Kutatás fejlesztés
AI adatelemző rendszerek
Idősorok alatt a mesterséges intelligenciában digitalizált szekvenciákat értünk. Az idősorok feldolgozása során felmerülő problémákat az alábbi három fő kategóriába sorolhatjuk:
(1) Szekvenciából szekvenciába képzés (seq2seq), (2) az idősor előrejelzése, valamint (3) az idősorok címkézése és szegmentálása. Az általunk használt AI modellek általánosságban mindegyik fenti problémára alkalmazhatóak, azonban tulajdonságaik miatt mindegyik más-más feladat megoldása esetén jelenthetnek kézenfekvő eszközt.
AI adatelemzés alapproblémái
AI alapú idősoros adatelemzés
Az idősorok feldolgozása során felmerülő problémákat az alábbi fő kategóriákba lehet sorolni:
(1) Szekvenciából szekvenciába képzés (seq2seq), azaz összefüggőnek vélt idősorok egymáson alapuló predikciója:
Ilyen esetekre az a jellemző, hogy a bemenet és a kimenet is valamilyen szekvenciális (idősoros) adat.
(2) Idősorok előrejelzése, azaz egy idősor nem ismert pontjainak prediktálása:
Általános esetben ez egy jövőbeli pont, de előfordulhat köztes hiányzó időponthoz tartozó érték becslése is (pl.: hiba, vagy külső tényező hatására kieső, rejtett információ).
(3) Idősorok címkézése és szegmentálása, azaz a teljes idősorhoz, vagy annak bizonyos pontjaihoz leíró értékeket rendelése:
Ilyen feladat lehet például valamilyen hibás működés előrejelzése, vagy bizonyos mintázatok felismerése a szekvencián belül.
Szekvenciából szekvenciába képzés (sec2sec)
Idősoros adatok előrejelzése
Idősorok cimkézése és szegmentálása
Idősoros adatok előrejelzése és Üzleti Intelligencia (BI)
Idősoros adatok előrejelzése – LSTM, GRU, SNN
A tudomány jelenlegi állása szerint a legalkalmasabb megoldást idősoros elemzés alapú előrejelzésre az LSTM – Long-Short Term Memory, valamint a GRU – Gated Recurrent Unit visszacsatolásos (rekurzív) neurális algoritmusok adják. Ezek mellett feltörekvő ágazat a Deep Learning attention-mechanizmuson (figyelem) alapuló algoritmusa, mely idősorok transzformációjában jeleskedik, ez a Transformer algoritmus. Abban az esetben, ha egy metódust hasonlóan kell alkalmazni szerteágazó domainbeli adatokon, úgy a DNC – Differentiable Neural Computer memória-augmentált algoritmusok használata is javasolt lehet, így különböző vállalati adatokból előálló idősorokon történő használatuk vizsgálata javasolt.
A hatékonyabb („Zöld”) MI előremutató jelensége ezek mellett a speciális (az emberi idegrendszer működési elvét imitáló) neuromorf chip-eken futtatott, dinamikus, neuromorf neuronmodellek használata, melyek csökkenthetik a modellek futtatásához szükséges költségeket. Az ilyen neuronmodelleket az SNN – Spiking Neural Network algoritmusok valósítják meg.
Kutatóink hipotézise alapján a fenti algoritmusok kombinációja nyújthatja a legígéretesebb eredményt az AI alapú üzleti intelligencia (BI) rendszerek kialakítása esetében, mivel az LSTM inkább hosszú távú, a GRU pedig inkább rövid távú kontextusban alkalmazható hatékonyan, kombinációjukról azonban feltételezhető, hogy alkalmas rövid- és hosszútávon egyaránt helytálló következtetések levonására. A Transformer algoritmusok sikeres implementációja tovább javíthat az eredményeken, míg egy memóriával augmentált neurális algoritmus képes lehet általánosan használható, generalizált modellként funkcionálni.
Leghatékonyabb előrejelző algoritmusok: LSTM, GRU
Hibás működés és anomália detekció képessége
Akár neuromorf chip-ekkel és SNN algoritmusokkal
State-of-the-art üzleti intelligencia (BI) rendszereink alapja
Kutatás-fejlesztés a trilobitával
K+F projektjeink fázisai
K+F Projekttervezés
A K+F projekttervezési fázisban segítünk ügyfeleinknek megtalálni a legoptimálisabb forrásfelhasználási lehetőségeket. Elkészítjük a projekt pénzügyi és szakmai tervét, valamint összeállítjuk a kiválasztott pályázati konstrukciónak megfelelő pályázatot.
Alkalmazott kutatás
Az alkalmazott kutatási fázisban elkészítjük a szükséges kutatási terveket. Végrehajtjuk és módszertan alapján dokumentáljuk a kísérletsorozatokat.
Kutatási Eredmények értékelése
A kísérletsorozatok eredményét különböző adatelemző módszerek segítségével kiértékeljük és elkészítjük a kutatási összefoglaló dokumentumot.
Tervezés
A kutatási eredmények alapján megtervezzük az ügyfelünk által igényelt rendszereket. A tervezéshez rendszertervezési módszertant és eszközöket használunk.
Fejlesztés és tesztelés
Fejlesztési módszertanunk ötvözi a klasszikus vízesés és az agilis módszertanok elemeit, rugalmasan illeszkedve az adott ügyfél és projekt igényeihez. Fejlesztési és tesztelési munkánk hatékonyságát számos kész rendszermodul növeli.
Támogatás
K+F projektjeink lezárását követően az általunk szállított megoldásokhoz minden esetben biztosítunk követési, támogatási szolgáltatást ügyfeleink számára. Célunk, hogy ügyfeleinkkel hosszú távú, sikeres együttműködést alakítsunk ki.
Hiszünk abban, hogy minden tervezéssel eltöltött óra többszörösen térül meg rendszereink kivitelezése és bevezetés során. Az ergonomikusan megtervezett felhasználói felületek új felhasználói élményt és könnyű kezelhetőséget biztosítanak ügyfeleinknek.