Sokszor nincs idő arra, hogy jobb megoldásra térjünk át | Interjú Dr. Szabó Gáborral

Sokszor nincs idő arra, hogy jobb megoldásra térjünk át | Interjú Dr. Szabó Gáborral

Agykárosodások kutatása, HP és Twitter, majd autók: Lyft a fuvarozásnál, Tesla az elektromobilitásnál. Egy fizikusból lett fejlesztő élettörténete arról, hogy milyen a világot megmozgató tech óriásoknál dolgozni és hogyan lehet eljutni egy közép-kelet-európai országból a Szilícium-völgy legjobb vállalataihoz. Interjúnk I. része Dr. Szabó Gáborral.


Kutatott Barabási Albert Lászlóval egy agykárosodást okozó betegség terjedéséről, dolgozott a HP-nál és 2011-ben még a Twitter korai szakaszában jelentősen hozzájárult a platform fejlődéséhez. Ezután az autók felé vette az irányt és az Uber legnagyobb riválisaként ismert Lyftnél dolgozott, mielőtt a Teslánál kötött volna ki. Egy fizikusból lett fejlesztő élettörténete nem csak a hasonló pályán gondolkozók számára lehet érdekes, hanem mindenki számára, akit érdekel, hogy milyen a világot megmozgató tech óriásoknál dolgozni és hogyan lehet eljutni egy közép-kelet európai országból a Szilícium-völgy top vállalataihoz. Interjúnk Dr. Szabó Gáborral.

Egy kutatás kapcsán mi motivál?

Szerintem a világ megismerése az, ami az embereket általában vezérli. Van egy érdekes probléma és érzed azt, hogy van kisebb-nagyobb hatása az emberiség jövőjére vonatkozóan. Nyilván senki nem gondolja azt, hogy most ez megváltoztatja a világot, de valamilyen szinten hozzátesz a megváltoztatásához, a jobb irányba sodródásához. Részemről ez volt: hogyha kis mértékben is, de hozzájárulunk az ember természetének a megértéséhez, leírásához, talán a betegségeknek a gyógyításához, ami egy jó érzés. Persze van egy intellektuális kihívásszerűség is, hogy meg tudom-e oldani ezt a problémát, lehet-e erre ma matematikai magyarázatot találni.

Fizika szakon végeztél a Budapesti Műszaki és Gazdaságtudományi Egyetemen és ott is folytattad tanulmányaidat mesterképzésen, viszont később a doktori képzés során egy évet töltöttél Helsinkiben is. Hogyan tudnád összehasonlítani a két országot a doktori iskola szempontjából?

Olyan szempontból hasonló volt, hogy a doktori alatt mindenhol kutatni kellett, ez jó volt. Nyilván a közeg, az teljesen más: Finnország egy nagyon nyugodt környék, tényleg gyönyörű a természet. A telek pedig nagyon hosszúak és sötétek. Emiatt a finnekről azt mondják, hogy ezért is jók a technológiai és műszaki területeken, mert nagyon sok idejük van arra, hogy télen valamit csináljanak. A közismerten nyomott életmód mellett arra is sok idő van, hogy bent üljenek a tűz mellett, és ott gondolkoznak, vagy dolgoznak.

A doktori képzés után valamilyen szinten a kutatói szférában maradtál, meglátogattál különböző területeket, mint például a Harvard Medical Schoolnál az emberi fehérjék kölcsönhatási hálózatainak hálózatelemzése. Hogy jött az életedbe ez a témakör?

Valamilyen szinten volt összefüggés. Elvégeztem a doktorit, ami alatt komplex hálózatok volt a témaköröm. Nagyon jó emlékeim vannak abból az időből. Akkoriban véletlenül találkoztam Barabási Albert Lászlóval, aki a University of Notre Dame-on dolgozott. Egy konferencián összefutottunk és megemlítette, hogy lenne lehetőség nála posztdoktori állásra. Ez egy maximum pár éves kutatói állás szokott lenni és remek lehetőség bizonyítani, hogy mire képes az ember. Átalában egy ilyen állás során kristályosodik ki az, hogy mi az, ami valóban érdekel egy kutatót. Akkoriban komplex és véletlen hálózatokkal foglalkoztam. A Notre-Dame-on lettem kutató egy évig, amelyet követően meghívták László csoportját a Harvardra és így kerültem kapcsolatba az ottani kutatással. Mark Vidal professzor volt a vezetője ennek a tanszéknek és az ő kutatásának egy része ezeknek a véletlen hálózatoknak az alkalmazása volt biológiai hálózatokban. Az egyik téma a véletlen hálózatok alkalmazása volt egy emberekben előforduló betegségre. Ataxiának hívták, ami az agynak egy károsodása és ebben dolgoztam együtt azokkal, akik a kísérleteket végezték. A fehérjék ugye egymással interakcióban vannak, és a kérdés az volt, hogy ezeknek az interakcióját hogyan írjuk le, vagy meg lehet-e látni ennek a betegségnek a létrejöttét a fehérje hálózaton belül is.

2007-ben kerültél a Hewlett Packard (HP) Research Lab-hez, ami végül is azt jelentette, hogy bekerültél valamilyen szinten a Szilícium-völgy vérkeringésébe. Ezt hogyan élted meg?

A HP gyorsan fejlődött. Kis számológépekkel kezdték és az alapítók nagyon fontosnak tartották a kutatást, ezért egy Lab-et hoztak létre, ami nagyon hasonló témakörökkel foglalkozott, mint amiket én csináltam a kutatásom során. Kiutaztam, szerencsére jól ment az interjú, felvettek, érdekelt a téma. Mindig is szerettem volna ezen a környéken körülnézni egy kicsit.

Akkor voltál először a Szilícium-völgyben?

Igen. Az interjúm volt az első alkalom, amikor Kaliforniába mentem. A témakörök hasonlóak voltak, csak már inkább egy ipari kutatás volt, ahol a cégnek a projektjeire is figyelmet kellett fordítani, vagy azt is figyelembe kellett venni, hogy a kutatást a cég hasznosítja-e valamire.

És hasznosította?

Igen, volt egy-két projektünk, amiből megpróbáltunk terméket csinálni. Az egyiket Friendlynek hívtuk. Az okostelefonok akkor kezdtek el betörni a piacra, és egy automatikus szociális hálót építettünk az embereknek. Mintha egy Facebook lenne, de nem kell a barátaidat kézzel megkeresni vagy kijelölni, hanem a hívásaidból, meg a kommunikációs hálózatból ezt automatikusan felépítjük neked. Manapság ez nem csoda, nagyon sok applikáció van, ami azonnal beolvassa a telefonszámaidat. Mi arra is gondoltunk, hogy a hálózatok erősségét is tudjuk mérni: ha valakivel sok telefonhívásod van, akkor egy erősebb kapcsolat lesz. Egy applikációt is csináltunk hozzá, ami hívásgyakoriság alapján rendezte az embereket. Figyelte a hívásaidat, a kommunikációs mintázataidat és ezekből épített fel valamilyen szinten egy hálózatot. Ez a fejlesztés eljutott egészen magas helyekig, ahol döntéshozók a projekt jövőjéről ítéltek. A végén kihozták, hogy pár millió dollár lehetséges árbevételt termelt volna, ami nagyon szép számnak tűnt termékfejlesztés szempontjából, viszont a HP olyan hatalmas cég volt, hogy több száz millió dolláros bevétel alatt nem is foglalkoztak projektekkel. Mondjuk egy startup számára lehet, hogy érdekes dolog lett volna, amit csináltunk, de egy nagy cégen belül van más dolguk. Ritkán van az, hogy úgy érzed, dolgozol valamin, aminek van valamilyen eredménye, de még kevésbé érzed azt, hogy ez fontos az egész cég szempontjából.

Ezt követően 2011-ben a Twitterhez igazoltál. Milyen volt akkoriban, a közösségi média boom hajnalán ott dolgozni?

Nagyon érdekes volt. A különbség az volt, hogy egy kisebb csoport vagy kisebb cég részeként jobban észrevettem a munkám eredményét. Amikor én csatlakoztam, még csak 100 mérnök volt a cégben, ez még viszonylag kicsinek számított. Utána nagyon gyorsan fejlődött az egész cég, de abban az időszakban volt az, hogy még organikusan nőtt a Twitter. Volt pár ember, influenszer, aki nagyon aktív volt az elején, például Justin Bieber, és részben emiatt a növekedés tényleg gyors és organikus volt. Jó érzés volt, hogy tényleg fejlődik a cég, nagyon szép jövő áll előtte. Viszont verseny is kiélezett volt: ott volt a Facebook, akkor jött a Google Plus, ami a végén nem is maradt a piacon. A Google akkora cég, hogy egy világméretű szociális hálózat sem adott hozzá a portfóliójához lényegesen, ezért le is állították a projektet. Szerencsés időben csatlakoztam a Twitterhez, mert a szakmai kihívások mellett egy csomó technológiai trenddel is megismerkedtem. Ott is inkább a felhasználók közötti kapcsolatokra koncentráltam, hogy adott hálózatból milyen következményeket lehet levonni: kik a spamelők, mennyire aktívak az emberek, hogyan lehet az aktivitásukat növelni?

Ezzel kapcsolatban van konkrét döntés, ami a te munkádra alapult?

Ami viszonylag jól ment, az pontosan ennek a szociális hálónak a szerkezete, hogy ki-kihez kapcsolódik. Ezek például a spamelők, a robotok vagy botok. Néhányan teljesen normális profilnak tűnnek, meg a tweet-jeik is azok voltak, viszont, ha megnézted a közösségeiket, akkor nagyon sokszor egymáshoz kapcsolódtak. Próbáltak a köztudatba betörni és a többi felhasználót, felhasználói bázist befolyásolni és minél több követőket szerezni.
Voltak más dolgok is, például, annak az előrejelzése, hogy ki az, aki lemorzsolódik és abbahagyja a Twitter használatát. Ott is voltak saját munkáim, amik aztán beépültek ebbe a predikciós rendszerbe.

A Twitter után az autóipar felé vetted az iránytm az Uber legnagyobb riválisánál kötöttél ki. Ez egy hosszú gondolkodásnak az eredményeképpen jött, vagy egy lehetőségre lecsapva kerültél a Lyfthez?

Egyveleg. Már elkezdett bennem érlelődni a gondolat, hogy mit szeretnék a továbbiakban csinálni, de végül is egy ismerősi kapcsolat során jött ez a lehetőség. A Lyftes vezetőmmel a HP-ból már ismertük egymást. Gyakori, hogy amikor valaki egy csoportot épít, akkor az ismerőseit megkérdezi, hogy nincs-e kedved átjönni ide. De alapvetően is érdekelt a téma. A Lyftnek főképpen operációkutatási kérdéseken dolgoztam: hogyan lehet megjósolni, hogy mi fog történni a modelleken alapulva? Hogyan fog alakulni az, hogy hol vannak most a taxisok? Valószínűleg hol lesznek? Hogyan kellene őket arra ösztönözni, hogy másik helyre menjenek, ahol szerintünk nagyobb igény lesz rájuk? Ezt idősorokból valamilyen szinten előre meglehet jósolni. Emellett fontos volt meghatározni, hogy milyen útjaik vannak éppen, azokat hol fejezik be, és hogyan lehet ezt a kettőt egymáshoz illeszteni. Arra optimalizáltam a rendszert, hogy minél gyorsabban jöjjenek a taxik, hiszen minél többet kell az embereknek várni, annál nagyobb az esélye, hogy törlik az egész rendelést.

Mi volt számodra a legnagyobb kihívás ebben a munkakörben?

A Lyft is egy dinamikusan növekvő cég volt. Az volt a kihívás, hogy bizonyos algoritmusok már használatban voltak, amikor én odakerültem, és azok valamennyire működtek. A mi feladatunk az volt, hogy javítsuk ezeket az algoritmusokat. Viszonylag pár hónapon belül találtam is lehetőséget erre. Nem világrekord felfedezés volt, de a rendszer jobban működött. Sokszor láttam ezt más kisebb-nagyobb cégeknél is, hogy nincs idő arra, hogy egy jobb megoldásra áttérjünk, mert egy csomó bug van a rendszerben, amit folyamatosan ki kell javítanunk. Tudjuk, hogy hosszú távon ez jó lenne, de ez a kis cégeknek a hátránya. Nem tudunk mindent egyszerre csinálni és ha van egy rosszabb megoldás, ami már adott, akkor inkább hagyjuk azt, hogy még fusson ki, nem állunk át jó megoldásra, mert az túl sok erőforrást venne el, amit más munkákra kellene fordítani.

Ha megtehetnéd, akkor mit üzennél a fiatal egyetemista korú önmagadnak?

Először is azt, hogy ne csak a szakmára fókuszálj, hanem az életnek vannak más területei is. Nálam egy kicsit elment abba az irányba, vagy túl sok időt töltöttem a négy fal között kutatással. Fontos, hogy az ember megpróbálja előre  látni azt, hogy mi szeretne lenni hosszú távon, akár 20-30 év múlva is. Onnan kell visszaépíteni azokat a lépéseket, amelyek elvezetnek a célhoz. Én nem gondolkoztam ennyire előre. Nem mondom azt, hogy sajnálom, hogy így alakultak a dolgok, mert egyáltalán nem sajnálom. Az autókkal is szerettem foglalkozni, azzal kapcsolatban is voltak személyes projektjeim, de azt mondom inkább, hogy próbálj meg tudatosan ne csak a problémák megoldására fókuszálni, hanem arra is, hogy miért lesz jó ezeknek a problémáknak a megoldása. Ha én tudom, hogy a Teslánál kötök ki, akkor lehet, hogy több időt töltök a gépi tanulómódszerekkel. Annak idején még a számítógépet teljesen máshogy használtam, mint mostanában. Ha most mondhatnám az egyetemista korú önmagamnak, hogy ezzel foglalkozz és ne más kis hülyeségekkel, az jó lenne. Így visszatekintve azt mondtam volna magamnak, hogy legyen egy erősebb motívum abban, amivel a szabadidődet töltöd, amit félszakmai dolgokra fordíthatsz. Ott is legyél a saját főnököd. Legyél az, aki kicsit számonkéri rajtad a dolgokat, de nem olyan szinten, hogy ostorozd magad, hanem olyan szinten, hogy legyen egy hosszú távú terved.

Dr. Szabó Gábor gépi tanulással foglalkozik, elsősorban a prediktív modellezés és a modellek gyakorlati implementációja érdekli. Utoljára a Tesla önvezető autóinak szoftverén dolgozó egyik csoport vezetője volt, előtte a Lyft autómegosztó hálózatának optimalizációján és erőforrásallokációs problémáján dolgozott. A Budapesti Műszaki és Gazdaságtudományi Egyetemen szerzett doktori címet és a “Social Media Data Mining and Analytics” című könyv, valamint számos tudományos cikk szerzője.

Grafika: Molnár Roland | Hype&Hyper