نقطة انطلاق المشروع: علوم البيانات والذكاء الاصطناعي

يقدم مجال الذكاء الاصطناعي وعلوم البيانات الآخذ في التوسع بسرعة قائمة مرعبة من الخيارات للشركات التي تأمل في الاستفادة من إمكاناتها. التعلم الآلي ، والتعلم العميق ، ومعالجة اللغة الطبيعية ، والشبكات العصبية ، وأتمتة العمليات الروبوتية ، والعديد من المتغيرات الباطنية الأخرى تملأ العناوين والأوراق البيضاء.

على أعتاب تقديم قوة حسابية معجزة ، تطلب هذه التقنيات من المديرين التنفيذيين تبنيها أو العثور على شركاتهم قريبًا خارج المناورة من قبل أولئك الذين يفعلون ذلك. بالنسبة إلى عدد قليل من الشركات المختارة التي لديها أقسام كاملة مخصصة للذكاء الاصطناعي ، فإن تصميم مثل هذه التكنولوجيا لاستخدام الحالات هو عمل يومي. ولكن بالنسبة للغالبية العظمى ، فإن معرفة من أين تبدأ هي أقل وضوحًا.

في هذه المقالة ، يشارك مديرو Toptal التنفيذيون منظورًا حول التطبيق العملي للحلول ذات الصلة بالتكنولوجيا الاصطناعية لاحتياجات العمل المشتركة.

يقدم Pedro Nogueira ، المتخصص في التعلم الآلي وعلوم البيانات ، أخبارًا منعشة للشركات الوافدة الجديدة: الحل الأول غالبًا ما يكون بسيطًا ومنخفض التكلفة نسبيًا وتراكميًا ماليًا. استكمالاً للمنظور من Nogueira ، يسلط فريق Toptal Enterprise الضوء على الاتجاهات الحديثة في أتمتة العمليات الروبوتية ، مما يساعد الشركات على تبسيط سير العمل الروتيني.

أتمتة العمليات الروبوتية والذكاء الاصطناعي: أدوات لمهام مختلفة

لتأطير النصيحة التي تشاركها Nogueira ، من المفيد فهم الفرق بين أتمتة العمليات الروبوتية (RPA) والذكاء الاصطناعي (AI) وأنواع البيانات التي يناسب كل نهج التعامل معها بشكل أفضل.

تختلف تقنية RPA و AI بناءً على الوظائف التي يؤدونها. روبوت برمجي ، RPA يتفوق في المهام المتكررة المماثلة لتلك التي يؤديها عامل أو آلة في خط التجميع. على العكس من ذلك ، فإن الذكاء الاصطناعي هو الأنسب للبيئات الأقل تنظيماً ، مما يكرر القدرة التحليلية الأساسية للحكم البشري واتخاذ القرار.

من الناحية التعريفية ، فإن النهجين مختلفان أيضًا. تعرف جمعية معايير IEEE ، وهي منظمة دولية تتألف من خبراء الصناعة ، على النحو التالي:

RPA: برنامج مهيأ مسبقًا يستخدم قواعد العمل ونشاطًا محددًا مسبقًا لإكمال التنفيذ المستقل لمجموعة من العمليات والأنشطة والمعاملات والمهام.

الذكاء الاصطناعي: مزيج من الأتمتة المعرفية ، والتعلم الآلي (ML) ، والتفكير ، وتوليد الفرضيات وتحليلها ، ومعالجة اللغة الطبيعية ، وطفرة الخوارزمية المتعمدة التي تنتج رؤى وتحليلات عند القدرة البشرية أو تفوقها.

يعتبر RPA عمومًا مجموعة فرعية من الذكاء الاصطناعي ، وواحدة تستهدف الإجراءات المتكررة. يتمثل الاختلاف الجوهري في أن تقنية RPA لا تتعلم ، بينما يمكن للذكاء الاصطناعي التعديل ذاتيًا ، وتغيير نشاطه استجابةً لمدخلات بيئية متغيرة.

ونتيجة لذلك ، فإن تقنية RPA هي الأنسب للبيانات شديدة التنظيم ، بينما يتعامل الذكاء الاصطناعي مع البيانات غير المنظمة أو شبه المنظمة. من السهل فهم الفرق بين نوعي البيانات ، الملخصين أدناه ، لأي شخص قام ببناء قاعدة بيانات جدول بيانات.

يتم تنظيم البيانات التي تتلاءم بدقة مع جدول البيانات - مثل معلومات الاتصال بالعميل -. البيانات غير الملائمة - مثل اللغة الطبيعية - غير منظمة. يعد تقدير الاختلاف بين أنواع البيانات هذه أمرًا بالغ الأهمية لفهم أشكال الذكاء الاصطناعي المناسبة لحالة عمل معينة.

الحظر والتعامل مع أتمتة عمليات الأعمال

بالنسبة لمعظم الشركات ، فإن نقطة البداية الأسهل والأقل خطورة للاستفادة من الذكاء الاصطناعي هي أتمتة عمليات الأعمال. تتكون من مهام عادية تتطلب القليل من الذكاء وربما لا يوجد جهد بشري ، مثل هذه العمليات تبرر الاستثمار في التكنولوجيا التي تقضي على المشاركة البشرية أو تقللها بشكل كبير. ستستفيد الشركات والموظفون بثلاث طرق مميزة:

1. يركز الموظفون جهودهم على المهام ذات القيمة الأعلى وحل المشكلات.
2. تحقق الشركات عائد استثمار إيجابيًا من الحد الأدنى من تكلفة التشغيل المستمرة.
3. تتحسن جودة العملية بسبب نقص الخطأ البشري.

يقود RPA مسارات عمل متعددة في صناعة التأمين

بالنسبة للشركات التي تقوم بالفعل بتبسيط الإجراءات الداخلية البسيطة مثل سداد المصروفات ، فإن الفرص الأكثر تعقيدًا تنطوي على إمكانية تحقيق عائد استثمار مرتفع. في صناعة التأمين ، على سبيل المثال ، يمثل إنشاء عروض أسعار التأمين ومعالجة مطالبات التأمين حالات استخدام مثالية لـ RPA.

عند الاكتتاب في بوليصة ، يجب على شركات التأمين الموازنة بين المخاطر والمكافآت. بشكل أساسي ، يجب أن يتجاوز صافي القيمة الحالية لأقساط التأمين تلك الخاصة بالمطالبات. أثناء الاكتتاب ، تقوم شركات التأمين بتقدير عنصر المخاطر في هذه المعادلة ، مما يساعدهم على التنبؤ بتوقيت وحجم الالتزامات المستقبلية.

كان الاكتتاب تاريخياً عملية يدوية ، والتي تم الإشراف على متطلباتها التحليلية من قبل خبراء اكتواريين. الآن يتم تنفيذ هذا العمل تلقائيًا بشكل متزايد وبإشراف علماء البيانات الذين يعتمدون على مصادر البيانات الجديدة للتنبؤ بالمخاطر بشكل أفضل. على سبيل المثال ، في صناعة السيارات ، قامت شركات التأمين تاريخياً بتقييم تاريخ الخسائر ، وهي سجلات مطالبات التأمين السابقة لسائق معين. بدأت شركات التأمين في دمج درجات ائتمان السائق في تحليل المخاطر الخاص بهم ، مدركين أن الدرجات العالية ترتبط بشكل إيجابي بالقيادة الآمنة ، وتقل الخسائر بشكل متناسب.

بالتأمل في مثال الاكتتاب ، يلاحظ نوغيرا ​​"عندما تعتقد الشركات أنها بحاجة إلى الذكاء الاصطناعي ، فإنها غالبًا ما تحتاج في الواقع إلى علماء بيانات."

بالنسبة إلى Nogueira ، فإن عملية عرض أسعار التأمين مألوفة تمامًا على المستويين المهني والشخصي. عالم بيانات يتمتع بخبرة مشروع في مجال التأمين ، ومتحمس للدراجات النارية قام بجولة في البرتغال مؤخرًا ، يشاركنا حكاية يمكن لأي سائق أو صاحب منزل أن يرويها: "إذا كنت بحاجة إلى تغيير الدراجات النارية ، وهو ما أحب القيام به كثيرًا ، الاتصال بالإنترنت لمجموعة من شركات التأمين ومشاركة بياناتي من خلال استبياناتهم عبر الإنترنت ".

بمجرد إرسالها ، تدخل البيانات "نموذجًا يعيش في مكان ما على الواجهة الخلفية ويحلل ملف تعريف المخاطر الخاص بي وفقًا لنموذج واحد أو عدة نماذج ثم يقدم لي عرض أسعار". في الثواني التي يستغرقها تلقي مثل هذا الاقتباس ، يتم إجراء جميع التحليلات تلقائيًا ، ويتم تجاوزها بالتدخل البشري فقط في حالة القيم المتطرفة للبيانات.

تعمل الأتمتة أيضًا على توجيه تدفقات العمل النهائية في دورة حياة عميل التأمين ، ولا سيما أثناء عملية المطالبات. عندما يقوم عميل التأمين بتقديم مطالبة ، تحدد شركة التأمين ما إذا كانت ستدفع بالكامل أو تدفع جزئيًا أو ترفض المطالبة. غالبًا ما تتضمن العملية أطرافًا خارجية متعددة ، بما في ذلك عميل التأمين ومقدم الخدمة ، على سبيل المثال مستشفى في حالة الرعاية الصحية أو ورشة إصلاح في حالة السيارات.

في صناعة السيارات ، يعتمد الفصل في المطالبات على التحقق من الضرر الذي يلحق بالمركبة ، وتحديد تكاليف الإصلاح ، واختيار ورشة الإصلاح ، ودفع تكاليف الإصلاح. بالنسبة لتقديرات الإصلاح ، تلعب الصور دورًا مهمًا في عملية المطالبات. يلتقط ضابط المطالبات صورًا للمركبة المحطمة ، كما تفعل الورشة - قبل وبعد إجراء الإصلاحات. توفر هذه الصور أدلة على التلف والإصلاح وأساس السداد.

تاريخيًا ، تم تفسير هذه الصور حصريًا من قِبل الأشخاص ، ولكن الآن ، يوفر برنامج التعرف على الصور إلى جانب التشغيل الآلي المستند إلى القواعد معلومات مهمة لضبط المطالبات ، مما يتيح عمليات الإصلاح والتغطية بشكل أسرع.

علم البيانات هو العمود الفقري ، وعلماء البيانات هم المحركون

وفقًا لنوغيرا ​​، يجب على الشركات "تحديد ما يمكن أتمتة بسهولة ، وما يجب تصعيده إلى صناع القرار البشري". مع أي عملية قيد الدراسة للأتمتة ، يتابع ، "انظر أولاً إلى البيانات واكتشف القواعد".

بينما يعترف بدمج مجالات علم البيانات والذكاء الاصطناعي ، فإن تسوية نوغيرا ​​للأعمال التجارية تحدد الاثنين:

"علم البيانات هو الذكاء الاصطناعي المطبق على سيناريوهات العالم الحقيقي واحتياجات العمل المشتركة. يتعلق الأمر أكثر بفهم البيانات وإدارتها وجعلها متاحة بسهولة ومعالجة سهلة وفي النهاية دليل لاتخاذ القرار من قبل أصحاب المصلحة في الشركة ".

غالبًا ما يرقى مثل هذا العمل إلى تنظيف مجموعات البيانات المتباينة ومقارنتها - ليست مهمة سهلة - ثم تطبيق التحليل الإحصائي ، مثل الانحدار اللوجستي ، لتوجيه تنبؤات وقرارات أفضل.

على النقيض من ذلك ، فإن الذكاء الاصطناعي أكثر توجهاً نحو البحث ومناسب لتحليل البيانات غير المنظمة. "تخيل مشروعًا معقدًا حقًا ، مشروع به الكثير من عدم اليقين ، على سبيل المثال محاولة بناء نموذج يحدد عدد الأشخاص الذين قد يأتون إلى سوبر ماركت بناءً على أنماط المشي وفيديو CCTV والبيانات الحسية."

في النهاية ، قد يتنبأ هذا النموذج بكيفية تسوق الأشخاص ، وما يسعون إليه ، وكيفية وضع المنتجات بالنسبة لبعضهم البعض ، وتحسين مخطط الأرضية لتحقيق أقصى قدر من الربح. في حين أن مشروع "السماء الزرقاء" هذا ، إذا نجح ، سيكون بلا شك ذا قيمة لتجار التجزئة ، فإنه سيتطلب أيضًا فريقًا من خبراء متعددين ويمكن أن يكلف بسهولة مضاعفات مبادرة قائمة على علم البيانات. في حالة البيع بالتجزئة ، قد تركز الشركة على واحد أو عدد قليل من المكونات الأكثر أهمية للنموذج التنبئي - على سبيل المثال ، تحسين ساعات المتجر بالنسبة لحركة المرور على الأقدام وتكاليف التشغيل.

تتمثل نقطة البداية الحاسمة لبناء قدرات علوم البيانات في توفير النوع المناسب من المواهب وعددها. لحسن الحظ ، وفقًا لنوغيرا ​​، فإن معظم الشركات "لا تحتاج إلى فريق كبير من المطورين ذوي الخبرة الفائقة للقيام بالعديد من الأتمتة الشائعة ، خاصة إذا كنت تفكر في عدد واجهات برمجة التطبيقات (API) ومجموعات تطوير البرامج (SDK) المتاحة."

في حين أن هذه التقنيات الجاهزة توفر أدوات فعالة ، فمن الأهمية بمكان أن يتم استخدامها بواسطة اليد اليمنى. هنا ، تقدم Nogueira كلمة تحذير: "قد تكون هذه الأدوات في الواقع مشكلة ، لأن الكثير من الناس يستخدمونها بطرق لا ينبغي لهم ، لأنهم لا يفهمونها."

يكمن الخطر ، كما يلاحظ ، في "فرط تجهيز نماذج البيانات" ، والذي ينتج عن تطبيق نموذج على البيانات بطريقة لا تأخذ في الاعتبار النطاق الكامل للإمكانيات. يحذر من أن مثل هذا التدريب المفرط "يمكن أن ينتهي به الأمر إلى أن يكون مكلفًا للغاية للأعمال ، لأنه في المواقف التي لم ترها من قبل ، لا يتم تعميم النموذج جيدًا ، مما قد يؤدي إلى اتخاذ قرارات خاطئة بشأن البيانات".

لتجنب مثل هذه المزالق ، تشجع Nogueira الشركات على توظيف علماء بيانات ذوي خبرة. جميع الشركات التي تسعى إلى إطلاق العنان لقيمة العميل أو البيانات التشغيلية "تحتاج إلى شخص لديه فهم جيد للإحصاءات ، وفطنة عمل كافية لفهم حالات الاستخدام وأين تكمن القيمة في العمل." من وجهة نظر أوراق الاعتماد ، عادةً ما يكون لعالم البيانات القوي على الأقل درجة البكالوريوس في الرياضيات أو الإحصاء ، وقدرة قوية على الترميز ، ويمكنه تحليل حالة استخدام الأعمال لتحديد المكان الذي يمكن أن يحقق فيه علم البيانات أكبر تأثير.

أفكار فراق

بينما يقدم علم البيانات نقطة انطلاق مقنعة من منظور المخاطر / المكافأة ، فإن المشهد الأوسع لتقنيات الذكاء الاصطناعي يستحق أيضًا الاستكشاف. يجب على المديرين التنفيذيين للمؤسسات النظر في علم البيانات كنقطة تجمع لبدء المحادثة الداخلية حول الذكاء الاصطناعي.

أثناء تحقيقهم لقصص النجاح مع أتمتة عمليات الأعمال ، يجب عليهم التفكير في توسيع النطاق ليشمل حالات استخدام أكثر صعوبة ، ربما تكون أكثر ملاءمة لتقنيات الذكاء الاصطناعي البديلة. في مقالات لاحقة ، ستستكشف Insights المشهد الأوسع للذكاء الاصطناعي ، مما يساعد المديرين التنفيذيين على التنقل في مجال سيحقق عوائد قوية بلا شك.