A hálózattudományról sokat hallhattunk az utóbbi időszakban, főleg Barabási Albert-László munkássága kapcsán, akivel együtt is dolgozol. Hogyan jutottál el ehhez, a big data korában rendkívül aktuális tudományterülethez?
Mindig is érdekelt a matematika és a fizika, egyébként sokáig mérnöknek készültem. Aztán gimnázium utolsó előtti nyarán bekerültem a Központi Fizikai Kutatóintézet „Tanuljunk Egymástól” nyári kutatótáborába, ahol egyből megcsapott a tudomány szele, és egészen az ELTE fizika szakáig vitt. Magával a hálózatkutatással először másodévesként találkoztam, amikor áthallgattam az elsősorban biológusoknak meghirdetett Számítógépes modellezés a biológiában című kurzusra. Itt szimulációs modellezés segítségével kis csoportokban dolgoztunk ki egy-egy biológiai vonatkozású problémát a félév során. Ekkor egy mai szemmel visszanézve elképesztően aktuális témát, a vírusok különböző struktúrájú társadalmi hálókon történő terjedését vizsgáltuk, kitérve arra is, hogy a különböző oltási stratégiák milyen hatékonysággal képesek lelassítani/megfékezni egy-egy adott sebességgel terjedő betegséget. Ezt az intermezzot leszámítva viszont alapszakos kutatásaimat kísérleti optika és biofizika témában folytattam, a számítógépes modellezés igazán mesterképzésem alatt, komplex rendszerek kutatásán keresztül vált először mindennapjaim részévé.
Miket hívtok komplex rendszereknek tudományos körökben?
A komplex rendszerek kifejezés egy egészen általános gyűjtőnév, ami alatt rengeteg dolgot érthetünk, társadalmi rendszerektől a zenén át egészen az internetig. Ami közös bennük, hogy rengeteg kis alkotóegységből állnak - például emberek/hangjegyek/wifi routerek, amelyekből ha egy nagy sokaságot képzünk (néhány tucat, vagy akár több millió elemi egységből), akkor az összességük az elemi egységek alapján intuitívan elvártnál sokkal komplexebb, váratlanabb mintákat mutat. Erre egyébként szerintem remek példa a mesteri szakdolgozatom kutatása is. Ebben a munkában Prof. Vicsek Tamás laborjában az ELTE-n azt vizsgáltuk, hogyan lehet néhány egyszerű fizikai erő formájában megmagyarázni, hogyan alakulnak ki a csoportos üldözési jelenségek a természetben. Vagyis mi a falkában vadászó állatok „fizikája”. Másként fogalmazva, hogyan tudunk a számítógép képernyőjén keresztül olyan modellt megalkotni, ami valósághű módon reprodukálja azt, ahogy egy csapatnyi farkas kergeti és sikerrel elkapja a prédáját. Persze önmagában egy farkas hihetetlenül összetett biológiai rendszer (végtelen sok változó paraméterrel), ám kiderült, hogy az üldözési minták hatékony és pontos leírásához – a számítógép képernyőjén valóra váló szimulált csoportos vadászathoz - elegendő lehet akár néhány egyszerű fizikai kölcsönhatás, például a taszítás és vonzás ügyes kombinálása.
Az utóbbi években ugrásszerű fejlődést látunk az adatalapú alkalmazások és kutatások terén - ez minek köszönhető inkább, a számítási kapacitások növekedésének vagy a kutatás módszertanának változott meg radikálisan?
Szerintem elsősorban technológiai okai vannak, ugyanis például manapság adattudományi körökben leggyakrabban használt matematikai eszközök jelentős része már néhány évtizeddel ezelőtt is létezett, sőt, kutatásaink során nagyon gyakran nyúlunk vissza akár évtizedes múltra visszatekintő társadalomtudományos hipotézisekhez is. Vagyis sok ötlet és elmélet már korábban is létezett, ám a gyakorlati megvalósíthatóságuk, alkalmazhatóságuk mindeddig technológiai és adat-elérhetőségi gátakba ütközött.
Mi a legnagyobb kihívás egy-egy új kutatási projekt elején, különösen akkor, ha addig ismeretlen terepre mentek?
Szerintem a modern tudományban nagyon fontos, hogy az ember időről időre perspektívát váltson, új irányokba kóstoljon bele. Egyszerűen – szerintem - túl sok izgalmas, de egymástól független terület és irány létezik ahhoz, hogy egy évtizedeken át egyetlen fókuszom legyen. Így került először a kísérleti biofizika, majd a komplex rendszerek modellezése, a hálózatkutatás, a zene és újabban az urbanisztika és a művészet is a kutatási portfóliómba.
Általában azt tapasztalom, hogy ha valami újba kezdünk, akkor az újdonság varázsa keveredik az iránykereséssel. Tehát a már meglévő, fizikus és hálózatos gondolkodásmód logikája mentén térképezzük fel ezeket az új „mikroverzumokat”. Mintegy sorvezetőként megkeressük a lehetséges analógiákat korábbi kutatásokkal, elméletekkel, tapasztalatokkal, közben pedig ezeket felhasználva régi kérdéseket új köntösben csakúgy, mint teljesen új kérdéseket tehetünk fel és válaszolhatunk meg.
Egy ilyen példa a PhD disszertációm azon fejezete is, ahol a sztár Dj-k sikerességének különböző mutatószámait és a közöttük lévő hálózatos kapcsolatok jellegét vizsgáltam. Akkoriban már kiterjedt kutatások övezték például a tudományban elért sikert, ami esetemben összeért a zenei érdeklődéssel. Ötlet szinten egyébként egy amszterdami fesztiválról hazafelé jövet született a projekt – ezen a fesztiválon hirdetik ki minden évben az idei 100 legnépszerűbb (mainstream) Dj-t, akik a kutatás alap-adathalmazaként is szolgáltak. Egy ilyen 100-as toplista esetében persze a legtöbbeket foglalkoztató kérdés, hogy ki lesz a következő No. 1. – amihez aztán el is kezdtem adatokat gyűjteni, elemezni, kombinálni a gépi tanulást és a hálózattudományt – végül pedig az eredményeket publikáltuk a Scientific Reportsban.
Az utóbbi hónapokban a kulturális szférában nagy karriert befutott betűszó, az NFT világában mit keres egy olyan, hálózatkutatással foglalkozó műhely, mint a BarabásiLab?
A köztudatban még viszonylag friss fogalom az NFT (non-fungible token), ezért javaslom nézzük meg kicsit közelebbről. Az NFT egy olyan informatikai (egészen pontosan blockchain-en) rendszeren tárolt adatsor, aminek legfontosabb tulajdonsága, hogy digitális fájlokra – például fotó vagy videó - értelmezi az eredetiség és a tulajdonjog fogalmát. Beégeti az egyes fájlokhoz - amik lehetnek akár digitális műalkotások is - rendelt egyedi és megmásíthatatlan azonosítót a blockchain rendszerbe, ami által a munka teljes életútja, tulajdonosai, vételárai transzparens és követhető módon, digitálisan kerülnek dokumentálásra. Ezek az információk a hagyományos műkincspiacon jellemzően nem elérhetőek, a szemünk elől rejtve zajlanak. Vagyis az NFT-piac felpörgésével egy olyan digitális művészeti szcéna jött létre, amely teljes egészében adat-alapon lekövethető, megvizsgálható, és megérthető, egészen új látószöget kínálva a modern művészeti életre.
Barabási Albert-Lászlóval és csapatával több mint másfél éve foglalkozom én is művészeti projektekkel a hálózat- és adattudomány lencséjén keresztül. Így látva az imént említett NFT-piacban rejlő izgalmas újdonságokat, idén márciusban nem volt sokáig kérdés, hogy a mélyére nézzünk. Első körben megvizsgáltuk a legnagyobb presztízsű NFT aukciós oldalt, a SuperRare-t. Márciusban még alig volt fenn több mint 1000 művész, de havi szinten már akkor is többmillió dolláros forgalmat bonyolított, így komoly, fajsúlyos digitális művészeti piacot képvisel. Munkánk során a SuperRare adataival, pontosabban az ezen az oldalon eladott műkincsekkel és a hozzájuk tartozó tulajdoni és árazási viszonyokkal kezdtünk el alaposabban foglalkozni. A SuperRare felhozatal egyébként nagyon sokszínű, animációktól mesterséges intelligencia által generált képeken át egészen a Time Magazin korábbi címlapjáig rengeteg eltérő stílust megtalálni.
A SuperRare-vel kapcsolatos kutatásunknak több izgalmas eredménye is lett. Ezek tudományos és művészeti vonatkozásaid hosszabban egy a New York Times-ban egy esszé foglalja össze [LINK: https://www.nytimes.com/2021/05/07/opinion/nft-art-market.html], gyakorlati vonatkozása pedig magán a vizsgálati alanyon, a SuperRare platformon [LINK: https://superrare.com/barabasilab] található. Ugyanis a New York Times cikk folyományaként a BarabásiLab, mint művész-tudós kollektíva, meghívást kapott a SuperRare platformra, ahol hálózatos adatvizualizációnk a legelismertebb kripto-művészek munkáival kerültek egy virtuális kiállítótérbe.
Hogyan történik egy NFT létrehozása és értékesítése a gyakorlatban?
Az NFT eladások nagyon nagyrésze néhány online NFT-platformon zajlik, ilyen a SuperRare is. Ezek a platformok egyrészt összefogják a művészeiket, megjelenési felületeket biztosítanak számukra, szerves részei az alkotói térnek. Másrészt pedig minden technológiai segítséget megadnak az NFT munkák blockchain technológián történő létrehozásában. Ennek köszönhetően a nap végén az NFT-k létrehozása, eladása, és vásárlása alig bonyolultabb, mint mondjuk egy nagybevásárlás az Amazonon.
A gyűjtők gondolom nem a valódi neveikkel licitáltak.
Jellemzően nem, sőt, van, aki teljesen titokban, bármiféle publikus azonosító nélkül licitál – bár azt hiszem, ők a hagyományos művészeti piachoz hasonlító kisebbség. A többség viszont, ha nem is valódi identitással, de jól látható, például Twitter profillal működik – sokan elsősorban az online közösségi médiában büszkélkednek a legújabb NFT-szerzeményeikkel, de szakmai viták és ötletelések is gyakran előfordulnak ezeken a fórumokon művészek és gyűjtök között egyaránt.
A Datapolisnál vagy most, ami az első teljes munkaidős állásod. Mivel foglalkozik a cég és milyen út vezetett ide neked?
Igen, a cég megszületésétől fogva, vagyis kb. másfél éve vagyok a Datapolis csapat tagja társalapítóként és mint chief data scientist. A Datapolis egy adatalapú lokalizációelemzéssel foglalkozó startup, ahol elsősorban városi környékek minél pontosabb adatalapú feltérképezésével és modellezésével foglalkozunk. Számomra a projekt (egyébként független) előzménye a cambridge-i Bell Labs-ben töltött kutatási projektem volt 2018 nyarán. Ebben a munkában azt vizsgáltuk, hogy különböző profilú a városi helyszínek – mint a kávézók, bárok, parkok - népszerűsége időben hogyan változik, milyen mintákat, szabályszerűségeket mutat – vannak-e tipikus „városi életciklusok”. Persze itt még akadémiai köntösben zajlott a munka és a gondolkodás – a Datapolis-hoz való csatlakozásommal viszont áttértem a gyakorlati alkalmazás világába.
Mit jelent az adatalapú lokációelemzés?
Nagyon leegyszerűsítve azt jelenti, hogy minél több információt gyűjtünk össze egy-egy adott pontról egy városban, kezdve a forgalom nagyságától, az ott megforduló emberek jellemzőin át, a zöld területek nagyságáig, a környéken működő üzletek típusáig vagy éppen a levegő- és zajszennyezés megbecsüléséig. Az adatok egy része mondhatni egyszerű statisztikai információ, azonban – és ez a mi fő erősségünk - számos olyan adat- és hálózattudományi elemzést készítünk, építve a BarabásiLab korábbi munkáira, amik egészen komplex mélységekben képesek megfogni a városi helyszínek minőségét, az ott megforduló emberek igényeit és szokásait.
Ez a fajta megértés pedig egészen jól alkalmazható a gyakorlatban – hiszen ha mélységében értjük egy-egy környék sajátosságait, akkor nagyon könnyen össze tudjuk kapcsolni bizonyos emberi igényekkel, szokásokkal. Vagyis meg tudjuk mondani, hogy bizonyos érdeklődések, igények esetén mi lesz az egyén számára ideális lokáció (azaz hová költözzünk, hol foglaljunk szállást, stb.), illetve megfordítva: hol érhetjük el a fogyasztóinkat a leghatékonyabban, legeredményesebben adott profilú üzletünkkel. Vagyis az egyéni és üzleti felhasználók között egyfajta optimalizációs helyzet alakul ki, ami végeredményben a lakókörnyezetek eredő életminőségét is jelentősen javíthatja.
A budapesti felújítások, lezárások közlekedési hatását is modelleztétek?
Igen, a Datapolis csapattal nemrég készítettünk egy elemzést, amiben megvizsgáltuk a Lánchíd lezárásának hatását mind a gyalogos mind pedig a tömegközlekedés esetére. A gyalogos esetben azt láttuk, hogy Budáról Pestre haladva a Lánchíd pesti hídfőjétől mintegy-tölcsérszerűen kiszélesedve akár 22 perccel is megnövekedhet a Pestre való átjutás ideje, ugyanakkor a kb. 200 budapesti szomszédságból a lezárás mindössze nagyjából 20-at érint. A BKV-t választók számára még ennél is biztatóbbak számok: csupán néhány járatnál mértünk nagyjából 5 perces menetidő növekedést a híd lezárását követően, egyébként a közlekedés zavartalanul működik. Persze a legtöbb panasz az autóval közlekedőktől érkezik – mi viszont elemzésünkkel maradtunk a környezettudatos megoldásoknál.
Hogy telik egy napod a Datapolisnál?
Minden nap más, és elképesztően sokat is változott az elmúlt másfél évben. A cég elindulásakor hárman voltunk az operatív csapatban, Szima-Mármarosi Balázs ügyvezető, Décsi Emese várostervező és én, aki az adatos kutatásainkat vezetem. Ekkor még gyakorlatilag minden napi szintű feladatot hárman végeztünk. Azóta viszont egy közel tizenöt fős és tovább gyarapodó céggé cseperedtünk, aminek jelenleg kb. fele az adatos csapat. Így a munkám egy jelentős része ma már a csapattársaim munkájának segítése, témavezetése, a legfrissebb tudományos eredmények beemelésétől technológiai kérdéseken át a project management-ig. Ez mellett szerencsére jut még időm elemzéseken és a kutatásainkon is dolgozni, illetve egyfajta hídként is működök az adatos-tudományos csapat, valamint az üzleti és szoftver- és termékfejlesztési részek között. Elképesztően izgalmas, változatos, és pörgős, és bár vannak fixpontok, tényleg nincs két egyforma napom.
Vagyis a PhD végeztével, szinte még diákként kerültél főnöki pozícióba – milyen főnöknek lenni?
Azt hiszem, hogy erről inkább a csapattagjaimat kellene megkérdezni. Ugyanakkor bevallom, én nem igazán tudok azonosulni a főnök szóval, kicsit elavultnak és túlságosan tekintélyelvűnek gondolom, nagyon meghaladta a kor. Inkább valahogy úgy fogalmaznék, ha ragaszkodunk a titulusokhoz, hogy én vagyok a koordináló és összefogó szerepben, és a hangsúly a csapaton, a közös gondolkodáson és értékteremtésen van. Mindenesetre azt nagyon jó volt megélni, hogy szinte mindenkivel, aki korábban gyakornokként dolgozott a csapatomban, később valamilyen módon folytattattuk a közös munkát.
Janosov Milan gyűjtőoldala
Kövesd az oldalunkat a Facebook-on és a Twitteren is!
