[vc_row full_width=”stretch_row_content_no_spaces” remove_padding=”no-padding-vc-row”][vc_column][composer_widget_area sidebar_name=”breadcrumbs” el_class=”breadcrumbs-widget”][/vc_column][/vc_row][vc_section el_id=”blog-post”][vc_row full_width=”stretch_row_content” color_style=”light” remove_padding=”no-padding-vc-row” bg_type=”image” parallax_style=”vcpb-default” bg_image_new=”id^16577|url^https://dyntell.com/wp-content/uploads/2020/10/bejegyzes-19-fejlec.jpg|caption^null|alt^null|title^bejegyzes-19-fejlec|description^null” bg_image_repeat=”no-repeat” bg_override=”ex-full” enable_overlay=”enable_overlay_value” overlay_pattern=”01.png” css=”.vc_custom_1603353387347{padding-top: 50px !important;padding-bottom: 50px !important;}”][vc_column][composer_post_title type=”h1″ el_class=”post-title”][composer_post_author_name prefix_text=”Írta:” el_class=”post-author-name”][/vc_column][/vc_row][vc_row remove_padding=”no-padding-vc-row”][vc_column][vc_empty_space height=”50px”][/vc_column][/vc_row][vc_row full_width=”stretch_row_content” remove_padding=”no-padding-vc-row”][vc_column offset=”vc_col-lg-offset-4 vc_col-lg-4″][vc_column_text]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.[/vc_column_text][vc_single_image image=”15823″ img_size=”full” alignment=”center”][vc_column_text]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.[/vc_column_text][vc_single_image image=”15824″ img_size=”full” alignment=”center”][vc_column_text]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.[/vc_column_text][vc_column_text]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.[/vc_column_text][/vc_column][/vc_row][vc_row full_width=”stretch_row_content” remove_padding=”no-padding-vc-row”][vc_column offset=”vc_col-lg-offset-4 vc_col-lg-4″][composer_post_tag title=””][title title=”Tetszett a cikk? Ossza meg másokkal is!” title_uppercase=”no” line=”no”][composer_post_share share=”facebook,twitter,linkedin”][/vc_column][/vc_row][vc_row full_width=”stretch_row_content” remove_padding=”no-padding-vc-row”][vc_column offset=”vc_col-lg-offset-4 vc_col-lg-4″][composer_comments_template][/vc_column][/vc_row][vc_row full_width=”stretch_row_content” remove_padding=”no-padding-vc-row”][vc_column][vc_empty_space height=”100px”][/vc_column][/vc_row][/vc_section]
