A Menedzsment és Controlling Egyesület (MCE) Központi Munkacsoport tagjai április elsején a mesterséges intelligencia alkalmazása témában tartottak szakmai-tudományos napot az IFUA Horváth & Partners Kft. új székhelyén. A workshop szervezője és moderátora Dr. Bán Erika főiskolai docens, az MCE elnökségi tagja, volt.
Az eseményen Killik László (MGI-BPO partner, könyvvizsgáló, könyvszakértő, BGE PSZK Számviteli Tanszék egyetemi óraadó), Dr. Kovács Endre (BGE PSZK Gazdaságinformatika Tanszék, főiskolai docens, üzleti adatelemző specializáció felelős), Erdélyi Katalin (BGE PSZK Gazdaságinformatika Tanszék, tanársegéd) segítette az esetek feldolgozását.
A mesterséges intelligencia többféle módszerrel, például adatbányászat, tanulás alapú algoritmusok, prediktív modellezés, szabály alapú rendszerek és neurális hálózatok segítségével használható a pénzügyi kockázatok azonosításában és elemzésében. A mesterséges intelligencia által képzett eredményekhez azonban mindig szakemberek ellenőrzése és értékelése szükséges. Killik László bemutatta az előadás témáját és célját, valamint a pénzügyi kockázatok fontosságát. Ebben az részben említésre kerültek a legfontosabb kockázati tényezők és a kockázatkezelés jelentősége, a mesterséges intelligencia alapjai, beleértve a gépi tanulás, a természetes nyelvfeldolgozás és a képfeldolgozás alapjai. Itt érdemes említeni a különböző algoritmusokat, amelyeket a pénzügyi kockázatok elemzésére lehet alkalmazni. Bemutatásra került, hogy hogyan lehet adatokat gyűjteni és előkészíteni a mesterséges intelligencia algoritmusok számára. Szó esett a különböző adatbázisokról, API-król és adatforrásokról, valamint az adatok tisztításának és normalizálásának fontosságáról. Killik László bemutatta, hogy hogyan lehet alkalmazni a különböző mesterséges intelligencia algoritmusokat a pénzügyi kockázatok elemzésére. Itt kerültek bemutatásra a döntési fák, a klaszterezés, a sztochasztikus modellezés, a neurális hálózatok és a deep learning.
A felügyelt tanulás lehetővé teszi a mesterséges intelligencia algoritmusoknak a korábbi adatokon való tanulást. Itt kerültek említésre a különböző felügyelt tanulási technikák, például a klaszterezés, a döntési fák és a regressziós modellezés.
A felügyelet nélküli tanulás pedig lehetővé teszi az algoritmusoknak a minták megtalálását a korábbi adatokban anélkül, hogy az adatok címkézve lennének. Ide tartozik a klaszterezés és az asszociációs szabályok.
Dr. Kovács Endre egy webáruház számára kidolgozott árazórendszer bemutatására vállalkozott a jelenlévők nagy érdeklődésére, a résztvevők között voltak webáruházat üzemeltetők is. A rendszer újszerűsége, hogy gépi tanuló algoritmusok állítják elő az árakat. Az eredmények kiértékelése BI és adatvizualizációs eszközökkel történik.
Erdélyi Katalin gépi tanuló algoritmussal a magyar igazságügyi könyvszakértői vélemények bírósági befogadását kutatja. A kutatás általános célja kinyerni a magyar bíróságok által hozott ítéletekből az elfogadott/elutasított szakvélemények arányát, a jogalkalmazók szakértők munkájával kapcsolatos nézeteit, feltárni az elutasított szakértői vélemények okait.
