A Joint Venture Szövetség (JVSZ) által rendezett Innovációra Magyar! konferencián számolt be a KPMG Magyarország egyik munkatársa egy olyan kísérletről, amelyben gépi tanulási modellt építettek vállalati dokumentumok előzetes ellenőrzésére a megfelelőség (compliance) vizsgálatához. Az előadást Ignácz Péter, a KPMG menedzsere tartotta.
Mire épült a megoldás és mi volt a cél?
A projekt célja egy olyan rendszer megalkotása volt, amely előszűri a beérkező vállalati anyagokat, összehasonlítva azokat a vonatkozó üzleti szabályzatokkal annak megállapítására, hogy szükség van-e részletesebb emberi ellenőrzésre. A kísérlet során nagy nyelvi modellek képességeit is szem előtt tartották — az előadás példaként említette az OpenAI GPT4‑et és a Meta Llama3‑at —, de maga a megközelítés gépi tanulási folyamatra épült.
A fejlesztés mindössze néhány hetet vett igénybe.
Eredmények és teljesítmény
A rendszer az értékelések szerint körülbelül 80–85% körüli hatékonyságot ért el, az eltérés elsősorban a feldolgozott dokumentumok minőségétől függött. Bár az első vázlatok minősége elmaradt a szakértők által készített referenciaértéktől, a modell válaszai percek alatt elkészültek, miközben korábban napokba telt a dokumentumok kézi átnézése és értékelése. Ennek köszönhetően az emberi szakemberek a fennmaradó időt a nagyobb figyelmet és alaposabb elemzést igénylő esetekre fordíthatták.
Ignácz Péter hangsúlyozta: a gépi tanulás nem helyettesíti a szakértői munkát, hanem kiegészíti azt, jobb kiindulási pontot biztosítva a további vizsgálathoz.
Milyen feladatok bizonyultak nehéznek?
A legnehezebb rész a megfelelési kérdések megfelelő generálása volt: azt megfogalmazni, hogy pontosan milyen szabályozási vagy üzleti kérdéseket kell ellenőrizni a dokumentumokban. Ugyanakkor világossá vált, hogy jól definiált üzleti problémák mellett a gépi tanulás hatékonyabb eszköz a feladat elvégzésére.
Kockázatok és tanulságok a gépi tanulási projekteknél
A KPMG munkatársa a kísérlet kapcsán három fő problémaforrást említett, amelyek a gépi tanulási projektekben gyakran nehezítik az előrehaladást:
- adatminőség miatti nehézségek;
- tisztázatlan, vagy nem elég pontos üzleti igények;
- a megrendelő üzleti oldal és a fejlesztők közötti együttműködés hiányosságai.
Ezek a tényezők befolyásolják a modell teljesítményét és a projekt eredményességét, ezért a KPMG tapasztalata szerint ezekre különös figyelmet kell fordítani a bevezetés és a skálázás során.
A konferencia kontextusa
Az Innovációra Magyar! esemény nem pusztán egy konferencia volt a hazai innovációs térképen: a rendezvényen közel 120 érdeklődő vett részt, köztük nagyvállalatok vezetői, kormányzati szakpolitikai szakértők és startupok alapítói. A program célja a legfrissebb trendek bemutatása és a szereplők összekapcsolása volt. Ignácz előadása bemutatta, hogy az AI már ma is képes bizonyos információfeldolgozási feladatok gyorsítására, és hogy a vállalatok számára milyen gyakorlati előnyöket hozhatnak az LLM‑ek és más AI‑eszközök a mindennapi munkában.
Összegzés
A KPMG kísérlete azt mutatja, hogy a gépi tanulás gyors, 80–85% körüli hatékonyságú előszűrést képes biztosítani compliance‑dokumentumok esetén, és jelentősen csökkenti a feldolgozási időt. Ugyanakkor a megoldás kiegészíti, nem helyettesíti a szakértői ellenőrzést, és a siker érdekében gondos adatkezelésre, pontos üzleti feladatdefinícióra és szoros együttműködésre van szükség a projekt szereplői között.
