Következő képzések

Adatelemzés

Létezik-e univerzális AI modell? ÚJ

Nem tudom kinek van otthon robot fűnyírója? Nekem még nincs, de lehet hogy veszek. Mert mit is csinál egy robot fűnyíró: elindítod és lenyírja a kertben a füvet! Addig olvasgathatsz, zenét hallgathatsz vagy akár dolgozhatsz is. A robot fűnyíró persze nem annyira precíz, mint ha Te csinálnád, de cserébe plusz időhöz jutsz.

Viszont nem hallottam még fodrász robotról! Pedig látszólag hasonló a probléma – van egy levágandó dolog (csak most nem fű, hanem a hajam), amit a robotnak le kellene vágnia. De vajon miért nincs robot-fodrász és miért van robot-fűnyíró?

A robot-fűnyírók azért terjedhettek el, mert viszonylag jól általánosítható a feladat: a fűnyíró minden elébe kerülő dolgot lenyírhat, a fűnyírónak csak annyi kell, hogy (viszonylag) sík legyen a talaj (ez általában adott) és legyen kerítés, ahonnan magától visszafordul (ez is általában adott).

Ezzel szemben egy robot-fodrász helyzete egy kicsit bonyolultabb. Egy hajvágáshoz rengeteg információt kell átadni: milyen hosszú legyen a haj hajvágás után, milyen irányba legyen fésülve a haj,  stb. Ráadásul a főnyíróval szemben a „talaj” sem fix – ahány ember, annyi fejforma, amit természetesen figyelembe kell venni a robot-fodrásznak. És azt se felejtsük el, hogy itt kisebb a hibázási lehetőség. Ha a fűnyíró levág egy virágot, az szomorú de korrigálható „baleset”, ezzel szemben ha a robot-fordrász levágná a fülünket, az nagyon szomorú és valószínűleg nem korrigálható baleset!

Na de miért is írok robot fűnyíróról és robot-fodrászról. Nemrég olyan szoftvereket kerestem, amik biztosítási csalásokat detektálnak. Több ilyet találtam – és szakmailag kíváncsi voltam, hogy létezik-e olyan univerzális „fraud” modell, ami minden biztosítónál működik. A promóciós anyagok szerint ilyen létezik. Vagy mégse?

Az „Advanced Predictive Analytics Solution for Fraud Detection and Prevention” szlogent használó szoftver részletes leírásában az alábbi diagramot találtam: 

Igen – ez pontosan megegyezik egy általános data science projekt lépéseivel. Akkor is ugyanezt csinálnánk, ha nem lenne egyáltalán modellünk (szoftverünk), de elvállalnánk hogy készítünk egy csalás-detektáló modellt.

És nagyjából ugyanez a helyzet a legtöbb „dobozos” AI szoftverrel. Valójában ezek a szoftverek egy keretrendszert adnak, ami az adott probléma üzleti folyamatait szoftveresen támogatja, de maga a prediktív modellt mindig az adott cég adatain kell elkészíteni. És ez teljesen normális.

Emlékezzünk miért nincsenek robot-fodrászok!

  • Minden ember esetében mások a hajvágással kapcsolatos igények -> ugyanígy biztosítónként eltérőek egy fraud (csalás-detektáló) modellel szembeni elvárások
  • Nem egységes fej forma -> a biztosítók adatai is eltérő adatbázis szerkezetben és formátumban vannak
  • Nem lehet nagyot hibázni -> ha egy fraud modell pontatlan, a biztosítási csalók továbbra is óriási károkat fognak okozni.

Tanulság?

Amikor cég bekopog az ajtón, hogy van egy kész AI megoldása, akkor érdemes szkeptikusnak lenni. Az „univerzális megoldás” valószínűleg egy keretrendszert jelent (ami tagadhatatlanul érték), de hozzá külön projektben kell majd felépíteni az AI modellt. Éppen ezért ha egy jó AI modellt akar egy cég, akkor érdemes megkeresni egy jó „fodrászt” – azaz egy jó AI tanácsadó céget. 

(Szerző Data Literay coach és a Láncrekació podcast alapító tagja)