg innovatív ügyfélszolgálati robotasszisztensét a Clementine, a hazai piac vezető adatbányász és szöveganalitikai megoldásokat szállító cége. A közel 180 millió forintos projekt eredményeként Cassandra rávilágít az ügyfél-interakciók rejtett, de hasznos információtartalmára, racionalizálja a call centerek napi működését, lehetővé teszi a működési és fenntartási költségek csökkentését, hozzájárul az ügyfélszolgálatok által nyújtott szolgáltatás minőségének javításához, támogatja az operátor kollégák szakmai fejlődését, és javítja az ügyfélélményt.

A technológiai fejlődés az elmúlt időszakban vitathatatlanul átalakítja a szolgáltató szektor ügyfélszolgálatainak működését is, hiszen egy algoritmusokkal felvértezett, fejlettebb mesterséges intelligencia képes ellátni a széleskörű szaktudást igénylő, ugyanakkor repetitív, magas monotonitás-tűrést igénylő munkaköröket is. Egy ilyen gépi asszisztens az interakciók valós idejű és mindenre kiterjedő feldolgozása révén alkalmassá válik nem csupán az operatív munka automatizált támogatására, hanem a vezetői döntésekhez szükséges adatok értelmezésére és értékelésére is.

„Az elmúlt 15 évben számtalan innovatív megoldással léptünk piacra, tevékenységünk szakértői lettünk a telekommunikációs, biztosítási és banki ágazatokban, ismerjük a problémákat, kihívásokat. Így merült fel egy olyan gépi intelligencia fejlesztése, amely megoldást nyújt az ügyfélszolgálatok esetleges hiányosságaira. Az általunk fejlesztett, Cassandra névre keresztelt megoldás egy felhő alapú valósidőben működő gépi intelligencia, amely komplex adat- és szöveganalitikai, valamint természetes nyelvi feldolgozási (Natural Language Process = NLP) technológiákat használva teljes körű támogatást ad a call centerek működtetéséhez.” – nyilatkozta Körmendi György, a Clementine ügyvezetője.

Ez a fáradhatatlan központi robotasszisztens széleskörű iparági specifikus szakismeretekkel rendelkezik, mindig mindenre emlékszik, így a legkülönfélébb problémákkal lehet fordulni hozzá. Szociálisan kellően érzékeny ahhoz, hogy felismerje az elégedetlenség legapróbb jelét is, ráérez az ügyfelek igényeire, könnyen megtalálja velük a közös hangot, és hasznos tanácsokkal segíti kollégái munkáját.

„Cassandra paradigmaváltást hozhat az ügyfélszolgálatok működésébe, hiszen automatizálja és robotizálja a folyamatokat, miközben hatékonyan tudja segíteni az adott vállalatnál dolgozók munkáját. A felhő infrastruktúrában működő platform könnyen integrálható a már működő rendszerekkel is, így gyorsan implementálható bármilyen folyamatba. Büszke vagyok arra, hogy szakértelmünkkel és a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal támogatásával nem csak egy új piacképes terméket hoztunk létre, hanem új kutató-fejlesztő kollégákkal is bővült a csapatunk” – tette hozzá Körmendi György.

A 2020. március 31-én zárult, közel 180 millió Ft-os projekt 118 845 079 Ft NKFI vissza nem térítendő támogatásból valósult meg. 

A közösségi oldalak közül a magyarok leggyakrabban a Facebook-ot használják, így a vizes vb alatt is itt született a legtöbb bejegyzés. A szurkolók több, mint háromezer nyilvános bejegyzésben osztották meg, hol és hogyan szurkolnak a magyar sportolóknak, milyen eseményeken vettek részt vagy melyik sportág a kedvencük. Kommentálták természetesen az eredményeket is. 

Elemzésünkben azt vizsgáltuk, milyen hashtag-eket és szavakat, kifejezéseket használtunk a leggyakrabban az elmúlt napokban, a VB-vel kapcsolatban. Letöltöttük a #finabudapest2017 és #avizösszeköt hashtaggel ellátott nyilvános bejegyzéseket. Az adatokat rendszereztük és elemezhető formába hoztuk, különválasztottuk a hashtageket, a bejegyzés szövegét, valamint időpontját. Ezeket nem manuálisan, hanem szövegbányászati eszközökkel dolgoztuk fel, az IBM SPSS platformba integrált magyar nyelvi elemzésre képes ClemTEXT megoldásunk segítségével. Az eredményt videóban foglaltuk össze napi bontásban. 

A #hashtag-ekből, szógyakoriságokból gyakorlatilag kirajzolódik a teljes program. Így például a nyitónapon még a #megnyitó vezetett, majd később az egyes sportágak, sportolók nevei, valamint a #döntö kifejezések is beléptek. A teljes vb ideje alatt leggyakrabban a #hajrá magyarok, a #vizilabda és a #duna aréna hashtag-eket írtuk le.

A sportágak közül a #szinkronuszas, a #toronyugras, az #úszás és kapcsolódó szavak, mint a távokra utaló 200, 400 vagy az versenyszámokra utaló vegyes, váltó, valamint a #vizilabda kifejezések szerepeltek leginkább, ezek közül is kiemelkedett a #vizilabda. A sportolók közül pedig a legtöbbször Cseh László, Hosszú Katinka, Kenderesi Tamás neve szerepelt hashtag-ként.

A népi kalendárium szerint Torkos Csütörtök napja minden évben a Hamvazó Szerda előtti csütörtököt jelenti – a böjt hosszú időszaka előtt ilyenkor szabad még egyszer mindenkinek jóllakni. A gasztronómiai egységek hosszú évek óta rendezik meg a maguk Torkos Csütörtökét, akciókkal csábítva széles tömegeket egy jó ebédre, vacsorára. A kezdeményezés utoljára 2016-ban kapott központi kommunikációs támogatást, tavaly megszakadni látszott a hagyomány, az éttermek nem voltak képesek ajánlataiknak a kellő hangerőt egyénileg biztosítani. Ezt az űrt igyekezett rendhagyó adatgyűjtési módszerével 2017-ben betölteni a statisztikai és szöveganalitikai szoftverek vezető hazai fejlesztője és forgalmazója, a Clementine.

’A Google és a Facebook különböző, a Torkos Csütörtökkel kapcsolatos keresőszavakra (pl. torkos csütörtök 2018, torkos étlap, stb.) adott nyilvános találatait dolgoztuk fel gépi szöveganalitikai technológiával. Először kulcsszavak alapján kiszűrtük a nem releváns találatokat (pl. hírek, tavalyi akciók, a Torkos Csütörtök elmaradásról szóló cikkek, nem éttermi oldalak), majd az ömlesztett, szöveges formában rendelkezésre álló keresési eredményeket strukturáltuk az éttermek nevének és - ahol lehetett - az akció tartalmának, időpontjának kinyerésével. A folyamat nagyrészt automatizált, a robotok munkáját elemzőink ellenőrzik.’- avat be a munkafolyamat részleteibe Körmendi György, a Clementine ügyvezetője. A találatokat a cég idén is megjeleníti egy Google térképen, mely a torkoscsutortok.info weboldalon érhető el. A csatlakozni kívánók természetesen akár közvetlenül is elküldhetik jelentkezésüket a This email address is being protected from spambots. You need JavaScript enabled to view it. címre.

A Torkos Csütörtök hivatalos napja idén február 15., de egyes éttermek február 8-án várják kedvezményekkel a torkoskodni vágyó vendégeket.

A felmérésből az is kiderül, hogy a már elhelyezkedett munkatársak számára fontos szempont a fizetés, a menedzsment és a karrierépítés. A pénzügyi szektorban foglalkoztatottak a legstresszesebbek, ezért itt a legerősebb az igény a terhelésnek megfelelő kompenzációs csomagra, ezzel szemben az IT szektor munkatársai a legelégedettebbek a munka-magánélet egyensúly biztosításával. A munkavállalók által megfogalmazott leggyakoribb kritikák: az úgynevezett Peter-elv jelenség, a kivételezés és a szervezeten belüli politika.

Az adatbányászati, statisztikai alkalmazások egyik vezető magyar szállítója, a Clementine szöveganalitikai technológiájának felhasználásával készült kutatásában feltérképezte és összehasonlította 25 nemzetközi vállalat karrieroldalát és a Glassdoor.com oldalon elérhető nyilvános, a 2014 és 2016 közötti időszakból származó munkavállalói véleményeket a mintában szereplő cégekről. A cég munkatársai és a velük együttműködő Sasvári Luca összesen 98 323 dolgozói véleményt elemeztek 5 különböző szektorból: FMCG, IT, pénzügyi szolgáltatások, ipar-elektronika, telekommunikáció. A Clementine olyan nemzetközi cégeket vizsgált, amelyek csaknem minden országban - így Magyarországon is - ismert munkáltatók.

Felelősség, átláthatóság, jogkörök, munka-magánélet egyensúlya
A vizsgált vállalatok karrieroldalát három téma uralja: a karrierépítés és előrelépés, az innováció, illetve a munkahelyi diverzitás és csapatmunka. Ezek a szempontok azonban nem tükrözik a munkavállalók igényeit, sem az adott cég munkatársak által kiemelt erősségeit. Különösen a pénzügyi szolgáltatási szektorban homogén az üzenet, itt az öt vizsgált cég közül négyen hangsúlyozták a kiemelkedő karrierlehetőségeket, a gyors előmenetelt. Azonban a potenciális jelölteket nem csupán arról kell meggyőzni, miért jó egy adott cégnél dolgozni, hanem arról is, miért jobb ott dolgozni, mint máshol. A munkavállalói igények között erőteljesen jelenik meg az egyéni felelősségvállalás, az átláthatóság, az autonómia és a munka-magánélet egyensúlyának biztosítása. A karrieroldalakon azonban ezekről a tényezőkről alig esett szó. Ahogy a munkatársak által erősségként említett képzéseket és tudásmegosztást is a csak egy szervezet emelte ki erőteljesen.

Fizetés, menedzsment, karrierépítés
A kutatás során a Clementine azt is vizsgálta, mivel elégedettek és elégedetlenek a már elhelyezkedett munkavállalók, milyen kéréseik vannak a menedzsment felé. A munkatársakat leginkább három témakör foglalkoztatja: fizetés és juttatások, menedzsment, illetve karrierépítés. Mindezeken belül pedig különösen érdekli a kollégákat, hogyan értékelik a kiváló, tehetséges munkatársakat. Kifejezetten hangsúlyos volt ez az igény a pénzügyi szolgáltatások területén, ahol a munkafolyamatok általában projektcsapatokban zajlanak. Az eredmény arra utal, hogy a vizsgálatban résztvevő piacvezető vállalatoknál már kialakult az úgynevezett tehetségspirál: a kiváló munkatársak híre újabb és újabb tehetséges munkatársakat vonz a szervezethez.

A Magyar Távirati Iroda a 2017. január 1. és december 31. közötti időszakból 53.932 hírt tárol archívumában, melynek anyagából több tucat online hírportál közöl információt. A szöveganalitikai megoldásokkal és adatbányászattal foglalkozó Clementine feldolgozta a belföldi híreket, így a hírelemző modell 7150 újsághírt olvasott el és értelmezett pillanatok alatt és tárta fel 2017 valóságát.

A csúcstartók
Az előforduló szavak gyakorisága tekintetében holtverseny alakult ki az első helyen: több mint 500 alkalommal fordult elő a férfi és a rendőr szó a hírekben, őket jelentős lemaradással követi Budapest, az ember, a Fidesz, a nő és a kormány. Érdekes, hogy a férfi szót másfélszer olyan gyakran említik a hírek, mint a nő szót, annak ellenére, hogy a nő főnévként és igeként is megjelenhet.
A legtöbbször előforduló személy Orbán Viktor volt, akit Soros György követett az említések számában. Utánuk Szél Bernadett és Mészáros Lőrinc következik, igaz, őket alig fele olyan sokszor említették, mint Orbánt és Sorost. A nem politikusok között Hosszú Katinka és Marton László neve tűnt fel több ízben, említéseik száma azonban összegezve sem közelíti meg például Mészáros Lőrincét.

Vannak olyan témák, események, személyek, amelyek hónapról hónapra visszatérnek a hírekben. A közúti balesetek nagy számára enged következtetni, hogy minden hónapban előfordultak a cikkekben az alábbi szavak: autó, vonat, sérült, rendőr, mentő, súlyos, áldozat, tragédia, halál. A kapott adatok alapján egyértelmű, hogy a hazai politikai közbeszédet leginkább meghatározó téma a menekült-kérdés volt: nem telt el hónap anélkül, hogy ne születtek volna hírek az alábbi szavakat tartalmazva: menekült, migráns, Soros György, ismeretlen, kerítés. Az örökzöld szavakból a bűn és bűnhődés folyamata is rekonstruálható: durva, brutális, nyomozás, ügyészség, bíróság, ítélet, börtön.

Időszakos trendek
A rendszeresen előforduló témák mellett természetesen az egy időszakot meghatározó rendkívüli események és a róluk szóló hírek is végig kisérték az évet. 2017 első felében például a leggyakrabban az olimpiáról beszéltünk: közel tízszer olyan gyakran szerepel a hírekben a szó, mint az átlagos gyakorisága. 
Az évszakok tekintetében a téli hónapokban a szmog, a jég és Donald Trump körül forogtak a tartalmak, míg tavasszal már Szentendre vitte a prímet: nyolcszor többet szerepelve a hírekben, mint egyébként. Emellett a sztrájk, a BKV és a Borsod szavak gyakorisága nőtt meg jelentősen. Legmozgalmasabban viszont az évszak közepe telt, amikor Gulyás Márton és Áder János említése uralta a közdiskurzust, melléjük a CEU, bezárás, tüntetés, demonstráció, nagykövetség, tárgyalás és Dózsa György út szavak sorakoztak még fel.
Nyáron a sportok és a melegre utaló szavak említéseinek száma magasodott ki az átlagból. Átlagosan öt-hatszor gyakrabban találkozhattunk a Veszprém, a világbajnokság, és a vizes szavakkal, de kétszer olyan gyakran említették a Balatont is. A forróság és kánikula szavakat pedig közel tízszer annyi alkalommal írták le a cikkírók, mint egyébként.
Az ősszel született cikkben az átlagosnál jóval gyakrabban említik Kínát és Őcsényt, a tanár, az áldozat és a kérdőív szavakat, személyek közül Sárosdi Lillát, Marton Lászlót és Kerényi Miklós Gábort. Az évvégéhez közeledve szinte egyeduralkodóvá vált a karácsony, amit nagy lemaradással a jutalom és posta szavak követnek, emellett Hosszú Katinka és Cseh László nevét szokásosnál ismét gyakrabban olvashattuk.

Az Axis of Awesome – ’Four Chord Song’ című produkciója óta köztudott, hogy nem feltétlen az egyedi, fülbemászó dallamok jelentik egy-egy zenei alkotás számára a siker kulcsát. A jól megválasztott szavak, kifejezések ugyanolyan fontosak a csúcsra jutáshoz. Ezt bizonyítandó, a szöveganalitikai megoldásokkal és adatbányászattal foglalkozó Clementine feldolgozta a 30. hét rádiós játszási listáinak Top 40 magyar nyelvű dalát, és a szövegek elemzésével vizsgálta a leginkább használt népszerű szavak, kifejezések előfordulását, rendszerességét. (Az elemzés alapjául szolgáló rádiós lista itt érhető el: http://zene.slagerlistak.hu/magyar-radios-top-40-slagerlista/2017/30.)

A módszertani szempontból első ránézésre sem egyszerű feladat (a dalszövegekből létrehozott adatbázis az SPSS Modeler szoftverben került tisztításra, -rendszerezésre, majd a Text Mining megoldás segítségével egy területspecifikus szótár kapcsolódott az adatokhoz) során kiderült, hogy a helyzet még bonyolultabb. A magyar nyelvű dalszövegek izgalmas részét képezik ugyanis azon kifejezések, melyek egy-egy kontextusban eltérő jelentéssel bírnak: mindenki ég a vágytól és sokan ezt éppen a kék ég alatt teszik; gyakran fúj a szél, miközben a szakadék szélén ácsorognak; de nyáron a hajunkat is feltűzzük, ha a lobog a tábortűz, meg ne égjen. Ezért olyan szótárt kellett létrehozni, amely tartalmaz a dalszövegekre jellemző szókészletet mellett olyan szabályokat is, amelyek kiküszöbölhetővé teszik a sok azonos alakú kifejezést, illetve felismerik a legjellemzőbb szószerkezeteket is. 

A Magyarországon 2013 óta jelen lévő, amerikai mintára átlagon felüli árkedvezményeket kínáló nap tulajdonképpen a karácsonyi bevásárlási szezon kezdetévé vált az elmúlt években. 

Nem meglepő módon ilyenkor aktívak vagyunk a közösségi médiában is, így adatbányászaink megvizsgálták, hogy vajon milyen hashtag-ek jelennek meg a Black Friday kapcsán, mit vásárolunk, ki kommunikál egyáltalán, vagy éppen mit teszünk, ha mégis elkerülnénk. Elemzésünk során azt vizsgáltuk, hogy milyen kifejezéseket társítunk a #blackfriday hashtag mellett, és azokból milyen következtetések vonhatóak le szöveganalitikai módszerekkel.

Egyértelműen látszik például, hogy a 2017-ben november 24-re eső pénteki esemény előtt már egy héttel megkezdődött az akciók kommunikálása, kitartva egészen a Fekete Pénteket követő vasárnapig. Utóbbi annak is köszönhető, hogy sok cég már három napon keresztül kínálja kedvezményeiket, így a Black Friday ma már egyre inkább Black Weekend. A vizsgált posztokból az is kitűnik, hogy a tartalmak túlnyomó többsége (90%) az eladóktól származott, a vásárlói élmény - mint például a „Nézd ezt vettem a #blackfriday-en...” jellegű beszámolók jóval elmaradtak a boltok reklámjaitól.

Mit vásárolhatunk ilyenkor? Ma már szinte minden megtalálható a kínálatban, ugyanakkor a műszaki cikkek magasan vezetik az eladott termékek listáját. Ezen felül a ruházati termékek, lakberendezési tárgyak, kozmetikumok és a hobbi felszerelések is népszerűek a kedvezménnyel kínált lehetőségek között.

De mégis mekkora árengedménnyel kalkulálhatunk? 2017-ben az az esetek harmadában 20%-os kedvezményt kínáltak, ennél alacsonyabb engedményt csak 5%-ban kommunikáltak. Népszerűek még az 50%-os akciók, az esetek negyedében ezzel van dolgunk. Érdemes tehát készülni rá, élni vele! 

Aki pedig a társadalom azon felébe tartozik, akit idegesít a felhajtás, akkor sincs gond, a hashtag-ek kiváló ötleteket adnak arra vonatkozóan is, hogy mit érdemes csinálni helyette: a pihenés, a kirándulás, de még a kutya sétáltatás is jó alternatíva lehet!

A kereskedelemhez, ill. a szolgáltatásokhoz kapcsolódó fogyasztás exponenciális növekedésével mind hazánkban, mind pedig külföldön óriási arányban nőtt az ügyfélszolgálatok forgalma. A szervezetek ezen egységei ugyan egy, a technológiai változásokra nyitott szegmenst jelentenek, az ügyfélkezelési gyakorlat azonban mégsem követi az iparágra jellemző technikai fejlődést. Az elmaradottság több területen is érezteti hatását: az ügyfélkezelés nem személyre szabott, a panaszos ügyek kivizsgálása és -felderítése lassú, az értékesítési potenciál pedig az azonnali beavatkozás hiányában elvész. A gépies rutinmunkát igénylő, csak szúrópróba-szerű minőségellenőrzés pedig emberi erőforrást vesz el a hozzáadott értéket teremteni képes folyamatoktól.

A Clementine által Cassandrának keresztelt termék célja gyakorlatilag iparágtól függetlenül támogatni a szakszerű, gyors és személyre szabott ügyfélkiszolgálást és a kapcsolódó minőségbiztosítást. Ennek alapját az ügyfélszolgálatok működésének modell-szintű lekövetése-, az emberi kognitív értelmezési-értékelési folyamatot modellezni képes gépi intelligencia- és a skálázható teljesítményű, felhő-alapú infrastruktúra szolgáltatja. A tervek szerint a szoftver azonnal implementálható formában kerül majd a piacra, egyediségét pedig a nyelvektől független használhatósága jelenti, szemben a jelenleg elérhető, hosszas vállalatra-szabási időszakot követve mindössze egy-egy elszigetelt, más rendszerekkel nem kommunikáló funkcionalitással és szinte kizárólag csak angol nyelvi környezetben használható megoldásokkal. A Cassandra magában foglal többek között olyan modulokat, mint az operátori protokolltartás ellenőrzése, a hangvétel-monitoring vagy email-szortírozás. Kiemelt előnye továbbá integrálhatósága, amely képessé teszi egyéb vállalati szoftverekkel való együttműködésre.

A kutatás-fejlesztés, valamint a piaci bevezetés pénzügyi hátterét a Nemzeti Kutatási, Fejlesztési és Innovációs Alap által kezelt, a hazai gazdasági társaságok által befizetett innovációs járulékból képzett pályázati alap biztosítja. A projekt összköltsége 178 865 137 Ft, ebből az NKFI vissza nem térítendő támogatási része 118 845 079 Ft-ot tesz ki. A támogatás elnyerésének alapfeltételei közé tartozott a munka során elvégzendő tudományos hátterű innováció, valamint a létrehozandó termék piaci potenciáljának előzetes felmérése és -tervszámokkal történő igazolása is.

A projekt 2018. április 1-én indult és 2020. március 31-én zárul majd. Az időszak alatt párhuzamosan haladnak majd a fejlesztési munkálatok, valamint a piacosítási előkészületek. Az első évre inkább az aktív kutatás lesz majd jellemző, fókuszában az optimális, szektorfüggetlen hang-, szövegfeldolgozási módszertan kialakítása, illetve a gépi ’gondolkodás’ és ’tanulás’ az emberi (operátori) működéshez történő igazítása áll. A Cassandra ügyfélszolgálati gépi-intelligencia rendszer fejlesztése és az értékesítés kezdeti lépései a második év tárgykörébe tartoznak majd.

Watson hatalmas előrelépés volt a mesterséges intelligencia és NLP (natural language processing) alkalmazások területén, és rámutatott arra, hogy az alapvető technológiák már léteznek egy ilyen komplexitású rendszer létrehozásához. Mára minden eddiginél több kutató, fejlesztő, data scientist dolgozik világszerte azon, hogy ezek az alkalmazások beépüljenek a mindennapokba. A Google, a Facebook, az Amazon az életünk egyre több területén van jelen, Watson egyes elemei, például a szöveganalitikai alkalmazásai pedig egyre több üzleti szervezet működését teszik hatékonyabbá.  Magyarországon is. Hiszen az alapvető technológiák magyar nyelven is adottak – és nem arra gondolok, hogy az androidos okostelefonomnak magyarul is tudok már diktálni, hanem itt teljes egészében magyar fejlesztésekről van szó. Sőt, alkalmazzák is ezeket a technológiákat a bankszektortól a telekommunikációs vállalatokon át a rendvédelmi szervezetekig – csak, hogy a saját megoldásaink felhasználási területeit említsem.

• Létezik magyar nyelvű beszéd leiratozó rendszer, amely már több területen is bizonyított: call centerek alkalmazzák a nagy mennyiségben keletkező hangfelvételek szöveggé alakításához, hogy lehetővé váljon azok mélyebb elemzése; de élő tévéműsorok feliratozásához vagy bírósági jegyzőkönyvek elkészítéséhez is használják.
• Létezik magyar nyelvű beszédszintetizáló megoldás, ezt hallhatjuk például a vasútállomásokon.
• Léteznek magyar nyelvű szövegbányászati, NLP-eszközök, vannak magyar nyelvű szótárak, tanító korpuszok.

Ezekből a technológiákból olyan automata megoldásokat építhetünk, amelyek számos területen képesek hatékonyabbá tenni egy szervezet működését. Néhány példa a teljesség igénye nélkül:

• Ha képesek vagyunk egy nagy, strukturálatlan dokumentumhalmazból információ kinyerésére, olyan összefüggésekre bukkanhatunk, amelyekre eddig nem is gondoltunk (felépíthetünk automatizált módon akár egy tudásbázist is).
• Ha képesek vagyunk a hangot szöveggé alakítani és a leírt szövegben megadott szempontokat azonosítani, automatizálhatjuk a telefonos ügyfélszolgálat minőségbiztosítási folyamatainak jelentős részét.
• Ha képesek vagyunk a szöveget feldolgozni, megérteni, akkor képesek lehetünk egy kérdésre automatikusan megtalálni a választ, így tehermentesíthetjük az ügyfélszolgálatot automata e-mail-kezelő rendszer vagy chatbot bevezetésével.

Ezek ma már létező alkalmazások, megoldások, vagyis minden adott ahhoz, hogy felépítsük  a magyar Watsont. Igazából már el is kezdtük, amikor a Watson mögött álló szöveganalitikai rendszert megtanítottuk magyarul.