Hogyan működik a mesterséges intelligencia, és mi kell ahhoz, hogy egy gyárban ne csak látványos legyen, hanem hasznot is hozzon? Ezzel a kérdéssel nyitotta Kis Bálint, az Urban-IT ipari fejlesztési csoportjának vezetője a II. Magyar Öntészeti Konferencia „Mesterséges intelligencia az öntészetben” blokkját 2026. október 9-én Gyirmóton. Az előadás címe: „Mi van a motorháztető alatt? Intelligens megoldások az ipari gyakorlatban”. Az előadás három blokkra épült: hogyan működik az MI, mit tanultunk valós ipari projektekből, köztük a kudarcokból, és hol használható az öntészetben. A harmadik blokkra már nem maradt idő, pedig ez érdekelte volna leginkább a termet. Ebben a cikkben összefoglaljuk az elhangzottakat, és pótoljuk a harmadik blokkot is: tíz konkrét MI-alkalmazást az öntészet teljes értékláncára.
Bálint maga is az ipar felől érkezett a mesterséges intelligenciához. Automatizálási műszerésznek tanult az Egressy Gábor Ipari Szakközépiskolában, majd 1993 és 1998 között a BME Villamosmérnöki és Informatikai Karán végzett, villamosenergia-szakon, mesterséges intelligencia szakirányon. Azóta gyári automatizálási, képfeldolgozási és MI-projekteken dolgozik.
📊 Mit gondol egy öntészeti szakmai közönség az MI-ről?
Az előadás egy élő szavazással indult (1–5 skálán):
- 4,3 – használtam már mesterséges intelligencián alapuló eszközt
- 3,3 – az MI alapvetően pozitív irányba változtatja meg a világot
- 4,8 – az MI néhány éven belül a legtöbb munkakör természetes része lesz
- 4,8 – szeretnék többet tudni arról, hogyan használhatom jól az MI-t
A teremben szinte mindenki biztos abban, hogy az MI jön, és a többség már használja is. Abban viszont megoszlanak a vélemények, hogy ez jó-e. Ez a bizonytalanság érthető: amíg nem látjuk, mi van a motorháztető alatt, addig az MI vagy varázslat, vagy fenyegetés. Az előadás célja ezért három szó volt: megérteni, használni, lehetőségeket felfedezni.
🧠 Hogyan működik a mesterséges intelligencia? Röviden, matek nélkül
Az MI nem új találmány, csak most állt össze hozzá minden. A rövid történet:
- 1943 – McCulloch és Pitts matematikai modellt alkot az idegsejt működésére: ez az első mesterséges neuron.
- 1950 – Alan Turing felteszi a kérdést: gondolkodhatnak-e a gépek?
- 1958 – a perceptron, az első tanuló neurális háló, még kézzel huzalozott kapcsolatokkal.
- 1997 – a Deep Blue sakkszámítógép legyőzi Kaszparovot.
- 2012 – a mély tanulás áttörést hoz a képfelismerésben.
- 2017 – megjelenik a Transformer-architektúra, a mai nagy nyelvi modellek alapja.
- 2022 – a ChatGPT-vel az MI milliók mindennapi eszközévé válik.
A neurális háló lényege egyszerű: sok apró számolóegység („neuron”), amelyek bemeneteket súlyoznak, összeadnak, és továbbadnak egy jelet. A tanulás azt jelenti, hogy ezeket a súlyokat a rendszer rengeteg példa alapján addig állítgatja, amíg a kimenet jó nem lesz. Az előadás példája egy 8×8 pixeles smiley volt: egy hagyományos, szabályalapú program azt nézi, hogy a száj alsó részén van-e több fekete pixel. Egy neurális háló ugyanezt mosolygós és szomorú arcok tucatjaiból tanulja meg, szabályok megírása nélkül.
A nagy nyelvi modell (LLM) egy nagyon nagy neurális háló, amely egy dolgot csinál: megjósolja a következő szót. „A macska felmászik a ___” – a modell a fára tippel, mert a betanító szövegekben ez volt a legvalószínűbb folytatás. Ahhoz, hogy ebből ChatGPT legyen, 2022-re három dolognak kellett összeállnia: hatalmas tanító adathalmaz (~300 milliárd szó), GPU-farmok és hatékony tanító algoritmus.
A méretek érzékeltetésére: a GPT-3 175 milliárd, a DeepSeek-R1 671 milliárd paraméterrel dolgozik. Az emberi agyban kb. 86 milliárd neuron és ~100 billió szinapszis van. A legnagyobb mai modellek is nagyságrendekkel kevesebb kapcsolattal működnek, és az agy ezt töredék energiával végzi.
🌡️ Fuzzy logika: amikor a szakértő tudását kell szabályokba önteni
Az ipari MI nem csak neurális háló. Bálint projektjeinek egy része fuzzy logikára épült (Lotfi A. Zadeh, 1965). Az alapötlet: a valóságban a határok nem élesek. A 38 °C-os víz egyszerre kicsit „meleg” és kicsit „langyos”. A fuzzy szabályzó ezért nem képletekkel, hanem a szakember nyelvén megfogalmazott szabályokkal dolgozik: „ha a víz kicsit hideg, és a kívánt hőmérséklet közel van, nyisd kicsit a meleg vizet”.
| Szempont | PID szabályzó | Fuzzy szabályzó |
|---|---|---|
| Matematikai modell | Szükséges | Nem szükséges |
| Folyamat jellege | Lineáris, jól modellezhető | Nemlineáris, változó, bizonytalan |
| Hangolás | Paraméterek (Kp, Ki, Kd) | „Ha – akkor” szabályok |
| Szakértői tudás beépítése | Nehéz | Természetes |
Ott érdemes, ahol a folyamatot nehéz egyenletekkel leírni, de egy tapasztalt technológus pontosan tudja, mit kell csinálni. Ez az öntészetben gyakori helyzet.
🏭 Ipari MI-projektek: mi működött, és mi nem?
Az előadás legértékesebb része Bálint saját, korábbi ipari projektjeinek őszinte áttekintése volt, a sikerekkel és a kudarcokkal együtt.
✅ Bridgestone Tatabánya, HSDT-projekt: fuzzy hőmérséklet-szabályozás. A gumiabroncsgyár egyik berendezésénél fuzzy szabályzó vezérli a fűtő- és hűtőszelepeket. Eredmény: stabil hőmérséklet, egyenletesebb termékminőség, kevesebb selejt, optimalizált energiafelhasználás, változó terhelés mellett is.
✅ Bridgestone Tatabánya, Compact PT-projekt: folyamatos anyagellátás fuzzy vezérléssel. Egy feszességérzékelő és egy fuzzy szabályzó állítja az alapanyag-adagolás sebességét a röntgenező berendezés előtt: ha laza az anyag, gyorsít, ha feszes, lassít. Kevesebb szalagszakadás és leállás, nagyobb megbízhatóság.
✅ ÉDÁSZ, fogyasztás-előrejelzés neurális hálóval (GVOP, 2005). Az áramszolgáltató múltbeli fogyasztási adataiból, valamint piaci és naptári adatokból tanuló előrejelző és erőművi optimalizáló rendszer, a liberalizált energiapiac korai időszakában.
⚠️ Elzett Sopron, kamerás darabszámlálás a galvanizáló soron (2007). A gép MI-alapú képfeldolgozással megbízhatóan számolta a lakkozásra kerülő darabokat, és jelölte a selejtet. Műszakilag sikerült. A projekt mégsem hozta a várt hasznot, mert nem kötötték össze a vállalatirányítási (MES/ERP) rendszerrel: a gyűjtött adat nem kapcsolódott sem a darabtípushoz, sem a sarzsszámhoz, így „a levegőben lógott”. Ugyanezért nem épült ki a galvanizáló kádak tervezett hőkamerás felügyelete sem.
⚠️ Roto Elzett Certa, Lövő: kamerás méretellenőrzés a vasalatgyártásban (2011). Nagy pontosságú, ciklusonkénti automatikus mérés készült. A hiba: a rajz összes méretét bevonták az ellenőrzésbe, azokat is, amelyekre a sajtolóüzemnek nem volt ráhatása. A rendszer túl sok fals hibát jelzett, és ezzel elvesztette a dolgozók bizalmát.
Egyik kudarc sem az algoritmuson múlt. Mindkettő adat- és rendszerkérdés volt.
🧭 Tanulság: a jó MI-algoritmus önmagában nem elég
- Az eredményt vissza kell kötni a gyártott termékhez, a sarzshoz, a technológiai paraméterekhez és a gyártási eseményekhez.
- Kulcs az adatgyűjtés: megbízható, azonosítható és strukturált adat nélkül az MI-nek nincs üzleti értéke.
- Szükséges a MES/ERP-integráció a teljes folyamat átláthatóságához és a visszacsatoláshoz.
- Fontos a szakértő bevonása: a technológusok tapasztalata nélkül a modellek nem lesznek relevánsak, és azt sem tudjuk, mit érdemes egyáltalán mérni.
Egy sikeres MI-projekt ezért öt lépésből áll: adatgyűjtés és azonosíthatóság → rendszerintegráció → MI-modell fejlesztése → pilot és üzleti validáció → folyamatos fejlesztés és skálázás. A legtöbb projekt ott csúszik el, hogy a harmadik lépéssel kezdődik.
🔥 MI az öntészetben: 10 konkrét alkalmazás
Ez az előadás harmadik blokkja, amelyre a konferencián már nem maradt idő.
Miért ideális terület az öntészet az MI számára? Sok, egymással összefüggő technológiai paraméter határozza meg a végeredményt. Egyes hibák csak az öntés után, sokszor a megmunkálás vagy a röntgenvizsgálat során derülnek ki. Nagy az energia- és anyagfelhasználás. A tapasztalt technológusok pedig olyan összefüggéseket ismernek, amelyek sehol nincsenek leírva.
- Selejt-előrejelzés – porozitás, zárvány, repedés, zsugorodási üreg kockázatának becslése (neurális háló, gépi tanulás).
- Olvadékminőség – összetétel, hőmérséklet és kezelési idő alapján a minőség becslése.
- Öntési paraméterek optimalizálása – öntési hőmérséklet, töltési sebesség, nyomás, hűtési idő.
- Kamerás minőségellenőrzés – felületi hibák, sorják, hiányos kitöltés automatikus felismerése gépi látással.
- Röntgenképek elemzése – belső üregek, porozitás, zárványok automatikus azonosítása.
- Forma- és magkészítés – homoknedvesség, tömörítés, kötőanyag és szilárdság összefüggései.
- Energiaoptimalizálás – kemencék, hőntartás és olvasztási ciklusok energiaigényének csökkentése.
- Prediktív karbantartás – csapágyak, szivattyúk, ventilátorok, hidraulika meghibásodásának korai jelei.
- Gyártástervezés – öntési sorrend, gépkihasználás, átállások optimalizálása.
- Technológusi asszisztens – a korábbi hibajegyzőkönyvekből, utasításokból és tapasztalatokból tanuló, kérdezhető LLM-asszisztens.
A közös elv a műanyag-fröccsöntésből már ismert: valós idejű megfigyelés → hibák korai felismerése → folyamatstabilitás → adatalapú szabályozás.
🤝 Az MI mint munkatárs: chatbot, asszisztens, ügynök
A gyári MI három formában jelenik meg:
- Felhőalapú nagy nyelvi modellek API-n keresztül, saját alkalmazásba integrálva: dokumentumok összefoglalása, levelezés, fordítás, táblázatok, műszaki dokumentáció.
- Helyben futó, neurális hálón vagy fuzzy logikán alapuló megoldások a gép mellett: okos kamera, szabályozás, valós idejű döntés, hálózattól függetlenül.
- MI-ügynökök, amelyek már nemcsak válaszolnak, hanem terveznek, eszközöket használnak és lépéseket hajtanak végre.
Hogy ez nem jövőkép, arra három példa az Urban-IT-nál ma is futó megoldások közül. Az egyik nyelvtől függetlenül kiolvassa a beérkező számlákból a számlaszámot, a kiállítót és a dátumot, majd átnevezi és a megfelelő mappába rendezi őket. A második egy megbeszélés jegyzetéből rendszer-összefoglalót, ajánlatot, szerződést és specifikációt készít egységes sablonból. A harmadik osztályozza a beérkező e-maileket (rendelés, reklamáció, ajánlatkérés), kiolvassa belőlük a vevőt, a tételeket és a határidőt, és rendelésvázlatot készít az ERP-be. Mindháromban közös, hogy a kimenő lépést ember hagyja jóvá. Maga az előadás is ezt a szemléletet követte: a teljes prezentáció MI-vel készült, de az irányt ember adta.
⚙️ Miben segít az Urban-IT?
Egy MI-modellt ma bárki ki tud próbálni egy délután alatt. A gyárban az a nehéz, ami a modell körül van: honnan jön az adat, hogyan kapcsolódik a termékhez és a sarzshoz, hová kerül vissza az eredmény, és ki hagyja jóvá. Ezt nem lehet egy chatablakban megoldani. Ehhez valakinek ismernie kell a gépeket, a MES- és gyártáskövető rendszert és az ERP-t is. Mi pontosan ezen a határvonalon dolgozunk: gépközeli adatgyűjtéstől és szabályozástól a több üzemes gyártáskövetésen át az MI-vel támogatott irodai folyamatokig.
- MI-előadás, workshop a csapatodnak vagy szakmai rendezvényre, a ti iparágatok példáival. AI képzés és előadás vállalkozásoknak
- Felmérés: hol van nálatok olyan adat, amelyből MI-vel érdemi haszon lehet, és mi hiányzik hozzá.
- Pilot és integráció: egy jól körülhatárolt feladatra, a meglévő gépekhez, MES- és ERP-rendszerekhez kötve.
❓ Gyakori kérdések
Hogyan működik a mesterséges intelligencia egyszerűen?
Sok egyszerű számolóegység (neuron) súlyozott kapcsolatokkal. A rendszer rengeteg példa alapján addig állítja a súlyokat, amíg a kimenet helyes nem lesz. A nyelvi modellek ezt szövegen csinálják: megtanulják, mi a legvalószínűbb következő szó.
Mi a különbség a neurális háló és a fuzzy logika között?
A neurális háló adatokból tanul, és nem kell megírni a szabályait. A fuzzy logika a szakember által megfogalmazott „ha – akkor” szabályokkal dolgozik, de a határokat nem élesen, hanem fokozatosan kezeli. Az iparban gyakran együtt használják őket.
Hol érdemes elkezdeni az MI-t egy öntödében?
Ott, ahol már van azonosítható adat, és a hiba drága: selejt-előrejelzés, kamerás minőségellenőrzés vagy energiaoptimalizálás. Az első lépés szinte mindig az, hogy az adat a termékhez és a sarzshoz kötve gyűljön.
Kérdésed van az előadással vagy egy konkrét MI-ötlettel kapcsolatban? Keresd Kis Bálintot közvetlenül: kis.balint@urban-it.hu, +36 20 982 8699, vagy írj nekünk az oldal alján lévő űrlapon. Ha szakmai rendezvényre vagy belső képzésre keresel előadót, nézd meg az AI-előadásainkat.
