Mesterséges intelligenciát is használ a mentőszolgálat
A mentőszolgálat számára mesterséges intelligencia segítségével készítenek négyhetes előrejelzést a betegszállítási kapacitás optimalizálására; később az életmentő feladatokra is lesz előrejelzés.
Új távlatokat nyit a hazai mentésszervezésben a Dyntell Magyarország és az Országos Mentőszolgálat (OMSZ) közös projektje, amely öntanuló mesterséges intelligencia alkalmazásával egyre pontosabb előrejelzést nyújt a mentőkapacitásra vonatkozó igényekre – hangzott el az OMSZ és a Dyntell ma megtartott közös sajtótájékoztatóján. A Dyntell komplex adatelemző rendszere a betegszállítási feladatokat négy hétre előre jelzi, várhatóan a július végén debütáló továbbfejlesztett verzió pedig már az életmentési feladatokra is havi és heti előrejelzéseket készít az ország összes mentőállomására. Az európai szinten is jegyzett, debreceni családi tulajdonú vállalat 21. századi fejlesztését első ízben használják előrejelzésre az üzleti szférán kívül.
A kapacitásoptimalizálás, illetve a hatékonyabb életmentés biztosítása a feladata annak az MI-alapú technológiának, amelyik a Dyntell Magyarország ésaz Országos Mentőszolgálat közös projektje. A nemzetközi kitekintésben is úttörőnek számító modell lényege, hogy a kifejlesztett üzletiintelligencia-megoldás (BI) a beépített mesterséges intelligencia (MI) segítségével a rendelkezésre álló múltbeli adatok, valamint külső adatok alapján előrejelzést ad arról, hogy adott időszakokban, hogyan alakul majd a mentőautókra vonatkozó igény.
Az Országos Mentőszolgálatnál is egyre nagyobb teret nyer a digitalizáció, a mentésirányítás fejlesztésében fontos szerep juthat a mesterséges intelligenciának – mondta el dr. Csató Gábor, az Országos Mentőszolgálat főigazgatója. – A Dyntell-lel közös munka már eddig is hasznunkra volt, hiszen megoldásuk előre jelzi a betegszállítási igényeket, amelyeket a napi kapacitástervezésnél tudunk felhasználni. Az előttünk álló fejlesztés célja, hogy az erőforrásokat, azaz a mentőegységeket a lehető leggyorsabban a helyszínre küldjük, illetve felkészüljünk arra, hogy mikor, hol és milyen esemény várható.
A már élesben alkalmazott predikciós modul egyik feladata a mentőkapacitás optimalizálása a betegszállítások során. Ehhez a Dyntell jelenleg 4 hetes előrejelzést biztosít. Az előrejelzések haszna társadalmi szinten is jelentős: a mentők felkészülten tudják tervezni az időről időre megnövekedő kapacitásigényeket.
„A jelenleg rendelkezésre álló adatok a betegszállítási igényeket jelzik előre, amelyeket a napi kapacitás tervezésénél tudunk felhasználni. Ennek megfelelően például minden hétfőn és pénteken megerősített szolgálatszervezés történik Budapesten” – említett példát is a főigazgató.
Felkészülni a váratlanra
A mesterségesintelligencia-alapú fejlesztés és az adatgyűjtés elsődleges célja, hogy a prediktív rendszer az életmentés területén is képes legyen előre jeleznia kapacitásigények változását. A folyamat összetett, hiszen számos külső és belső, függő és független változót kell modellezni, amelyekhez segítséget ad, hogy a jövőben a BKK-tól kapott adatokat is bevonják az elemzésbe. Több hónapos előkészítés után, július végétől a Dyntell már nemcsak a betegszállításra, hanem az életmentő feladatokra is küld havi és heti előrejelzéseket.
„Az előrejelző értesítéseket e-mailben küldjük az ország összes mentőállomására, így a Mentőszolgálat hatékonyabban tudja megtervezni a járművek és a mentők rendelkezésre állását – hangsúlyozta Salga Péter, a Dyntell Magyarország Kft. ügyvezető igazgatója. – Cégünk számára szakmai kihívás és büszkén vállalt küldetés, hogy a – vállalkozások esetén a nyereség maximalizálására használt – mesterséges intelligenciát itt az emberéletek megmentésére tudjuk használni.Ha naponta csak egy mentőautót tudunk szabaddá tenni az algoritmusainkkal, akkor már biztosan életeket mentünk.”
Csató Gábor történelmi pillanatnak nevezte, hogy a Dyntell prediktív elemzéseit az ország minden mentőállomásán fel tudják használni a feladatok tervezéséhez.
„Olyan valós időben folyamatosan futó programot szeretnénk létrehozni, amely a napi mentésirányítási folyamatban segíti a mentésvezetőket. Például már előre jelzi, hogy péntek délután a Blaha Lujza téren 85 százalékos valószínűséggel várható P1 prioritású feladat. Így már akkor a közelben lehetünk, amikor még be sem következett a baj. Az eddigi tapasztalataink nagyon kedvezők. A Mentőszolgálat Covid-járvány alatti működése azért is lehetett sikeres, mert megpróbáltuk tervezni a tervezhetetlent.”
A Dyntell díjmentesen – pro bono – biztosítja a teljes előrejelző rendszert az OMSZ-nak, illetve a Mentőszolgálat igényei alapján folyamatosan fejleszti és testre szabja azt. Az Országos Mentőszolgálat biztosítja a Dyntell számára az előrejelzésekhez elengedhetetlen adatokat, amelyeket jelenleg is egy strukturált adattárházban tárolnak. Az OMSZ saját üzleti intelligencia (BI) programjait napi szinten, szükség esetén valós időben használja, elemzi.
Mindenre figyelnek
Salga Péter kiemelte: az előzetes kutatómunka során fedezték fel, hogy a mentési feladatok határozott időbeli és térbeli belső mintázattal, valamint szezonalitással rendelkeznek, azaz a múltbeli adatok alapján a jövőbeli feladatokat bizonyos fokig előre lehet jelezni. Felkutatták azokat az adatsorokat, amelyek összefüggésben vannak az esetszámok alakulásával, vagyis az MI-algoritmusok az előrejelzések készítésénél nemcsak az időjárás-előrejelzést, a forgalmi adatokat veszik figyelembe, hanem a bolygók és a Hold állását is.
A Dyntell Deep Prediction rendszere több különböző mesterséges intelligencia algoritmust használ az adatok elemzésére. Az algoritmusok „megvitatják” a kapott értékeket, és konszenzus esetén a lehető legjobb előrejelzést adják a felhasználóknak. Emellett a Dyntell a publikusan elérhető adatbázisokból óriási, valós idejű adathalmazt épít (TimeNet.cloud), ahol az egyes adatok közötti korrelációt vizsgálja. A korreláló idősorok nagyban segítik a predikciók hatékonyságát, még pontosabb előrejelzések készítését teszik lehetővé.
A Dyntell által fejlesztett MI-technológia évek óta jól működik az ipari feladatoknál, ahol az emberi viselkedés, valamint a megrendelések és egyéb üzleti adatok előrejelzésére is használják. A hamarosan szükségessé váló megelőző karbantartások előrejelzése komoly segítséget jelent például a gépek üzemeltetésénél, hiszen radikálisan csökkenti az állásidőt. A romlandó élelmiszerek értékesítésének tervezését segítő algoritmus pedig – amelyet már az Egyesült Államokban is használnak – akár 90 százalék feletti pontossággal segít meghatározni az üzletek polcaira kerülő élelmiszer optimális mennyiségét, jelentősen csökkentve a visszáruzásra vagy kidobásra ítélt étel arányát.
