Mit jelent a computer vision?
A computer vision (CV, magyarul „számítógépes látás") az AI azon ága, amely képekből és videókból nyer ki információt — vagyis lehetővé teszi, hogy a gép „lásson". Ez az egyik legrégebbi AI-területek egyike (60-as évek óta kutatott), de igazán a 2010-es évek elején robbant be a mélytanulás megjelenésével.
A computer vision több, mint képfelismerés — bár ez is a része. Magába foglal:
- Képfelismerés (image classification) — „ez egy kutya" vagy „ez egy macska"
- Objektum-detektálás (object detection) — „a képen 3 ember és 2 autó van, itt és itt"
- Szegmentálás (segmentation) — pixel-pontosan kijelöl egy objektumot a képen
- Arcfelismerés (face recognition) — Apple Face ID, biztonsági kamerák
- OCR (optikai karakterfelismerés) — szöveg kinyerése képekből, dokumentumokból
- Pose estimation — emberi testtartás felismerése (pl. fitness app, sport-elemzés)
- Videóelemzés — mozgás, esemény, anomália felismerése
Hogyan működik?
A modern computer vision konvolúciós neurális hálózatokon (CNN) vagy újabban Vision Transformereken (ViT) alapul — mindkettő neurális hálózati architektúra, amely kifejezetten képekre van optimalizálva.
A hálózat rétegesen dolgozza fel a képet: az alsó rétegek egyszerű mintázatokat ismernek fel (élek, sarkok, foltok), a középsők összetettebbeket (textúrák, formák), a felsők pedig magas szintű fogalmakat (arc, autó, kutya). Ezt a réteges feldolgozást a betanítás során tanulja meg — emberi „segítség" nélkül.
A modern multimodális modellek (GPT-4o, Claude 3.5/3.7, Gemini) integrálják a computer vision képességet az LLM-ek mellé — így lehet egy AI-tól szövegesen kérdezni egy képről („mit látsz ezen a fotón?").
Üzleti példa
Egy magyar használtautó-kereskedő platform havi 3.000 új autóhirdetést kapott a felhasználóktól. Minden hirdetéshez 8-12 fotó kerül feltöltésre — ezeket korábban a moderátor kollégák kézzel ellenőrizték: van-e rajtuk személyes adat (rendszám, arc), megfelelő-e az autó látható állapota, nincs-e illegális tartalom.
Egy computer vision modell a fotókat másodperc alatt elemzi:
- Automatikusan elhomályosítja a rendszámokat és arcokat (GDPR-megfelelés)
- Felismeri az autó típusát, színét, állapotát — összeveti a hirdetésben megadott adatokkal
- Gyanús tartalmat (sérülés-elrejtés, hamisítás-gyanú) flageli moderátori felülvizsgálatra
A moderátor csapat 5 főről 2-re csökkent, és az átlagos hirdetés-jóváhagyási idő 12 óráról 8 percre rövidült. A felhasználói elégedettség nőtt, mert a hirdetés gyakorlatilag azonnal élesedik.
Mit kell tudni egy cégvezetőnek?
A computer vision nagyon érett technológia — a 2026-os modellek professzionális szinten kezelnek képeket. A költség is drasztikusan csökkent: ami 2015-ben egy 6 hónapos, 50 ezer EUR-os projekt volt, az ma egy API-hívás 2-3 forintért.
Két dolgot érdemes előre tisztázni:
- Adatvédelem. A computer vision sokszor személyes adatot kezel (arc, rendszám, hely). A GDPR ezt szigorúan szabályozza. Mindenképpen kell egy adatvédelmi audit a projekt elején.
- Élesítés előtti tesztelés. A computer vision modellek kontextusra érzékenyek — ami a tanító képeken jól működik, az lehet, hogy más fényviszonyok között, más szögből készült képeken hibázik. Min. 2-4 hetes éles próbaüzem kell éles bevezetés előtt, valós felhasználói képekkel.
A computer vision a gyártás, a logisztika, az e-kereskedelem, az ingatlan és az egészségügy területén ad ma a legjobban mérhető megtérülést. Ha a céged bármilyen módon képet/videót dolgoz fel napi szinten, érdemes átgondolni, mit lehetne automatizálni.