A mesterséges intelligencia velünk van – 7 működő példa

*
2017. szeptember 12.

Mesterséges intelligencia mindenhol – áll a Gartner nemrég publikált Hype Cycle jelentésében, amely az idei év feltörekvő technológiáit nevezi meg. És valóban, a mesterséges intelligencia (Artificial Intelligence, AI) már számos területen a mindennapok részévé vált, és jobban teljesít az embernél.

Magyarországon is téma már a mesterséges intelligencia. Ezen belül a machine learning (gépi tanulás) és a deep learning módszertanról lehet hallani a leggyakrabban. Ez abból is fakad, hogy ezeket a technológiai szállítók a platformjaikba ágyazva könnyebben elérhetővé tették a felhasználóknak. A mesterséges intelligencia alkalmazására különböző ágazatokból gyűjtöttünk példákat.

Mesterséges intelligencia segítségével tökéletesítik a Siemens turbinájának működését

Fotó: Siemens

  1. Károsanyag-kibocsátás csökkentése

A Siemens gázturbinák égési folyamatának optimalizálására fejlesztett ki mesterséges intelligenciát. A rendszer folyamatosan javít a beállításokon, aminek eredményeképp csökken az égéstermék kibocsátás és lassul a berendezés kopása. A modell a turbina égőinek üzemanyag-adagolásán változtat. Mivel a beállítás sok különböző tényezőtől, például a helyszíntől, a gáz összetételétől, az időjárástól függ, a mesterséges intelligenciának néhány hétre van szüksége ahhoz, hogy megtanulja az adott turbina szabályozását. A teszteket számos különböző gázturbinán végezték el.  Először egy szakértő minimumra állítja a nitrogén-oxid kibocsátást, majd átadják a vezérlést a mesterséges intelligenciának. Két perccel később a kibocsátás 20%-kal alacsonyabb. A rendszert már munkába is állították az egyik nagy ázsiai ügyfelüknél.

  1. Beszállítói kockázatok kiszűrése

A DHL gépi tanulás és szövegfeldolgozás segítségével jelzi előre, hogy egy cégnek melyik beszállítójával akadhat problémája. A rendszer 140 kockázati kategóriát monitorozik, köztük pénzügyi, környezeti és szociális faktorokat, így bűncselekményekből adódó kockázatokat, munkahelyi konfliktusokat, minőségi problémákat és az ellátási lánc olyan hibáit, mint az áruhiány, a szűkös kapacitás vagy a késések. Több mint 300 ezer online és közösségi média forrásból akár 30 millió posztot is elemeznek az ellátási lánc lehetséges szakadásainak feltárására.

  1. Beszerzési ár mérséklése

A General Electric (GE) különböző üzletágai sokszor szerzik be ugyanazt az alkatrészt ugyanattól a beszállítótól, csak éppen ezt nem tudják. Így nem is képesek elérni a számukra legkedvezőbb árat. Mivel a különböző gyárak számos eltérő helyszínen működnek, még bonyolultabb lesz a vásárlás folyamata, s emiatt nem tudják érvényesíteni azt a mennyiségi árkedvezményt, amely pedig együttesen járna nekik. Tovább nehezíti a helyzetet, hogy a gyártók ugyanazt a terméküket több különböző néven is nyilvántartják. Egy bostoni startup cég, a Tamr szoftverével, gépi tanulás révén hatalmas adatmennyiségeket tisztít meg és tesz használhatóvá a beszerzés számára. A GE többszázezer beszállítójának rekordjait vizsgálták át, és szűrték ki, hogy melyek tatoznak ugyanahhoz a beszállítóhoz. Ily módon néhány év alatt 80 millió dollárt takarítottak meg.

  1. Hitelbírálat

A JP Morgan Chase banknál mesterséges intelligencia vizsgálja át a kereskedelmi hitelszerződéseket. A tavaly júliusi indulás előtt jogászok és hitelügyintézők évi 360 ezer órát töltöttek el ezzel a munkával. Most a szoftver másodpercek alatt elbírál egy dokumentumot és kevesebb hibát vét az embereknél.

  1. Filmajánló

A témában szinte klasszikusnak számít a filmeket és sorozatokat online kínáló Netflix példája. Az amerikai médiacég már 2009-ben versenyt hirdetett a filmajánló algoritmusának tökéletesítésére, és a nyertes csapatnak 10%-os javulást sikerült elérnie. A tartalmakat kategorizálják téma, szereplők, hosszúság, a gyártás éve és még sok minden más szerint, és egy adott felhasználónak olyan új tartalmakat ajánlanak, amelyek megfelelnek az ízlésének. Az algoritmus tanul a felhasználó reakcióiból, abból, hogy vajon az elsőként vagy csak az ötödikként ajánlott filmet választja, hogy milyen értékelést adott, hogy milyen trailereket nézett meg, hogy milyen sorozat megtekintését hagyta abba, stb.

  1. Üzleti döntéshozatal

A német Otto e-kereskedő cég mesterséges intelligencia segítségével csökkentette a vevőitől visszaérkező áru mennyiségét. Hagyományos adatelemzéssel kiderült, hogy a vevők kisebb arányban küldik vissza az árut, ha az két napon belül megérkezik. Ezt tehát célszerű lenne betartani, ám mivel az Otto nem csak a saját áruját forgalmazza, hanem másokét is, és utóbbiakat nem maga raktározza, ezt nehezen tudja megoldani. A vevők azonban azt is utálják, ha az egyes csomagokat különböző időpontokban kapják kézhez. Ezért a cég olyan tanuló algoritmust alkalmazott, amely 3 milliárd korábbi tranzakció és 200 változó elemzésével megjósolja, hogy mit fognak megrendelni a vevők egy hét múlva. A mesterséges intelligencia 90% pontossággal képes előre jelezni az elkövetkező 30 napban történő értékesítést. Az Ottónál ötödével esett vissza a felesleges árukészlet azóta, hogy mintegy 200 ezer árucikket közvetlenül a mesterséges intelligencia rendel meg a partnerektől, emberi beavatkozás nélkül.

  1. Rákdiagnosztika

A Google patológusok munkájának segítésére olyan algoritmust készített, amely szövetmintákból diagnosztizálja a mellrákot. Gépi tanulás segítségével sikerült olyan modellt kifejleszteni, amely legalább olyan, vagy még nagyobb pontossággal tudja felállítani a diagnózist, mint maguk a patológusok. Az algoritmus olyan patológusoktól tanult, akiknek tetszőlegesen hosszú idő állt rendelkezésre a véleményük kialakításához. Tekintettel arra, hogy a valóságban ez nincs így, és az orvosoknak nagy időnyomás alatt kell dolgozniuk, a mesterséges intelligenciával elérhető eredmény biztosabbnak tűnik, mint a hús-vér szakembereké. A hatósági jóváhagyás azonban még messze van.