A Magyar Pékség Kft. informatikai rendszerének bemutatása
Bibliographic record
Abstract
Dolgozatom témájául egy cég informatikai rendszerének bemutatását választottam. Kutatásaimat a Magyar Pékség Kft. (Hajdúböszörmény, Erdélyi út 65-67.) informatikai rendszerének használatával végeztem. Dolgozatomban egy általános bevezető rész után bemutatom a rendszer főbb komponenseit, fokozott hangsúlyt helyezve az élelmiszeripari cégeknél nagyon fontos nyomonkövetés problémájára és informatikai megoldására. A nyomon követhetőség, a termékminőség és az élelmiszerbiztonság garantálása a rendszer legfontosabb feladatai közé tartozik. A sarzskövetés problémája mellett leírom a vállalatnál bevezetett rendszer működését különös tekintettel azokra a pontokra, amelyeket speciálisan a Magyar Pékség Kft. részére fejlesztettek a rendszerben egy testreszabási folyamat során. A Magyar Pékség Kft. vállalatirányítási rendszerét véleményem szerint szükséges volt bevezetni, egyrészt azért, mert így megkönnyíti a mindennapi tevékenységet a Pékség életében, másrészről az Európai Unió szabályozásainak eleget kellett tenni, hogy a korszerű nyomonkövetés megvalósulhasson. A dolgozatom aktualitását az adta, hogy kutatásaimmal segítséget nyújthattam a nyomonkövetési folyamat felméréséhez és más vállalati folyamatokhoz kapcsolódásához. A Magyar Pékséghez hasonló kis- és középvállalat méretű sütőipari üzemeknél sok olyan speciális probléma merülhet fel, ami egy szabványos nyomonkövetési rendszer bevezetését megnehezíti. Remélhetőleg a dolgozatom is segített abban, hogy ezen problémák megoldására megnyugtató megoldás szülessen.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.005 | 0.006 |
| Scholarly communication | 0.018 | 0.018 |
| Open science | 0.002 | 0.008 |
| Research integrity | 0.006 | 0.005 |
| Insufficient payload (model declined to judge) | 0.114 | 0.065 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".