Életünk egyre több területén jelenik meg a mesterséges intelligencia (AI), amihez olyan fogalmak is kapcsolódnak, mint a big data, az adatbányászat, az adatelemzés vagy az adattudomány. A gazdaság szereplői számára természetesen az a fő kérdés, hogy miként tudják az AI-t mindennapi munkájuk, üzletük szolgálatába állítani. Ehhez kívánt segítséget nyújtani egy online előadáson az ITWare Kft. Budaházy Gábor vezető adattudós - a cég saját megoldásain keresztül - az AI gyakorlati alkalmazásairól beszélt.
Üzleti szempontból a mesterséges intelligencia olyan automatizáció, amelynél a megoldást nyújtó algoritmus nem emberek által, előre meghatározott szabályok és döntések sorozataként jön létre, hanem az algoritmus maga próbálja meg kinyerni az adatokból az összefüggéseket. E folyamat - amely az előzetes mintákon folyó tanulásra, más szóval a gépi tanulásra is épít - olyan felismerésekhez is vezethet, amelyek adott esetben még a feladat kiszabója, illetve a programozó számára is újdonsággal bírnak.
Vannak területek, ahol már jobban elterjedt az AI. Idetartozik például a pénzügyi szektor, a gyártás vagy a szolgáltatóipar. E szektorokban érdemes a sikeres, legjobb gyakorlatokból tanulni. Ott viszont, ahol még kevésbé találkozhatunk AI-megoldásokkal (például a közszolgáltatásokban) az úttörők versenyelőnyre tehetnek szert, ha kihasználják a mesterséges intelligencia adta lehetőségeket.
Emberi erőforrások kezelése a 21. században
A legtöbb vállalatnál, mérettől és tevékenységi körtől függetlenül, kritikus támogatói terület a HR. Manapság az a jellemző gyakorlat, hogy a szervezetek a humán munkatársak emberi erőfeszítéseire hagyatkoznak. Annak megítélésekor például, hogy kiből lehet jó vagy kevésbé jó munkatárs, jobbára a humán kollégák tapasztalatára, intuícióira építenek. Ebből fakadóan a kiértékeléseknél komoly problémák (időveszteség, tehetségek elvesztése, dolgozói elégedetlenség stb.) adódhatnak.
A HR-ben sok olyan részterület van, ahol sikerrel alkalmazható az AI. Ezek egyike a nagy cégeknél már elterjedt képzésajánló rendszer. Lényege, hogy naprakészen tartja az alkalmazottak (elsősorban a műszakiak) képességeit, szaktudását, és ennek megfelelően különféle képzéseket javasol (vagy esetleg tesz kötelezővé) az érintetteknek.
Az ITWare megoldása hasonló a webshopok termékajánlóinak mechanizmusához, azt átviszi a HR területére: összepárosítja a különféle szaktudású kollégákat az adott specifikummal rendelkező tanfolyamokkal. A modul bevezetése egyrészt tehermentesíti a HR-csapatot, másrészt hatékonyabbá teszi a munkát, ráadásul a kollégák várhatóan elégedettebbek lesznek a felkínált képzésekkel, mint azokkal, amelyeket a HR munkatársai, többé-kevésbé szubjektív megítélés alapján javasolnának nekik.
Főleg a nagyobb cégeknél hétköznapi probléma az alsóbb szintű káderutánpótlás. Hagyományosan először megpróbálják az előléptetésre alkalmas kollégákat beazonosítani, majd a kiválasztottak számára megindul a felvételi eljárás. A tradicionális megközelítés hátránya, hogy az előléptetés jellemzően csak a kiválasztási folyamat lezárulása után történhet meg. Az ITWare mesterséges intelligenciával támogatott megoldása megpróbálja már a kiválasztási folyamat során előre jelezni, hogy az adott jelölt sikerrel szerepel-e majd, vagy sem. Ha valószínűsíthető, hogy a jelölt nem felel meg, akkor már párhuzamosan el lehet kezdeni a keresést a pozíció betöltésére más körökben, felgyorsítva ezzel az utánpótlást. Az eljáráshoz szükséges kiindulási adatok jellemzően minden cégnél rendelkezésre állnak. Személyes adatokról lévén szó, azok kezelésére, védelmére fokozott figyelmet kell fordítani.
- Ilyen fontos döntéseknél nem lehet teljes mértékben a gépi kiértékelésre hagyatkozni, mivel az egyrészt nem hoz tökéletes eredményt, másrészt a tudomány jelenlegi állásánál túl merész lépés volna. A modellt inkább útmutatóként, előszűrésként vagy kiegészítő indikátorként érdemes figyelembe venni. Tapasztalatom szerint az automatizációt vagy félautomatizációt nehéz az emberi erőforrások területére átvinni. Ugyanakkor meggyőződésem, hogy éppen emiatt még sok a kihasználatlan terület, ahol bármely cég sikeresen teheti meg az első lépéseket a mesterséges intelligenciával támogatott emberierőforrás-menedzsment irányába, mutatott rá Budaházy Gábor.
Gyártósorok támogatása
A gyártástechnológia két alproblémája a selejtképződés és a prediktív karbantartás. Selejt mindenütt keletkezik, ezért a minőségellenőrzés kötelező lépés. Sokakat érintő, összetett, ugyanakkor jól megfogható problémáról van szó, ennek megfelelően e területen az AI-t már elég elterjedten alkalmazzák.
Itt van például az anyaghibák vizuális felismerése. Ezt hagyományosan tapasztalt, jó szemű minőségellenőrök végzik. E feladat elvégzésére egy mélytanuláson alapuló képfelismerő rendszer is alkalmassá tehető. Például egy hengerelt acéllemezen különböző felületi hibák keletkezhetnek, ezek jellegének azonosítása, a hibák osztályozása, helyének pontos meghatározása szintén az ellenőrzés része. Ezen adatokból további számításokat lehet végezni, majd az eredmények alapján kell meghozni a döntést arról, korrigálható-e a hiba vagy sem.
A mélytanuláson alapuló képfelismerő rendszer technológiai hátterét az ITWare konvolúciós hálózatokkal - egyedi konvolúciós neurális hálókkal és átvitt tanulással (transfer learning) - oldotta meg. Megállapították, hogy az elemi szintről, egyedileg felépített háló gyengébb, míg a korábbi modellezésből tanult alapokra épített, átvitt tanulással történő megoldás majdnem tökéletes eredményt hozott.
A gyártósorok gépeinek karbantartását jellemzően előre ütemezett időben végzik, azaz a szerviz a berendezés tényleges állapotától függetlenül történik. Sokkal jobb lenne azonban, ha a szerelőket a tényleges meghibásodás előtt hívnák ki. Ezt az eljárást a gyártásban már próbálják alkalmazni. A hibák előrejelzésének előfeltétele, hogy valós idejű vagy közel valós idejű adatok álljanak rendelkezésre a berendezések állapotáról. Gépsorok esetében jellemzően három csoportba sorolhatók az összegyűjthető adatok: a gépből származó naplóadatok, az üzemeltetők által betáplált üzemeltetési beállítások, valamint a berendezés saját működése közben keletkező szenzorinformációk. Ezen adatok elemzése alapján az ITWare megoldása a berendezés működését három várható üzemciklusba sorolja: a legkritikusabb (0) osztályban 15 ciklusnál hamarabb, a középső (1) osztályban 15-30 ciklusban, a felső (2) osztályban 30 ciklusnál később várható a meghibásodás. Az alkalmazott technológia klasszikus, ötven lépésből álló idősorozat-elemzés, a megfelelő kiegészítő transzformációkkal. A modell teljesítménye összességében jó; pontossága átlagosan 94 százalék, de a legkritikusabb, 0-s osztálynál átlagon felüli (98 százalék).
Mezőgazdasági műholdfelvételek elemzése
Széles körben alkalmazhatóak a műholdfelvételek. Ezek egyike a mezőgazdaság, azon belül a terméktípus-azonosítás. A cél a lefényképezett területen növekvő vegetáció típusának azonosítása.
- Ebben az esetben - akárcsak sok más adattudományi feladatnál - a probléma elsősorban a felhasznált adatok szempontjából jelentkezik. Szerencsénk volt, mert különféle statisztikai forrásokból, valamint a gazdálkodók által beszolgáltatott adatokból hozzáférhettünk ezekhez az információkhoz, s így több mint 580 ezer felcímkézett adatponthoz (parcellához) jutottunk. A műholdfelvételekhez ma már viszonylag könnyű hozzájutni. E felvételek lényegében olyanok, mint a hagyományos légifotók, csak több csatornán rögzítik az adatokat. A mi feladatunk az volt, hogy ezeket az adatokat parcellaszinten aggregáljuk. Technikailag viszonylag szabványos neurálisháló-alapú megoldást készítettünk. A modell teljesítményét némileg rontja, hogy a műholdfelvételek, elsősorban a felhősödés miatt, zajszennyezettek, magyarázta Budaházy Gábor.
Gráfelmélet a telkó világában
A távközlési szolgáltatók számára fontos, hogy minimálisra csökkentsék ügyfeleik elvándorlását. Ennek érdekében folyamatosan tesznek lépéseket: például megpróbálják előre jelezni a távozási szándékot. Míg korábban erre jellemzően konvencionális - tapasztalat- vagy megérzésalapú - módszereket vetettek be, addig ma már alternatívát jelent az adatalapú megközelítés.
Az ITWare ezúttal nem a gépi tanuláshoz, hanem a gráfelmélethez nyúlt. Régóta létező matematikai diszciplínáról van szó, amelynek jól kidolgozott módszertani paradigmái vannak, tehát megbízhatóan alkalmazható, például a szociális hálók elemzésére. Erre építve próbálták meg beazonosítani a sokakat befolyásolni képes kulcsfigurákat (influencer), valamint a több szolgáltató SIM-kártyájával rendelkező, tehát vélhetően könnyebben távozó ügyfeleket. Ezer felhasználó hívásrekordjait (ki, kit, mikor hívott, mennyi ideig tartott a beszélgetés stb.) dolgozták fel, a big datához szükséges, nagy számítási kapacitású rendszerrel.
Technikai megoldások tehát már léteznek a big data, az adatelemzés, a mesterséges intelligencia, a gépi tanulás gyakorlati alkalmazására. Szakértői vélemény szerint azonban egy ilyen projektet csak úgy lehet sikerre vinni, ha a folyamat első lépése az üzleti szintű probléma megértése. Csak ezután következhet az adatok összegyűjtése, megértése és előkészítése, a modellezés, a kiértékelés, majd az üzembe helyezés.
