Ezt a munkát az egyik legnevesebb tudományos konferencián, az ACM SIGCOMM-on mutattuk be 2020-ban. Az ötlet lényege úgy szétosztani egy gépi tanulás alapú objektumfelismerő alkalmazás komponenseit egy, a felhasználótól távol elhelyezkedő, nyílt felhőszolgáltató és felhasználóközeli edge eszközök között, hogy az képes legyen a megadott késleltetési követelményeket teljesíteni a legalacsonyabb ár mellett. Az alkalmazás komponensek menedzselése során felhasználjuk a legnagyobb nyílt felhőszolgáltató, az AWS (Amazon Web Services) több megoldását is.

Bár jelenleg még nem elterjedtek, az AR (Augmented Reality) alkalmazások mind jelentősebb térhódítása várható a talán nem is olyan távoli jövőben. Az ilyen alkalmazások futtatása során több kulcsfontosságú kérdéssel is meg kell birkóznunk. A késleltetés rendkívül alacsony szinten tartása elengedhetetlen, hiszen a felhasználói élmény ehhez szorosan kapcsolódik. AR környezetben komplikált számítási feladatokat is futtatnunk kell, melyek elhelyezése is kulcskérdés. Az alacsony késleltetés biztosíthatónak tűnik, amennyiben az AR eszközhöz (pl. okostelefon, szemüveg) közel futtatjuk a számításokat. Ugyanakkor az ilyen eszközöknek hordozhatónak kell lenniük, így mind a számítási teljesítményük, mind az akkumulátoruk kapacitása korlátozó tényezőként léphet fel. Felhő környezetben sem a számítási teljesítmény, sem a tápellátás nem jelenthet problémát, ugyanakkor a megfelelő késleltetést nehéz biztosítani a felhasználótól való nagy távolság miatt. Több felhő alapú AR alkalmazást is fejlesztettünk/fejlesztünk és vizsgáljuk a fenti koncepció működőképességét.  A legizgalmasabb amikor már a virtuális és valós objektumok között is történhetnek interakciók.  Ezt a "feature"-t már kevert valóságnak (Mixed Reality, MR) hívjuk és számos további kihívást és lehetőséget rejt magában. 

Emberek és (ipari) robotok együttműködésére már most is rendkívül sok példa található az iparban. Az ipari folyamatok változásával és az automatizáció mind erőteljesebb alkalmazásával fokozódó mértékben számíthatunk olyan helyzetek kialakulására, melyeknél a két fél együttműködése előnyös, ugyanakkor biztonsági szempontokból kihívásokat kelt. A robotok mozgásának tervezését támogathatjuk nagyfokú párhuzamosítást lehetővé tevő felhő alapú számítási platformokkal, melyek segítségével a robotok a gyártási folyamatban okozott fennakadások nélkül lehetnek képesek elkerülni ütközési helyzeteket emberi partnerekkel. Ebben a munkánkban azt vizsgáljuk, hogy a hálózati késleltetés és ennek ingadozása milyen mértékben teszik lehetővé az ilyen trajektória számítások felhőben történő megvalósítását.

Egy újabb alkalmazási példa keretében azt mutatjuk be, hogy a felhőszolgáltatások által támogatott mesterséges intelligencia rendszerek, mélytanulási módszerek hogyan segíthetik a magyar élsportban dolgozók (edzők, orvosi stábok, fizioterapeuták, játékosmegfigyelők, játékosok és szövetségek) munkáját újszerű összefüggések feltárása révén. A meccsek statisztikái és eseménynaplói, valamint a többkamerás videofelvételek alapján modelleket állítunk fel a játékosok, csapatok, taktikák megértése és a meghatározó események előrejelzése céljából. Többek között az alábbiakhoz hasonló, komplex kérdésekre is keressük a választ: A modern műszaki tudomány módszereivel hogyan segíthető az utánpótlásnevelés? Illeszkedik-e a játékos egy adott csapat vagy játékrendszer egyedi stílusához? Statisztikailag alátámasztható döntést hozott-e a játékos egy adott szituációban? Mi lehet az átigazolási és játékosértékelési piac mozgatórugója?