Hírek
A nemzeti adatvagyon nyilvántartások és a hozzá kapcsolódó szakrendszerek biztonságos működtetéséhez szükséges architektúrális elemek elkészítése, integrálása
A széles sávú internet megjelenése és bárkinek hozzáférhetőnek számító ARM architektúrát használó eszközök (mobil készülékek, tabletek stb.) elterjedése, az IoT közeliség, lehetővé tette az állampolgárok széles körű hozzáférését az online térhez. Ezek a változások nagy mértékben hatottak a közigazgatásra is, a papír alapú ügyintézés egyre inkább háttérbe szorul, teret nyer az e-közigazgatás. Az e-közigazgatás növekedésével az informatikai rendszerek, mint számosságban, mint szolgáltatásban exponenciális mértékben növekedtek és most is folyamatosan változnak fejlődnek.
Ahhoz, hogy biztosítani tudjuk ezen rendszerek működését elengedhetetlen a Mesterséges Intelligencia (MI) használata az e-közigazgatásban, amelynek célja szolgáltatások rendelkezésre állásának a maximalizálása, azaz a működés közben felmerülő hibák minimalizálása, és lehetőség szerint elkerülése és az üzemeltetés automatizálása aza az emberi beavatkozás minimalizálása.
Ezt az alprojektet a következő nagy kutatási témákra oszthatjuk:
- interoperábilis rendszerek adat továbbítási mintáinak az elemzésére
- adat inkonzisztencia mintázatól való eltéréseknek a detektálására
- védelmi riasztási rendszer kialakítására (értesítési és beavatkozási protokollokkal)
Ahhoz, hogy az MI nyújtotta lehetőségeket az e-közigazgatásban kiaknázzuk elengedhetetlen a hagyományosnak számító (decentralizált) monolit rendszerekben keletkezett a rendszer működéséről pillanatnyi képet (egy adott szolgáltatás mennyi számítógépes erőforrást igényel, egy adott szolgáltatást hányan használnak stb.) adó adatok központosítása. Ugyanis ezen központilag összegyűjtött adatok képezik a gépi tanulási algoritmusok bemenetei, amelynek eredményeként létre jön egy modell. Az így megépített modellekkel tudjuk a jövőt előre jelezni vagy anomáliákat (szokásostól való eltérést) detektálni.
Célunk megvizsgálni különböző mély tanuló (Deep Learning) hálózattokat és klasszikusnak számító gépi tanulási modelleket melyek segítségével hatékonyan választ tudunk adni a fent leírt problémákra. Az adatok természetétől adódóan alprojektünk többnyire több változós idősorokkal dolgozik. Ahhoz, hogy egy mély tanúló háló hatékonyságát mérni tudjuk létre hoztunk egy validációs rendszert, azaz szimulált adatokra megnézzük, hogy hogyan teljesít egy adott algoritmus és ezt hasonlítsuk össze a valós adatokon tanult neurális hálózattal vagy klasszikusnak számító gépi tanulási modellel.
A kutatás következő megoldandó kérdése az MI által feltárt észrevételek vizualizációja és a riasztási lánc kialakítása megfelelő protokollokkal. Az MI által detektált problémának a megoldására megvizsgáljuk, hogy mily módon tudjuk az MI-t alkalmazni ahhoz, hogy az emberi beavatkozást csökkentsük. Ilyen megoldás lehet egy öntanúló algoritmus bevezetése, azaz a megoldások megtanulása.
