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.
Fotó: Siemens
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.
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.
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.
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.
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.
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.
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.
