Válasszon nyelvet
Fejlesztési és Projekt Igazgatóság
Mesterséges intelligencia vezérelt, emberközpontú, adaptív folyamatok a digitális követeléskezelésben (2024-1.1.1-KKV_FÓKUSZ-2024-00033)
Projekt azonosítószáma: 2024-1.1.1-KKV_FÓKUSZ-2024-00033
Projekt magyar címe: Mesterséges intelligencia vezérelt, emberközpontú, adaptív folyamatok a digitális követeléskezelésben
Projekt angol címe: Artificial intelligence driven, human-centric, adaptive, processes in digital claims management
Pályázati Kiírás: Pályázat a KKV Fókuszterületi Innovációs Program megnevezésű pályázati keretében (kódszám: 2024-1.1.1-KKV_FÓKUSZ)
Alprogram: „B” alprogram: A vállalkozások és kutató-tudásközvetítő szervezetek konzorciumban megvalósított KFI projektjeinek támogatása. Nagy jelentőségű és összetett kutatás-fejlesztési és innovációs feladatok megoldásának támogatása a szakterület szakmailag kiemelkedő szereplőinek részvételével. A támogatással létrejövő eredmények a gazdaságban és a társadalmi élet egyéb területein hasznosulva, létező, fontos problémák megoldásához járulnak hozzá az erőforrások, ráfordítások ésszerű fókuszálásával, jelentős gazdasági, társadalmi hasznot biztosítva.
Projekt leírása: A Kulturális és Innovációs Minisztérium 2024. 12. 10. napján hozott támogatói döntése alapján a LOXON SOLUTIONS Kereskedelmi és Szolgáltató Zrt. (https://www.loxon.eu/ ) valamint a Pannon Egyetem konzorciuma 732 351 161 Ft vissza nem térítendő támogatást nyert el a Nemzeti Kutatási, Fejlesztési és Innovációs Alapból. A Pannon Egyetem részére megítélt támogatás 171 858 875 Ft.
A követeléskezelés/behajtás során is lehet ügyfélközpontúan, az ügyfél érdekét, sajátosságait figyelembe véve eljárni, azonban a jelenleg rendelkezésre álló eszközök nem támogatják ezt a megközelítést. A behajtási folyamat a hitelezés egy kevéssé kedvelt része, hiszen szemben a hitelfelvétellel, a behajtás során a hitelezőnek és a hitelfelvevőnek, egy mindkét fél számára kellemetlenséget okozó helyzetben kell együttműködnie. A behajtási folyamat első felében a késedelmes összegek beszedésén túl cél az adós helyzetének feltérképezése, annak megértése, hogy a késedelem mögött figyelmetlenség, pillanatnyi vagy, komoly, szerkezeti fizetési nehézség, vagy a fizetési szándék megváltozása áll. A projekt célja egy olyan gépi tanulási metódusokra épülő, a szuperszámítástechnika képességeinek kiaknázására felkészített, adatvezérelt behajtási modul kialakítása, amely a Loxon Solutions Zrt. által fejlesztett felhő alapú behajtási rendszert kiegészíti azokkal a képességekkel, amelyek lehetővé teszik, hogy a hitelező úgy kezelje a behajtás alá kerülő ügyfeleket, hogy az a hatékonyság növelése mellett ügyfélelégedettség növeléssel is jár. A megoldás célja a behajtási rendszerekre jellemző szakértői döntési modellek adatalapú modellekkel történő cseréje, továbbá az ügyfél- és ügylet szegmens szintű döntések egyedi ügyfél illetve ügylet fókuszú döntésekkel történő kiváltása azért, hogy az egyedi sajátosságok figyelembe vételén, és az adat alapú döntéseken keresztül úgy növeljük a behajtás hatékonyságát, hogy ez az ügyfelek számára támogató, a valós problémáikat megoldó, szolgáltató behajtással jár együtt. A megoldásunk pillérei: Hiperperszonalizáció. A tradicionális és ma is elterjedt megoldás az ügyfelek felé irányuló üzenetekre a szegmentáció alapú “testbeszabás”. Ezzel ellentétben a hiperperszonalizáció azt jelenti, hogy magát a szolgáltatást a konkrét egyedi ügyfélre szabjuk. A hiperperszonalizáció azonban sokkal több, mint a korábbi szegmentációs technikák egyéni ügyfél szintre történő adaptálása vagy új, több feltétel figyelembevétele, hiszen a teljes folyamatot az ügyfél kontextushoz igazítjuk hozzá. Intelligens Automatizáció (IA) A behajtási folyamat kapcsolatfelvétele sokszor élőmunka igényes, ezért a projektben implementálásra kerül egy olyan gépi tanulás alapú feldolgozó intelligencia, amely különböző NLP (natural language processing) eszközök segítségével, mint Named Entity Recognition, Content Extraction etc. képes jelentősen csökkenteni a folyamat élőmunka igényét s ezzel az ügyfélre hárított költségét. Kollaboratív tanuló funkció A harmadik pillér képes az adatokból történő célzott “gépi tanulásra” és becslések végrehajtására, ezen keresztül az előző két funkció “vezérlésére” is. Eddig számos probléma nehezítette azt, hogy az adatokban rejlő információ valóban hasznosulni is tudjon: a személyes adatokhoz való hozzáférést a világ számos országában szigorú jogszabályi előírások szabályozzák, amelyek különösen a banki világban szigorúak a második probléma az adatmennyiség mozgatása. A jogi, etikai és adatbiztonsági problémákon túl ez sok esetben technikai nehézségekkel jár és költséges is. A “kollaboratív tanuló funkció” mindkét problémára választ ad. Technológiai szempontból ún. “Federated Learning” megoldással tervezzük tanítani a modelleket. A modellek egy-egy példánya a végpontokon, vagyis az ügyfeleinknél, az ő saját behajtási rendszerük infrastruktúráján fut, így nincs szükség az adatok mozgatására. Ezután a tanulás eredménye feltöltésre kerül a központi, Loxon által üzemeltetett területre, az ott futó központi algoritmushoz. Ez összegzi a parciális modellek eredményeit, majd ezzel az összegzett eredménnyel végül frissítésre kerül a központi modell paraméter halmaza is, mely aztán visszatöltésre kerül a végpontokon futó modellekhez is. A modellezési feladatok anonimizált adatokkal a számítási kapacitási igényekhez igazodóan alkalmasak szuperszámítógépes futtatására is.
A Projekt a Kulturális és Innovációs Minisztérium Nemzeti Kutatási, Fejlesztési és Innovációs Alapból nyújtott támogatásával, a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal által kibocsátott támogatói okirat alapján valósul meg.
Projekt megvalósítási időszaka: 2024.12.01. – 2026.11.30.
A Pannon Egyetem által elnyert támogatás összege: 171 858 875 Ft
Szakmai vezető: Dr. Fogarassyné Dr. Vathy Ágnes
Szakmai vezető e-mail címe:
Projektmenedzser: Surányi Ildikó
Projektmenedzser e-mail címe: