Balázsné a kőbányai lakás felújításának kellős közepén állt meg egy mondaton. Adorján, a villanyszerelő, aki már a harmadik napja dolgozott ott, csak annyit mondott: „A fi-relé kell, de előbb legyen meg a földelés." Aztán lement az eszközeiért, Balázsné pedig ott maradt a frissen festett nappaliban, és nem értette, hogy ez most mit jelent pontosan – és főleg, hogy mennyi munkát, pénzt és falszakítást takar ez az egy mondat.
Ez a helyzet ismerős. Nem a pánik, hanem az a bizonyos csend, amikor az ember rájön, hogy valamit tudnia kellene, de fogalma sincs, hol kezdje.
Mi az, amit Adorján valójában látott
Az érintésvédelmi földelés kialakítása az a villamos szerelési folyamat, amely biztosítja, hogy meghibásodás esetén a veszélyes feszültség ne az emberi testen, hanem a földelővezetéken keresztül vezessen le. Ehhez technikailag három dolog kell: egy a talajba vert réz- vagy acélszonda, egy EPH-hálózat – vagyis az egyenpotenciálra hozó összeköttetések rendszere –, és egy műszeres mérés, amely igazolja, hogy a szonda földelési ellenállása 10 Ohm alatt van. Ha ezek megvannak, és az elvégzett munkáról érintésvédelmi felülvizsgálati jegyzőkönyv is készült, akkor a rendszer szabályszerű. A fi-relé önmagában nem pótolja ezt. Bizonyos meghibásodási típusoknál – például amikor az áram nem a semleges felé, hanem a ház szerkezetén át keres utat – a fi-relé egyszerűen nem érzékel semmit, és nem kapcsol le. Ezt nem lehet megkerülni. Ez fizika, nem vélemény.
Amit a fi-relé tud: szivárgó áramot érzékel, és milliszekundumok alatt lekapcsol. Amit nem tud: pótolni a hiányzó utat, amelyen ez az áram biztonságosan levezethetne.
Balázsné addig azt hitte, hogy a fi-relé egyfajta univerzális biztosíték – berakod, és kész, le vagy fedve. Ez egy teljesen logikus feltételezés, különösen ha valaki csak felületesen hallotta a szakszót, és nem tudja, hogy a régi alumínium vezetékek korróziójából eredő érintkezési hibák egészen másképp viselkednek, mint egy egyszerű rövidzárlat. Az 1960–70-es évek kőbányai panelépületeiben – ahol Balázsné lakása is van – ezek az alumíniumhuzalos hálózatok ma is az eredeti állapotukban futnak a falakban. Kétpólusú konnektorok, semmi harmadik ér, semmi védővezető. A rendszer akkor épült, amikor ez még megfelelt. Ma már nem felel meg.
Azt is hitte, hogy az utólagos kialakítás biztosan falszakítással jár – végig a lakáson, mindenhol. Ez az a pont, ahol sokan visszariadnak az egész folyamattól, és inkább halogatnak.
Ez az öt-hat éves csúsztatás az, ami igazán veszélyes.
Adorján másnap visszajött, és megnézte az épület alagsorát, a közös elosztót, a lakás csatlakozási pontjait. Nem mondott rögtön árat. Előbb mérte. A mérés dönti el, hogy mi lehetséges – ez az a momentum, amit a legtöbb lakástulajdonos kihúz az idővonaláról, és ezért kerülnek aztán csapdába az ajánlatokkal.
Ami kiderült: az EPH-hálózathoz a meglévő nyomvonalon is el lehet jutni a konnektorokig. A szondát a közeli szerelvényaknán keresztül, bontás nélkül le lehet vinni. A teljes folyamat sorrendben: szonda telepítése, EPH-hálózat kiépítése, fi-relé bekötése, majd érintésvédelmi felülvizsgálat és az ahhoz tartozó kötelező jegyzőkönyv. Ez nem változik. Ez mindig így van.
Egy kérdés, amit érdemes feltenni a szakembernek az első felméréskor: milyen ellenállásértéket mért, és az alatt van-e 10 Ohm? Ha nem tud erre azonnal válaszolni, az nem jó jel.
Mikor kivitelezhető, és mit jelent ez Pest megyében
A megvalósíthatóság épülettípusonként változik. Gödöllőn és Érden, ahol kertesházas övezetekben tipikus az igény, általában a legegyszerűbb a helyzet: a szonda a kertbe vagy a garázs mellé kerülhet, a talaj adottságai jók, a kivitelezés viszonylag gyors. Ott az érintésvédelmi földelés kialakítása szinte tankönyvi esetnek számít.
Panellakásoknál – mint amilyen Balázsné kőbányai otthona – a közös földelési csatlakozási pont kérdése dönti el a lehetőségeket. Ha a társasházban van már épületszintű földelési rendszer, a lakás csatlakoztatható ehhez. Ha nincs, az már társasházi döntést, esetleg hatósági egyeztetést igényel. Ez az a pont, ahol a laikusnak el kell fogadnia, hogy önmagában nem döntheti el: kell egy szakember, aki megvizsgálja az épület elosztóját és a fővezetéki csatlakozást.
Önálló villanybojler vagy klímaberendezés esetén a helyzet külön figyelmet érdemel. Ezek a berendezések külön áramkörön futnak, és érintésvédelmi szempontból az egyik legkritikusabb fogyasztói kategóriának számítanak. Ha ezek mellől hiányzik a védővezető, a fi-relé sem pótol semmit.
Az érintésvédelmi földelés kialakítása régi lakásban általában négy fő lépésből áll. Először a földelőszonda kerül a talajba, majd az EPH-hálózat épül ki. Ezután a fi-relé bekötése következik, és végül a kötelező érintésvédelmi felülvizsgálat zárja le a folyamatot. Ez a sorrend nem felcserélhető – nem azért, mert a szakemberek így szokták, hanem mert a fi-relé csak akkor működik a tervezett védelmi szinten, ha alatta már ott van az a biztonságos levezetési út.
Az érintésvédelmi földelés kialakítása olyan villamos biztonsági folyamat, amelynek során a lakás elektromos rendszerébe földelővezetéket építenek be, és azt egy a talajba vert réz- vagy acélszondán keresztül kapcsolják a föld potenciáljára. A folyamat akkor tekinthető szabályszerűnek, ha a szonda földelési ellenállása műszeres mérés alapján 10 Ohm alatt van, az EPH-hálózat kiépült, és az elvégzett munkáról érintésvédelmi felülvizsgálati jegyzőkönyv készült. Önmagában sem a fi-relé, sem a hálózat cseréje nem helyettesíti ezt a folyamatot.
Balázsné végül nem rendelt el felesleges munkát. Adorján a mérés alapján egyértelműen megmondta, hogy mi szükséges, és mi az, ami a meglévő nyomvonalakon is megoldható. A burkoló jön, a festő végzett. A villamos rendszer az egyetlen, ahol a „ma megspórolt munka" egy év múlva duplán visszajön.
Ha még nem döntöttél szakember mellett, de tudni szeretnéd, hogy a te lakásodban elvileg kivitelezhető-e az utólagos érintésvédelmi földelés kialakítása, kérhetsz díjmentes helyszíni felmérést, amelynek eredménye kötelezettségmentesen áll rendelkezésedre. Így a döntés előtt konkrét műszaki választ kapsz, nem csak becsült árat.
Keresőoptimalizálás bor webshop
Saturday, April 25, 2026
Thursday, March 5, 2026
Az egységes MI-architektúra döntési pontjai
Az End-to-End AI – más szóval végponttól végpontig tartó mesterséges intelligencia – olyan architektúra, amelyben egyetlen összefüggő rendszer kezeli az adatbevitelt, a modell tanítását és az éles környezetbe helyezést, emberi közvetítő lépések nélkül. Nem egy eszközcsomag, hanem egy döntési elv: ha az adatgyűjtés, a modellezés és a monitoring három különálló helyen él, az E2E elv szerint ezek egyetlen visszacsatolási körbe kell hogy kerüljenek. A hagyományos megközelítéshez képest a legnagyobb különbség a Feature Engineering elhagyása – a modell maga tanulja meg, mi a fontos. Akkor érdemes E2E irányban gondolkodni, ha a manuális beavatkozási pontok száma már heti szinten mérhető, és az integráció fenntartása több erőforrást emészt fel, mint az átállás.
Zalán operatív vezetőként azt hitte, hogy a rendszerei kommunikálnak egymással.
Három pilotprojekt futott párhuzamosan a törökbálinti elosztóközpontban. Az egyik a komissiózási hibaarányt követte, a másik a szállítói átfutási időket, a harmadik egy kísérleti kereslet-előrejelző modell volt, amelyet Tünde, az adatmérnök épített fel – saját eszközökkel, saját szerveren. Zalán minden hétfői meetingen kapott egy összefoglalót mindhármóról. Külön fájlban, külön formátumban.
Senki nem hazudott. Csak senki nem beszélt a másikkal.
A modell kiment éles környezetbe. Tünde beállította a riasztási küszöböket, aztán áttért a következő projektre. A komissiózási hibaarány két hónappal később lassan emelkedni kezdett – de ez az adat egy másik dashboardon élt, amelyhez a modell soha nem fért hozzá. A rendszer tanult. Csak nem abból, ami számított.
Mi az End-to-End AI, és miért nem az, amit először gondolsz
Az End-to-End AI nem szoftvercsomag és nem is platform-kategória. Technikai értelemben – E2E Learning néven ismert megközelítésként – egyetlen neurális hálózat tanulja meg közvetlenül a bemenet és a kimenet közötti leképezést, kihagyva a hagyományos Feature Engineering lépéseit: a modell nem előre meghatározott jellemzőkből dolgozik, hanem maga azonosítja, mi a releváns a nyers adatban. Egy Deep Learning alapú Transformer vagy CNN architektúra nem azt kérdezi, hogy „melyik jellemzőt adjuk meg neki" – hanem maga keresi meg a mintát. Üzleti értelemben ez azt jelenti, hogy az adatbeviteltől a deployment utáni visszacsatolásig egyetlen összefüggő adatfolyam fut, ahol a Data Ingestion automatizált, a modellek újratanítása szabályalapú, és a kimenet nem egy statikus fájl, hanem élő döntési bemenet. Éppen ez különbözteti meg a hagyományos, darabos MI-implementációktól.
Mikor érdemes End-to-End AI rendszert bevezetni egy kis- vagy középvállalatnál?
End-to-End AI bevezetése akkor indokolt, ha az adatgyűjtés, modellezés és monitoring külön rendszerekben fut. Ha a manuális beavatkozási pontok száma heti szinten mérhető, az egységes architektúra megtakarítást termel. Egy valódi E2E platform esetén az újratanítási ciklus automatizálható, és a Data Drift nem igényel emberi riasztást. A döntési küszöb általában az a pont, ahol az integráció fenntartása többe kerül, mint az átállás.
A legtöbb 20–200 fős cég nem azért nem vezet be E2E architektúrát, mert túl drága. Azért nem, mert nem látja, hol kellene kezdeni.
A második körben a kérdés mélyebb lesz: nem az, hogy „mi az E2E AI", hanem az, hogy „mikor váltja meg a meglévő stacket".
Három döntési kapu van, és mindhárom más típusú adatot igényel.
Az első: hol keletkezik a legtöbb manuális beavatkozás? Ha Tünde hetente kétszer exportál CSV-t az egyik rendszerből, hogy betöltse a másikba, az nem hatékonysági probléma – az architektúrális rés. Az AutoML önmagában nem oldja meg ezt: az automatizált modellválasztás és hiperparaméter-hangolás csak a modellezési fázist érinti, az adatpipeline-t és a visszacsatolási kört nem. Ez a különbség.
Mi a különbség az AutoML és a teljes End-to-End AI architektúra között?
Az AutoML a modellválasztás és hiperparaméter-hangolás automatizálását jelenti, de nem fedi le az adatpipeline-t és a monitoringot. Egy End-to-End AI platform ezzel szemben az adatbeviteltől a deployment utáni visszacsatolásig mindent egyetlen rendszerben kezel. Az AutoML tehát egy komponens lehet az E2E architektúrán belül, de önmagában nem helyettesíti azt.
A második kapu a Data Drift tolerancia kérdése. Mekkora eltérést enged meg a rendszer a bemeneti adatok eloszlásában anélkül, hogy valaki észreveszi? Ha a válasz az, hogy „amíg valaki nem jelzi", a modell csendben degradálódik. A harmadik kapu belső kapacitást mér: van-e a csapatban olyan személy, aki egy újratanítási ciklust önállóan végig tud vinni – vagy ez mindig külső segítséget igényel?
Ennyi az egész.
Ahol a spirál visszazár
A gödöllői élelmiszer-feldolgozó üzem gépi látáson alapuló minőség-ellenőrző rendszere fél évvel az élesítés után kezdett szisztematikusan tévedni. Nem sokat – az első három hónapban a pontosság elfogadható volt. Aztán a nyersanyag-szállító megváltozott, a termékek felszíni textúrája minimálisan módosult, és a CNN-modell, amelyet korábban tanítottak, nem ismerte fel a változást. Senki nem figyelte a predikciós konfidencia-értékek lassú süllyedését.
Ez nem szoftverhibra visszavezethető hiba. Ez a Modell monitoring hiánya.
Zalán törökbálinti helyzetével visszatérve: a három pilotprojekt nem azért nem kommunikált, mert rossz eszközöket választottak. Azért nem, mert az architektúrában nem volt visszacsatolási hurok. A production feedback – a legértékesebb adat, amelyet az éles rendszer termel – soha nem jutott vissza a modellbe. A végponttól végpontig tartó mesterséges intelligencia-szemlélet pontosan ezt az egy dolgot változtatja meg: nem az eszközöket cseréli, hanem a köztük lévő rést zárja be.
Az egységes AI architektúra nem azt jelenti, hogy mindent lecserélsz egyszerre.
Azt jelenti, hogy meghatározod, melyik résben vész el a legtöbb érték – és ott kezded. A Veresegyház–Gödöllő tengely mentén dolgozó feldolgozóipari üzemeknek ugyanolyan háromkapus döntési logikát kell végigjárniuk, mint egy törökbálinti raktárlogisztikai cégnek: manuális beavatkozási pontok, drift-tolerancia, belső újratanítási kapacitás. A sorrend az egyetlen, ami vállalatonként változik.
Zalán végül nem cserélte le a teljes stacket.
Csak bekötötte a production feedbacket a modellbe. Három hét múlva Tünde megkapta az első automatikus újratanítási értesítést.
Ha még nem egyértelmű, hogy a jelenlegi rendszerarchitektúra hol veszít a legtöbbet, elvégezhető egy ingyenes, kötelezettségmentes pipeline-átvizsgálás – ennek keretében az derül ki, hogy az adatfolyam melyik pontján keletkezik a legtöbb manuális beavatkozás. Nem ajánlatadás, nem bemutató: egyetlen strukturált kérdéssor, amelynek eredménye egy egyoldalas gap-elemzés. Zalánhoz hasonló döntéshozóknak ez általában elég ahhoz, hogy priorizálni tudják a következő lépést – akár belső fejlesztésként, akár külső platformmal.
Zalán operatív vezetőként azt hitte, hogy a rendszerei kommunikálnak egymással.
Három pilotprojekt futott párhuzamosan a törökbálinti elosztóközpontban. Az egyik a komissiózási hibaarányt követte, a másik a szállítói átfutási időket, a harmadik egy kísérleti kereslet-előrejelző modell volt, amelyet Tünde, az adatmérnök épített fel – saját eszközökkel, saját szerveren. Zalán minden hétfői meetingen kapott egy összefoglalót mindhármóról. Külön fájlban, külön formátumban.
Senki nem hazudott. Csak senki nem beszélt a másikkal.
A modell kiment éles környezetbe. Tünde beállította a riasztási küszöböket, aztán áttért a következő projektre. A komissiózási hibaarány két hónappal később lassan emelkedni kezdett – de ez az adat egy másik dashboardon élt, amelyhez a modell soha nem fért hozzá. A rendszer tanult. Csak nem abból, ami számított.
Mi az End-to-End AI, és miért nem az, amit először gondolsz
Az End-to-End AI nem szoftvercsomag és nem is platform-kategória. Technikai értelemben – E2E Learning néven ismert megközelítésként – egyetlen neurális hálózat tanulja meg közvetlenül a bemenet és a kimenet közötti leképezést, kihagyva a hagyományos Feature Engineering lépéseit: a modell nem előre meghatározott jellemzőkből dolgozik, hanem maga azonosítja, mi a releváns a nyers adatban. Egy Deep Learning alapú Transformer vagy CNN architektúra nem azt kérdezi, hogy „melyik jellemzőt adjuk meg neki" – hanem maga keresi meg a mintát. Üzleti értelemben ez azt jelenti, hogy az adatbeviteltől a deployment utáni visszacsatolásig egyetlen összefüggő adatfolyam fut, ahol a Data Ingestion automatizált, a modellek újratanítása szabályalapú, és a kimenet nem egy statikus fájl, hanem élő döntési bemenet. Éppen ez különbözteti meg a hagyományos, darabos MI-implementációktól.
Mikor érdemes End-to-End AI rendszert bevezetni egy kis- vagy középvállalatnál?
End-to-End AI bevezetése akkor indokolt, ha az adatgyűjtés, modellezés és monitoring külön rendszerekben fut. Ha a manuális beavatkozási pontok száma heti szinten mérhető, az egységes architektúra megtakarítást termel. Egy valódi E2E platform esetén az újratanítási ciklus automatizálható, és a Data Drift nem igényel emberi riasztást. A döntési küszöb általában az a pont, ahol az integráció fenntartása többe kerül, mint az átállás.
A legtöbb 20–200 fős cég nem azért nem vezet be E2E architektúrát, mert túl drága. Azért nem, mert nem látja, hol kellene kezdeni.
A második körben a kérdés mélyebb lesz: nem az, hogy „mi az E2E AI", hanem az, hogy „mikor váltja meg a meglévő stacket".
Három döntési kapu van, és mindhárom más típusú adatot igényel.
Az első: hol keletkezik a legtöbb manuális beavatkozás? Ha Tünde hetente kétszer exportál CSV-t az egyik rendszerből, hogy betöltse a másikba, az nem hatékonysági probléma – az architektúrális rés. Az AutoML önmagában nem oldja meg ezt: az automatizált modellválasztás és hiperparaméter-hangolás csak a modellezési fázist érinti, az adatpipeline-t és a visszacsatolási kört nem. Ez a különbség.
Mi a különbség az AutoML és a teljes End-to-End AI architektúra között?
Az AutoML a modellválasztás és hiperparaméter-hangolás automatizálását jelenti, de nem fedi le az adatpipeline-t és a monitoringot. Egy End-to-End AI platform ezzel szemben az adatbeviteltől a deployment utáni visszacsatolásig mindent egyetlen rendszerben kezel. Az AutoML tehát egy komponens lehet az E2E architektúrán belül, de önmagában nem helyettesíti azt.
A második kapu a Data Drift tolerancia kérdése. Mekkora eltérést enged meg a rendszer a bemeneti adatok eloszlásában anélkül, hogy valaki észreveszi? Ha a válasz az, hogy „amíg valaki nem jelzi", a modell csendben degradálódik. A harmadik kapu belső kapacitást mér: van-e a csapatban olyan személy, aki egy újratanítási ciklust önállóan végig tud vinni – vagy ez mindig külső segítséget igényel?
Ennyi az egész.
Ahol a spirál visszazár
A gödöllői élelmiszer-feldolgozó üzem gépi látáson alapuló minőség-ellenőrző rendszere fél évvel az élesítés után kezdett szisztematikusan tévedni. Nem sokat – az első három hónapban a pontosság elfogadható volt. Aztán a nyersanyag-szállító megváltozott, a termékek felszíni textúrája minimálisan módosult, és a CNN-modell, amelyet korábban tanítottak, nem ismerte fel a változást. Senki nem figyelte a predikciós konfidencia-értékek lassú süllyedését.
Ez nem szoftverhibra visszavezethető hiba. Ez a Modell monitoring hiánya.
Zalán törökbálinti helyzetével visszatérve: a három pilotprojekt nem azért nem kommunikált, mert rossz eszközöket választottak. Azért nem, mert az architektúrában nem volt visszacsatolási hurok. A production feedback – a legértékesebb adat, amelyet az éles rendszer termel – soha nem jutott vissza a modellbe. A végponttól végpontig tartó mesterséges intelligencia-szemlélet pontosan ezt az egy dolgot változtatja meg: nem az eszközöket cseréli, hanem a köztük lévő rést zárja be.
Az egységes AI architektúra nem azt jelenti, hogy mindent lecserélsz egyszerre.
Azt jelenti, hogy meghatározod, melyik résben vész el a legtöbb érték – és ott kezded. A Veresegyház–Gödöllő tengely mentén dolgozó feldolgozóipari üzemeknek ugyanolyan háromkapus döntési logikát kell végigjárniuk, mint egy törökbálinti raktárlogisztikai cégnek: manuális beavatkozási pontok, drift-tolerancia, belső újratanítási kapacitás. A sorrend az egyetlen, ami vállalatonként változik.
Zalán végül nem cserélte le a teljes stacket.
Csak bekötötte a production feedbacket a modellbe. Három hét múlva Tünde megkapta az első automatikus újratanítási értesítést.
Ha még nem egyértelmű, hogy a jelenlegi rendszerarchitektúra hol veszít a legtöbbet, elvégezhető egy ingyenes, kötelezettségmentes pipeline-átvizsgálás – ennek keretében az derül ki, hogy az adatfolyam melyik pontján keletkezik a legtöbb manuális beavatkozás. Nem ajánlatadás, nem bemutató: egyetlen strukturált kérdéssor, amelynek eredménye egy egyoldalas gap-elemzés. Zalánhoz hasonló döntéshozóknak ez általában elég ahhoz, hogy priorizálni tudják a következő lépést – akár belső fejlesztésként, akár külső platformmal.
Subscribe to:
Comments (Atom)
Amit a fi-relé nem old meg
Balázsné a kőbányai lakás felújításának kellős közepén állt meg egy mondaton. Adorján, a villanyszerelő, aki már a harmadik napja dolgozott ...