Miközben az autóiparban az önvezető járművek, az elektromobilitás és az új üzleti modellek kapják a legnagyobb figyelmet, kevesebb szó esik arról, hogy a mesterséges intelligencia (MI) miként alakítja át a háttérben működő pénzügyi, adminisztratív és kontrolling folyamatokat. A neurális hálókra épülő megoldások ma már nemcsak a gyártósorokon, hanem a könyvelésben, a számlakezelésben, a szervizelszámolásban és a kockázatmenedzsmentben is megjelentek. A technológia alapja egyszerű, mégis rendkívül hatékony: a múltbeli adatok mintázataiból tanul, és ezek alapján képes javaslatokat tenni új helyzetekre is.



A mesterséges neurális háló az emberi agy működésének számítógépes modellje. Alapja az úgynevezett mesterséges neuron, amely bemeneti adatokat (számokat) fogad, azokat súlyozottan összegzi, majd egy aktivációs függvény segítségével eldönti, milyen kimenetet adjon. Egyetlen neuron önmagában kevés, de ha sokat hálózatba szervezünk, ezek képesek komplex problémák mintázatait felismerni. A háló rétegekből épül fel: bemeneti réteg az adatokat fogadja, rejtett rétegek az információ feldolgozását végzik, kimeneti réteg az eredményt szolgáltatja. A tanítás során a rendszer megtanulja, milyen bemeneti adatokhoz milyen kimenetek társulnak. Képes általánosítani, azaz olyan esetekre is helyes választ adni, amelyekkel korábban nem találkozott.



Az autókereskedelmi és szervizvállalatok pénzügyi és adminisztratív területein a neurális hálók alkalmazása számos kézzelfogható előnyt hozhat. Ezek a rendszerek kiegészítik a meglévő ERP, DMS vagy könyvelési rendszereket ott, ahol az emberi munkaidő, az ismétlődő feladatok, vagy a kockázatok csökkentése a cél. A rendszer tanul az eddigi számlákból, és képes előminősíteni, hogy egy számla „szokványos” vagy szokatlan, javasolni a költséghelyet, főkönyvi számlát, értékelni a fizetési határidő helyességét, becsülni az elfogadhatóság valószínűségét. Egy szerviz, amely naponta több tucat garanciális ügyet és biztosítói számlát kezel, sok időt spórolhat az MI-vel: kiszűri a nagy valószínűséggel vitás eseteket, előrejelzi, mely biztosítók hajlamosak elutasítani bizonyos típusú igényeket, javaslatot tesz alternatív elszámolási megoldásokra.



A neurális háló működéséhez három adathalmaz szükséges: tanító adatok, teszt adatok, validációs adatok. A tanítás erőforrásigényes (szerver, GPU), de a működtetés már minimális kapacitással is megoldható. Megbízható eredményekhez nagyszámú, jól strukturált, releváns adat kell. Hiányos vagy torz adatok félrevezethetik a hálót. Ha a rendszer túl pontosan „megtanulja” a múltat, az új, eddig nem látott esetekben hibázhat. Ezért fontos az adatok szétosztása tanító, teszt és validációs halmazokra. Az MI nem tud magyarázatot adni döntéseire. Csak azt mondja meg, hogy szerinte egy számla 98%-ban elfogadható vagy sem, de nem tudja elmagyarázni miért.



A neurális hálók a pénzügyi adminisztrációban már bizonyítottak. A számlakezelés, könyvelési előkészítés, biztosítói és garanciális viták kezelése olyan területek, ahol az ismétlődő adatok és döntések miatt kiválóan alkalmazhatók. Az autókereskedelmi és szerviz szektor számára az MI nemcsak költségcsökkentést, hanem kockázatminimalizálást és versenyelőnyt is kínál. Aki időben lép, hamarosan a piaci sztenderdek előtt járhat.

 

DLM Consulting Kft.