A gépi tanuló algoritmusok korszakát éljük, és ha kinyitunk egy IT-vel foglalkozó újságot, vagy megnyitunk egy TOP 5 trenddel foglalkozó cikket, akkor biztosan találkozunk a mesterséges intelligenciával. Azt kevesen tudják, hogy az első algoritmusok már az 1940-es években megjelentek, de sok tényező hatásaként az ún. Machine Learning valóban csak most éli virágkorát.
A mindennap használható kütyüjeinkben nap mint nap vissza is köszönnek ezek az algoritmusok: a Facebook megmutatja, hogy kit ismerhetünk, a telefonunk olvassa az ujjlenyomatunkat, sőt felismeri az arcunkat, Siri pedig válaszol a kérdéseinkre.
Az üzleti rendszerekben viszont még nem tobzódhatunk a mesterséges intelligencia alkalmazásaiban, főleg a BI rendszerekben hiányolják sokan a modern prediktív analitikát. Ezért hiánypótló a Dyntell.BI legújabb fejlesztése, ahol az idősorok előrejelzése a legmodernebb deep learning algoritmussal történik.
A deep learning (mélytanulás) neuronhálózatok alkalmazásán alapszik, azokon a statisztikai modelleken, amelyeket 1943-ban Warren McCulloch és Walter Pitts alkotott meg a biológiai ideghálózatok mintájára. Egymásba ágyazott neuronhálózatokat először 2006-ban használtak mélytanuló rendszerként és a modell matematikája 2012-ig csiszolódott, amikor a GPU-k kapacitásának kihasználásával igazi robbanás történt a deep learning alkalmazásában. Jelenleg a legnagyobb tapasztalat és publikáció a deep learninggel kapcsolatban a képfeldolgozás területén van, ahol a nagy számítási kapacitásával a Google jár az élen. Viszonylag kevés próbálkozás volt eddig a deep learning idősorokra történő alkalmazásában, ezért forradalmi az az előrejelző funkció, amit Dyntell adattudósai építettek be üzleti intelligencia rendszerükbe. Az algoritmus a múltbeli mintázatok alapján jelzi előre az idősor következő értékeit. Az adatsor következő elemére – általában 70-90%-os pontossággal – megmondja, hogy emelkedni, csökkenni vagy stagnálni fog a grafikon.
Ha valaki most azt kérdezi: “De mire jó az, hogy előre tudunk jelezni bizonyos adatokat?”, annak azt válaszolnám, hogy “Tudnál azzal mit kezdeni, ha megmondanám Neked a következő heti lottószámokat?” 🙂
Sajnos ezt nem tudja megmondani Dyntell.BI rendszerünk, mivel a lottószámok – ha hihetünk a Szerencsejáték Zrt.-nek – valódi véletlen számok, azaz a múltbeli eloszlásukból nem következtethetünk a jövőbeli értékekre. Viszont az meglepő lehet, hogy a természetben és a mindennapi életünkben nagyon sok folyamat nem véletlenszerűen viselkedik, hanem bizonyos matematikai szabályszerűségeket követ. Ezeknél a folyamatoknál érdemes vizsgálni az adatok időbeli mintázatait. Ezt tették a bolygók mozgásával a középkorban, és ezt teszik manapság a tőzsdei árfolyamokkal. Az üzleti adatok elemzésénél is nagyon sok segítséget meríthetünk a predikcióból. A vevői rendelések, alapanyagárak, deviza árfolyamok, vevői viselkedés (pl. elhagyás), áramfogyasztás, gépek/eszközök meghibásodásának előrejelzése milliókat takaríthat meg egy vállalatnak, akár már a KKV szinten is.
Gyártó cégeknek mutattuk be nemrég, hogy mit jelent ma Magyarországon a negyedik ipari forradalom, és a rendezvényen, ami egy hajó fedélzetén volt, sikeresen megjósoltuk az aznapi EUR/HUF devizaárfolyam változás irányát a múltbeli adatok mintázata alapján deep learning algoritmus segítségével. Deep Prediction-nek nevezzük azt az alkalmazásunkat, amivel ügyfeleink is használatba vehetik a mélytanuló technológiát, és elvégezhetik üzleti adatsoraik elemzését. A hajón azt is bemutattuk, hogyan lehet optimális időpontot meghatározni az alapanyagbeszerzéshez a vállalatirányítási rendszer adatai alapján, az alapanyagárak és a vevői rendelések jóslása alapján.
