Kezdjük azzal, hogy valljuk be, kockák vagyunk: mindannyian szeretjük a statisztikákat (reméljük, önök is!). És az egészségügyben rengeteg statisztika van! Ez nagyszerű, de a statisztikák csak akkor hasznosak, ha a kontextus is adott. A kontextust térben és időben határozzuk meg, ezért olyan régiókon átívelő mérésekre van szükségünk, amelyek rendszeresen frissíthetik tudásunkat (modelljeinket) arról, amiről gondoskodunk. Nem is olyan régen még mindenki a COVID-19 járványok infografikáit és statisztikáit nézte, amelyek a világ minden tájáról adtak nekünk apró információkat (mint például https://www.worldometers.info/coronavirus/ vagy https://ourworldindata.org/coronavirus vagy https://coronavirus.jhu.edu/map.html). Mindenki számára nyilvánvalóvá vált, hogy a modern digitális eszközök (hardver, kommunikáció, szoftver) megfelelő használata létfontosságú lehet. Vészhelyzetekben mindent bedobunk, amink van, hogy válaszokat kapjunk és gyors döntéseket hozzunk. Sűrű megfigyelésekkel és a megfelelő modellezéssel láthatóvá válik, hogy ki van nagyobb veszélyben, hova kell először orvosi segítséget telepíteni, hogyan kell átszervezni a logisztikát stb.

Szerencsére a vészhelyzetek nem állandóak. De sokat tanultunk a hatékony információgyűjtésről és modellezésről társadalmi léptékben! És erre a friss tudásra van szükség, amikor nagy közösségek támogatására gondolunk: legyenek azok távoli falvakban élő gyerekek, otthon élő idősek vagy a megfelelő infrastruktúrával nem rendelkező nagy területek általános lakossága. Ezek a forgatókönyvek meglehetősen eltérőek, mégis hasonló eszközök és szolgáltatások támogathatják őket. Ami viszont az egyik területen megtanulunk, az egy másik területen hasznos lehet!

Ennek alapján számunkra is igen érdekes egy McKinsey tanulmány arról, hogy a digitális egészségügyi eszközök hogyan erősíthetik a meglévő egészségügyi rendszereket Afrika különböző régióiban [1]. Bár a régiók különböznek egymástól az infrastruktúra, a pénzügyi támogatás mértéke vagy az egészségügyi rendszerek kiterjesztése tekintetében, mindannyiuknak szembe kell nézniük néhány közös kihívással, mint például a biztonságos közlekedési lehetőségek nélküli hatalmas területek, valamint a kulturális és nyelvi különbségek. A McKinsey jelentése szerint „a digitális egészségügyi eszközök a betegek, az egészségügyi dolgozók, a közösségek, a gyógyszer- és biotechnológiai vállalatok, a közegészségügyi vezetők, a szabályozó hatóságok és a fizető felek számára nyújtott, technológiával támogatott termékek és szolgáltatások”. A különböző adatvezérelt és mesterséges intelligencia alapú megoldásokat 6 kategóriába sorolták:

• virtuális interakciók: távkonzultáció, sürgősségi ellátás, mentális támogatás
• papírmentes adatok: egészségügyi információk cseréje, felhőalapú felírás
• önellátás: az ügyfelek aktív részvételét igénylő szolgáltatások
• beteg-önkiszolgálás; időpontegyeztetés stb.
• döntési intelligencia rendszerek: statisztikai modellezés, döntéstámogatás stb.
• munkafolyamat-automatizálás: logisztika és erőforrás-optimalizálás, eszközkezelés

A riport szerint a különböző digitális egészségügyi eszközök bevezetésével elérhető hatékonyságnövekedés vagy megtakarítás csak Dél-Afrikában 2030-ra valahol 2 milliárd és 11 milliárd dollár között lehet (az összes tervezett egészségügyi kiadás 6-15 százaléka) ! A legfontosabb eszközök és szolgáltatások egyéni hozzájárulását a következő táblázat mutatja be:

Digitális egészségügyi eszközök	Konzervatív becslés	Optimista becslés
A digitális eszközök bevezetéséből származó teljes megtakarítás aránya Dél-Afrikában, 2030, % [1]

Nyilvánvaló, hogy számos eszköz és szolgáltatás az egészségügyi rendszer alapvető fontosságú része, vagy az egészségügyi központok tevékenységeihez kapcsolódik (mint például a genetikai tesztelés, a teljesítménymutatók vagy a kórházi logisztika). De sokan az idősgondozás szempontjából is relevánsak (lehetnek)! Bár az infrastruktúra (tömegközlekedés, úthálózat, kommunikációs hálózatok stb.) lényegesen jobb Lengyelországban vagy Magyarországon, a valóságban az idősek számára az ezekhez az infrastruktúrákhoz való hozzáférés meglehetősen korlátozott. Tehát nagyon erős hasonlóság van a két forgatókönyv között. Talán nagy logikai ugrásnak tűnik, de feltételezhetjük, hogy a felsorolt szolgáltatások és eszközök relatív hozzájárulása nagyjából hasonló lenne, ha megfelelően használnák őket az idősgondozásban. Most ássunk egy kicsit mélyebbre, és válasszuk ki a legnagyobb potenciállal rendelkezőket.

Virtuális interakciók

Nos, nem meglepő, hogy a betegek és az ápolók közötti virtuális interakciók jelentősen növelhetik a hatékonyságot, különösen akkor, amikor az erőforrások szűkösek vagy a mobilitás korlátozott. Ezért is érdeklődünk nagyon a nagyméretű megfigyelési és virtuális asszisztencia megoldások iránt (lásd korábbi bejegyzéseinket!). Még a konzervatívabb forgatókönyv szerint is ezek a szolgáltatások a teljes hatékonyságnövekedés mintegy 39%-át adnák.

Információcsere („papírmentes adatok”)

Ami azonban meglepő, hogy a felsorolt eszközök közül a legkevésbé bonyolultnak lehet a legnagyobb hatása! Alapvetően arról van szó, hogy teljesen digitalizált elektronikus egészségügyi (vagy állapot-) nyilvántartásokról van szó, amelyek kereshetők, összehasonlíthatók más információforrásokkal vagy integrálhatók velük. Ismétlem, a konzervatívabb forgatókönyv szerint a szolgáltatások e csoportja a teljes hatékonyságnövekedés közel 24%-át eredményezné.

Figyelembe véve azt a tényt, hogy a nagy adathalmazok létrehozása és karbantartása sokkal olcsóbb, mint a táblázatban szereplő bármely más módszer, ez a hozzájárulás óriási! Valójában olyan hatalmas, hogy ugrándoznunk kellene! Nos, talán mégsem. Bár technikailag a különböző adatforrások integrálása elvégezhető, számos akadály van, ami ezt a feladatot valódi kihívássá teszi.

Valószínűleg az egyik legfontosabb probléma jogi természetű. A betegnyilvántartások, a megfigyelési adatok vagy bármely más gyűjtött személyes információ az Európai Unió általános adatvédelmi rendelete (GDPR) által meghatározott „különleges kategóriába” vagy a kínai személyes adatok védelméről szóló törvény (PIPL) által meghatározott „érzékeny adatok” közé tartozik. Az Egyesült Államokban a kaliforniai fogyasztói adatvédelmi törvény ( CCPAvált nemzeti szabvánnyá. A felszínen ezek a törvények hasonlóak, de jelentős különbségek vannak, amelyek bonyolulttá teszik az adatvezérelt egészségügyi és idősgondozási ellátást. A sok különbség közül hadd emeljünk ki csak két kiemelkedő jellemzőt. A PIPL-hez[3] képest a GDPR nagyon részletes listát ad a „különleges kategóriára” vonatkozó adattípusokról és felhasználási esetekről, de a hatálya szűkebb. A CCPA-hoz [2] képest a GDPR kifejezett hozzájárulást követel meg, ami bizonyos esetekben lehetetlenné teheti a teljes információgyűjtési folyamatot.

Nyilvánvaló, hogy bizonyos megfigyelési adatok nem anonimizálhatók, mivel pontosan tudnunk kell, hogy melyik betegnek van szüksége segítségre, és hol van szüksége segítségre. A differenciált adatvédelem azonban lehetővé teszi az általános információk elkülönítését, amelyek biztonságosan anonimizálhatók, és így már nem minősülnek érzékenynek [4].

A papírmentes adatokon túl

Természetesen az idézett tanulmányban szereplő számok csak durva becslések, mivel nagyon sok ismeretlen van. De jelzik, hogy mennyire fontos a jövőbe való befektetés és az átalakítások megkezdése. És nyilvánvaló, hogy ha ezek az eszközök már működnek, akkor az együttes hatásuk egyre nagyobb lesz.

De miért álljunk meg itt? A felsorolt szolgáltatások és eszközök közvetlenül kapcsolódnak az egészségügyi adatokhoz vagy szolgáltatásokhoz. Amint létrejön a biztonságos kapcsolat a digitális világgal, további információforrások bevonásával számos új lehetőség nyílik.

Itt felsorolunk néhány ötletet arra vonatkozóan, hogyan lehetne további információforrásokat felhasználni, de úgy gondoljuk, hogy a lehetőségek végtelenek.

• Dinamikus átfogó geriátriai értékelés (CGA)
• Időjárás-előrejelzés és pollentérképek
• Digitális magassági térképek (DEM)
• Kapcsolat-távolság térképek

Dinamikus átfogó geriátriai értékelés (CGA)

A [10] szerint a CGA „olyan multidiszciplináris diagnosztikai és kezelési folyamat, amely azonosítja a törékeny idős ember orvosi, pszichoszociális és funkcionális korlátait annak érdekében, hogy összehangolt tervet dolgozzon ki az általános egészségi állapot maximalizálására az öregedés során”.

Egyszerűen fogalmazva az egyén szükségleteinek és korlátainak megértéséről és a jólétének fenntartására irányuló legjobb stratégia meghatározásáról van szó [5,6]. Az igények és korlátok azonban gyorsan változhatnak az egészségi állapot romlása vagy a környező infrastruktúra valamilyen váratlan változása miatt. Mi van, ha a legközelebbi élelmiszerbolt csődbe ment? Mi van, ha a következő buszjáratot építkezés miatt bezárták? Az ilyen jellegű információk természetüknél fogva dinamikusak, és felhasználásuk és integrálásuk az egészségi állapotra vonatkozó adatokkal nem egyszerű. Mégis proaktívabbá és hatékonyabbá tenné az idősgondozást!

Természetesen a szociális ellátórendszerek erőforrásai korlátozottak, ezért figyelembe kell venniük az összes támogatásra szoruló személy igényeit. Az egészségügyi alapellátás elérhetőségének elemzéséhez hasonlóan (mint például [8] ) az idősek közösségének gondozási központok vagy más szolgáltatások elérhetőségének földrajzi modellezése is rendkívül informatív lehet. A következőhöz hasonló térképeket dinamikusan lehetne létrehozni és frissíteni az egyes szolgáltatástípusokra (egészségügyi ellátás, gyógyszertárak, közösségi központok, parkok stb.):

Tömegközlekedéssel való elérhetőség vs. gyaloglás időkülönbsége két finn nagyvárosban. Forrás [8]

Az elérhetőségi térképek rendszeres frissítésével észrevehetnénk azokat a régiókat, amelyek hirtelen nehezebben hozzáférhetővé válnak, és így jelezve, hogy megfelelő intézkedéseket kell hozni.

Időjárás-előrejelzés és pollentérképek

Az infrastruktúrában bekövetkező változások mellett a természeti változások, például az időjárás is sokak számára komoly gondot okozhat. A szélsőséges hőmérsékleti viszonyok sajnos egyre gyakoribbá válnak, és számos korai figyelmeztető rendszer működik. Az olyan hirtelen változásokat azonban, mint az erős szél vagy az esőzések, nehéz megelőzni. Hatásuk azonban függ az idősek sűrűségétől egy adott régióban, így a megfelelő válaszlépések előre modellezhetők és meghatározhatók.

Ha már a szélről beszélünk. A légszennyezés (szmog és pollen) erősebben sújtja a megromlott egészségi állapotú időseket. Az olyan szolgáltatások, mint a https://www.breezometer.com/air-quality-map/, több mint 60 országra vonatkozóan adnak részletes tájékoztatást a levegő minőségéről. Sok országban vannak olyan közszolgáltatások, amelyek az aktuális helyzetet mutatják, mint például az USA-ban a nemzeti pollentérkép: https://www.pollen.com/map

A szélelőrejelzés és a pollentérképek kombinációját arra is fel lehetne használni, hogy tájékoztassák az embereket arról, hogy mire számítsanak, és hogyan lehet minimalizálni a kockázatot. Mire van itt szükség? Egészségügyi információcsere-rendszer, a személyek jelenlegi és várható tartózkodási helyére vonatkozó megfigyelési adatok és dinamikus időjárási térképek.

Digitális magassági térképek (DEM)

Ha nagymértékben figyelünk, gyorsan gyűjthetünk statisztikákat, amelyek átfogó képet adnak a közösség jelenlegi állapotáról. A földrajzi információk azonban sokat segíthetnek a megértésünkben. Például a séta sebességének és az eltöltött időnek a figyelésével észrevehetünk valakit, aki az átlagosnál lényegesen kevesebbet mozog. De mi van akkor, ha az illető egy hegyi faluban él, ahol a költözés több energiát igényel? Ezt az információt magassági térképek használatával lehet figyelembe venni. [11]

Kapcsolat-távolság térképek

Arról már beszéltünk, hogy az idősgondozás miként lesz közös felelősségünk. A családok a közösségi erőforrásokkal együtt megfelelő támogatást nyújthatnak. Amikor csak lehetséges, a szociális munkások információkat gyűjtenek az elsődleges kapcsolatokról. A családtagok jelenléte sokkal hatékonyabbá teheti a szolgáltatásokat és jobb érzelmi támogatást nyújthat. De azt is fontos tudni, hogy milyen messze élnek az elsődleges kapcsolatok. A kapcsolattartó-távolság térképek segíthetnek abban, hogy sürgősségi eset vagy például tervezett orvoslátogatás esetén segítséget kérjenek, vagy szociális ellátást nyújtsanak.

Úgy gondoljuk, hogy ez a lista a jövőben bővülni fog. Az Ön fantáziájára és műszaki szakértelmünkre van szükség ahhoz, hogy mindezt lehetővé tegyük.

Hivatkozások

[1] https://www.mckinsey.com/industries/healthcare/our-insights/how-digital-tools-could-boost-efficiency-in-african-health-systems?stcr=4B30665F36D948B8A3BDCB408E61012B&cid=other-eml-alt-mip-mck&hlkid=7215bd7fe4644bb992acfb6c78fee308&hctky=12152474&hdpid=aee9a458-cc27-4df7-8598-208978eee1cd#/

[2] https://www.cookieyes.com/blog/ccpa-vs-gdpr/

[3] https://www.china-briefing.com/news/pipl-vs-gdpr-key-differences-and-implications-for-compliance-in-china/

[4] https://www.gdprsummary.com/anonymization-and-gdpr/

[5] https://www.communityservices.act.gov.au/domestic-and-family-violence-support/what-is-act-government-doing/dfv-risk-assessment/key-components/risk-assessment

[6] https://core.ac.uk/download/pdf/236433397.pdf

[7] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6068710/

[8] https://www.sciencedirect.com/science/article/pii/S0143622821001995

[9] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6852049/

[10] https://www.uptodate.com/contents/comprehensive-geriatric-assessment

[11] https://omdena.com/blog/topographical-maps-deep-learning/

The post Egészségügy 2.0: a szolgáltatások fejlesztése az adattudomány segítségével appeared first on Polaris website.

Mi köze ennek a következő generációs technológiákhoz? Nos, mivel az öregedés az egyik legsürgetőbb probléma, amely globálisan minden társadalmat érint, az adatvezérelt AI-módszerek erejére nagy szükség lesz.

Ebben a bejegyzésben az a célunk, hogy bemutassuk az idősgondozás összetettségét és fontosságát, míg a következő bejegyzésben néhány olyan alkalmazási területről lesz szó, ahol a modern adattudomány és a mesterséges intelligencia titkos fegyver lehet. Az utolsó poszt talán inkább a “szakiknak” szól: néhány olyan okos ötletről és technológiáról beszélünk, amelyek lehetővé teszik a mesterséges intelligencia hatékony alkalmazását a jövőben.

A modern világ egyik kihívása az elöregedő népesség problémája. És tévhit, hogy ez csak a fejlett országokat érinti. A világ legtöbb országa szembesül ezzel a problémával.

Idősként a 65 éves és annál idősebbeket tekintjük. [1]

Az alábbi ábra az öregedési tendenciákat vetíti előre a különböző földrajzi régiókban:

Forrás: ENSZ (2017) World Population Prospects: the 2017 Revision

A WHO [2] érdekes statisztikákat közöl az öregedő népességről. Nézzünk meg néhány kiválasztott előrejelzést a következő évekre vonatkozóan:

• 2015 és 2050 között a világ 60 év feletti lakosságának aránya 12%-ról 22%-ra fog nőni (az idősek száma majdnem megduplázódik).
• 2020-ra az idősek (60 évesek és idősebbek) száma nagyobb lesz, mint az 5 évnél fiatalabb gyermekek száma. 2050-ben az idősek 80%-a az alacsony és közepes jövedelmű országokban fog élni.
• 2050-ben az idősek 80%-a az alacsony és közepes jövedelmű országokban fog élni.

Mindannyiunknak el kell tehát gondolkodnunk azon, hogyan enyhíthetjük az egészségügyi rendszerre és társadalmunkra a várható demográfiai változás miatt nehezedő terheket.

Hogy már most lássuk a jövőt, vessünk egy pillantást Japánra, mivel ott él a legidősebb társadalom. A [4] szerint ezek a nem túl fényes előrejelzések Japánra vonatkozóan:

• 2020: A női lakosság fele 50 évnél idősebb lesz.
• 2021: Sok elvált munkavállaló a család ápolása miatt.
• 2024: A lakosság 33%-a 65 évnél idősebb lesz.
• 2025: Tokióban is megindul a népességfogyás.
• 2026: Több mint 7 millió demenciában szenvedő ember.
• 2027: Kevés lesz a transzfúzióra szánt vér.
• 2030: A nagy áruházak, bankok és idősotthonok bezárják fiókjaikat a kisebb városokban.
• 2035: A férfi lakosság 33%-a és a női lakosság 20%-a egyedül fog élni és meghalni.
• 2039: Komoly hiány lesz a hamvasztókban.
• 2040: A tartományi kormányok fele megszűnik.

Nem meglepő, hogy Japán az egyik úttörő az ICT (Info-communication technology) és az intelligens megoldások használatában az egészségügy és az idősgondozás területén. A kulturális konfliktusok [5] miatt például elsőként alkalmaztak szolgálati robotokat a kórházakban és más intézményekben, ahelyett, hogy külföldi munkaerőt alkalmaznának.

Forrás: https://foreignpolicy.com/2017/03/01/japan-prefers-robot-bears-to-foreign-nurses/

Mielőtt arról beszélnénk, hogy a mesterséges intelligencia hogyan fogja megmenteni a világot – oké, ez egy kicsit túlzás -, nézzük meg, mik a legalapvetőbb következmények, és milyen változások várhatóak az infrastruktúrában, a politikában és a szolgáltatásokban.

A különböző tevékenységeikben külső segítségre szorulók egyre növekvő aránya át fogja helyezni a hangsúlyt a politikai döntéshozatalban és a társadalmi prioritásokban. Egyrészt az idősek továbbra is értékes fogyasztók maradnak, de igényeik eltérnek a még aktív korosztályokétól (változó infrastruktúra és üzleti környezet). Kettő: mivel az aktív népesség aránya csökken, a személyes gondozást nem lehet mindenki számára biztosítani (a szakképzett munkaerő hiánya). Harmadszor, a szolgáltatások – különösen az egészségügyi ellátás – drágábbak lesznek, mivel az aktív fizetők aránya csökken.

A hiányzó munkaerő általános probléma, és a jobb folyamatoptimalizálás és automatizálás bizonyos mértékig enyhíteni fogja a problémát. A szakképzett munkaerő esetében a tanulási képességekkel rendelkező mesterséges intelligencia némi előnyt jelenthet. Az idősgondozás esetében azonban nagyon speciális követelmények vannak, amelyek valódi kihívást jelentenek a holnap technológiájával kapcsolatos stratégiák kidolgozói számára.

Lássuk tehát, melyek az idősgondozás leggyakoribb problémái.

Forrás: https://www.ncoa.org/article/the-top-10-most-common-chronic-conditions-in-older-adults

Az öregedés mind a fizikai, mind a szellemi jólétünket befolyásolja. A WHO jelentése [2] szerint az öregedéssel összefüggő leggyakoribb egészségi problémák a következők: halláscsökkenés, szürkehályog és fénytörési hibák, hát- és nyakfájás, csontritkulás, krónikus obstruktív tüdőbetegség, cukorbetegség. A legkiemelkedőbb mentális vagy pszichológiai problémák a magány, a kirekesztettség, a depresszió és a demencia. Ezek az gondok gyakran kölcsönhatásban vannak egymással és súlyosbítják egymást. Az alacsony fizikai aktivitásból eredő kirekesztettség érzése elmélyíti a depressziót. Pozitívum, hogy ha egy bizonyos veszteséget (például a mozgás segítése) kompenzálni tudunk, akkor valójában számos más állapot javulását idézhetjük elő.

Azonban sok ismeretlen tényező (például az éghajlatváltozás vagy az orvostudományban elért áttörések) miatt ezek közül néhány probléma veszíthet jelentőségéből, miközben újak jelennek meg.

Most nézzük meg, milyen konkrét követelményeknek kell megfelelni, ha sikeresen akarunk új, mesterséges intelligencián alapuló technológiákat létrehozni:

• Valószínűleg a legfontosabb követelmény, hogy humánus megoldásokat kell készíteni. Az emberi gondozóknak több pszichológiai támogatást kell nyújtaniuk (kommunikáció, empátia, elérhetőség/jelenlét), míg a többihez (diagnózis, megfigyelés stb., [3]) a technológiát kell használni > -> emberközpontú megoldások.
• A 65 év feletti emberek többsége a fent felsorolt állapotok közül egynél többel is küzdhet. Így az általános megoldások egyszerűen kudarcot vallanak. > Nagymértékben rugalmas, testre szabható megoldások
• Az új generációs technológiák egyre nehezebben elsajátíthatóak nemcsak az alanyok, hanem a gondozók számára is>Felhasználói elfogadottság, speciális felhasználói támogatás
• A központosított egészségügyi intézmények kapacitása korlátozott, vagy nem mindenki számára elérhető -> decentralizált, elosztott, lokalizált megoldások
• Ha hardverről van szó, a karbantartás is problémát jelenthet ->alacsony költségű, mégis robusztus és megbízható megoldásokra van szükség
• Az emberek és az egészségi állapotok is fejlődni fognak ->nagymértékben adaptív és fejlődő megoldásokra van szükség.

Az adaptív megoldások, a rugalmasság és a tanulás terén egyértelműen nagy szükség van a mesterséges intelligenciára. Emellett nagy léptékű, a populáció jelentős részét érintő kihívásokról beszélünk, ahol meg kell értenünk az általános és az egyedi tényezőket, amelyek minden egyes esetet meghatároznak. És itt jön az adattudomány a segítségünkre!

Néhány ide tartozó, izgalmas projektünkről a következő posztokban olvashat.

Hivatkozások

[1] ‘OECD Data – Demography – Elderly population’. Accessed: Jun. 28, 2022. [Online]. Available: http://data.oecd.org/pop/elderly-population.htm

[2] ‘WHO Fact Sheet – Aging and Health’. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/ageing-and-health

[3] ‘[EC] Market study on telemedicine’. 2018. [Online]. Available: https://health.ec.europa.eu/system/files/2019-08/2018_provision_marketstudy_telemedicine_en_0.pdf

[4] Kawai, M. , Mirai no Nenpyo (=Future Chronologic Table), Tokyo: Kodansha. 2017

[5] https://foreignpolicy.com/2017/03/01/japan-prefers-robot-bears-to-foreign-nurses/

The post Maradj erős, avagy hogyan segíthet az AI az idősek gondozásában appeared first on Polaris website.

Mivel az MI jelenleg az egyik legforróbb hívószó, így magától adódik, hogy ez lesz első blogunk témája!

Bár rengeteg MI-vel kapcsolatos hírt olvasunk, látunk, igen sok sikertörténetről is hallani, mégis komoly zavar van a legalapvetőbb kifejezések körül is. Szintén aggódásra adhat okot, hogy a kudarcokról ritkán hallani, illetve az sem világos sokszor, mi alapján mérik az új eljárások sikerességét.

Éppen ezért mi nem beszélünk csodákról, inkább arra fókuszálunk, hogy miként lehet az üzleti szempontok figyelembevételével legjobban kihasználni az új technológiák adta előnyöket és közben a lehetséges kockázatokat hogyan tudjuk kontrollálni. Hiszünk benne, hogy az MI alapú technológiák most már szerves részévé válnak a világunknak, ugyanakkor továbbra is kritikusan állunk hozzá minden új megoldáshoz és igyekszünk transzparensen kommunikálni partnereinkkel.

Az MI-be vetett hitet tisztán mutatja a következő ábra, ami az MI alapú startup cégek globális finanszírozását mutatja az elmúlt pár évben.

Forrás: https://www.cbinsights.com/research/report/ai-trends-2021/

Vajon a következő dotcom válság előjeleit látjuk vagy valóban ekkora potenciál van az MI alapú technológiában?

Cégünk alkalmazott MI részlegének létezése egyértelműen bizonyítja elköteleződésünket az MI technológiákat meghatározó gondolkodás és módszertan mellett. Ez a blog pedig egy olyan témát érint, ami megmutatja, miért maradhat központi szerepben az MI az elkövetkező években is.

Mindenekelőtt tisztázzunk néhány félreértést az MI körül fogalmakkal kapcsolatban.

Mitől lesz egy rendszer MI? Egy ilyen gyakori kifejezésnél igencsak meglepő, hogy nincs tudományos konszenzus a jelentéséről. Ahhoz, hogy definiálhassuk, először tisztázni kellene, mi tesz egy természetes rendszert intelligenssé. E látszólag egyszerű kérdés megválaszolása az egyik legfontosabb célja több tudományterület kutatóinak: kognitív filozófia, számítástudomány, robotika és fejlődésbiológia mind értékes meglátásokat ad a témához. E rendkívül érdekes téma körbejárása helyett én inkább az intelligencia néhány olyan aspektusára fókuszálok most, amelyek csodálattal töltenek el minannyiunkat, amikor saját mentális képességeinkre gondolunk.

Múltbeli tapasztalataink alapján (emlékezés) képesek vagyunk felismerni és megoldani korábban látottakhoz hasonló problémákat. Komplex problémák részekre bontásával megtanuljuk, hogyan tervezzünk és készítsünk stratégiákat, amelyeket aztán jövőbeli feladatoknál tudunk hasznosítani

Emlékezés, tanulás és predikció mind szükséges az egyik legfontosabb túlélést segítő képességünkhöz, az általánosításhoz. Mi az, ami releváns, mi az, ami elfelejthető? Mi az, ami egyszeri, mi az, ami fontos, ismétlődő mintázat?

Ez a fajta általánosítóképesség, ami még mindig hiányzik a gépekből. Szóval aggódásra nincs ok, az úgynevezett általános MI (ÁMI, AGI, Artificial General Intelligence) korszaka még nem jött el. Azt gondoljuk, MI-t legtöbb esetben tévesen használják a még nem létező ÁMI-re utalva. Helyesebb lenne MI-t bizonyos feladatokra tervezett rendszerekre használni (“szűk MI”). Ebben az értelemben az MI megoldásokra úgy gondolhatunk, mint egy bizonyos kognitív képességünk gépi imitációjára. Mire gondolunk? Szövegértés, vizuális környezet modellezése, stb.

Gyakorlatilag a legtöbb MI megoldás tekinthető úgy, mint egyfajta kérdezz-felelek játék. Egy adott bemenethez (kép, szöveg, idősorok) a gép rendeljen hozzá egy “jó” választ (címke, releváns információ, predikció a következő bemenetről-megfigyelésről, stb). A kérdések és váláaszok valamilyen mintát követnek és ha elegendően sok kérdés-válasz párt mutatunk az algoritmusainknak, az MI rendszer megtanulja és felismeri a meghatározó mintázatot. Az MI ereje abban az algoritmikus képességben rejlik, hogy előre definiált szabályok vagy modellek, illetve emberi beavatkozás (instrukciók) nélkül képes e mintázatokat megtalálni és megtanulni. A megtanult minták aztán segítik a rendszert abban, hogy kitalálja hiányzó részeket, amikor a mintából csak egy rész (a kérdés) adott.

Bár nincs konszenzus az intelligencia definíciójáról, a tanulás képességét általában alapvetőnek tartják. A természet többféle mechanizmust is kifejlesztett. Beszélünk utánzás alapú, utasítás alapú vagy példa alapú tanulásról, de szintén fontos az úgynevezett kíváncsiság vezérelt (azaz külső megerősítés nélküli) tanulás is. E sokféle mechanizmus mind szükséges a túléléshez.

Jelenleg az MI algoritmusok képesek a kérdés- felelet relációt meghatározó rejtett mintázat kinyerésére valamelyik tanulási mechanizmus álta, de egyelőre nincs általános elmélet e módszerek kombinálásáról.

Azt gondolom, ez az egyik fő ok, amiért kutatók inkább gépi tanulásról (machine learning) beszélnek és kerül az MI kifejezés használatát

Bár igaz, hogy valódi MI rendszerek még nem léteznek, a gépi tanulás koncepciói igen sokat fejlődtek és a létrejött eszközök, algoritmusok igen hatékonyak a tanulásban és kevésbé probléma specifikusak. Cégünkben mi is hasonló ötleteket, eljárásokat vagyunk képesek használni igen különböző feladatokban, mint például objektum felismerés hagyományos és hőkamera képeken vagy tér szegmentálás 3D pontfelhő adatokon.

Igen sok gépi tanulás módszer ismert, amelyek különböznek az alkalmazott tanulási mechanizmusaikban, illetve abban, ahogyan kinyernek információt a prezentált adatokból. Nagy általánosságban elmondható, hogy az algoritmusok, modellek komplexitásának növelése növeli a pontosságot (nagyobb valószínűséggel ad jó választ a rendszer egy új kérdésre). De sajnos “nincsen ingyen ebéd”. A nagy, komplex modellek ritkán adnak betekintést az adatokban rejlő kapcsolatokról, valamint nem triviális megérteni, hogy jutott el a rendszer a válaszig. Másképpen mondva az értelmezhetőség valahol elveszett útközben. Egy lineáris model (tehát egy előre definiált modell, ami lineáris korrelációt tesz fel az adatokban) explicit ír le egy feltételezett összefüggést, amit aztán vagy alátámasztanak az adatok vagy nem. Ezek a komplex modellek már nem adnak közvetlen betekintést. A következő ábra sematikusan mutatja a különböző modellcsaládok átlagos teljesítménye (pontosság) és értelmezhetősége közötti kapcsolatot.

Forrás: https://www.darpa.mil/program/explainable-artificial-intelligence

Persze fel lehet tenni a kérdést, hogy miért fontos a modellek belső működésének az értése, hogyha egyszer a megoldások annyira jók.

Sok esetben talán valóban nincs ennek jelentősége, ugyanakkor érezhetően nő az érdeklődés mind a tudományban, mind az iparban a modellek értelmezhetőségével kapcsolatban. Sokan gondolják veszélyesnek, hogy az MI megoldásokat fekete dobozként kezeljük, attól félve, hogy valódi katasztrófákhoz vezethet e módszerek vak használata. Egy 2019-es PwC tanulmány [8] szerint a legtöbb megkérdezett CEO úgy gondolja, hogy az MI megoldások értelmezhetősége alapvető abban, hogy bízhassunk a hasznáatukban.

Ha nem tudjuk értelmeni, mi történik, honnan tudjuk, hogy bízhatunk-e a megoldásunkban a jövőben, amikor még nem látott helyzetek jöhetnek elő? Honnan ismerjük fel, ha a rendszer hibázik, illetve hogy mikor hibázik? Az adott feladat jobb megértése szempontjából pedig központi kérdés, hogy mit nyerhetünk az MI által megtanult mintázatokból.

Az értelmezhető MI (ÉMI, Explainable AI (XAI)) pont ezekre a kérdésekre fókuszál. Ahogy az MI eljárások használata egyre hangsúlyosabb válik, úgy lesz egyre fontosabb a megbízhatóság és elszámoltathatóság kérdése. A fenti ábra forrása a DARPA (Defence Advanced Research Projects Agency), az amerikai katonai kutatásokért felelős szervezet. Nem meglepő, hogy az elsők között voltak, akik elkezdtek komolyan foglalkozni az ÉMI kutatásával: Ha valaki, hát ők tudnak egyet s s mást a döntéshozásban használt nem átlátható módszerek kockázatáról. A katonai műveletek nem az egyetlen terület, ahol döntéshozás rengeteget nyerhet az MI megfelelő alkalmazásával. Kritikus infrastruktúrák, mint űrállomások vagy közlekedésirányítás előbb-utóbb mind MI technológiáktól fognak függni. És már most vannak olyan területek, ahogy kisebb-nagyobb problémákat okozott az MI kritikátlan használata: egészségügy (gondoljunk pl a személyreszabott gyógyításra), jog vagy biztosítás mindenképpen érintett területek.

Ráadásul a megmagyarázhatóság szorosan kötődik a személyi jogokhoz, része a GDPR-nak (‘right to explanation’), így előbb-utóbb mindenhol az értelmezhető MI megoldások kerülnek előtérbe[5].

ÉMI lényegében egy eszközkészlet, ami segít megmutatni, hogy egy adott gépi tanulás eljárás hogyan jutott az adott megoldásra. Az egyik fő cél, hogy jobban belelássunk a modellek működésébe, így a humán szakértők képessé válnak értelmezni a logikát, amit aztán a döntéshozást meghatározhatja.

Az alkalmazott MI sokfélesége miatt (alkalmazási terület, adat formák, módszerek, stb) nincs mindenki számára elfogadható univerzális megoldás. Szerencsére a nagy szervezetek döntéshozói mind erősebben állnak az új kezdeményezések mögé, így már több tucat eljárás létezik, amelyek segítségével az MI megoldások transzparens(ebb)é válnak, így növelve a bizalmat, megbízhatóságot és értelmezhetőséget. A következő ábra az ÉMI-vel kapcsolatot cikkek számát mutatja az elmúlt pár évben:

Adatok forrása: shorturl.at/knAR9

A következő ábra az ÉMI-vel kapcsolatot cikkek számát mutatja az elmúlt pár évben:

Forrás: https://arxiv.org/abs/2107.07045

Látható, hogy sok terület-specifikus megoldás van, de általánosan használható módszerekből is egyre több érhető el. A célzott megoldási módszerek eloszlása követi a trendeket és legnagyobb számban neuronhálók (mély tanulás módszerek) szerepelnek. A legelső módszerek mind posthoc analízesre adnak módot, amivel kicsit könnyebb “belelátni” a vizsgált modellek mechanizmusába. Az újabb módszerek segítségével ugyanakkor már lehetőség van olyan modellek létrehozására melyek eleve úgy vannak tervezve, hogy az interpretációt segítsék.

Az értelmezés érvényessége alapján beszélhetünk lokális módszerekről (egy adott bemenetre adott válasz értelmezését segítik), globális módszerekről (a modellek átlagos viselkedéséről kapunk képet), illetve vannak vegyes módszerek is. Az utolsó szempont, ami alapján az ÉMI módszereit lehet csoportosítani, az a magyarázat formája.Ez azért fontos kérdés, mert a magyarázatnak ember-központúnak kellene lenni, így a prezentáció formája igencsak számít. Így beszélhetünk vizualizációs, szabály alapú, szöveg vagy numerikus módszerekről.

Az egyik ismert és népszerű model-agnosztikus eljárás, az úgynevezett LIME -Local Interpretable Model-Agnostic Explanations- [9] helyettesítő, közelítő lineáris modelleket használ, amelyek a vizsgált modell által adott válasz (predikció) és az eredeti bemenet egyes attribútumai közötti kapcsolatokat tanulják. Képek esetében ilyen tulajdonságok lehetne pixelek vagy pixelcsoportok, táblázatos adatokban az egyedi oszlopok tekinthetők attribútumoknak.

E módszer azért lett népszerű, mert sokféle általánosan használt modell esetében alkalmazható. A következő ábra egy kép osztályozási feladat megoldását elemzi. Az osztályozó egy nagy képi adatszetten lett tanítva. Sok-osztályos feladatokban gyakran a legjobb N megoldást várjuk mint kimenetet.

Ebben az esetben az adott képhez tartozó legjobb 3 objektum címke (“levelibéka”, “billiárd asztal”, “hőlégballon”) és az azokat támogató attribútumok láthatók. Forrás: Marco Tulio Ribeiro, Pixabay (frog, billiards, hot air balloon). https://www.oreilly.com/content/introduction-to-local-interpretable-model-agnostic-explanations-lime/

A legvalószínűbb osztály címkék a modell szerint: “levelibéka”, billiárd asztal és hőlégballon. A számok értelmezhetők valószínűségként. Tabuláris vagy egyéb struktúrált adatok esetében, ahol például az oszlopok tekinthetők egyedi tulajdonságoknak, a tulajdonságok relevanciája és kölcsönhatásaik (mennyire befolyásolják egymás előfordulását, illetve mennyire hatnak a végső válaszra) jól becsülhetők például az úgynevezett SHAP módszer segítségével (”SHapley Additive exPlanations”- [10]). – [10].

Az ismert adatelemző versenyeknek helyt adó platform, a Kaggle, egy FIFA adatsort használ a SHAP bemutatására. Több oktatóanyaguk témája az egyedi tulajdonságok elemzése. Egy példafeladatban a cél annak “jóslása”, hogy egy adott mérkőzésen melyik csapat fogja elnyerni a “meccs legjobb játékosa” díjat. Néhány felhasználható tulajdonság: ki az ellenfél, hány %-ban birtokolta a csapat a labdát, hány gólt rúgtak, stb.

A következő példa mutatja az összes tulajdonság egyedi hozzájárulását a predikciók sikerességéhez:

Forrás: https://www.kaggle.com/code/dansbecker/shap-values/tutorial

A pirossal jelzett tulajdonságok növelik, a kék tulajdonságok csökkentik a kimeneti válasz értékét az átlagos modellválaszhoz képest. Az egyes tulajdonságok fontosságának becslésében a többi tulajdonsággal való kölcsönhatás is szerepet játszik.

Míg az itt bemutatott példák inkább csak játékproblémák, munkánk során az értelmezhetőségnek fontos szerepe van, hiszen komplex feladatokat kell megoldanunk. Az egyik projektünkben egy többcélú, autonóm, távérzékelő rendszer kifejlesztése a feladat, amelynek célja felszíni objektumok, veszélyes tárgyak detektálása. Mivel elvárás, hogy a rendszer képes legyen működni változatos körülmények között, ezért többféle szenzor integrálására van szükség. A fejlesztendő eszköz például bevethető lehet magasan automatizált gyárakban, ahol egy leeső alkatrész vagy hibás munkadarab okozhat károkat. De kültéri alkalmazás is lehet, például repterek futópályáin és szervízplatformján már egészen apró idegen tárgyak is igen veszélyesek lehetnek. Itt az egyik fő kihívás, hogy nem tudjuk előre definiálni, mit is kellene felismerni: ezért hagyományos objektumfelismerés helyett anomália detektáláskánt értelmezzük a feladatot. Ha viszont nem tudjuk, mit keresünk, akkor könnyen elvéthetünk valamit, vagy éppen ellenkezőleg túl sokszor adunk ki téves riasztást. Biztonsági és biztosítási okoból minden eseményt rögzítünk, így képessé válunk a rendszerünk folyamatos javítására, illetve detekció magyarázatára. Így már a tervezés folyamatában a transzparenciára és megbízhatóságra tudunk fókuszálni.

Bízunk benne, ez a kis összefoglaló is segít, hogy erősítse a bizalmat a modern MI megoldások felé, így segítve vállakozásunkat innovatív és kreatív megoldásokkal. Reméljük, segíthetjük vállalkozása növekedését (É)MI tapasztalatunkkal!

Bízunk benne, ez a kis összefoglaló is segít, hogy erősítse a bizalmat a modern MI megoldások felé, így segítve vállakozásunkat innovatív és kreatív megoldásokkal. Reméljük, segíthetjük vállalkozása növekedését (É)MI tapasztalatunkkal!

A következő posztjainkban bemutatjuk azokat a területeket, projekteket, melyeken aktív kutatási és fejlesztési tevékenységet folytatunk.

Hivatkozások:

[1] https://towardsdatascience.com/5-significant-reasons-why-explainable-ai-is-an-existential-need-for-humanity-abe57ced4541

[2] Gunning, D., Vorm, E., Wang, J.Y. and Turek, M. (2021), DARPA’s explainable AI (XAI) program: A retrospective. Applied AI Letters, 2: e61. https://doi.org/10.1002/ail2.61

[3] http://www-sop.inria.fr/members/Freddy.Lecue/presentation/aaai_2021_xai_tutorial.pdf

[4] https://proceedings.neurips.cc//paper/2020/file/2c29d89cc56cdb191c60db2f0bae796b-Paper.pdf

[5] Recital 71 eu gdpr. https://www.privacy-regulation.eu/en/r71.htm, 2018. Online; accessed 27-May-2020.

[6] https://proceedings.neurips.cc//paper/2020/file/2c29d89cc56cdb191c60db2f0bae796b-Paper.pdf

[7] Gohel, Prashant et al. “Explainable AI: current status and future directions.” ArXiv abs/2107.07045 (2021).

[8] https://www.computerweekly.com/news/252462403/Bosses-want-to-see-explainable-AI

[9] Ribeiro MT, Singh S, Guestrin C (2016) “Why should I trust you?” Explaining the predictions of any classifier. In: Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pp 1135–1144

[10] Scott M. Lundberg and Su-In Lee. 2017. A unified approach to interpreting model predictions. In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS’17). Curran Associates Inc., Red Hook, NY, USA, 4768–4777.

The post Mire van szükséged? <span style="text-decoration: line-through">MI,ÁMI,</span> ÉMI-re! appeared first on Polaris website.

Mi kell ehhez? Új szemlélet, új szerveződési formák, új matematikai és informatikai megoldások.

Cégünk évek óta nyújt teljes körű IT megoldásokat különböző iparági szereplőknek. Most szintet lépünk és partnereinket már a legújabb eszközök és módszerek segítségével támogatjuk céljaik elérésében.

A következőkben bemutatjuk, hogy a legújabb MI technológiák felhasználásával, hogyan válik lehetségessé egy igen komplex feladat költséghatékony megoldása, amellyel rengeteg időt és pénzt lehet megtakarítani.

A feladat

Forrás: https://cutt.ly/vkW439J

Megbízónk a Szingapúri Nemzeti Parkfelügyeleti Hivatallal (Singapore NParks) közösen kidolgozott egy eljárást arra,

hogy a Szingapúrt jellemző hatalmas faállományról automatikusan lehessen adatokat gyűjteni és így létrehozni egy digitális park management rendszert. (https://cutt.ly/zkKamWm )A több, mint 2 millió fa monitorozása rendkívül fontos feladat a nagy népsűrűségű városállamban, mivel a fák nem megfelelő karbantartása életeket veszélyeztethet. A fák sokfélesége és a terepi vizsgálatok nehézsége miatt a humán inspekció egyszerűen megoldhatatlan: egy szakember naponta néhány tucat fa állapotát (méret, dőlésszög, lombozat állapota, főágak elágazása) képes felmérni. Emiatt az automatizált információ rögzítés elkerülhetetlen: az adatgyűjtés során autókkal járják a várost, amelyeken speciális, nagyfelbontású lézeres térszkennelő (LIDAR) berendezés és kamerák találhatók.

Az autó pontos pozíciójával együtt a mérésekből már kirajzolódnak az egyedi fák, azaz a számítógép monitorán is elvégezhető sok mérés: a fákhoz tartozó térbeli pontok alapján meg lehet becsülni a fák lombkorona térfogatát,magasságát, a fatörzs átmérőjét, az első elágazás helyét.

E számítások alapja, hogy a rengeteg mérési pontból képesnek kell lenni pontosan elválasztani a fákhoz tartozó pontokat a háttérhez és más objektumokhoz tartozó pontoktól. Mivel rengeteg adat keletkezik, ezért a számítógépes kiértékelést sem lehet manuálisan elvégezni. Megbízónk először hagyományos – földmérők által alkalmazott – térrekonstrukciós módszerekkel próbálkozott, de az eljárás pontatlan volt és lassú.
Forrás: https://cutt.ly/0kW4OMU

A pontatlanság fő oka az volt, hogy a rendszerük kész szabályrendszer alapján próbálta azonosítani a fákat leíró pontokat a hatalmas pontfelhő adatokban.

Ideális esetben a LIDAR által mért pontfelhő felosztható értelmes részekre: lombkorona, ágak, törzs, amiből aztán a fa teljes struktúráját meg lehet rajzolni. Forrás: https://cutt.ly/AkW4VeT

E problémát felismerve fordultak hozzánk és a mi Mesterséges Intelligencia megoldásunk valóban elérte a kívánt pontosságot és sebességet.

A feladatunk tehát a következő volt: hozzunk létre egy olyan szoftveres megoldást, aminek segítségével az elérhető 2 dimenziós (2D) képi és 3 dimenziós (3D) pontfelhő adatok alapján azonosítható a fák helye, és a fák geometriai (pl dőlésszög) és fizikai (pl magasság, átmérő) tulajdonságai automatikusan becsülhetők legyenek.

A megoldás

A minket körülvevő tér pontos ismerete, értése sokszor nélkülözhetetlen. Építészetben, épületkarbantartásban ma már természetes, hogy minden objektumról készül 3D modell is. Az orvosok egyre gyakrabban támaszkodnak 3D vizualizációs megoldásokra, amik aztán az operáció közben segítik munkájukat. Manapság pedig az önvezető autók fejlesztése miatt népszerű a térrekonstrukció. A közlekedés során fel kell ismerni rengeteg álló és mozgó objektumot (gyalogosok, közlekedési lámpa, stb) és képek alapján ez gyakran valóban nehéz vagy lehetetlen (rossz látási viszonyok, takarás).

E feladatok nehézsége az objektumok sokféleségében rejlik. Nehéz jó, szabály alapú mérnöki megoldást tervezni. Az ilyen feladatok esetében ugyanakkor az un. Gépi Tanulás (Machine Learning) megoldások meglepően jól teljesítenek.

Ezek az eljárások képesek tanulni a már korábban látott adatokból. A tanulás lényegében egy algoritmus paramétereinek a hangolását jelenti olyan módon, hogy a modell egyre pontosabban rendeljen címkéket (annotációkat) az adatokhoz. Ilyen címke a mi esetünkben például: “fatörzs”, “lombkorona”, stb. A tanító adatok lehetnek pontfelhők és a pontfelhőkhöz rendelt címkék. Ezeket a címkéket humán annotátorok készítik el. A mi esetünkben ez azt jelenti, hogy minden egyes ponthoz hozzárendelünk egy lehetőséget az előre megadott típusok közül. Egy pont lehet például háttér, fatörzs, lomb vagy egyéb vegetáció. A pontok automatikus címkézése tulajdonképpen un. szemantikus szegmentáció: az egy objektumhoz tartozó pontokat közös halmazba rakjuk. Mivel sokszor több fa is bekerül egy mérésbe, illetve a fák összeérhetnek, ezért úgynevezett egyedi szemantikus szegmentáció (‘instance segmentation’) eljárásokkal dolgoztunk. Ez a feladat annyival bonyolultabb, hogy az egy objektumhoz tartozó szegmenseket is meg kell tanulni csoportosítani. Erre a feladatra úgy válnak képessé a modelljeink, hogy az annotációt kiegészítjük az egy mintában lévő fák egyedi azonosítóival.

A megoldás menete

Adat, adat, adat

Mivel az elérhető adatbázisok a) vagy nem tartalmaznak tanító adatokat fákról b) vagy nem elég jó felbontásúak c) vagy nem elég kifinomultak az osztályok (magas és aljnövényzet), ezért első lépésben segítettünk partnerünknek egy megfelelő adatbázist létrehozni, ügyelve arra, hogy az adatok megfelelően változatosak és jó minőségűek legyenek. https://www.semantic3d.net/.

Mivel többféle szenzorral végeznek méréseket, ezért az adatbázis tartalmaz pontfelhőket és képeket is, azaz 2 és 3 dimenzióban is vizsgálhatjuk a fákat. Az ilyen bonyolult feladatok esetében tipikusan több ezres mintából álló adathalmazzal dolgozunk, azonban különböző okok miatt lényegesen kisebb tanító adathalmazt kaptunk, mint amit szükségesnek tartottunk volna. A lenti eredményeket mi néhány száz adatból tanulva kaptuk!

Tanítás

A következő lépésben tanulmányoztuk a legjobb publikált megoldásokat és választottunk néhány modellt, amelyek illeszkedtek az elérhető számítási kapacitáshoz és a tanító adatok mennyiségéhez. Bár sokkal több kép áll rendelkezésre és a 2D szegmentációs eljárások már igen kifinomultak, a 3D adatok elemzése sokkal gyorsabb, mivel összességében kevesebb mérési pontból áll egy pontfelhő. Tanítottunk tehát 2D szegmentáló modellt a képeken, és különböző 3D modelleket az annotált 3D pontfelhőn. Az egyik modell a fa helyek azonosítását végzi (hol van a központi törzs?), míg az egyedi fák és fa-részek szegmentálására létrehoztunk egy új modellt két, korábban publikált modell összekapcsolásával.

A fákra hangolt 3D szegmentáló modellünk egy példa kimenete:

3D szemantikus szegmentálás: a jobb oldali képen látható, hogy a modell szépen el tudja választani egymástól a villanyoszlopot, a fák fő ágait és a lombokat (színek jelentik az egy osztályba tartozó címkéket)

Kiértékelés

A modellek pontosságát egy olyan annotált adatszetetten mértük le, amit a tanítás során sosem használtunk, ezzel biztosítva az objektív kiértékelést. Mivel terepi mérést nem tudtunk végezni, ezért referenciának az annotált adatokon kézzel mért értékeket vettük. Egy kis, független mintán vizsgálva a fa, illetve fa-részek szegmentálásának pontossága a következőképpen alakult:

A kiértékelés mérő száma az un mIOU (mean intersection over union), normált átfedés a valódi és a prediktált címkék között).

A következő ábra egy tesz mintát mutat, a hozzátartozó manuális annotációt

(a különböző színek különböző kategóriát jelentenek: zöld: lomb, barna: fatörzs, piros: egyéb fa, szürke: háttér, egyéb objektumok)

Megoldás integrációja

Ebben az együttműködésben az ügyfél nem teljes megoldást kívánt, hanem tanácsadást a hardver- és szoftver környezet kialakításában és támogatást az általunk létrehozott megoldás saját rendszerükbe történő integrálásához.

Az eredményül kapott integrált rendszer privát felhőben került kialakításra a végfelhasználónál, Az adatok előfeldolgozása, a modelljeink futtatása (inferencia vagy predikció) és az eredmények tárolása hatékony, elosztott rendszerben történik, ahol minden egyes lépés eredménye vizualizálható és szükség esetén kézzel korrigálható. Modelljeink tovább javíthatók, ha megnöveljük a tanító adathalmaz méretét, ezért a rendszer implementációjába bekerült egy modul, ami a nehéz eseteket gyűjti, lehetővé téve, hogy a modellt olyan adatokkal finomhangoljuk, melyeken nem működött tökéletesen vagyis a saját hibáiból tanuljon tovább.

A modell még a takart, összenőtt facsoportok esetében is működik, igaz, kisebb pontossággal. Itt is igaz a gépi tanulásban jól ismert tény: az MI megoldás legfeljebb annyira lesz jó, mint a tanító adat. Ebben a konkrét esetben még a humán annotátornak is gondot okozott a fák megfelelő szétválasztása.

Miben segíthetünk?

A project során sok olyan kihívással találkoztunk, amelyek más, gyakorlati feladatokban is megjelennek: a feladat “lefordítása” az algoritmusok nyelvére, már létező megoldások elemzése, javítása, tanításhoz megfelelő adatok létrehozása. Így ez a blog talán elég érdekes és hasznos betekintést nyújt az MI ipari-üzleti alkalmazások világába.

Ha vállalkozásának van olyan komplex problémája, amelyre MI tudásunk megoldást nyújthat, akkor örömmel állunk rendelkezésére!

The post Mesterséges intelligencia a városi parkok védelmében appeared first on Polaris website.

További információért, kattintson ide!

The post 2022 ÉVI HARMADIK NEGYEDÉVES JELENTÉS appeared first on Polaris website.

További információért, kattintson ide!

The post 2022 ÉVI MÁSODIK NEGYEDÉVES JELENTÉS appeared first on Polaris website.

További információért, kattintson ide!

The post 2022 ÉVI ELSŐ NEGYEDÉVES JELENTÉS appeared first on Polaris website.

A keretmegállapodás hatálya alá tartozó jövőbeli megrendelések becsült nettó értéke 250 milliárd forint (kb. 3 milliárd zloty). A keretmegállapodás megkötése nem minősül megrendelésnek; minden egyes konkrét megrendelés a DKÜ által kiválasztott és a DKÜ-vel keretmegállapodást kötő konzorciumok közötti újbóli versenyeztetés tárgyát képezi.

Az iSRV Zrt. igazgatósága úgy véli, hogy a társaság jó eséllyel pályázik a megrendelések elnyerésére, és ki fogja tudni használni egyéb beszerzési lehetőségeit, kínai kapcsolatait és saját fejlesztési képességeit.

The post ÚJ ISRV ZRT. LEÁNYVÁLLALATI KERETMEGÁLLAPODÁS appeared first on Polaris website.

Ügynökségi partnerünk, a budapesti székhelyű Universum 8 Zrt. március 20-án zárta egy több hónapos projektjét, aminek a középpontjában egy több helyszínről közvetített, élőben streamelt esemény állt.

Az ISRV Zrt. által fejlesztett Enclosed termékcsalád biztonságos adattovábbítást és magas minőségű, illetve rendelkezésre állású streaming megoldásokat is felsorakoztat. Az ügynökség az Enclosed Streaming megoldásait és szolgáltatását használva egy kivételesen sikeres projektet vitt véghez. A dubai és budapest stúdiókból sugárzott streamet több tízezren követték élőben és közel 1 millióan látták a teljes műsort. A streaming alatt Polgár Judit sakknagymester szimultán játékban világrekordot állított fel a Dubai Világkiállításon, ahol az Expo 2020 Hungary magyar pavilonja biztosította a helyszínt, a teljes műsor gyártásának központja pedig az ügynökség budapesti stúdiójából zajlott.

Büszkék vagyunk rá, hogy ilyen nagy presztízsű projekthez adhattuk szakértelmünket. Kollégáink streaming tapasztalatának köszönhetően olyan budapesti streaming rendszert sikerült kiépíteni a közvetítéshez, amellyel magas minőségben, folyamatosan és biztonságosan volt leadható a közel 9 órás, megszakítatlan élő showműsor.

Köszönjük a bizalmat és gratulálunk a projekt sikeréhez.

The post SIKERES ENCLOSED STREAMING KOLLABORÁCIÓ appeared first on Polaris website.

The post ÚJ SZOFTVERFEJLESZTÉSI MEGÁLLAPODÁS appeared first on Polaris website.