A Toyota Mobilitási Alapítvány, a Rhineland-Palatinate Eifel térség Bitburg-Prümben és a kölni székhelyű Digital Innovation Lab Erlkoenig.io együttműködésre léptek annak érdekében, hogy digitális megoldások révén javítsák az emberek életminőségét és az ipar versenyképességét a vidéki régiókban. Ennek a kezdeményezésnek az a célja, hogy biztosítsa az alapvető közszolgáltatásokat, különösen az idősebb korosztály és a mozgáskorlátozottak részére. Emellett az is cél, hogy a résztvevők elősegítsék a regionális gazdaság munkaerő-ellátását, és e célok érdekében a Toyota Mobilitási Alapítvány és partnerei olyan digitális platform kifejlesztésén dolgoznak, ami összefogja az összes érintett szereplőt. Vidéki környezetben fekvő 234 községével és városával Bitburg-Prüm Eifel térsége számára egyre nagyobb kihívást jelent az alapvető közszolgáltatások ellátása. Az Eifel térség helyzete hasonlít számos más német és európai régióéhoz, ahol igyekeznek jó életkörülményeket fenntartani a lakosok számára, illetve keretet biztosítani a helyi gazdaság további fejlődéséhez. Ez a digitális platform lehetővé teszi, hogy a régió a Toyota Mobilitási Alapítvány egítségével úttörő szerepet töltsön be, egyben pedig garantálja, hogy az itt megtanultakat más régiókban is hasznosíthatják majd. A Bitburg-Prüm térséggel közös kezdeményezés jelenti az első lépést a körzetet kiszolgáló, holisztikus szemléletű Okosfalu Platform (EifelkreisVerbindet.de) kiépítése felé. Ez a platform a partnerek elképzelése szerint integrálja majd az e-kormányzatot, az egészségügyi szolgáltatásokat, a közüzemeket és egyéb regionális feladatokat egészen az innovatív mobilitási megoldásokig. Bár a kezdeményezés már a COVID-19 járvány előtt is létezett, jól illeszkedik a különösen sérülékeny, a válsághelyzetet nehezen kezelő személyeknek és vállalkozásoknak szánt segítségnyújtást célzó, jelenlegi kormányzati erőfeszítésekhez. A projekt elindítását követően a partnerek kiértékelik majd annak lehetőségét, hogy miként lehet kiterjeszteni ezt a kezdeményezést más régiókra is a COVID-19 válság enyhítése érdekében, és fenntartani a támogatást a járvány után. Segít az okos digitális platform Az első szolgáltatás az EifelkreisVerbindet.de nevű okos párosító platform lesz: ez egy olyan algoritmust használ, ami a távolság alapján összehozza és rangsorolja a ’segítők’ által a segítségre szorulóknak kínált szolgáltatásokat. Egy telefonos call center támogatja majd a platform működését, így olyanok is fel tudják venni a kapcsolatot a platformmal, akiknek nincs okostelefonjuk vagy egyéb kapcsolódásuk az internethez. Emellett ez a központi kontakt-pont úgynevezett „keresztszülőket” is tud biztosítani valamelyik helyi szövetségtől vagy segélyszervezettől, akik egyebek mellett önkéntes tablethasználati képzést nyújtanak az idősebb korosztályok számára.  Ez a platform összekapcsolja a segíteni kész embereket azokkal, akik a környéken segítségre szorulnak. Mindenki, aki szeretne segíteni, díjmentesen regisztrálhat a platformon, és megjelölheti, hogy milyen tevékenységekkel tud hasznára lenni másoknak. Ha például valaki a nehéz bevásárlószatyrok szállításához keres segítséget, akkor a platform feldob majd egy olyan embert, aki ezt elvállalja, és a legközelebb lakik. A jelenleg legnépszerűbb szolgáltatások közé tartozik a háztartási segítség, a kutyasétáltatás és a bevásárlás. Bárki, aki ilyesmiben támaszra szorul, átböngészheti a platformot, hogy megtalálja a hozzá legközelebb eső, megfelelő segítséget kínáló embert.  A rászorulóknak nyújtott segítséget az EifelkreisVerbindet.de kiegészíti a munkaerőpiacon jelen lévő kapacitásokkal is – így mozgósítani tudja azokat a munkavállalókat, akik a COVID-19 járvány miatt veszítették el állásukat. A projektpartnerek néhány napja indították el a szolgáltatást a “Lokalhelfer App” révén, amit hamarosan az ”Ecoshare App” megjelenése követ majd. A GDPR-előírásoknak megfelelő platform egy okosszolgáltatásokat magában foglaló és összekapcsoló, moduláris, bővíthető, nyílt forráskódú fejlesztés, ami lehetővé teszi a holisztikus, regionális ökoszisztéma hatékony kialakítását. Az 100%-ban nyílt rendszer teljes körű együttműködést tesz lehetővé bármely más rendszerrel, és bármilyen típusú terminálon használható, ami rendelkezik webes keresővel. A kínált szolgáltatások köre a felhasználóktól érkező visszajelzések alapján fokozatosan bővül majd a közeli jövőben. “A Toyota Mobilitási Alapítványnál büszkék vagyunk arra, hogy Bitburg-Prüm megyével, a helyi szociális szervezetekkel és az Erlkoenig.io-val közösen részt vehetünk ebben a projektben. A projekt első szakasza hozzáférést biztosít majd a mobilitáshoz olyan személyek számára, akik másképp nem képesek közlekedni, illetve segít kiaknázni a helyi ipar termelési potenciálját. Úgy tekintünk erre a vállalkozásra, mint első lépésre egy átfogó digitalizálási stratégia keretében, ami javítja az életminőséget és optimalizálja az ipar kihasználtságát a vidéki régiókban.” – fogalmaz Andy Fuchs, a Toyota Mobilitási Alapítvány európai ügyvezető igazgatója.  „Az Eifelkreis Bitburg-Prüm önkormányzatnál elég régóta foglalkozunk azzal, hogyan aknázható ki a digitalizáció a vidéki területeken. Az ’EifelkreisVerbindet.de’ platform elindításával és az abban működő ’Lokalhelfer App’ illetve az ’Ecoshare App’ révén kínált megoldásokkal részben meg tudjuk valósítani a körzetünk digitalizációjára vonatkozó fejlesztési koncepciónk bizonyos elemeit és az ehhez kapcsolódó stratégiát. Különösen a ’Lokalhelfer App’ lesz majd hasznos az önkéntes munka és helyi segítőmunka színvonalának emelésében – amik már a koronavírus-járvány kitörése előtt is kiválóan működtek számos helyi közösségben –, emellett pedig még hatékonyabban kapcsolja össze a rászorulókat azokkal az emberekkel, akik segítséget kínálnak". – mutat rá Dr. Joachim Streit, Eifelkreis Bitburg – Prüm régiós képviselője.

Amikor a gép megtanulja a könyvelést: Neurális hálózatok a pénzügyi tranzakciókban A modern világ egyik legnagyobb paradoxona, hogy miközben folyamatosan tör előre a mesterséges intelligencia, addig a legtöbb cég könyvelési osztályán még mindig emberek ülnek számológépekkel és papírhalmazokkal. De mi lenne, ha ezt meg lehetne változtatni? Mi lenne, ha a gépek megtanulhatnák azt, amit egy tapasztalt könyvelő évek alatt sajátít el? A kezdetek: Amikor az agy ihlet a gépekhez Az ötlet nem új. Már 1838-ban Matthias Schleiden felfedezte az agyban található „sejt szerű" struktúrákat, és azóta foglalkoztatja a tudósokat a gondolat: mi lenne, ha lemásolhatnánk az emberi agy működését? A XX. század második felében ez az elképzelés hirtelen realitássá vált, amikor a kutatók elkezdték építeni az első mesterséges neurális hálózatokat. Egy mesterséges neuron tulajdonképpen egyszerűbb, mint gondolnánk. Olyan, mint egy kis számológép: megkapja a bemenő jeleket, megszorozza őket különböző súlyokkal, összeadja az eredményeket, majd egy aktivációs függvény segítségével eldönti, hogy mit küldjön tovább. A varázslat akkor kezdődik, amikor több ezer ilyen neuronelemmel építünk hálózatot. Y = f(∑WᵢXᵢ + b) Ez a képlet nem tűnik túl bonyolultnak, de amikor több rétegben, több ezer neuronnal alkalmazzuk, képes olyan dolgokra, amin még a tapasztalt szakemberek is meglepődnek. A könyvelés rejtett kihívásai Példaként vegyünk egy húsz éve nagyvállalatnál dolgozó könyvelőt. Minden nap száz számla érkezik az asztalára, és neki meg kell határoznia, hogy melyik hibás, melyik gyanús, és mindegyikhez meg kell találnia a megfelelő főkönyvi számlát. Feltételezhetjük, hogy egy ilyen rutinos munkatárs nem csak az összeget figyeli, hanem intuitív módon észreveszi, ha egy számla nem szokványos a sok éves tapasztalata alapján. Pontosan ez az a fajta tapasztalat, amit a neurális hálózatok képesek elsajátítani. De hogyan? Az adatok beszélni kezdenek A mesterséges intelligencia számára minden szöveg. Az "Irodaszerek Kft." partner név, a "Tűzőgép és gemkapcsok" tétel megnevezés, a 45.000 Ft összeg - ezek mind csak karakterek egy számítógép számára. A trükk az, hogy ezeket a karaktereket valahogy számokká kell alakítani, olyan formában, amit a neurális hálózat meg tud érteni. Itt jönnek képbe a szóvektorterek. Minden szónak van egy pontja egy sokdimenziós térben. A hasonló jelentésű szavak közel kerülnek egymáshoz, a különbözők meg távol. Olyan ez, mint egy óriási térképen elhelyezni a fogalmakat. A legizgalmasabb része az, hogy ezek a vektorok még matematikai műveleteket is értelmeznek. Ha a "király" szóból kivonjuk a "férfi" jelleget és hozzáadjuk a "nő" jelleget, akkor a "királynő" szóhoz közeli eredményt kapunk. Varázslatos, nem? A tanulás nehéz útjai De térjünk vissza a könyveléshez. A neurális hálózat tanítása olyan, mint egy gyakornok betanítása, csak sokkal türelmesebben kell eljárni. Eléjük tesszük ezrével a példákat: "Ez a számla rendben van", "Ez gyanús", "Ezt erre a főkönyvi számlára kell könyvelni". A hálózat eleinte teljesen véletlenszerű válaszokat ad. Mintha egy kisgyerek próbálna könyvelni - minden rossz. De aztán lassan, iterációról iterációra, egy backpropagation nevű algoritmus segítségével finomítja a belső súlyait. Olyan, mintha valaki folyamatosan javítaná a tanuló hibáit, és ő megjegyezné a tanulságokat. A folyamat időnként frusztráló lehet. Vannak esetek, amikor a hálózat túl jól "megtanulja" a tanítási anyagot - ezt hívjuk túltanulásnak. Olyankor képes hibátlanul visszaadni azokat a példákat, amiket látt, de ha új adatokkal találkozik, teljesen elveszett. A valóság próbája A projekt során négy konkrét feladatot próbáltunk közösen megoldani: Szokványosság ellenőrzése: A rendszernek meg kellett tanulnia felismerni, hogy egy számla "normális"-e. Ez nem csak az összeget jelenti - egy 50 millió forintos számla lehet teljesen normális, ha repülőgép-alkatrészről szól, de gyanús, ha ceruzákról. Befogadhatóság vizsgálata: Van-e valami furcsa az összegben? Itt nem arról van szó, hogy túl nagy vagy túl kicsi, hanem arról, hogy az összeg és a tétel megnevezése összepasszol-e. Fizetési határidő ellenőrzése: A különböző szállítóknak különböző fizetési feltételeik vannak. A rendszernek meg kellett tanulnia, hogy mi a szokásos egy-egy partner esetében. Főkönyvi számla meghatározása: Ez a legkomplexebb feladat. A rendszernek meg kellett értenie, hogy például a "fénymásoló papír" az 521-es számlára tartozik, míg a "könyvelői díj" a 862-esre. Java a Python világában A legtöbb mesterséges intelligencia projektben Pythont használnak - ez a kutatók kedvenc eszköze. De a nagyvállalati környezet más. Itt Java uralkodik, verziókezeléssel, automatikus teszteléssel, mikroszolgáltatásokkal. Ezért választottuk a DeepLearning4J keretrendszert. Ez szinte az egyetlen komoly Java-alapú neurális hálózat könyvtár, ami képes megbirkózni a nagyvállalati követelményekkel. Támogatja a grafikus processzorok használatát a gyorsítás érdekében, és szétosztható több szerver között is. A fekete doboz problémája A könyvelő, ha rossz döntést hoz, mindig meg tudja magyarázni, miért. "Ez a számla azért gyanús, mert a szállító új, az összeg szokatlanul nagy, és a teljesítés helye külföld." A neurális hálózat ezzel szemben csupán egy eredményt ad: "93%-os valószínűséggel gyanús". De hogy miért? Arról fogalma sincs. Ez a "fekete doboz" probléma az egyik legnagyobb kihívása a mesterséges intelligencia üzleti alkalmazásának. Képzeljük el, hogy a könyvelő főnök megkérdezi: "Miért utasította el a rendszer a múlt heti számlát?" És a válasz ez: "Mert a neurális hálózat 47 millió paraméterének valamilyen kombinációja ezt eredményezte." Nem túl megnyugtató, ugye? Számok, amelyek számítanak A rendszer teljesítményét többféle módon lehet mérni. A pontosság természetesen fontos - hány százalékban dönt jól. De ennél árnyaltabb mérőszámokra is szükség van. Van a precizitás - a rendszer által pozitívnak ítélt esetek közül hány volt valóban pozitív. És a szenzitivitás - az összes pozitív esetből hányat talált meg a rendszer. Egy spam szűrőnél például fontos, hogy ne minősítsen sok normál levelet spamnek (precizitás), de ugyanakkor ne hagyjon át túl sok spamot sem (szenzitivitás). Az F1 pontszám ezek harmonikus átlaga - egy egyszerű szám, ami jól összefoglalja a rendszer teljesítményét: F1 = 2 * (precizitás * szenzitivitás) / (precizitás + szenzitivitás) A természetes nyelv kihívásai Az egyik legérdekesebb része a projektnek a természetes nyelvi feldolgozás volt. Hogyan értheti meg egy gép, hogy a "tűzőgép" és a "gemkapocs" hasonló dolgok? Vagy hogy a "számítógép javítás" és a "laptop szerviz" tulajdonképpen ugyanarra vonatkozik? A megoldás a szóvektorterekben rejlik. A gép elolvas hatalmas mennyiségű szöveget, és megtanulja, hogy mely szavak szerepelnek hasonló kontextusban. Ha a "tűzőgép" és a "gemkapocs" gyakran ugyanazokkal a szavakkal szerepel együtt ("irodaszer", "beszerzés", "íróasztal"), akkor a rendszer rájön, hogy ezek hasonló kategóriába tartoznak. A gyakorlati eredmények A kifejlesztett rendszer végül képessé vált: Meghatározni a számlák szokványosságát Automatikusan javasolni főkönyvi számlákat új számlákhoz Felismerni a szokatlan mintázatokat, amelyek emberi figyelmet igényelnek Integrálódni a meglévő ERP rendszerbe anélkül, hogy az jelentősen átírásra szorulna Az emberi tényező Fontos hangsúlyozni: a projekt célja nem az emberi könyvelők helyettesítése. A rendszer inkább egy intelligens asszisztensként működik, ami elvégzi a rutinfeladatokat, és csak a valóban problémás eseteket juttatja el az emberi szakértőkhez. A neurális hálózatok alkalmazása a könyvelésben még csak a kezdeteket jelenti. A következő kihívás, hogy a rendszerek "elmagyarázhassák" a döntéseiket, hogy még jobban integrálódjanak az emberi munkafolyamatokba. A következő lépés talán az lesz, hogy a rendszer nemcsak a hibákat ismeri fel, hanem javaslatokat is tesz a javításukra. Vagy esetleg megtanulja előre jelezni, mely szállítóknál várhatók problémák a fizetési fegyelemmel. Tanulságok Mi a tanulság ebből az egészből? Talán az, hogy a mesterséges intelligencia nem feltétlenül az emberi munkát váltja fel, hanem kibővíti azt. A neurális hálózatok képesek olyan mintázatokat felismerni, amiket ember nehezen vesz észre, de az emberi intuíció és tapasztalat továbbra is pótolhatatlan. A könyvelés világában ez azt jelenti, hogy a jövőben talán kevesebb időt töltünk majd rutinfeladatokkal, és több energiát fordíthatunk a stratégiai döntésekre, a tanácsadásra, az üzleti folyamatok optimalizálására. És talán ez a jövő: nem ember kontra gép, hanem ember és gép együtt, kiegészítve egymást abban, amiben mindegyik a legjobb. DLM Consulting Kft és Óbudai Egyetem Neuamnn János Informatikai Kar  

A Fertő tóra kimondottan jellemző, hogy ingadozik a vízszintje, így normális körülmények között tavasszal magasabb, nyáron süllyed. Most viszont már májusban olyan alacsony volt a vízszint, hogy prolémát okoz a vitorlásoknak. Fotó: ferto-to.hu A tó visszahúzódását a csapadékhiány okozza, ez a komoly vízhiány az elmúlt hetek, hónapok aszályos időjárásának köszönhetően alakult ki. Az átlaghoz képest hiányzó 30 centimétert megérzik a vitorlás-, csónaktulajdonosok is. Sok partközeli kikötő nem használható, az iszapban ragadnának a hajók. Sok hajótulajdonos egyelőre nem is engedte vízre hajóját. „A legjobb években 178 cm volt a vízállás, ezen a hétvégén csak 128 cm volt“, figyelte meg sok hobby-vitorlázó Védenynél/Weiden am See - írja az orf.at