Adatból tudás: a generatív mesterséges intelligencia hatása a felsőoktatási adatkezelésre

Beszámoló az MTA GTB Gazdaságinformatika Albizottság és a Tudományos Számítások Egyesületének közös rendezvényéről

2026. május 15. 13.00-15.00, Gellért Campus, Rooftop terem

Kő Andrea, a Gazdaságinformatika Albizottság elnöke köszöntötte a résztvevőket a két szervező, a Gazdaságinformatika Albizottság és a Tudományos Számítások Egyesülete nevében, majd bemutatta az előadókat.

A rendezvény a mesterséges intelligencia és a felsőoktatási adatvagyonkezelés fenti kapcsolódási területeire fókuszált, három előadás és egy azt követő kerekasztal-beszélgetés keretében.

Az előadások:

• Hosznyák András (vezető felsőoktatási adatelemző, Oktatási Hivatal, Felsőoktatási Elnökhelyettes): A felsőoktatási digitális lenyomata – az Oktatási Hivatal és az intézmények lehetséges szimbiózisa az AI felhasználás felé vezető úton
• Szabad Szabina (Budapesti Gazdaságtudományi Egyetem): Értékteremtés az egyetemi adattárházakban: technológiai és szervezeti realitások
• Szilágyi Balázs (Magyar Telekom): Az adatoktól a hatékonyságig: Mesterséges intelligencia alapú mobilhálózati energiagazdálkodás a Magyar Telekomnál
• Kerekasztal-beszélgetés: Hosznyák András (Oktatási Hivatal), Szilágyi Balázs (Magyar Telekom), Szabad Szabina (Budapesti Gazdaságtudományi Egyetem). Moderátor: Vas Réka (Budapesti Corvinus Egyetem)

Az első előadást Hosznyák András, az Oktatási Hivatal felsőoktatási elnökhelyettese és vezető felsőoktatási adatelemzője tartotta „A felsőoktatási digitális lenyomata – az Oktatási Hivatal és az intézmények lehetséges szimbiózisa az AI felhasználás felé vezető úton” címmel. Előadásában azt vizsgálta, hogyan támogathatják a mesterséges intelligencia alapú megoldások a felsőoktatási és hatósági folyamatokat. Bemutatta, hogy az AI különösen a strukturált adatok feldolgozásában jelenthet segítséget, például a képzési és kimeneti követelmények (KKK) értelmezésében, illetve azok nemzetközi rendszerekkel – például az ESCO vagy az O*NET adatbázisokkal – való megfeleltetésében. Konkrét példaként ismertette az Oktatási Hivatal egyik kísérleti projektjét, amelyben Gemini AI támogatásával egyetlen munkanap alatt építettek fel olyan adatbázist, amely megmutatja, hogy Magyarország bármely két települése között van-e közvetlen MÁV- vagy Volán-járat, illetve mennyi az optimális eljutási idő. A rendszer működését Szombathely és Miskolc közlekedési kapcsolataival szemléltette. Az előadás második részében az Oktatási Hivatal adattárházi portfólióját mutatta be. Ismertette a felvételi, a FIR DW alapú felsőoktatási tanulmányi, valamint a pályakövetési adattárházak szerepét és működését. Kiemelte, hogy a felsőoktatásban alkalmazott AI-megoldások jelenleg elsősorban machine learning módszereket jelentenek. A lemorzsolódás-vizsgálatok kapcsán hangsúlyozta: a mesterséges intelligencia elsősorban támpontokat és előrejelzéseket képes adni, a döntésekhez szükséges teljes kontextus azonban sok esetben nem áll rendelkezésre. Bemutatta azokat a nemzetközi kutatásokat és releváns adatköröket, amelyek a hallgatói előrehaladás előrejelzésében fontos szerepet játszanak, valamint ismertette az első féléves predikció különböző időpontjait a felvételtől a második félév elejéig. Az Oktatási Hivatal szerepét elsősorban tudásátadásban, tudásmegosztásban és adatszolgáltatási támogatásban látta.

Az előadást követő kérdések során Szilágyi Balázs arra kérdezett rá, hogy az Oktatási Hivatal rendelkezik-e megfelelő kapacitással az ilyen fejlesztésekhez. Hosznyák András válaszában elmondta, hogy jelenleg mintegy 7–8 fős szakmai csapat foglalkozik ezekkel a területekkel. Drótos György (Budapesti Corvinus Egyetem) a doktori felvételi folyamatokban alkalmazható AI-lehetőségekről érdeklődött. Felvetette, hogy az AI alkalmas lehetne a jelentkezési dokumentumok ellenőrzésére, a jogosultságvizsgálatra, valamint a kutatási tervek automatikus elemzésére és plágiumvizsgálatára. Hosznyák András szerint ezek nem az Oktatási Hivatal hatáskörébe tartoznak, hanem a doktori iskolák együttműködését igényelnék. Egy következő kérdésben a Neptun rendszer esetleges megszűnésével kapcsolatban elmondta: az OH számára nem a konkrét tanulmányi rendszer, hanem az adatszolgáltatás szabványos formája a meghatározó.

A második előadó Szabad Szabina, a Budapesti Gazdaságtudományi Egyetem munkatársa volt, aki „Értékteremtés az egyetemi adattárházakban: technológiai és szervezeti realitások” címmel tartott előadást. Egy BGE-s esettanulmányon keresztül mutatta be az adattárházi fejlesztések nehézségeit és tanulságait. Elmondta, hogy a korábban beszerzett NeptunVIR BI rendszer bevezetése nem valósult meg megfelelően: hiányzott a szervezeti támogatás, az oktatás és az adat governance háttér. A projektet 2024-ben újraszervezték, és azóta fokozatosan építik ki az adattárházi architektúrát Microsoft-környezetben, hosszabb távon Azure-alapú működést tervezve. Jelenleg a staging réteg és az adattárház már működik, valamint az adatpiac egyes elemei és dashboardjai is elkészültek. Az adattárházat controlling folyamatokhoz, oktatói teljesítményelemzéshez és AACSB adatszolgáltatáshoz használják. Szabad Szabina hangsúlyozta, hogy bár az adattárház még nincs összekötve mesterséges intelligencia megoldásokkal, a fejlesztési folyamatokban és K+F kísérletekben már alkalmaznak AI-t. Véleménye szerint az adattárházak területén nem feltétlenül a generatív AI jelenti a legfontosabb irányt, ugyanakkor több pilotprojekt is fut RAG-architektúrák alkalmazására. Az előadás fő tanulságaként kiemelte, hogy a technológiai fejlődéshez megfelelő szervezeti érettségre is szükség van, ugyanakkor részleges architektúrával is lehet értéket teremteni és szolgáltatásokat nyújtani.

A harmadik előadást Szilágyi Balázs (Magyar Telekom) tartotta, aki üzleti oldalról közelítette meg az AI és az adatelemzés kérdését. Előadásában a mobilhálózati energiafelhasználás optimalizálását mutatta be. Ismertette, hogy a mobilcellák működéséből kétpercenként mintegy 200 különböző metrika keletkezik, amelyek feldolgozása machine learning alapú megoldásokat igényel. Az alkalmazott algoritmusok segítségével sikerült javítani a spektrumhatékonyságot és csökkenteni az energiafelhasználást, ami egyben az ESG-célok teljesítését is támogatja.

A kérdések során Drótos György (Budapesti Corvinus Egyetem) a beruházások megtérülésére kérdezett rá, amely Szilágyi Balázs szerint már 1%-os javulás esetén is megtérül és gyors, 2,5–3 éves megtérülési idővel lehet számolni. További kérdésként felmerült a szolgáltatók közös infrastruktúrahasználatának lehetősége is. Az előadó elmondta, hogy bár optikai hálózatok esetében ez működik, mobilhálózatoknál a versenyhelyzet és a különálló cellastruktúra miatt jóval összetettebb kérdésről van szó. Kis Gergely (BME) online hozzászólásában a napenergiával működő bázisállomások lehetőségeit vetette fel, amellyel kapcsolatban Szilágyi Balázs kiemelte, hogy a hazai szabályozási környezet jelenleg nem kedvez az ilyen beruházásoknak.

Az előadásokat követően kerekasztal-beszélgetésre került sor Hosznyák András, Szabad Szabina és Szilágyi Balázs részvételével, Vas Réka moderálásában. A beszélgetés kiinduló témája az volt, hogy miért indulnak nehezen az AI- és adatelemzési projektek a szervezetekben. Szabad Szabina szerint ennek egyik fő oka az adatalapú döntéshozatali kultúra hiánya, valamint a szigetszerű rendszerek, az adattisztítás nehézségei és a shadow IT jelenléte. Hosznyák András a mérhető célok és indikátorok hiányát emelte ki, míg Szilágyi Balázs szerint a projektek sikeréhez jól kimutatható megtérülésre van szükség. Vas Réka hangsúlyozta, hogy vezetői támogatás nélkül ezek a kezdeményezések nem tudnak valódi eredményeket elérni.

A beszélgetés során szó esett arról is, hogy a mesterséges intelligencia mennyiben segítheti a jó minőségű adatvagyon kialakítását. Szabad Szabina szerint az AI alkalmas lehet az adatok feltérképezésére, az adattisztaság vizsgálatára és a problémás területek azonosítására, ugyanakkor ehhez szervezeti támogatásra is szükség van. Hosznyák András inkább a hagyományos adatelemzési módszerekben bízik, míg Szilágyi Balázs a generatív AI nem strukturált adatokon végzett elemzési képességeit és a proof of concept projektek szerepét hangsúlyozta.

A résztvevők azt is megfogalmazták, hogy három év múlva milyen eredményeket tartanának sikernek a vizsgált területen. Hosznyák András szerint már az is előrelépés lenne, ha a szervezetek valóban használnák a rendelkezésre álló dashboardokat. Szabad Szabina legalább egy stratégiai döntés adatalapú meghozatalát tartaná fontos mérföldkőnek. Szilágyi Balázs pedig azt vetítette előre, hogy az ügyfélszolgálati és médiatartalom-gyártási folyamatok jelentős részét AI-alapú megoldások végezhetik majd.

A kerekasztal utáni kérdések során Ritter Dávid (ELTE) az adatszabványosítás és a metaadatkezelés problémáját vetette fel. Hosznyák András emlékeztetett arra, hogy a 2008 és 2011 között futó AVIR projekt már foglalkozott oktatási indikátorok és riporttervek standardizálásával, és szerinte érdemes lenne ezt a kezdeményezést újra elővenni. Szilágyi Balázs hozzátette, hogy az ilyen feladatok akár hallgatói projektek, szakdolgozatok vagy doktori kutatások témái is lehetnének.

Az eseményt Kő Andrea zárta, megköszönve az előadók és a résztvevők aktív közreműködését.

A rendezvényen személyesen 15 fő, online formában, a Teams közvetítésen keresztül további 21 fő vett részt.

A beszámolót Dr. Őri Dóra, a Gazdaságinformatika Albizottság titkára készítette.