Alkalmazott AI és rendszerfejlesztés, BudapestAI-native Product Engineer, Budapest

Szoftvert építek a rendszerek közötti munkára.I build software for the work between systems.

Diszpécser, aki útvonalakat hasonlít össze. Vezető, aki lezárja a hónapot. Csapat, amely feldolgozza a beérkező leveleit. Összekötöm az adatokat, felépítem a munkafolyamatot, és tesztelem, mi történik, ha a bemenet megváltozik.A dispatcher comparing routes. A manager closing the month. A team working through its inbox. I connect the data, build the workflow and test what happens when the input changes.

Nyitott vagyok távmunkás szerződéses (contract) pozíciókra és fizetett próbamunkára. Korábban a 3M-nél, az Alcon / Novartisnál és a Hiltonnál dolgoztam.Open to remote contract roles and paid work trials. Previously at 3M, Alcon / Novartis and Hilton.

Szimulált útlezárás az M1-en: a kerülő +21,2 km, +11,13 € dízel és +56 perc. Kitalált flottaadatok, magyar felület. Térkép: © OpenStreetMap-közreműködők.A simulated road closure on the M1: the detour adds 21.2 km, €11.13 of diesel and 56 minutes. Synthetic fleet data. Map © OpenStreetMap contributors.

Kiemelt munkákSelected work

Friss projektek, és ahogy ellenőriztem őket.Recent projects, and how I checked them.

Diszpécser-szimuláció, saját demóDispatch simulation, own demo

Mibe kerül egy útlezárás ennek a kamionnak?What does a road closure cost this truck?

ProblémaProblem
Ha lezárnak egy utat, a diszpécsernek gyorsan látnia kell, melyik kamion érintett. Azt is tudnia kell, miért késik, és mennyibe kerül a kerülő.When a road is closed, a dispatcher has to see quickly which truck is affected. They also need to know why it is late and what the detour costs.
Amit építettemWhat I built
Egy böngészőben futó demót, térképpel. Megmutatja, miből áll egy késés, és egymás mellé teszi az eredeti utat és a kerülőt. A flotta kitalált: 3 cég 1 200 kamionja, 10 országban.A demo that runs in the browser, with a map. It shows what a delay is made of and puts the original route and the detour side by side. The fleet is invented: 1,200 trucks from 3 companies in 10 countries.
EszközökTools
TypeScript, Python, Valhalla útvonaltervező az OpenStreetMap úthálózatán, Canvas 2D, SVG, Vitest, PlaywrightTypeScript, Python, Valhalla routing on the OpenStreetMap road network, Canvas 2D, SVG, Vitest, Playwright
Eddigi eredményResult so far
A szimulált M1-es lezárásnál a kamion 1 óra 27 percet késik: percre kerekítve 32 percet a rakodásnál és 56 percet a kerülő miatt (a két rész másodpercre pontosan kiadja a késést). A kerülő 21,2 km-rel hosszabb, és 11,13 €-val több dízelbe kerül. A programot 158 egységteszt és 186 böngészős teszt ellenőrzi.In the simulated M1 closure the truck is 1 h 27 min late: rounded to the minute, 32 minutes at loading and 56 minutes because of the detour (to the second, the two parts add up to the delay). The detour is 21.2 km longer and costs €11.13 more in diesel. 158 unit tests and 186 browser tests check the program.
Amit tanultamWhat I learned
Egy demónak csak akkor hisznek, ha a számai tényleg a működő programból jönnek. Ezért a felvétel előtt a videó minden feliratát összehasonlítottam azzal, amit a program mutat.People only trust a demo if its numbers really come from the running program. So before recording I compared every caption in the video with what the program shows.
48 másodperc, hang nélkül, magyar feliratokkal. Kitalált flottaadatok.48 seconds, no sound, English captions. Synthetic fleet data.

Kattints végig magadClick through it yourself

Élő demó megnyitása Open the live demo

A böngészőben fut, kitalált adatokkal: kilenc jelenet egy szimulált, 1 200 kamionos flottáról. Új lapon nyílik.Runs in your browser with synthetic data: nine scenes of a simulated 1,200-truck fleet. The detailed professional view is in Hungarian.

Mi történik a videóban?Scene guide

  1. Az élő flottatérkép: 1 200 szimulált kamion, valós utakon.
  2. Ráközelítés Magyarországra: az egyik kamion késik.
  3. A kamion adatlapja: Budapest → Bécs, késés +1 ó 27 p.
  4. A fuvar nézete: a kamion kerülőúton megy egy útlezárás miatt.
  5. Miből áll a késés, kerekítve: 56 perc a kerülő, 32 perc a rakodási várakozás.
  6. Mibe kerül a kerülő: +21,2 km, +11,13 € dízel és +56 perc.
  7. Vissza a mozgó flottatérképre.
  8. Zárókép: hol a kamion, miért késik, és mibe kerül a kerülő.
  1. The live fleet map: 1,200 simulated trucks on real roads.
  2. Zoom in on Hungary: one of the trucks is running late.
  3. The truck’s card: Budapest → Vienna, delay +1 h 27 min.
  4. The trip view: the truck is driving on a detour around a road closure.
  5. What the delay is made of, rounded: 56 minutes from the detour, 32 minutes of extra wait at loading.
  6. What the detour costs: 21.2 km, €11.13 of diesel and 56 minutes more.
  7. Back to the moving fleet map.
  8. Closing card: where the truck is, why it is late and what the detour costs.

Ügyfélprojekt, fejlesztés alattClient work, in development

Közös felület a havi elszámoláshoz.A shared workspace for monthly settlements.

ProblémaProblem
Kb. 45 résztvevő mindegyike külön táblázatot vezet minden hónapban. A hónap lezárásakor ezeket egyenként be kell gyűjteni, kézzel ellenőrizni, és be kell kérni a javításokat.About 45 participants each keep their own spreadsheet every month. To close the month, someone has to collect them one by one, check them by hand and ask for corrections.
Amit építettemWhat I built
Egy közös webes felületet. A résztvevők itt küldik be az adataikat és a javításaikat, mindenki ugyanolyan formában. A vezető a kifizetés előtt átnézi azokat a beküldéseket, amelyekkel gond van.A shared web platform. Participants send their data and corrections here, everyone in the same format. Before payouts, the manager reviews the submissions that have a problem.
EszközökTools
TypeScript, Next.js, PostgreSQL / Supabase, SQL, VercelTypeScript, Next.js, PostgreSQL / Supabase, SQL, Vercel
Eddigi eredményResult so far
Még fejlesztés alatt áll. Egy teszthónapban mind a 40, a következőben mind a 37 résztvevőnél centre egyezett az eredménye az ügyfél táblázatával. Ma egy zárás kb. egy hetet visz el. Az 1–2 nap cél, nem eredmény.Still in development. In one test month the new engine matched the client’s spreadsheet to the cent for all 40 participants, and in the next month for all 37. A close takes about a week today. 1–2 days is the target, not a result.
Amit tanultamWhat I learned
Mielőtt egy program kivált egy táblázatot, ugyanazt az eredményt kell adnia, mint a táblázatnak. Ezt úgy ellenőriztem, hogy ugyanazt a hónapot mindkettővel kiszámoltam, és összehasonlítottam.Before a program replaces a spreadsheet, it has to give the same result as the spreadsheet. I checked this by calculating the same month with both and comparing them.

Így működik az elszámoló rendszer, öt lépésbenHow the settlement platform works, in five steps

Hogyan zárul ma egy hónap?How does a month close today?

Kb. 45 résztvevő külön havi táblázatot vezet. Egy vezető begyűjti és ellenőrzi őket, és bekéri a javításokat. Egy zárás kb. egy hetet visz el.About 45 participants each keep a separate monthly spreadsheet. One manager collects them, checks them and chases corrections. A close takes about a week.

Rajzolt szemléltetés a munkafolyamatról, nem maga a termék: nincs benne képernyő, név vagy összeg az ügyfél rendszeréből.A drawn illustration of the workflow, not the product: no screens, names or amounts from the client’s system.

Alkalmazott AI, levélfeldolgozásApplied AI, email workflow

A beérkező levéltől az átnézhető válaszig.From incoming email to a reply ready for review.

ProblémaProblem
Egy forgalmas postafiókban a választ váró kérdések összekeverednek a számlákkal és a hírlevelekkel. A válaszok megírása is időbe telik.In a busy inbox, questions that need an answer get mixed up with invoices and newsletters. Writing the replies also takes time.
Amit építettemWhat I built
Egy programot, amely csak olvassa a postafiókot, és semmit nem változtat rajta. Minden levelet besorol, és választervezetet ír. A tervezetet küldés előtt a felhasználó ellenőrzi és egészíti ki.A program that only reads the mailbox and changes nothing in it. It labels every email and writes a draft reply. The user checks and completes the draft before anything is sent.
EszközökTools
Node.js, Gmail API csak olvasási joggal, Anthropic API (Claude), automatikus tesztek helyettesítő szerver ellenNode.js, Gmail API with read-only access, Anthropic API (Claude), automated tests against a mock server
Eddigi eredményResult so far
Tesztfiókon mérve 50 levél besorolása 0,0196 USD-be került, és 26 másodpercig tartott. A programot 46 automatikus teszt ellenőrzi.Measured on a test account, classifying 50 emails cost $0.0196 and took 26 seconds. 46 automated tests check the program.
Amit tanultamWhat I learned
A választervezet csak akkor hasznos, ha nem talál ki árat, időpontot vagy ígéretet. Amit nem tud, azt megjelöli, és a felhasználó tölti ki.A draft reply is only useful if it does not make up a price, a date or a promise. What it does not know, it marks, and the user fills it in.

Melyik levélre kell válaszolni, és mit írna a tervezet?Which emails need a reply, and what would it say?

Visszajátszás demóadatokkal. A levelek kitaláltak, a címkék és a tervezet az alkalmazás automatikus felületi tesztjének szimulált válaszai; ezen az oldalon nem fut AI-modell.Replay with demo data. The emails are fictional, and the labels and the draft are the simulated answers from the app’s automated interface test; no AI model runs on this page.

  1. BesorolásClassify
  2. VálasztervezetDraft
  3. A felhasználó döntThe user decides

    Kitalált postafiókFictional inbox

    Így dolgozom AI-valHow I work with AI

    Az ügynökök írják a kódot.
    A specifikáció, az ellenőrzés és az eredmény az enyém.
    Agents write the code.
    I own the spec, the checks and the result.

    Úgy irányítom az AI kódoló ügynököket, ahogy egy vezető egy kis csapatot: leírt célok, kis lépések, külön ellenőr, és minden állítás mögött elmentett bizonyíték. A legtöbb szám az oldalon látható diszpécser-demóból való.I run AI coding agents the way a lead runs a small team: written targets, small steps, a separate reviewer, and saved evidence for every claim. Most numbers below are from the dispatch demo on this page.

    1. 01

      Előbb a célok, aztán a kódTargets before code

      Az építés előtt 35 mérhető cél (sebesség, adatminőség, akadálymentesség, folyamat) és 12 böngészős bejárás volt leírva. Ha egy cél változott, a régi érték, az új érték és az ok is bekerült a naplóba.35 measurable targets (speed, data quality, accessibility, process) and 12 browser walkthroughs were written down before the build started. When a target changed, the old value, the new value and the reason were logged.

    2. 02

      Kis lépések, mindegyik saját ellenőrzésselSmall steps, each with its own check

      A projektnaplóban több mint 30 dátumozott kör áll, mindegyiknél az ellenőrzés és az eredménye.The project log has more than 30 dated rounds, each with what was checked and what came out.

    3. 03

      A teszt az ügynök visszajelzéseTests are the agent’s feedback

      158 egységteszt és 186 böngészős teszt, akadálymentességi ellenőrzéssel. Visszatérő hibánál a teszt előbb a régi kódon bukik el.158 unit tests and 186 browser tests, with accessibility checks. For a regression, the test is first shown failing on the old code.

    4. 04

      Aki épít, nem ő ellenőrizThe builder does not review its own work

      Kiadás előtt külön ellenőrző ügynök nézte át a kódot. Előbb egy négy elrejtett hibát tartalmazó mappán próbáltam ki, és mind a négyet megtalálta. Az átnézés és a kiegészítő ellenőrzések 73 találatot adtak. Egy második kör ellenőrizte és rangsorolta őket; én döntöttem el, melyik blokkolja a kiadást, és én hagytam jóvá a javítási kört.Before release, a separate review agent checked the code. I first tried it on a folder with four planted bugs; it found all four. The review and the follow-up checks produced 73 findings. A second pass verified and ranked them; I decided which ones block the release and approved the fix round.

    5. 05

      Bizonyíték, a kudarcokról isEvidence, including the failures

      Minden „kész” mögött elmentett kimenet áll: tesztnapló, buildnapló, képernyőkép. 72 hiba van naplózva azzal együtt, hogyan derült ki, és a bukott futások is megmaradnak, az okukkal.Every “done” has saved output behind it: test logs, build logs, screenshots. 72 defects are logged with how each one was found, and failed runs are kept with their cause.

    6. 06

      Semmi nem megy ki a jóváhagyásom nélkülNothing is pushed or published without my approval

      Egy kapu ellenőrzi, hová kerül a kód, és megvárja, amíg a pontos változatot jóváhagyom.A gate checks where the code is going and waits until I approve the exact version.

    Egy hiba, amit az átnézés talált.One defect the review caught.

    Egy még el nem indult fuvarnál a tervezett érkezés rossz napra került, több mint kilenc óra látszólagos késéssel. A javítás után a tervezett és a becsült érkezés egyértelmű feliratot kapott, a téves késésjelzés pedig megszűnt.An upcoming trip showed its planned arrival on the wrong day, with more than nine hours of apparent delay. After the fix, the planned time and the estimated arrival are clearly labelled, and the trip no longer shows a false delay.

    Beszéljünk egy szakmai lehetőségről.Let’s talk about a role.

    Nyitott vagyok távmunkás szerződéses (contract) pozíciókra és fizetett próbamunkára.Open to remote contract roles and paid work trials.

    Technikai háttérTechnical background

    AlkalmazásokApplications
    TypeScript, React, Next.js, Node.js, REST API-kTypeScript, React, Next.js, Node.js, REST APIs
    AdatData
    Python, SQL, PostgreSQL, Supabase, DuckDBPython, SQL, PostgreSQL, Supabase, DuckDB
    MinőségQuality
    Playwright, automatikus adatellenőrzés és regressziós tesztekPlaywright, automated data validation and regression checks

    Korábbi elemzőmunka: adatfolyamat 400 millió+ forrásrekordon, 25+ előre kiszámított adatnézet, profilonként 265 mutató.Earlier analytics work: a pipeline over 400M+ source records, 25+ read models, 265 metrics per profile.

    ← Vissza a projekthezBack to the project

    Diszpécser-szimuláció, saját demó, kitalált adatokkalDispatch simulation, own demo with synthetic data

    Hol a kamion, miért késik, és mibe kerül a kerülő?Where is the truck, why is it late, and what does the detour cost?

    Webes demó egy nemzetközi közúti fuvarozó flotta követésére. Három kitalált cég 1 200 kamionja mozog tíz közép-európai országban, valós teherautós útvonalakon. A diszpécser látja, hol jár egy kamion, mitől késik, és mennyi időbe és pénzbe kerül egy kerülő.A web demo for tracking an international road-freight fleet. 1,200 trucks from three invented companies move across ten Central European countries on real truck routes. A dispatcher can see where a truck is, what is delaying it, and what a detour costs in time and money.

    The fleet map between Vienna and Budapest: the selected truck and its remaining route as a dashed line, taking the detour around the simulated closure.Térkép a „Mi lenne, ha…?” nézetből: az alapút az M1-en és a szaggatott vonallal jelölt kerülő a szimulált lezárás körül, Budapest és Bécs között.
    A „Mi lenne, ha…?” nézet: az alapút és a kerülő a szimulált lezárás körül. Térkép: © OpenStreetMap-közreműködők, Natural Earth; útvonal: Valhalla.The fleet map: the selected truck’s route takes the detour around the simulated closure (dashed line). Map © OpenStreetMap contributors, Natural Earth; routing by Valhalla.

    Valós utak, kitalált cégekReal roads, invented companies

    Az útvonalakat egy teherautós útvonaltervező (Valhalla) számolta az OpenStreetMap úthálózatán. A menetidők egy nyilvános, valós kamionmérési adatsorra (TUM DT-CARGO) vannak kalibrálva, a vezetési és pihenőidők az EU 561/2006 rendelet egyszerűsített szabályait követik, a dízelár, az útdíj és a bér pedig dátumozott, forrásmegjelölt referenciákból jön.Routes are planned with a truck router (Valhalla) on the OpenStreetMap road network. Driving times are calibrated on a public dataset of real truck measurements (TUM DT-CARGO), driving and rest times follow simplified EU 561/2006 rules, and diesel prices, tolls and wages come from dated, sourced references.

    Minden cég, jármű, sofőr, ügyfél és fuvar kitalált. A kamionok helyzete nem valós GPS-adat: a szimuláció órájából számolódik. Az eredmény modellezett nyereség, nem könyvelt.Every company, truck, driver, customer and order is synthetic. Truck positions are not real GPS data; they are computed from the simulation clock. The result is modelled profit, not booked profit.

    Mit lát a diszpécser?What the dispatcher sees

    • Flottatérkép Európától az országon át egy-egy kamionig, késésjelekkel.A fleet map from Europe to a country to a single truck, with delay markers.
    • Napi kivételsor: a figyelmet igénylő fuvarok egy listában.A daily exception queue: the orders that need attention, in one list.
    • A fuvar idővonala: terv és tény egymás mellett, a késés okokra bontva.An order timeline: plan against actual, with the delay broken down by cause.
    • „Mi lenne, ha…?”: útvonal-összevetés távolságra, dízelre és időre.“What if…?”: a route comparison for distance, diesel and time.
    The trip view for the late truck, Budapest to Vienna: 1 h 27 min behind the plan, made up of (rounded) 56 minutes from the detour around the road closure and 32 minutes of extra wait at loading.Oszlopdiagram a fuvar nézetéből: tervezett érkezés 0 perc, rakodási várakozás +32 perc és útvonalváltás a lezárás miatt +56 perc (percre kerekítve), jelenlegi becslés: 1 óra 27 perc késés.
    A fuvar nézetéből: miből áll a késés. Magyar felület, kitalált adatok.From the trip view: what the delay is made of. Synthetic data.

    Hogyan ellenőriztem?How it is checked

    158 egységteszt fedi a szimulációs motort, a költségmodellt, a forgatókönyv minőségét és a reprodukálhatóságot. 186 böngészős teszt fut asztali és mobil nézetben, akadálymentességi (axe-core) és billentyűzetes ellenőrzéssel is. Az adatok a kódból bájtra azonosan újra előállíthatók.158 unit tests cover the simulation engine, the cost model, scenario quality and reproducibility. 186 browser tests run on desktop and mobile, including accessibility (axe-core) and keyboard checks. The data can be rebuilt byte for byte from the code.

    A videó felvétele előtt egy szkript 27 értéket olvasott ki a futó felületről, és összevetette a tervezett feliratokkal: mind a 27 egyezett.Before the video was recorded, a script read 27 values from the running interface and compared them with the planned captions: all 27 matched.

    KorlátokLimits

    A szabályok egyszerűsítettek, jogi megfelelést a demó nem állít: nincs benne például megosztott szünet, kettős személyzet vagy komp. A kerülőt útvonaltervező heurisztika adja, nem bizonyított optimum. A szakmai nézet csak magyarul érhető el.The rules are simplified and the demo makes no claim of legal compliance: it has no split breaks, double crewing or ferries, for example. The detour comes from a routing heuristic, not a proven optimum. The detailed view is in Hungarian only.

    Amit én építettemWhat I built

    Python adat-előkészítés, útvonalak és kalibráció, szimulációs motor TypeScriptben, térkép és grafikonok (Canvas 2D, SVG), tesztek (Vitest, Playwright).A Python data pipeline, routing and calibration, a simulation engine in TypeScript, the map and charts (Canvas 2D, SVG), and the tests (Vitest, Playwright).

    ← Vissza a munkákhozAll selected work

    Bizalmas ügyfélprojekt, fejlesztés alattConfidential client project, in development

    Résztvevőnként külön táblázat helyett egy közös elszámolási rendszer.From one spreadsheet per participant to one settlement workflow.

    Központi platform a havi adatok beküldésére, ellenőrzésére, az elszámolásra és a kifizetések előkészítésére — a meglévő pénzügyi folyamat szabályaihoz igazítva. A central platform for monthly data submissions, checks, reconciliation and payout preparation — designed around the rules of an existing financial workflow.

    A folyamat működik.
    Túl sok az egyeztetés.
    The process works.
    It takes too much coordination.

    A havi elszámolás külön vezetett táblázatokra, kézi ellenőrzésekre és többszöri egyeztetésre épül. A hiányzó adatokat be kell kérni, az eltéréseket tisztázni, a javításokat pedig átvezetni, mielőtt lezárható az elszámolás és előkészíthetők a kifizetések. Each monthly settlement cycle relies on separately maintained spreadsheets, manual checks and repeated follow-ups. Missing information has to be collected, discrepancies resolved and corrections applied before settlements can be finalized and payouts prepared.

    Ma egy havi zárás kb. egy hetet visz el. Az adatok több fájlban vannak, az elszámolási szabályok alkalmazása pedig részben a folyamatot végző munkatársak tapasztalatára épül. Today a monthly close takes about a week. Data is spread across files, and applying the settlement rules depends partly on the experience of the people running the process.

    Előbb tisztázom a szabályokat, aztán automatizálok.Understand the rules before automating the process.

    A fő feladat, hogy a rendszer helyesen kezelje mindazt, amit eddig a táblázatok és a megszokott munkafolyamat biztosítottak: az adatok közötti összefüggéseket, a kivételeket, a javításokat és az elszámolási szabályokat. The main challenge is to preserve the logic behind the existing spreadsheets and workflow: how the data connects, how exceptions and corrections are handled, and how settlements are calculated.

    Ezek alapján alakítom ki az adatmodellt és az alkalmazás működését. I use those requirements to design the data model and implement the application's rules.

    Egységes adatbeküldésConsistent data submissions

    A résztvevők azonos szerkezetben küldik be az adataikat, így kevesebb külön fájlt kell összevetni és egyeztetni.Participants submit data in a common format, reducing the need to compare and reconcile separate files.

    Beépített ellenőrzésBuilt-in checks

    Az adatok feldolgozásakor a rendszer elvégzi az elszámolási folyamatban előírt ellenőrzéseket.The system applies the required checks as part of processing the submitted data.

    Központi elszámolásCentralized settlement calculations

    Az elszámolási szabályokat egyetlen közös rendszer alkalmazza minden résztvevő adataira.One shared system applies the settlement rules to each participant's data.

    Kifizetéshez előkészített adatokData ready for payout preparation

    Az ellenőrzött elszámolásból a rendszer előállítja a kifizetések előkészítéséhez szükséges adatokat.The system turns reconciled settlements into the information needed to prepare payouts.

    Ugyanaz a hónap, két számításSame month, two calculations

    Mielőtt a rendszer kiváltja a táblázatokat, ugyanazt az eredményt kell adnia, mint azok. Egy-egy hónap adatain lefuttattam az új elszámoló motort és az ügyfél meglévő táblázatát, és résztvevőnként összevetettem a kettőt.Before the platform replaces the spreadsheets, it has to produce the same results. I ran the new settlement engine and the client’s existing spreadsheet on the same month’s data and compared the two participant by participant.

    Árnyékellenőrzés: az új motor és az ügyfél táblázataShadow check: the new engine against the client’s spreadsheet
    TeszthónapTest monthÖsszevetett résztvevőParticipants comparedCentre egyezettMatched to the cent
    elsőFirst4040
    másodikSecond3737
    Ugyanaz a hónap, ugyanazok a bemenetek, két számítás, résztvevőnként összevetve. A nevek és az összegek bizalmasak, ezért nem látszanak.Same month, same inputs, two calculations, compared participant by participant. Names and amounts are confidential and not shown.

    Az egyezés azt mutatja, hogy az új rendszer ugyanazokat a szabályokat alkalmazza. Azt még nem bizonyítja, hogy a folyamat gyorsabb lesz: az 1–2 napos zárás az élesítés utáni mérésig cél marad.Matching the old calculation shows that the new system applies the same rules. It does not yet prove the process will be faster: the 1–2 day close remains a target until it is measured after launch.

    Mi a cél a gyakorlatban?What is the intended outcome?

    A cél, hogy a havi egyeztetés és elszámolás a mai kb. egy hét helyett 1–2 nap alatt lezárható legyen. A várható javulást az ismételt egyeztetések csökkentése, valamint az ellenőrzések és számítások automatizálása adja. The goal is to reduce the monthly reconciliation and settlement cycle from about a week today to 1–2 days. The expected improvement comes from reducing repeated follow-ups and automating checks and calculations.

    A rendszer még fejlesztés alatt áll. Az 1–2 napos ciklusidő kitűzött cél, nem igazolt eredmény. Az összehasonlítás a teljes folyamat átfutási idejére vonatkozik, nem a ráfordított vagy megtakarított munkaórákra. The system is still in development. The 1–2-day cycle is a target, not a measured result. This comparison refers to the elapsed time needed to complete the process, not staff hours spent or saved.

    Amiért én felelekMy role and responsibilities

    Igényfelmérés → Adatmodell → Elszámolási szabályok → Alkalmazásfejlesztés → Tesztelés → Élesítés → TovábbfejlesztésRequirements → Data model → Settlement logic → Application development → Testing → Deployment → Iteration

    A platform teljes tervezéséért és fejlesztéséért én felelek. A munkám a meglévő folyamat megértésétől az alkalmazás elkészítésén és tesztelésén át az élesítésig és a későbbi finomításokig terjed. I am responsible for the platform's design and development end-to-end. My scope covers understanding the existing workflow, building and testing the application, deploying it and refining it over time.

    Eszközök: TypeScript, Next.js, PostgreSQL / Supabase, SQL, Vercel.Built with TypeScript, Next.js, PostgreSQL / Supabase, SQL and Vercel.

    ← Vissza a munkákhozAll selected work

    Döntéstámogatás, saját termék, éles rendszerDecision support, own product, in production

    Milliárdnyi adatból
    használható elemzőtermék.
    Billions of observations.
    A product people can use.

    Nagy adatmennyiséget feldolgozó rendszer, amely előre kiszámított eredményekkel támogatja az adatok böngészését és összehasonlítását. Minden mutatóhoz egyértelmű számítási szabály tartozik, és a rendszer ellenőrzi, hogy elegendő adat áll-e rendelkezésre az eredmény értelmezéséhez. An analytics system that processes large datasets into pre-computed results for users to explore and compare. Each metric has a clear calculation rule, with checks to establish whether enough supporting data is available to interpret the result.

    Hogyan dönti el a termék, hogy mutat-e számotHow the product decides whether to show a number

    Honnan jön a válasz?Where does an answer come from?

    A nehéz munka már azelőtt elkészül, hogy bárki kérdezne. A nyers rekordokból egységes, származtatott rekordok lesznek, az eredmények pedig előre kiszámolva várnak, több mint 25 adatnézetben. A kérdésre ezekből jön a válasz, így nem kell minden alkalommal újra lefuttatni a teljes elemzést.The heavy work is done before anyone asks. Raw records are cleaned up and turned into derived records, and the results wait, calculated in advance, in more than 25 read models. A question is answered from these, so the full analysis does not have to run again every time.

    Rajzolt szemléltetés arról, hogyan dönt a termék, nem a felülete. A pontok és a sávok nem valós adatmennyiséget mutatnak.A drawn illustration of how the product decides, not its interface. The dots and bars do not show real amounts of data.

    400 millió+400M+forrásrekordsource records
    2 milliárd+2B+származtatott elemzési rekordderived analytical records
    25+előre kiszámított adatnézetpre-computed read models

    A számításigényes munka
    már a háttérben elkészül.
    Do the heavy work before
    the user asks the question.

    Ha minden felhasználói kérésnél újra feldolgoznánk a teljes adathalmazt, ugyanazokat az összetett számításokat végeznénk el újra és újra. Ez feleslegesen terhelné a rendszert. Processing the full dataset for every user request would repeat the same expensive calculations and put unnecessary load on the system.

    A forrásadatokat Python tölti be és hozza egységes formára. Az átalakításokat és összesítéseket a DuckDB végzi el előre. Az alkalmazás ezekből az előkészített adatnézetekből olvassa ki a megjelenítéshez szükséges eredményeket. A Python pipeline loads and standardizes the source data. DuckDB handles transformations and aggregations in advance. The application then reads the results it needs from data structures prepared for specific queries.

    Hat lépés a forrásadatoktól a felületig.Six steps from source data to the interface.

    01 / BetöltésIngest

    A forrásadatok beolvasása Pythonnal.Load source records with Python.

    02 / EgységesítésStandardize

    Az eltérő formátumú adatok közös szerkezetre hozása.Convert source data into consistent structures.

    03 / ÁtalakításTransform

    Az elemzéshez szükséges származtatott rekordok előállítása DuckDB-ben.Create the derived records needed for analysis in DuckDB.

    04 / ÖsszesítésAggregate

    A mutatók kiszámítása előre meghatározott szabályok szerint.Calculate metrics using explicitly defined rules.

    05 / ElőkészítésPrepare

    Több mint 25, konkrét lekérdezésekhez kialakított adatnézet létrehozása.Build more than 25 read models tailored to specific queries.

    06 / MegjelenítésServe

    Az előkészített eredmények elérhetővé tétele a felületen, API-n keresztül.Make the prepared results available to the interface through an API.

    A gyors eredmény akkor hasznos, ha megbízható.Fast results also need to be trustworthy.

    Attól, hogy egy lekérdezés hiba nélkül lefut, még lehet félrevezető az eredménye. Ezért minden mutatónál egyértelműen meghatározom, miből és hogyan számolunk, illetve mikor elegendő az alapul szolgáló adat az értelmezéséhez. A query can run successfully and still produce a misleading result. Each metric therefore has explicit rules for which records it uses, how it is calculated and how much supporting data is required.

    A megfelelő adatkör kiválasztásaUse the right data

    A különböző elemzési csoportokat külön kezelem. Arányszámoknál mindig az adott mutatóhoz tartozó alapsokaság adja a nevezőt.Keep distinct analytical groups separate. For rates and percentages, use the relevant population as the denominator.

    Hiányos adatok kizárásaExclude incomplete records

    Azok a rekordok kimaradnak az adott számításból, amelyekből hiányzik valamelyik szükséges adat.Exclude records from a calculation when they lack information required for that calculation.

    Az elégtelen adatmennyiség jelzéseFlag insufficient data

    Ha egy eredmény nem teljesíti az előírt adatkövetelményeket, a rendszer bizonytalanként jelöli vagy nem jeleníti meg.If a result does not meet the defined data requirements, the system flags it as uncertain or withholds it.

    Megismételhető számításokMake calculations reproducible

    A számítási szabályok egyértelműek. Azonos bemeneti adatokkal és szabályokkal ugyanaz az eredmény állítható elő, így a számítás ellenőrizhető és megismételhető.Explicit calculation rules produce the same result from the same inputs, allowing calculations to be checked and repeated.

    Mit mutat meg ez a projekt?What this project demonstrates

    Egy élesben működő elemzőtermék teljes adatfeldolgozási folyamatát: a nyers adatok betöltésétől és átalakításától a mutatók kiszámításán át a felhasználói felületig. A complete data-processing workflow behind a production analytics product: from loading and transforming raw data to calculating metrics and presenting results in an application.

    A rekordszámok a feldolgozott adatmennyiséget jelzik. A több mint 2 milliárd származtatott rekord a forrásadatok átalakításából keletkezik; nem ugyanennyi új, egymástól független eseményt jelent. Ezek a számok a rendszer méretét mutatják, nem a bevételre gyakorolt hatását. The record counts describe processing scale. The more than 2 billion derived records are created by transforming source data; they do not represent that many additional, independent events. These figures describe the size of the system, not its impact on revenue.

    Amit én építettemWhat I built

    Adatbetöltés Pythonnal → Elemzés DuckDB-ben → Előre kiszámított adatnézetek → API → Next.js alkalmazásPython ingestion → DuckDB analytics → Pre-computed read models → API → Next.js application

    PythonDuckDBSQLTypeScriptNext.js
    ← Vissza a munkákhozAll selected work

    Elemzési infrastruktúra, saját termékAnalytics infrastructure, own product

    Egyre több mutató.
    Egy közös elemzőmotor.
    A growing metric library.
    One shared analytics engine.

    Újra felhasználható számítási motor, amely külön kezeli a mutatók meghatározását és kiszámítását. Profilonként 265 mutatót állít elő, ellenőrzi az alapul szolgáló adatok elégségességét, és lehetővé teszi a számítások változásainak visszakövetését. A reusable calculation engine that separates metric definitions from execution. It produces 265 metrics per profile, checks whether enough underlying data is available and supports traceable validation of calculation changes.

    800 millió+800M+forráseseménysource events
    Kb. 4,6 milliárd~4.6Bprofilszintű származtatott rekordderived profile-level records
    265mutató profilonkéntmetrics per profile

    Ne kelljen minden új mutatóhoz
    külön feldolgozási folyamat.
    New metrics should not need
    separate pipelines.

    Ha több száz mutatóhoz külön számítási megoldás készül, ugyanaz a logika több helyen ismétlődik. Emiatt a módosításokat is nehezebb következetesen ellenőrizni. Building a separate implementation for each of hundreds of metrics duplicates logic and makes changes harder to validate consistently.

    Olyan elemzőmotort terveztem, amelyben minden mutatót újra felhasználható szabályok írnak le, a számításokat pedig egy közös motor végzi. Az összetartozó mutatók csoportosan is feldolgozhatók. I designed an analytics engine in which reusable definitions describe each metric and a shared engine runs the calculations. Related metrics can be processed together.

    A kiszámított érték mellé az adatok ellenőrzése is kell.Calculate the result. Check the data behind it.

    Az egyes profilokhoz eltérő mennyiségű adat tartozik. Ezért a rendszer minden mutatónál ellenőrzi, hogy rendelkezésre áll-e az értelmezéséhez előírt mennyiségű adat. The amount of data available varies between profiles. For each metric, the system checks whether the result has enough supporting data to meet the defined requirements.

    SzámításCalculate

    A mutató kiszámítása a meghatározott feltételeknek megfelelő adatokból.Compute the metric using records that meet its eligibility rules.

    EllenőrzésCheck

    Annak vizsgálata, hogy elegendő adat támasztja-e alá az eredményt.Assess whether enough data supports the result.

    MegjelenítésPresent

    Ha nincs elegendő adat, az eredmény figyelmeztető jelzést kap vagy nem jelenik meg.Flag or withhold results when there is insufficient data.

    A módosításokat rögzített tesztadatokon ellenőrzöm.Test changes on a fixed dataset.

    Az éles alkalmazás adatbázisától elkülönítve egy rögzített elemzési adathalmazt használok a teszteléshez. Így ugyanazokon az adatokon vizsgálhatom meg, hogyan változnak az eredmények a motor módosítása után, még az élesítés előtt. I use a fixed analytical dataset for testing, kept separate from the live application database. This allows me to evaluate how engine changes affect results using the same input data before deployment.

    01 / A módosítás meghatározásaDefine the change

    Pontosan leírom, mit változtatok a számításban.Specify exactly what will change in the calculation.

    02 / A várt eredmény rögzítéseSet expectations

    Előre meghatározom, mely eredményeknek kell változniuk, és hogyan.Record which outputs should change and how.

    03 / FuttatásRun

    Lefuttatom a módosított motort a rögzített tesztadatokon.Execute the updated engine on the fixed test dataset.

    04 / Eredmények rögzítéseRecord results

    Elmentem a futtatás során kapott eredményeket.Save the outputs from the test run.

    05 / ÖsszehasonlításCompare

    Összevetem a tényleges változásokat az előzetes várakozásokkal.Check the actual changes against the expected results.

    06 / ÉlesítésDeploy

    A módosítás az ellenőrzések sikeres lezárása után kerülhet az éles rendszerbe.Release the change once it passes validation.

    A motor állapotát azonosító technikai ujjlenyomatok és az ellenőrzések eredményei segítenek visszakövetni az egyes futtatásokat. Engine fingerprints identify the engine state used for a run. Together with validation results, they help make analytical runs traceable.

    Mit mutat meg ez a projekt?What this project demonstrates

    Hogyan kezelhető sokféle mutató egyetlen közös motorral: újra felhasználható definíciókkal, csoportos számítással és megismételhető ellenőrzésekkel. Ez lehetővé teszi a termék bővítését anélkül, hogy minden új elemzési igényhez külön feldolgozási folyamatot kellene építeni. How a shared engine can support a large metric library through reusable definitions, grouped calculations and repeatable validation. This allows the product to expand without building a separate processing pipeline for every new analytical requirement.

    A mintegy 4,6 milliárd profilszintű rekord több mint 800 millió forrásesemény feldolgozásából származik. A két szám a feldolgozás különböző szakaszait jelöli; nem adhatók össze egyetlen eseményszámmá. The approximately 4.6 billion profile-level records are derived from more than 800 million source events. These counts describe different processing stages and should not be added together as a single event total.

    Amit én építettemWhat I built

    Mutatók meghatározása → Közös számítási motor → Adatok elégségességének ellenőrzése → Profilelemzés → Megismételhető tesztelésMetric definitions → Shared calculation engine → Data sufficiency checks → Profile analytics → Reproducible testing

    PythonDuckDBSQLTypeScriptNext.js