Mesterséges Intelligencia

MESTERSÉGES INTELLIGENCIA ALAPÚ FEJLESZTÉSEK

 

Ipari IoT-ra és a gépi tanulásra épülő szimulációs képzési módszertan és keretrendszer fejlesztése (2018-1.1.2-KFI-2018-00134)

 

Az e-Corvina Kft. részvételével megvalósult projekt során a gyártósorokon alkalmazott ipari szenzorok (ipari IoT) és a humán munkaerő által a gyártás során létrejövő adatokat automatikusan összegyűjtöttük, ezt követően az adatok kvantitatív és kvalitatív elemzése mellett gépi tanulási alapú mesterséges intelligenciát használtunk a bejövő adatok és a hozzátartozó döntési esetek összekapcsolására és optimalizálására. A döntéstámogatás jobb megértéséhez és fejlesztéséhez létrehoztunk egy esettanulmány alapú szimulációs képzési keretrendszert, amely lehetővé teszi az összegyűjtött döntési szituációk további tesztelését és elemzését. Így megoldást javaslunk nemcsak a döntéshozatal optimalizációjára, de egyúttal a humán erőforrás képzésére is.

A projekt során egy magyarországi gépjárműipari üzemben végeztük el az adatok gyűjtését, a gépi tanulási algoritmusok, és a szimulációs szituációk kifejlesztését. Ez a termelőüzem szolgáltatta a szenzor és döntéshozatali be- és kimeneti adatokat. Ezen a mintán teszteltük és fejlesztettük az általános módszertant, amely iparágtól függetlenül használható. Az ehhez szükséges informatikai infrastruktúra is kiépítésre került az ipari kutatási és kísérleti fejlesztési fázisokhoz kapcsolódóan. A projekt kísérleti fejlesztési fázisában a létrehozott szituációk gyakorlati alkalmazhatóságát az adott szervezet alkalmazottaival teszteltük, rögzítve a válaszokat és döntéseket a különböző szervezeti szinteken.

A projekt eredményeképpen egy olyan új módszertan és keretrendszer jött létre, amely lehetővé teszi a létrehozott adatgyűjtési, gépi tanulási és szimulációs képzési megoldás alkalmazását különböző iparágakban, összekapcsolva az ipari IoT-t, a gépi tanulást, a munkavállalók továbbképzését és a döntéshozatalt.

Felhasznált technológiák: PLC szenzor adatok feldolgozása, neurális hálózat alapú regresszió.

 

Járványtani modellező és eszközfogyási előrejelző rendszer az Országos Mentőszolgálat számára

 

Az e-Corvina által az Országos Mentőszolgálat számára kifejlesztett szoftverrendszer a járvány legsúlyosabb időszakában nyújtott támogatást a megtöbbszöröződött terhelés logisztikai kezelésében.

A kidolgozott megoldás több alrendszerből áll:

  1. A Járványtani Modellező modulban az influenza jellegű járványok általános matematikai modelljeit adaptáltuk a COVID19-re sajátosságainak megfelelően, a legfrissebb nemzetközi kutatási eredmények felhasználásával, végeredményben saját matematikai modell kidolgozásával.
  1. A friss adatok alapján a járványmodell folyamatos hangolását egy részletekbe menően paraméterezhető Dashboard felület biztosította.
  1. A járványadatok előrejelzését felhasználva, a korábbi eszközfelhasználási tapasztalati adatok alapján az Eszközfogyás előrejelző modul napi szinten mutatta a raktári eszközök (védőmaszkok, védőruházat stb.) várható fogyását, a beszerzési-logisztikai feladatok tervezéséhez adott döntéshozatali támogatást.

Felhasznált technológiák: komplex adatelemzés, statisztikai következtetések, gépi tanulási regresszió.

 

Valós-idejű bináris állomány osztályozó keretrendszer

 

Az e-Corvina Kft. által kidolgozott és megvalósított osztályozó rendszer, amely valós időben képes egy-egy bináris állomány biztonsági besorolásáról tájékoztatást adni. A gépi tanulási modell által szolgáltatott információ valós-idejű védelmi döntések meghozatalában játszik kulcsszerepet. Folyamatos adatvisszacsatolás és modell tanítás segítségével, a keretrendszer automatikus öntanulási mechanizmus rendelkezik, így adaptálódva a folyamatosan változó biztonsági kihívásokhoz.

A projekt keretein belül nagy szerepet kapott a betanított és kiértékelt modellek erőforrás és becslési teljesítménymérése, tudományos alapossággal történő összehasonlíthatósága. A bináris állományokat elemző kiszolgáló alkalmazás tetszőleges funkcionális kiterjeszthetősége, és különböző heterogén, akár zárt rendszerekben történő alkalmazhatósága kiemelt jelentőséget kapott. Ezen elveknek köszönhetően, könnyedén beépülhet már meglévő alkalmazás logikákba, felületekbe.

A tudományos szempontokat figyelembe vevő projekt az alábbi szakaszokból állt:

  1. Különböző eloszlású, bináris forrásadatok elemzése, kiértékelés, feldolgozása. Mivel a gépi tanulásban kritikus szerepet játszik az adatok mennyisége és minősége, ezért kiemelt hangsúlyt fektettünk a nyers adatok kezelésére.
  1. A projekt teret adott számos gépi tanulási algoritmus, matematikai módszer és mechanizmus elemzésére, kipróbálására és kiértékelésére. Lefektetett szempontok és kritériumok alapján meghozott döntéseink miatt a feladatra legalkalmasabb gépi tanulási algoritmusokat választottuk ki, az elérhető legnagyobb becslési hatékonyság eléréséhez.
  1. A folyamatos, öntanuló modell létrehozás MLOps elveken épül, hatákony Big Data és modell repository kezeléssel.

Felhasznált technológiák: adatelemzés és adatreprezentáció, gépi tanulási osztályozás, MLOps, Big Data.

 

Munkatársaink által elvégzett mesterséges intelligencia képzések

 

  • Machine Learning, Stanford University, 2019.
  • Mathematics for Machine Learning, Imperial College London, 2019.
  • Data Science, Johns Hopkins University, 2019.
  • Deep Learning, DeepLearning.AI, 2019.
  • TensorFlow Developer Professional, DeepLearning.AI, 2021.
  • TensorFlow Data and Deployment, DeepLearning.AI, 2021.
  • AI for Medicine, DeepLearning.AI, 2022.
  • Tensorflow Advanced Techniques, DeepLearning.AI, 2022.
  • Machine Learning for Production (MLOps), DeepLearning.AI, 2022.
  • Computer Vision, MathWorks, 2023.
  • Image Processing, MathWorks, 2023.
  • Generative AI, DeepLearning,AI, 2023.
  • AI Engineering Professional, IBM, 2023.
  • Introduction to Generative AI, Duke University, 2024.