Pomáháme firmám automatizovat
procesy s pomocí metod
Umělé Inteligence (AI)

Ing. Jan Pálka, Ph.D.
Software engineer
Jan Pálka absolvoval obor Umělá inteligence v rámci studií na Univerzitě Tomáše Bati ve Zlíně a Universidade de Vigo ve Španělsku, kde byla tématem jeho disertační práce a dalších vědeckých publikací aplikace neuronových sítí v oblasti ICR s přihlédnutím ke specifikům českého jazyka. Od roku 2005 se zabývá vývojem desktopových, webových a mobilních aplikací. Je autorem několika vědeckých publikací v oboru umělé inteligence a dataminingu.

Metody umělé inteligence v praxi

Celou řadu administrativních prací ve firmách lze s pomocí metod umělé inteligence výrazně urychlit nebo zcela automatizovat a tím ušetřit značné provozní náklady. Zpravodajská společnost BBC dokonce vytvořila speciální stránku „Will a robot take your job?” s přehledem pozic a pravděpodobnosti, s jakou lze tyto práce automatizovat.

V rámci našich projektů pomáháme klientům zavádět metody umělé inteligence do jejich stávajícího IT prostředí. Ze široké palety AI se zaměřujeme především na následující metody.

Rozhodovací stromy

(Decision tree learning)

Decision tree algoritmy jsou založené na rozhodovacích diagramech, či modelech ve formě stromu. Tyto modely mohou nabývat různých podob od jednoduchých, přes modely se započtením pravděpodobností a nákladů, až po zapojení machine learningu, díky kterému se diagramy a modely mohou samy přizpůsobovat na základě změn vstupních parametrů. Jedním z typických případů využití je námi vyvinutá sada nástrojů BizRules Studio určená pro modelování a výpočet obchodních pravidel v organizaci.

Clustrování

(Cluster analysis)

Clusterování slouží k nalezení skupin (tzn. clusterů) objektů, které jsou si více podobné než objekty v jiných clusterech. Na rozdíl od klasifikace, se jedná o tzn. učení bez učitele, tzn. clusterová analýza je v praxi ideální pro případy, kdy před samotným zapojením AI nejsme schopni určit, které zkoumané objekty nebo prvky jsou si podobné.

Rule-based machine learning

(Rule-based machine learning)

Programování sekvenčních algoritmů pro různé případy umělé inteligence je velmi náročné a to především v případě kdy není dostatek dat pro použití standardních machine learning metod. RBML je však postaveno na tom, že systém obsahuje jen vztahy a pravidla, které společně popisují znalost daného systému a navíc si tato pravidla vztahy sám identifikuje, není potřeba aby byly vytvářeny ručně. Tyto vlastnosti nacházejí velké uplatnění ve stále více se prosazujícím Data Miningu v Big Data oblasti.

Rozpoznávání obrazců

(Pattern Recognition)

Podoblast machine learningu zabývající se rozpoznáváním opakujících se vzorů v datech. Pro rozpoznávání obrazců je možné použít algoritmy klasifikační (s učitelem), ale také clusterovou analýzu (bez učitele). V námi vyvinutých ICR (Intelligent Character Recognition) algoritmech máme využity klasifikační algoritmy založené na komplexních vícevrstvých neuronových sítích.

Neuronové sítě

(Neural Networks)

Jedná se o přístup k algoritmizaci napodobením přírody. Neuronové sítě fungují stejným způsobem jako lidský mozek. Typicky se skládají z několika vrstev neuronů, které vedou vzruchy sítí včetně zpětné propagace, díky které se síť učí nastavením svých vah. Podobně jako v jiných metodách machine learningu je využití rozmanité. V našich projektech jsme konkrétně aplikovali pro analýzu zvuku a obrazu.

Chcete zjistit, které procesy by se ve vaší společnosti daly automatizovat pomocí AI?
Napište nám!

Vybrané reference

Analýza zvukových vln pomocí neuronových sítí

Při klasifikaci vln využíváme tzv. algoritmy Fourierovy transformace, konvoluci signálu pro vybranou okenní funkci, výpočet spektrogramu, dvourozměrnou vzájemnou korelační funkci a dopřednou n-vrstvou neuronovou síť.

dashboard

VOP – 026 Šternberk, s.p.
Návrh a realizace algoritmů pro rozpoznávání zvuku zbraňových systémů a jejich následnou kategorizaci.

Digitalizace ručně psaného písma (ICR, IWR)

Vyvíjíme systém rozpoznávání ručně psaného písma kombinující OCR (Optical Character Recognition), ICR (Intelligent Character Recognition) a IWR (Intelligent Word Recognition). Tento samoučící systém využívající neuronové sítě je určený pro back office společností, které vytěžují data z formulářů. Naše společnost připravuje kompletní zajištení tohoto procesu, tj. převod dokumentů do digitální podoby, zpracování obrazu umožňující nasazení ICR, aby bylo dosaženo co nejlepších výsledků, a samotné nasazení hybridní metody založené na ICR a IWR.

dashboard
dashboard

Decision trees, Machine learning

V rámci interních projektů, ale i ve spolupráci s experty z Univerzity Tomáše Bati ve Zlíně, vyvíjíme nástroje založené na principech decision tree s aplikací pokročilých metod machine learningu. Nové metody jsou využity kromě jiných také v produktu BizRules Studio.

BizRules Studio

je sada softwarových nástrojů určených pro definici, modelování a výpočet obchodních pravidel (Business Rules) aplikovaných v rozhodovacím procesu organizace nebo podniku. Produkt vyvíjíme od roku 2010. Nová verze BizRules Studio umožňuje kromě výpočetních šablon také propojení na firemní procesy (workflow) a tím kompletní automatizaci vybraných obchodních rozhodnutí. Umožňuje tak automaticky řešit drobné operativní problémy.

BizRules

Přečtete si o nás v magazínu Bankovnictví

Alternate Text

Umělá inteligence (AI) finanční poradce nenahradí

Poradenství je hlavně otázkou osobního kontaktu. Finanční produkty jsou komplexní a klienti jim chtějí dobře porozumět. Potřebují někoho, kdo má dostatek trpělivosti vše vysvětlit a správně nastavit. Většina ostatních procesů ve finančním poradenství se již dá zcela automatizovat nebo výrazně zrychlit pomocí metod umělé inteligence.

Fincentrum a.s., jedna z nejvýznamnějších finančně poradenských společností na českém i slovenském trhu, pracuje ročně s obratem okolo 1,5 mld. Kč. Společnost má stovky finančních poradců, kteří denně uzavírají desítky smluv se svými klienty. Papírové smlouvy je potřeba zpracovat a následně zaslat finančním institucím. To už je hodně manuální práce, která se bude do budoucna postupně plně automatizovat, také díky metodám umělé inteligence (Artifcial Intelligence nebo zkráceně AI), přesněji díky aplikaci modelů strojového učení (Machine Learning). V rámci naší spolupráce jsme pro Fincentrum hlavním softwarovým dodavatelem. Zabýváme se vývojem komplexních informačních systémů, ale také výzkumem a vývojem algoritmů v oblastech umělé inteligence. Některé z těchto algoritmů jsme použili i v aplikacích pro Fincentrum.

K čemu se dá AI využít?

Klasický algoritmus je pevná sekvence instrukcí ke zpracování vstupů. Metody AI nasazujeme tam, kde známe vstup a požadovaný výstup, ale sestavení přesného algoritmu by bylo časově velmi náročně nebo zcela neproveditelné. Pomocí metod učení (Machine Learning) počítač postupně sestaví adekvátní postup výpočtu. V praxi jde například o automatizaci firemních procesů pomocí rozsáhlých rozhodovacích stromů (Decision Trees) nebo rozpoznávání ručně psaného písma (Pattern Recognition).

Výzvy automatizace

Je potřeba vždy přihlédnout ke schopnostem dnešních inteligentních algoritmů a výpočetní kapacitě techniky. Třeba obecná představa, že rozpoznávání ručně psaného písma je již úspěšně vyřešeno, není pravdivá a už vůbec ne v češtině. Naproti tomu tištěné písmo není pro AI žádný problém. Například v rámci naší spolupráce s Fincentrem často přicházíme se zlepšovacími návrhy, nebo rovnou s nápady na celé aplikace. V  rámci implementační analýzy jednoho z projektů jsme prováděli studii proveditelnosti s pracovníky back office oddělení, jehož cílem bylo ověřit, zda by bylo možné zrychlit ruční převod skenů smluv do digitální podoby pomocí metod digitálního rozpoznávání ručně psaného písma. Cíl byl jednoduchý, místo typování všech údajů smlouvy se část automatiky rozpozná a pracovník back office oddělení digitalizovanou smlouvu již pouze zkontroluje. Nasazeným inteligentním algoritmem jsme dosáhli 95%

 

úspěšnosti rozpoznání ručně psaného písma. K našemu překvapení byla pouhá kontrola smlouvy řádově pomalejší než v případě kompletního přepsání.

S rostoucím počtem poradců stoupá i počet dat

Interakce finančních poradců s klienty generuje velké množství dat. Nejde jen o smlouvy, ale také o informace ze schůzek s potenciálními klienty. Dříve byla data považována za vedlejší produkt algoritmizace, dneska jsou data aktivem, doslova zlatým dolem pro budoucí rozhodování firmy. Nemusíme se bavit jen o big data u telekomunikačních firem, i poradenské firmy generují dostatek dat pro analýzu pomocí AI. Provedenou metodu strojového řízení, je pak možné provést rozsáhlejší analýzu a rozdělit klienty do specializovaných skupin, kterým budou poradci nabízet produkty přesně na míru (Recommendation Systems). Tím lze očekávat nárůst konverze a zvýšení efektivity při uzavírání budoucích smluv.

Robot poradce nenahradí

Finanční poradenství je především otázkou vztahu s klientem a ten robotem nebo metodami umělé inteligence jen tak nenahradíte. Naopak se budou postupně automatizovat všechny kroky předcházející osobnímu kontaktu s  klientem. Některé firmy již experimentují se zaváděním speciálních chatovacích robotů (tzv. Chatbots). Jde o jednoduchý textový chat pro dotazy klientů, kdy na druhém konci neodpovídá pracovník, ale automat. Díky pokročilým metodám AI vypadají odpovědi podobně, jako by je psal člověk. Pokud automat nezvládne vyřešit složitější dotaz klienta, předá ho automaticky příslušnému pracovníkovi zákaznické podpory.

Jan Pálka vystudoval obor Umělá inteligence na Fakultě aplikované informatiky Univerzity Tomáše Bati ve Zlíně a na Universidade de Vigo ve Španělsku. V rámci dizertační práce a dalších vědeckých publikací se věnoval vývoji a aplikacím neuronových sítí v praxi, mimo jiné v oblasti OCR s přihlédnutím ke specifkům českého a slovenského jazyka. Od roku 2005 se zabývá vývojem desktopových, webových a mobilních aplikací. Je autorem několika vědeckých publikací v oboru umělé inteligence a dataminingu.

Přečtete si o nás v magazínu Bankovnictví

Alternate Text
Kontaktujte nás

Vaše dotazy nás posouvají dále. Neváhejte se na nás obrátit s jakýmkoliv požadavkem.

Zlín
Vědeckotechnický park ICT
Nad Stráněmi 5656, 760 05 Zlín
Česká republika
phone+420 576 013 706
Praha
Opletalova 4
110 00 Praha 1
Česká republika
phone+420 604 222 615
Vsetín
Dolní náměstí 309/1
755 01 Vsetín
Česká republika
phone+420 734 698 472

Nebo nás sledujte na sociálních sítích