A mesterséges intelligenciáé a jövő a bankszektorban is
Célirányos fejlesztéssel valóban jönni fognak az eredmények, ebben Magyarország vezető informatikai cége is segít a hazai pénzintézeteknek.
Napjainkban gyakori, hogy a nagyobb vállalatok, bankok, biztosítók és távközlési cégek külön üzleti intelligenciával (Business Intelligence – BI), illetve mesterséges intelligenciával (MI) foglalkozó szervezeti egységeket tartanak fenn, hiszen a nagy mennyiségű adat gyors elemzésével komoly versenyelőnyre tehetnek szert. Szakértő segítségével merültünk el a DataOps és az MLOps világában.
Habár valóban egyre többen alkalmazzák ezeket a technológiákat, a gyakorlatban mégis az látszik, hogy a cégvezetők gyakran nincsenek megelégedve a felmutatott eredményekkel. Ahhoz, hogy a dolgok mögé lássunk és megértsük, hogyan lehetne javítani ezt a helyzetet, Szücs Imréhez, a 4iG Nyrt. Principle Data Science & Machine Learning mérnökéhez fordultunk.
„Tapasztalataink szerint a BI és MI szervezeti egységek sokszor hiába produkálnak eredményeket, ezek nem hasznosulnak a cég hétköznapi működése során” – mutatott rá a szakember. „Ha mégis „átmennek” ezek az eredmények, akkor is csak rövid ideig támogatják a szervezetet, illetve a folyamatokat. Akadnak persze olyan részterületek, mint például a kockázatelemzés, ahol jobb a hatékonyság, már csak azért is, mert bizonyos esetekben a felügyeleti szervek is elvárják, vagy akár törvény is kötelezi a cégeket a hasonló rendszerek alkalmazására. Az viszont sajnos elég gyakori, hogy az innovációt támogató projekteknél vagy nem tudnak bekerülni ezek az egységek a mindennapi értékteremtésbe, vagy nem váltják be a hozzájuk fűzött reményeket.
Az adat csak akkor értékes, ha figyelembe is veszik
A szakember szerint a nemzetközi tapasztalat azt mutatja, hogy a munka nagyjából 80 százaléka főleg az adatok megszerzését, illetve az adatok minőségének ellenőrzését teszi ki, a fennmaradó 20 százalékot tudják csupán a meglévő modellek továbbfejlesztésére, illetve új MI-modellek kifejlesztésére fordítani. Ez a két tényező – a rossz minőségű adatok, illetve az adatok hiánya – pedig akadályozza a hatékony munkavégzést. Ha pedig mégis lenne kapacitás a megfelelő modellek fejlesztésére, azok élesítése, illetve az üzleti folyamatokba való integrációja meglehetősen nehézkes, döcögős. A tapasztalat szerint előbb-utóbb ezen repedések mentén szokott megbomlani, végül pedig teljesen leállni az olajozott működés.
„Az egyik fő probléma, hogy a hasonló rendszerekkel kapcsolatban van a cégvezetőkben egyfajta csodavárás, és végül pedig sok esetben egy csalódás, mert a rendszer nem az elvárásoknak megfelelően teljesít.” – mutatott rá Szücs Imre. „Tény, hogy nem elegendő csak megvenni a megoldást és telepíteni. Ha az üzleti folyamatokat valóban támogató rendszert szeretnénk akkor további munkát és energiát kell befektetni a folyamatok finomhangolásába, sőt, sok területnek kell együtt dolgoznia a sikerért, ami több hónapos összeghangolt munkát is jelenthet. A csak kísérleti, “pilot” jelleggel, elindított projektek sajnos általában nem vezetnek eredményre, ha később ezeket nem integrálják megfelelően a vállalati rendszerekbe.”
Az új rendszerek bevezetésének mítosza
A szakértő szerint megfelelő megoldások és a megfelelő szaktudással rendelkező adattudósok bevonásával a, gépi tanuláson (Machine Learning – ML) alapuló rendszerek bevezetése sem jelenthet problémát egy nagyvállalat számára, még akkor sem, ha ezek kívül esnek a cégek által használt informatikai környezeten.
„Nem érdemes túlmisztifikálni ezeket a rendszereket és az sem igaz, hogy a bevezetésük drága, vagy bonyolult volna” – mutatott rá a 4iG szakértője. „Persze, akadnak extrém bonyolult gépi tanulási problémák, amihez egy Google méretű cégre van szükség, de egy átlagos telekommunikációs cég vagy egy pénzintézet legtipikusabb problémáira elég könnyen használható megoldások léteznek, amelyek megfizethetőek, illetve viszonylag könnyen integrálhatók és használhatók.”
Szaktudásra szükség van
„A 4iG DataOps és MLOps szolgáltatásaival is szeretnénk támogatni, hogy az egész szervezetet felkészítsük egy újfajta működésre” – tette hozzá a szakember. „Itt jön be a képbe a mi értékajánlatunk: ezeknek a problémáknak a megoldásához szükséges, hogy nagyvállalati működést hozzunk az adatfeldolgozás és az MI-fejlesztések terén is. Nagy vonalakban ez annyit jelent, hogy biztosítjuk az adatok megfelelő rendelkezésre állását, minőségét és használhatóságát. Mindezt kontrollokkal látjuk el és felelősségi köröket állítunk fel. Így tudjuk biztosítani, hogy az adat úgy jut el a megfelelő felhasználóhoz, hogy abból valóban értéket lehet teremteni. Egy megfelelően felépített DataOps működés már nem a technológiáról szól, hanem egy teljes szervezeti működésről, melyben az adatokon alapuló operatív folyamatok és az adat-alapú innováció egyaránt támogatva van – nagyon leegyszerűsítve erről szól a DataOps.”
Az MLOps – azaz Machine Learning Operations - pedig azért felelős, hogy egy adattudós által lefejlesztett modell időtálló tudjon maradni. A gépi tanulási modellek ugyanis idővel elavulhatnak, ahogy megváltozik körülöttük az üzleti környezet. Ezeket ezért rendszeresen – pár havonta, pár évente – újra kell fejleszteni. A hasonló rendszereknél – az élelmiszerek minőségmegőrzési idejéhez hasonlóan – számon tartanak egy mérőszámot – predictive power – ami azt mutatja, hogy meddig teljesít megbízhatóan.
Önmagukat fejlesztő rendszerek
„Nagyon gazdaságtalan, pazarló ezeket a modelleket rendszeresen “újrahúzni”, ma viszont már képesek vagyunk olyan modellt létrehozni, amely önmagát képes továbbfejleszteni” – hangsúlyozta Szücs Imre. „Ilyenkor a rendszer folyamatosan visszaméri a saját teljesítményét, illetve, egy alternatív változattal versenyezteti önmagát, ha pedig az új verzió hatékonyabbnak bizonyul, akkor fokozatosan elkezdi a működését áthelyezni az új modellbe.
Az igények és lehetőségek felmérése kulcsfontosságú
A szakember úgy látja, hogy a DataOps és MLOps bevezetéséhez fontos, hogy azt megfelelő tájékoztatás előzze meg a cégnél, hogy mindenki reális képet kapjon arról, mit tudnak és hogyan segítenek ezek a megoldások, illetve milyen kihívások elé állítják majd a szervezeteket.
„Probléma, hogy sok mai cégnél a legtöbb esetben csak fejlesztenek valamilyen modellt, de a DataOps és MLOps részt nem dolgozzák ki mellé és így a szervezetet nem készítik fel az adat és analitika alapú működésre” – mutatott rá Szücs Imre. „Azt sem szabad elfelejteni, hogy ez a két technológia nem egy-egy üzleti folyamatot támogat, hanem a teljes cég működését, ehhez viszont a teljes adatvagyon megfelelő menedzsmentjére is szükség van, persze a megfelelő arányok megtartásával. Afféle ökölszabályként egy 80-20-as arányt szoktunk megadni: 80 százalékot tesz ki az adatok minőségével és operációval való foglalatoskodás, a maradék 20 százalékot tudjuk a modellek fejlesztésére fordítani. Látszólag az értékteremtés a mesterséges intelligencia modellekből jön, de valójában emellett az adatmenedzsment, folyamatmenedzsment, változás kezelés, humánerőforrás menedzsment összehangolt munkája szükséges hozzá. Ez pedig nem lehetséges csak a BI és MI technológiák fejlesztésével. Az adatok és modellek menedzsmentjét üzemeltethetővé kell tenni, ehhez pedig egyaránt szükség van technológiai, szervezeti fejlesztésekre, de az egyes üzleti folyamatokat is át kell gondolni. A DataOps és MLOPs alkalmazása segít ennek a kialakításában, ami elvezet az adatok és az analitika demokratizálásához és az adat- és analitika vezérelt működés eléréséhez.”
A 4iG szakemberei számára jelenleg a pénzintézetek működésének modernizálása jelenti az izgalmas kihívást. Ahogy Szücs Imre rámutatott, ezek a szervezetek meglehetősen régen használnak adatalapú modelleket, statisztikai elemzéseket. Sok hasonló intézménynek viszont az elmúlt években komoly versenytársává váltak az úgynevezett fintech és neobank cégek, amelyek már a kezdetektől fogva alkalmaznak hasonló digitális technológiákat, így a pénzintézetek is lépéskényszerbe kerültek: modernizálnak, vagy menthetetlenül lemaradnak a versenyben. A modernizációban pedig a 4iG jelenti számukra a professzionális szakmai partnert.
A tartalom a 4iG megbízásából, a HVG BrandLab produkciójában készült. A cikk létrehozásában a HVG hetilap és a hvg.hu szerkesztősége nem vett részt.
A tartalom a 4iG Group megbízásából, a HVG BrandLab produkciójában készült. A cikk létrehozásában a HVG hetilap és a hvg.hu szerkesztősége nem vett részt.