Hogyan építettünk gépi tanulást egy több éve éles vállalati rendszerbe – rendszercsere és üzemszünet nélkül
| Ügyfél | Euro-Profil Kft. – irodatechnika, nyomtatópark értékesítés, bérbeadás és üzemeltetés |
| Rendszer | PageControl – a Rendesweb által fejlesztett nyomtatópark-menedzsment platform |
| Terjedelem | több ezer nyomtató és multifunkciós eszköz folyamatos felügyelete |
| A feladat | a valódi tonercserék megbízható felismerése a téves jelzések zajában |
| A megoldás | felügyelt gépi tanulás fokozatos bevezetése egy meglévő rendszer egyetlen funkciójába |
Egy percben
- Az Euro-Profil szolgáltatásának része, hogy ő biztosítja a tonert az ügyfeleknek – így a tonercsere ténye nem technikai részlet, hanem a készletgazdálkodás és az elszámolás alapja.
- A festékszint-adat viszont önmagában megbízhatatlan: hibás chip, a patron megrázása vagy a készülék pontatlan mérése miatt „új toner” látszódhat ott, ahol nem történt csere.
- Először egy összetett matematikai modellt építettünk. Sokat javított, de a szélső eseteknél elért a szabályalapú logika természetes határáig.
- Ezért nem új rendszert fejlesztettünk, hanem a meglévő PageControl egyetlen funkcióját egészítettük ki egy tanuló algoritmussal, amit az üzemeltetők saját visszajelzései tanítanak.
- A két algoritmus hónapokig párhuzamosan futott. Az AI csak akkor vette át a döntést, amikor tartósan pontosabb volt a réginél – így az átállás üzleti kockázat nélkül történt.
Az ügyfél: egy szolgáltatás, ami adatra épül
Az Euro-Profil Kft. a hazai irodatechnikai piac egyik meghatározó szereplője. Nyomtatókat és multifunkciós eszközöket értékesít, ad bérbe és üzemeltet – utóbbi teljes körűen, a kihelyezéstől a szervizen át a fogyóanyag-ellátásig.
Ez a modell alapvetően különbözik a puszta eszközértékesítéstől. Ha egy cég csak gépet ad el, a tonerpatron az ügyfél gondja. Ha viszont üzemeltetési szolgáltatást nyújt – ahogy az Euro-Profil –, akkor a toner az ő költsége, az ő logisztikája és az ő elszámolása. Vagyis:
- a készletet aszerint kell tervezni, hol mikor fogy a festék;
- a kiszállítást aszerint kell ütemezni, hol várható a következő csere;
- az elszámolás alapja pedig az, hogy ténylegesen mennyi fogyóanyag került felhasználásra.
Mindhárom ugyanarra az egyetlen adatpontra vezethető vissza: mikor történt valódi tonercsere. A PageControl ezért folyamatosan figyeli az eszközök állapotát és festékszintjét, és automatikusan kommunikál az ERP rendszerrel.
A probléma, amit kívülről senki nem lát
Első hallásra triviális a feladat: ha a festékszint 4%-ról hirtelen 100%-ra ugrik, akkor tonert cseréltek. A gyakorlatban viszont a festékszint nem tény, hanem jel – és a jel hazudhat.
A nyomtatók rendszeresen produkálnak olyan helyzeteket, amikor a szint valódi csere nélkül megemelkedik:
- a patron chipje hibás vagy pontatlan adatot küld;
- a felhasználó kiveszi, megrázza és visszahelyezi a tonert, hogy „még kihúzza egy kicsit” – a készülék pedig ezt friss patronként érzékeli;
- egyes készüléktípusok bekapcsolás vagy hibaállapot után átmenetileg téves töltöttségi értéket jelentenek;
A rendszer ilyenkor jóhiszeműen azt hiszi: új toner került a gépbe.
Mibe kerül egy téves észlelés?
Ez nem elméleti kérdés. Egy hibásan észlelt csere végigfut az egész folyamaton:
- Felesleges készletmozgás: olyan helyre indul pótlás, ahol még bőven van festék.
- Hiány ott, ahol tényleg kellett volna: a torzult fogyási adatokból hibás előrejelzés születik.
- Vitatható elszámolás: az ügyfél felé kimenő adat megkérdőjelezhetővé válik – ez pedig már nem logisztikai, hanem bizalmi kérdés.
- Kézi ellenőrzés visszaszivárgása: ha az üzemeltetők nem bíznak az automatikus jelzésben, elkezdik egyesével visszanézni – és ezzel elveszik az automatizálás értelme.
A negyedik a legdrágább. Egy rendszer értéke nem attól függ, hogy hány adatot gyűjt, hanem attól, hogy mernek-e rá döntést alapozni.
Miért nem volt rá dobozos megoldás?
Kézenfekvő kérdés: miért nem lehetett megvenni egy kész szoftvert erre?
- Mert a gyártói eszközök csak a saját gépeiket ismerik. Egy vegyes nyomtatópark több gyártó, több eszközgeneráció és több firmware-verzió keveréke – mindegyik máshogy jelenti a festékszintet.
- Mert a jelentés minősége eszközfüggő. Ami az egyik típusnál megbízható adat, a másiknál becslés.
- Mert az üzleti logika egyedi. Az, hogy egy csere mikor „számít” cserének, az Euro-Profil szolgáltatási modelljéből következik, nem a nyomtató firmware-éből.
A PageControl pontosan ezért készült egyedi fejlesztésként: nem egy eszközt kezel, hanem egy szolgáltatási modellt képez le. Az AI-funkció is ebbe a logikába illeszkedett.
Első kör: matematikai modell
A fejlesztés nem AI-jal indult. Elsőként egy összetett matematikai modellt építettünk, amely nem egyetlen ugrást vizsgált, hanem több mérési pont alapján elemezte a festékszint időbeli változását: a változás meredekségét, a korábbi fogyási ütemet, a jelzés tartósságát és a készülék korábbi viselkedését.
Ez jelentős javulást hozott. A téves jelzések nagy részét sikerült kiszűrni, és hosszú ideig ez volt a rendszer megbízható alapja.
Hol volt a fal?
A szabályalapú logikának van egy természetes határa: minden újonnan felfedezett kivételhez új szabály kell. Egy ponton túl a szabályrendszer karbantartása többe kerül, mint amennyi pontosságot hoz – és a maradék szélső esetek pont azok, amelyek a legtöbb bosszúságot okozzák a napi működésben.
Ráadásul a szabály statikus: nem tanul abból, hogy az üzemeltető minden nap látja és tudja, melyik jelzés volt valódi. Ez a tudás ott volt a szervezetben, csak nem került vissza a rendszerbe.
Ekkor döntöttünk úgy, hogy más megközelítésre van szükség.
A döntés: nem új rendszer, hanem egy új réteg
A leggyakoribb tévedés az AI-projekteknél, hogy a bevezetést rendszercserével azonosítják. Mi az ellenkezőjét választottuk: a több éve stabilan működő PageControl változatlan maradt, és a tonerfelismerés – egyetlen, jól körülhatárolt funkció – kapott egy gépi tanulás alapú réteget.
A cél nem az volt, hogy „legyen benne AI”. Az volt, hogy az algoritmus idővel maga tanulja meg felismerni a valódi tonercserét – az üzemeltetők tapasztalatából.
A megvalósítás négy lépésben
1. Visszajelző felület – az emberi tudás becsatornázása
A rendszerben létrehoztunk egy adminisztrációs felületet, ahol az üzemeltetők minden észlelt cserejelzésről egy mozdulattal visszajelezhették, hogy az valóban megtörtént-e. A napi munkába illeszkedő, néhány másodperces művelet – nem külön feladat, hanem a meglévő folyamat része.
Miért fontos? Így a tanító adatbázis nem külön projektként, hanem a napi működés melléktermékeként épült fel – valós, saját eszközparkból származó adatokból.
2. Folyamatos tanulás
Az algoritmus meghatározott időközönként feldolgozta a beérkezett visszajelzéseket, és finomította a döntési modelljét. Minden egyes megerősítéssel és cáfolattal pontosabbá vált – beleértve azokat a szélső eseteket is, amelyekre korábban új szabályt kellett volna írni.
Miért fontos? A rendszer nem egy befagyasztott állapotban áll meg: ahogy új eszköztípusok kerülnek a parkba, tanul azok viselkedéséből is.
3. Párhuzamos működés – a kockázatmentes átmenet kulcsa
A kezdeti időszakban nem engedtük, hogy a tanuló algoritmus önállóan döntsön. A matematikai modell és az AI egyszerre futott ugyanazokon az adatokon, és a felhasználók mindkét döntést látták a felületen.
Így nem ígéretek, hanem napi összehasonlítás alapján lehetett eldönteni, mikor jobb az új megoldás – és az eltérések maguk is tanulságosak voltak: pont azokat az eseteket mutatták meg, ahol a régi logika elbukott.
Miért fontos? Ez a lépés választja el az üzemben használható AI-bevezetést a látványos, de kockázatos demótól.
4. Éles átállás – mérföldkő alapján, nem dátum alapján
Az átállás nem előre kitűzött határidőre történt, hanem akkor, amikor az AI tartósan – nem egy jó héten, hanem hosszabb időszakon át – pontosabb eredményt adott a korábbi modellnél. Ekkor vette át teljesen a tonercsere-felismerés feladatát.
Miért fontos? Nem volt olyan pillanat, amikor a működés egy nem bizonyított megoldáson múlt volna.
Hogyan kezeltük a kockázatokat?
A leggyakoribb kérdések, amelyek egy ilyen fejlesztésnél felmerülnek – és a válaszaink:
„Mi van, ha az AI téved?” Ugyanaz, mint amikor a matematikai modell tévedett: az üzemeltető visszajelzi. A különbség, hogy ebből a rendszer tanul is – a hiba javítja a modellt, nem csak javítódik.
„Ki felügyeli?” A visszajelző felület az átállás után is megmaradt, így a döntések folyamatosan ellenőrizhetők és korrigálhatók maradnak.
„Visszafordítható?” Igen. A korábbi logika nem került ki a rendszerből, az architektúra megengedi a visszaállást.
„Mi történik egy új nyomtatótípusnál?” Bekerül az eszközparkba, a visszajelzések elkezdenek gyűlni róla, és a következő tanítási körökben a modell megtanulja a viselkedését – új szabály írása nélkül.
Az eredmény
A fejlesztés hatása a napi működésben jelentkezik:
- érezhetően csökkent a téves tonercsere-észlelések száma;
- megbízhatóbb adat kerül az ERP rendszerbe;
- pontosabb lett a készletkezelés és egyszerűbb a kiszállítások tervezése;
- az üzemeltetőknek kevesebb jelzést kell kézzel visszaellenőrizniük;
- javult az ügyfélkiszolgálás és az elszámolások átláthatósága.
És ami egy statikus rendszernél nem igaz: a megoldás teljesítménye idővel tovább javul, mert minden visszajelzés tanítja.
Mit tanultunk a projektből?
- Az AI-bevezetés nem rendszercsere. Sok esetben nagyobb üzleti értéket ad egy jól működő alkalmazás egyetlen funkciójának intelligens továbbfejlesztése, mint egy teljes platform lecserélése.
- A jó tanító adat nem projekt, hanem folyamat. A modell azért lett használható, mert a visszajelzés beépült a napi munkába – nem külön adatgyűjtési fázisként futott.
- A párhuzamos működés olcsóbb, mint a bizalom visszaszerzése. Az a néhány hónap, amíg két algoritmus futott egymás mellett, kiiktatta a bevezetés legnagyobb kockázatát.
- Nem minden problémára az AI a válasz – de van, amire igen. Ez a feladat azért volt jó jelölt, mert sok adat, sok szélső eset és rendelkezésre álló emberi visszajelzés jellemezte. Ahol ezek hiányoznak, ott a szabályalapú logika jobb választás.
Kinek működik ez a megközelítés?
Tapasztalatunk szerint akkor érdemes ezen az úton elindulni, ha:
- van egy működő, adatot gyűjtő rendszer, amit nem akarunk lecserélni;
- van egy konkrét döntés a folyamatban, amit ma szabályok vagy emberi rutin hoz meg;
- a döntés helyességéről utólag van emberi visszajelzés;
- a szélső esetek száma nem csökken új szabályok írásával.
És kevésbé, ha:
- kevés adat áll rendelkezésre, vagy nincs visszacsatolás a döntés helyességéről;
- a szabály egyértelmű és stabil – ilyenkor a hagyományos logika olcsóbb és átláthatóbb.
Hasonló problémával dolgozik?
A Rendesweb egyedi szoftverfejlesztéssel foglalkozik: olyan folyamatokra építünk megoldást, amelyekre nincs dobozos termék. Ha van egy működő rendszere, amelyben egy döntés ma több munkát ad, mint amennyit megérne, szívesen megnézzük együtt, van-e benne automatizálható vagy tanítható pont.