ai

AI és Deep learning

Idősorok alatt a mesterséges intelligenciában digitalizált szekvenciákat értünk. Ezen szekvenciák időben diszkréten mintavételezettek (a mintavétel egyenközűségét nem kötjük ki), az egyes mintavételi pontokban az idősor által felvehető érték bizonyos változók vektora, mely változók lehetnek akár kategorikusak, vagy numerikusak is.

Ai és Deep learning megoldások

AI alapú idősor elemzés alapproblémái

Az idősorok feldolgozása során felmerülő problémákat több kategóriába lehet sorolni. Lehet szó a szekvenciából szekvenciába képzés problémájáról (seq2seq), mely során összefüggőnek vélt idősorok egymáson alapuló predikciója történik meg, a bemenet és a kimenet is szekvenciális adat. Napjainkban is hangsúlyos probléma az idősor előrejelzése, mely tágan értelmezve egy idősor nem ismert pontjait igyekszik prediktálni, általános esetben ez egy jövőbeli pont, de előfordulhat köztes hiányzó időponthoz tartozó érték becslése is (pl.: hiba, vagy külső tényező hatására kieső, rejtett információ). Harmadik fő feladattípusként az idősorok címkézése, szegmentálása adódik, mely leíró értékeket rendel a teljes idősorhoz, vagy annak bizonyos pontjaihoz, ilyen feladat lehet a hibás működés előrejelzése, vagy bizonyos mintázatok felismerése a szekvencián belül. Végül az aggregált feldolgozás alproblémáját lehet még ide sorolni, mely fókuszában egy-egy idősor egésze, vagy annak részei alapján egyetlen jellemző előállítása áll. Ezen jellemző lehet az idősorhoz kapcsolódó mennyiség, mint például a jel-zaj viszony, vagy akár ahhoz csak közvetetten kapcsolódó (pl. egy újságban megjelenő szövegrészlet hatása egy részvény értékére).

N

Jelenlegi termelési folyamatok elemzése, meglévő funkciók integrálása

N

Új megoldások és szolgáltatások kifejlesztése és bevezetése

Adatelemzés

AI és Deep Learning alapú BIG Data adatelemző és adatbányász (Data Mining) megoldásainkkal lehetővé válik a nagy méretű és összetett struktúrájú adathalmazok hatékony tárolása, feldolgozása, elemzése, valamint a kapott eredmények vizualizálása. Rendszereink képesek az adathalmazon belüli kapcsolatok és mintázatok önálló felismerésére, illetve idősoros adatok esetén a jövőbeli értékek előrejelzésére.

Legújabb Üzleti Intelligencia (BI) rendszereink is az AI alapú BIG Data megoldásainkat hasznosítják.

Természetes nyelvfeldolgozás (NLP)

Mesterséges intelligencia alapú nyelvfeldolgozó rendszereink képesek a különféle tartalommal rendelkező, beszélt és/vagy írott szövegek automatikus felismerésére, megértésére és elemzésére.

NLP megoldásainkat elsősorban AI asszisztenseinkben és a szöveg alapú BIG Data adatelemző rendszereinkben hasznosítjuk.

Gépi látórendszerek

Gépi látórendszer (Machine Vision – MV) megoldásaink különböző célspecifikus ipari kamerákkal és szenzorokkal felszerelve kerülnek összeállításra. A mesterséges intelligenciára épülő gépi látásnak köszönhetően rendszereink képesek önállóan azonosítani a kamerák látóterébe helyezett tárgyakat, valamint képesek felismerni azok bizonyos jellemzőit (pl. a tárgy orientációja).

Gépi látórendszer megoldásainkkal hatékonyan automatizálhatóak különféle tömeggyártási folyamatok, a legyártott termékek minőségellenőrzése, valamint raktáron belüli nyilvántartása.

AI asszisztensek

AI Virtuális Asszisztens megoldásaink képesek önállóan interakcióba lépni a beszélővel, képesek értelmezni a felhasználó utasításait, majd végrehajtani az ahhoz kapcsolódó műveleteket.

Megoldásainkkal nagy hatékonysággal automatizálhatók és egyszerűsíthetők a különböző ügyfélszolgálati folyamatok.

Konvolúciós neurális hálózatok (CNN)

Konvolúciós megoldások
(TCN, ResNet)

Az MI alapú idősoros adatelemzésre hatékony megoldást jelenthet a konvolúciós neurális hálózatok (CNN) alkalmazása. Ebben az esetben a hálózat egy N csatornás T hosszúságú idősoron dolgozik, melyen a szokásos teljes kapcsolás helyett az 1D diszkrét konvolúció operátorát alkalmazza.

A konvolúciós hálózatok hatékonyan dolgozzák fel egy bizonyos skálán az időbeli mintázatokat, azonban nagyobb léptékű formációk felismerésére önmagukban képtelenek. Erre ad megoldást a pooling (magyarul “összevonó”) rétegek bevezetése, mely az idősoron végigfuttatott ablakban egy statikus (nem tanítható) összevonó műveletet hajt végre, rendszerint az ablakban található értékek átlagát, vagy maximumát adva a zsugorított szekvencia egyik elemének. Ezzel a következő konvolúciós réteg kis kernel mellett is lényegesen több időpillanat alapján előálló mintázatokkal dolgozhat.

Az átlagos konvolúciós architektúra alternáló konvolúciós és pooling rétegeket tartalmaz, melyek így megfelelő beállítások mellett újabb idősort is előállíthatnak, de akár egyetlen érték is kinyerhető belőlük.

N

Idősoros adatelemzés

N

Képfelismerés, látórendszerek

Rekurrens neurális hálózatok (RNN)

Rekurrens megoldások (LSTM, GRU)

Bizonyos idősorok feldolgozásánál szükség lehet a dinamikus viselkedés és a memóriajelleg lokális megvalósítására, valamint az időben távoli pontok közötti összefüggés megteremtésére, amelyre kiváló megoldást biztosítanak a rekurrens (visszacsatolt) neurális hálózatok (RNN).

A rekurrens hálózatok használatát egyfajta biológiai inspiráció is támogatja, hiszen ezek segítségével hatékonyabban szimulálható az emberi idegrendszer működése is, mivel az szintén egy dinamikus rendszerként fogható fel.

A rekurrens hálózatok alapja a visszacsatolás, és a ciklikus futtatás, mely a réteg kimenetét a következő lépésben bementként kezeli ezzel kiegészítve a külső (egyéb rétegtől, vagy a hálózaton kívülről érkező) jeleket a réteg bemenetén. Az ilyen neuronok súlyai két részre bonthatók, ezek egyszerű bemenetre érkező része megtalálható minden klasszikus MLP (többrétegű perceptron) hálózatban is, ám ezek kiegészülnek a neuron előző kimenetét súlyozó paraméterekkel.

Leggyakrabban használt RNN hálózati algoritmusok: LSTM, GRU

N

AI alapú dinamikus előrejelzések

N

Beszédfelismerés, szövegelemzés

Attention alapú neurális hálózatok

Attention alapú megoldások (Transformerek, MHA, BERT, GPT)

Az attention, avagy “figyelem” mechanizmus az emberi kognitív folyamatokat szimulálja. Ez a mechanizmus a kontextus elemzésén alapul, ahogyan az emberi viselkedés során a helyzettől függ, hogy mire figyelünk, mit emelünk ki, ugyanígy egy idősor feldolgozásánál is kritikus lehet, hogy egy adott részlet feldolgozásánál milyen egyéb kontextus információt veszünk figyelembe.

Attention mechanizmusra épülő neurális hálózatoknál kulcsaink, értékeink, valamint egy lekérdezésünk van. Amennyiben az idősorból kulcsokat és értékeket állítunk elő, úgy az egyes időpontokhoz tartozó lényeges kontextust megkaphatjuk azon az elven, ha az adott időpontbeli mintavételből állítjuk elő a lekérdezést. Ez esetben az értékek súlyozása magától az idősortól függ. Nem egy előre megadott, fix súly mátrix alapján, hanem a lekérdezés-kulcs hasonlóság alapján emelünk ki bizonyos értékeket. Ez a működési elv adja az attention mechanizmus feldolgozóerejét.

N

Szövegértelmezés, szövegalkotás

N

AI asszisztensek

Az Ön AI és Deep Learning megoldása

Tervezze AI és Deep Learning projektjét velünk!

Szakembereink örömmel segítenek meghatározni azokat az ipari és gazdasági területeket, ahol a mesterséges intelligencia algoritmusaink és gépi tanuláson alapuló rendszereink hatékonyan segíthetnek az Ön vállalkozásának.

Cégünk folyamatos kapcsolatban áll a legsikeresebb hazai egyetemekkel és kutatási központokkal, így Ön a legújabb, “state-of-the-art” AI és Deep Learning megoldásokat hasznosíthatja vállalkozásában.

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.

Kapcsolat

info@trilobita.hu

(+36) 1 220 6458

Nagy Lajos király útja 117.
1149 Budapest, Magyarország