Automatizálás és Machine Learning

Olvasási idő: ~ 3 perc

A machine learning (magyarul gépi tanulás) előszobájában az automatizálásról beszélgettünk az AI Strategy & Data-driven Leadership Képzés 4. alkalmán. Egy sikeres gyakorlati példát hozott el nekünk a GE-től Hegyesi Gábor, melyben a következő kérdésekre kaptunk választ:

  • Vajon mit válthatunk ki mesterséges intelligencia megoldásokkal? Hogy történt ez a GE-nél?
  • Hogyan automatizáljuk üzleti folyamatainkat és tesszük hatékonyabbá mindennapi munkánkat?
  • Miként lehet olyan IT megoldásokat bevezetni, amik tényleg működnek a napi operációban.
  • Mi hogyan fejlesztjük a saját tehetségeinket, hogy a napi operációs folyamat ismerete mellé, felépítsék a robotizáláshoz szükséges IT ismereteket is?

 

Tanácsok

  • Értsük meg a folyamatot és egyszerűsítsük!
  • Találjuk meg a megfelelő szakembereket, tanítsuk meg őket a feladatra!
  • Kezdjük kicsiben, az agilitás fontos szerepet játszik ezen a területen!

 

Hogy tanul egy gép? Mire jó a gépi tanulás? Mit lehet vele kiváltani?

A gépi tanulás témaköréhez érve Szalai Ferenctől megtudtuk, hogy a gépi tanulásnak több formája is lehetséges, például az ún. felügyelt tanulás (supervised learning), amikor egy szupervizor (ember) tanítja meg a gépet néhány eseten keresztül, hogy egy adott inputra egy adott outputtal válaszoljon. A tanulás ezen formájában gépek főként két területen jeleskednek, az egyik a klasszifikáció (beérkező információ véges számú kategóriákba sorolása), a másik pedig az előrejelzés (trend meghatározása).

És ha azt gondolnánk, hogy elengedhetetlen, hogy mi emberek (ha minimálisan is, de) tanítsuk a gépünket, azért, hogy tudását felépítse és jól tudjon teljesíteni, akkor tévedünk: a gép képes önállóan tanulni! Ez az ún. felügyelet nélküli tanulási módszer (unsupervised learning), mely tipikusan klaszterezési, anomália észlelési és hálózati problémákra alkalmazható leginkább.

Lehetőségek, korlátok

Közismert, sok helyzetben az okos gépek sikeresebbek, mint az okos emberek – csak hogy egyet kiemeljek. Ezért, ha nem szeretünk veszíteni, akkor javaslom, ne álljunk le gépekkel játszani (GO-zni, sakkozni, pókerezni, stb.) mert nagy eséllyel veszíthetünk, vagy úgy is mondhatnám, hogy a 0-hoz korrelál a nyerési esélyünk. Azt egyelőre nehéz elképzelni, hogy egy területeket átfogó, “mindent is” tudó gépet alkossanak az okos emberek, mivel a szuperintelligens gép megalkotásának útjában még komoly korlátaink vannak.

Tóth Erika Viktória

A cikk szerzőjéről:

Okleveles közgazdász, IT projekt – és folyamatmenedzser, PhD hallgató

2016-ban végzett okleveles közgazdászként vezetés-és szervezés mesterszakon. 2018 óta PhD hallgató, kutatási témája a mesterséges intelligencia és a gépi tanulás hatásának vizsgálata a tudásmenedzsmentre. Az akadémiai szféra mellett már a kezdetektől célja volt részt venni a versenyszférában is, ezáltal gyakorlati tapasztalattal és tacit tudással támogatni az elsajátított elméleti tudását, ezért már korai egyetemi tanulmányai mellett (2012 óta) elkezdett IT üzleti folyamatmenedzsmenttel és IT projektek vezetésével foglalkozni, jelenleg is egy világhírű szoftvergyártónál dolgozik ezen a területen. Elkötelezett a korszerű technológiák megismerésében, a tudásmenedzsment és mesterséges intelligencia üzleti aspektusainak kutatásában, a folyamatoptimalizálásban, valamint a folyamatos fejlődésre és tanulásra való törekvésben.

Kedved támadt az adatok gyűjtéséhez, rendszerezéséhez és értelmezéséhez szükséges adatelemzési tudásodat mélyíteni? Tarts velünk következő kurzusunkon!  Jelentkezz most 10%-os kedvezménnyel!