Idősoros anomáliák szöveges összefoglalása

Manapság egy cégnél rengeteg különböző dashboarddal találkozhatunk. Ezeknek az alapos ismerete, és napi szintű manuális vizsgálata időigényes, valamint komoly tudást igényel az, hogy a különböző dashboardok között megtaláljuk a kiugró eseteket, és értelmezzük ezeknek az okait és hátterét.

Ezért létrehoztunk egy olyan gépi tanulásos általános megoldást, amiben idősoros adatokon vizsgáljuk az anomáliák előfordulását és az anomáliák főbb részleteit szövegesen összefoglaljuk NLG algoritmusokkal. Ezzel a módszerrel csak a valóban releváns információk jutnak el a felhasználókhoz.

Az előadásban összefoglaljuk a főbb lépéseket és nehézségeket, amikkel a projekt során találkoztunk.

Zempléni Balázs
Data Scientist, Starschema

Mérnökinformatikusként végzett a PPKE-n, majd az angliai Cranfieldi egyetemen tanult tovább, ahol digitális kép és jelfeldolgozásra specializálódott. Ezt követően különböző bankoknál merült el az adatbázisok világában. Jelenleg Data Scientist a Starschemánál, ahol főleg computer vision és NLP projekteken dolgozik.

Kovács Bálint
Data Scientist, Starschema

Data Scientist, szoftverfejlesztői háttérrel. Az ELTE proginf után a stockholmi KTH-n ismerkedett meg a gépi tanulás alapjaival, majd főként gépi látás területén alkalmazta a megszerzett tudást. Jelenleg idősoros projektekkel foglalkozik a Starschemánál.