Csáji Balázs Csanád magyar kutató kiemelt meghívott előadóként mutatta be Vilniusban, hogyan lehet matematikailag megbízhatóbban kezelni a gépi tanulási rendszerek bizonytalanságát, vagyis azt a kérdést, amelyen a mesterséges intelligencia felelős ipari és üzleti alkalmazása is múlhat.
Magyar kutató a kontinens kiemelt előadói között
A HUN-REN SZTAKI 2026. július 17-i beszámolója szerint Csáji Balázs Csanád, az intézet Mérnöki és Üzleti Intelligencia Kutatólaboratóriumának tudományos főmunkatársa meghívott kiemelt előadóként vett részt a Vilniusban megrendezett 25. Európai Fiatal Statisztikusok Találkozóján. A magyar kutató nem csupán előadást tartott, hanem egy nemzetközi szakértői beszélgetésben is részt vett, amely a mesterséges intelligencia tudományra, oktatásra és társadalomra gyakorolt hatásait vizsgálta.
A legfontosabb kérdés nem mindig a pontosság
A mesterséges intelligencia rendszereket rendszerint az alapján értékelik, hogy milyen pontos előrejelzést vagy választ adnak, Ez azonban önmagában nem elegendő. Egy rendszernek azt is jeleznie kellene, mennyire biztos a saját eredményében, milyen mértékben támaszkodhatunk az adott becslésre és mikor szükséges emberi ellenőrzés. Egy pénzügyi kockázatbecslés, ipari hibafelismerés vagy tudományos következtetés esetében ugyanis nem ugyanaz a helyzet, ha a rendszer nagy bizonyossággal vagy rendkívül bizonytalanul jut ugyanarra a válaszra.
Robusztus módszerek kiszámíthatatlan adatokhoz
A konferencia hivatalos programja Csáji Balázs Csanádot a rendezvény öt kiemelt előadója között szerepeltette. Előadása a robusztus bizonytalanság-kiértékelés módszereit mutatta be az újramintavételezéstől és rangsorolástól a szekvenciális döntési problémákig. A kutatás egyik lényegi célja, hogy akkor is használható megbízhatósági tartományokat lehessen létrehozni, amikor az adatok szokatlanul szélsőségesek, zajosak vagy nem követik a hagyományos statisztikai feltételezéseket.
Matematikai alap a felelősebb döntésekhez
A bemutatott megközelítésben fontos szerepet kap az újramintavételezett mediánátlag módszere, amely az adatokat több részre bontva és az eredményeket robusztusan összesítve próbál ellenállni a szélsőséges értékek torzító hatásának. A magyar kutatók ezt a gondolkodást olyan tanuló algoritmusokra is kiterjesztették, amelyeknek egymást követő döntéseket kell hozniuk bizonytalan környezetben. A cél nem az, hogy eltüntessék a bizonytalanságot, hanem hogy mérhetővé, átláthatóbbá és kezelhetőbbé tegyék.
Miért számít ez az üzleti világban?
A vállalatok egyre több döntést támogatnak adatokkal és automatizált modellekkel, miközben a bemeneti információk gyakran hiányosak, torzítottak vagy rendkívüli eseteket is tartalmaznak. Ilyen környezetben veszélyes lehet egy olyan rendszer, amely minden eredményt ugyanolyan magabiztossággal közöl. A bizonytalanság pontosabb becslése segíthet meghatározni, mikor elegendő az automatizált javaslat, mikor szükséges további adat és mikor kell a döntést emberi szakértőhöz továbbítani. Ez nem látványos funkció, hanem a felelős technológiai bevezetés egyik alapfeltétele.
Magyar érték a megbízhatóság kutatásában
Csáji Balázs Csanád vilniusi szereplése valódi magyar tudományos teljesítményt helyez nemzetközi környezetbe. A történet nem egy kész termék körüli túlzó ígéretről, hanem a mesterséges intelligencia matematikai és statisztikai alapjainak fejlesztéséről szól. Magyar kutatók olyan kérdésen dolgoznak, amely minden komoly alkalmazásnál meghatározó lesz, hiszen nemcsak azt kell tudnunk, milyen választ ad a rendszer, hanem azt is, hogy mennyire lehetünk biztosak benne.
Forrás: HUN-REN SZTAKI, Európai Fiatal Statisztikusok Találkozója, Bernoulli Társaság, arXiv
CS.SZ.
