Titik Awal Perusahaan: Ilmu Data dan Kecerdasan Buatan

Bidang kecerdasan buatan dan ilmu data yang berkembang pesat menghadirkan daftar opsi yang menakutkan bagi perusahaan yang berharap dapat memanfaatkan potensinya. Pembelajaran mesin, pembelajaran mendalam, pemrosesan bahasa alami, jaringan saraf, otomatisasi proses robot, dan banyak lagi varian esoteris mengisi berita utama dan kertas putih.

Di titik puncak memberikan kekuatan komputasi yang ajaib, teknologi ini meminta para eksekutif untuk mengadopsi mereka atau menemukan perusahaan mereka segera dikalahkan oleh mereka yang melakukannya. Untuk beberapa perusahaan terpilih dengan seluruh divisi yang didedikasikan untuk AI, menyesuaikan teknologi tersebut untuk menggunakan kasus adalah bisnis sehari-hari. Tetapi untuk sebagian besar, mengetahui dari mana harus memulai tidaklah mudah.

Dalam artikel ini, para eksekutif Toptal berbagi perspektif tentang penerapan praktis solusi terkait teknologi buatan untuk kebutuhan bisnis umum.

Pedro Nogueira, seorang spesialis dalam pembelajaran mesin dan ilmu data, menawarkan berita yang menyegarkan kepada perusahaan pendatang baru: solusi pertama seringkali sederhana, biayanya relatif rendah, dan akreatif secara finansial. Melengkapi perspektif dari Nogueira, tim Toptal Enterprise menyoroti tren terkini dalam otomatisasi proses robot, yang membantu perusahaan merampingkan alur kerja rutin.

Otomatisasi Proses Robotik dan AI: Alat untuk berbagai tugas

Untuk membingkai saran yang dibagikan oleh Nogueira, akan sangat membantu untuk memahami perbedaan antara Robotic Process Automation (RPA) dan Artificial Intelligence (AI) dan jenis data yang paling cocok untuk ditangani oleh setiap pendekatan.

RPA dan AI berbeda berdasarkan pekerjaan yang mereka lakukan. Robot perangkat lunak, RPA unggul dalam tugas berulang yang serupa dengan yang dilakukan oleh pekerja atau mesin lini perakitan. Sebaliknya, AI paling cocok untuk lingkungan yang kurang terstruktur, mereplikasi kemampuan analitis yang mendasar bagi penilaian dan pengambilan keputusan manusia.

Secara definisi, kedua pendekatan tersebut juga berbeda. Asosiasi Standar IEEE, sebuah organisasi internasional yang terdiri dari pakar industri, mendefinisikannya sebagai berikut:

RPA: perangkat lunak pra-konfigurasi yang menggunakan aturan bisnis dan aktivitas yang telah ditentukan sebelumnya untuk menyelesaikan eksekusi otonom dari kombinasi proses, aktivitas, transaksi, dan tugas.

AI: kombinasi otomatisasi kognitif, pembelajaran mesin (ML), penalaran, pembuatan dan analisis hipotesis, pemrosesan bahasa alami, dan mutasi algoritme yang disengaja yang menghasilkan wawasan dan analitik pada atau di atas kemampuan manusia.

RPA umumnya dianggap sebagai bagian dari AI, dan yang menargetkan rutinitas berulang. Perbedaan kritisnya adalah bahwa RPA tidak belajar, sementara AI dapat memodifikasi sendiri, mengubah aktivitasnya sebagai respons terhadap berbagai masukan lingkungan.

Akibatnya, RPA paling cocok untuk data yang sangat terstruktur, sementara AI menangani data yang tidak terstruktur atau semi-terstruktur. Perbedaan antara kedua jenis data, yang dirangkum di bawah ini, mudah dipahami oleh siapa saja yang telah membangun database spreadsheet.

Data yang sesuai dengan spreadsheet seperti itu - seperti informasi kontak pelanggan - terstruktur. Data yang tidak sesuai - seperti bahasa alami - tidak terstruktur. Menghargai perbedaan antara tipe data ini sangat penting untuk memahami bentuk AI mana yang sesuai untuk kasus bisnis tertentu.

Memblokir dan menangani dengan otomatisasi proses bisnis

Bagi sebagian besar perusahaan, titik awal termudah dan paling tidak berisiko untuk memanfaatkan AI adalah otomatisasi proses bisnis. Terdiri dari tugas-tugas biasa yang membutuhkan sedikit kecerdasan dan mungkin tidak ada usaha manusia, proses tersebut membenarkan investasi dalam teknologi yang menghilangkan atau secara signifikan mengurangi keterlibatan manusia. Perusahaan dan karyawan memperoleh manfaat dalam tiga cara berbeda:

1. Karyawan memfokuskan upaya pada tugas yang bernilai lebih tinggi dan pemecahan masalah.
2. Perusahaan menyadari ROI positif dari biaya operasi berkelanjutan yang minimal.
3. Kualitas proses meningkat karena kurangnya kesalahan manusia.

RPA mendorong banyak aliran kerja di industri asuransi

Untuk perusahaan yang sudah merampingkan prosedur internal sederhana seperti penggantian biaya, peluang yang lebih kompleks memiliki potensi ROI yang tinggi. Dalam industri asuransi, misalnya, menghasilkan kutipan asuransi dan memproses klaim asuransi menghadirkan kasus penggunaan yang sempurna untuk RPA.

Saat melakukan penjaminan polis, perusahaan asuransi harus menyeimbangkan risiko dan imbalan. Pada dasarnya, rata-rata nilai sekarang bersih dari premi polis harus melebihi nilai klaim. Selama penjaminan emisi, perusahaan asuransi memperkirakan komponen risiko dari persamaan ini, membantu mereka memprediksi waktu dan besarnya kewajiban di masa depan.

Penjaminan emisi secara historis merupakan proses manual, yang persyaratan analitisnya diawasi oleh aktuaris. Sekarang pekerjaan seperti itu semakin dilakukan secara otomatis dan dengan pengawasan ilmuwan data yang memanfaatkan sumber data baru untuk memprediksi risiko dengan lebih baik. Misalnya, dalam industri otomotif, perusahaan asuransi secara historis mengevaluasi riwayat kerugian, yang merupakan catatan klaim asuransi masa lalu untuk pengemudi tertentu. Perusahaan asuransi mulai memasukkan skor kredit pengemudi ke dalam analisis risiko mereka, mengakui bahwa skor tinggi berkorelasi positif dengan mengemudi yang aman, dan kerugian yang sepadan lebih rendah.

Berkaca pada contoh penjaminan emisi, Nogueira mencatat “ketika perusahaan berpikir mereka membutuhkan AI, mereka seringkali benar-benar membutuhkan ilmuwan data.”

Bagi Nogueira, proses penawaran asuransi cukup familiar baik di tingkat profesional maupun pribadi. Seorang ilmuwan data dengan pengalaman proyek di industri asuransi, dan penggemar sepeda motor yang baru-baru ini melakukan tur ke Portugal, ia membagikan sebuah anekdot yang dapat dikaitkan dengan setiap pengemudi atau pemilik rumah: “Jika saya perlu mengganti sepeda motor, yang sering saya lakukan, maka saya online ke sekumpulan perusahaan asuransi dan bagikan data saya melalui kuesioner online mereka.”

Setelah dikirimkan, data memasuki “model yang hidup di suatu tempat di backend dan menganalisis profil risiko saya menurut satu atau beberapa model dan kemudian memberi saya penawaran.” Dalam hitungan detik yang diperlukan untuk menerima kutipan seperti itu, semua analisis dilakukan secara otomatis, ditimpa dengan campur tangan manusia hanya dalam kasus outlier data.

Otomatisasi juga mendorong alur kerja hilir dalam siklus hidup pelanggan asuransi, terutama selama proses klaim. Ketika seorang pelanggan asuransi mengajukan klaim, perusahaan asuransi menentukan apakah akan membayar penuh, membayar sebagian atau menolak klaim. Prosesnya sering melibatkan banyak pihak eksternal, termasuk pelanggan asuransi, dan penyedia layanan, misalnya rumah sakit dalam hal perawatan kesehatan, atau bengkel dalam hal mobil.

Dalam industri otomotif, penanganan klaim bergantung pada verifikasi kerusakan kendaraan, penentuan biaya perbaikan, pemilihan bengkel, dan pembayaran perbaikan. Untuk perkiraan perbaikan, foto memainkan peran penting dalam proses klaim. Penyetel klaim mengambil foto kendaraan yang rusak, seperti halnya bengkel - baik sebelum dan sesudah perbaikan dilakukan. Foto-foto ini memberikan bukti kerusakan, perbaikan, dan dasar penggantian.

Secara historis, foto-foto ini ditafsirkan secara eksklusif oleh orang-orang, tetapi sekarang, perangkat lunak pengenalan gambar yang digabungkan dengan otomatisasi berbasis aturan memberikan informasi penting ke pengatur klaim, memungkinkan perbaikan dan cakupan yang lebih cepat.

Ilmu data adalah pekerja keras, dan Ilmuwan Data adalah pendorongnya

Perusahaan harus "mendefinisikan apa yang dapat dengan mudah diotomatisasi, dan apa yang perlu ditingkatkan ke pembuat keputusan manusia," menurut Nogueira. Dengan proses apa pun yang sedang dipertimbangkan untuk otomatisasi, lanjutnya, “pertama lihat data dan cari tahu aturannya.”

Sementara dia mengakui bahwa bidang ilmu data dan AI bergabung, untuk penyelesaian bisnis Nogueira menggambarkan keduanya:

“Ilmu data adalah AI yang diterapkan pada skenario dunia nyata dan kebutuhan bisnis umum. Ini lebih berkaitan dengan memahami data, mengelolanya, membuatnya tersedia, mudah diproses, dan pada akhirnya, panduan untuk pengambilan keputusan oleh pemangku kepentingan perusahaan.”

Pekerjaan seperti itu sering kali berarti membersihkan dan menyusun kumpulan data yang berbeda - bukan tugas yang mudah - dan kemudian menerapkan analisis statistik, seperti regresi logistik, untuk mendorong prediksi dan keputusan yang lebih baik.

Sebaliknya, AI jauh lebih berorientasi pada penelitian dan cocok untuk analisis data tidak terstruktur. “Bayangkan proyek yang sangat kompleks, proyek dengan banyak ketidakpastian, misalnya mencoba membangun model yang menentukan berapa banyak orang yang mungkin datang ke supermarket berdasarkan pola berjalan, video CCTV, dan data sensorik.”

Pada akhirnya, model ini dapat memprediksi bagaimana orang berbelanja, apa yang mereka cari, dan bagaimana memposisikan produk relatif satu sama lain, mengoptimalkan denah lantai untuk memaksimalkan keuntungan. Sementara proyek "langit biru" seperti itu, jika berhasil, tidak diragukan lagi akan berharga bagi pengecer, itu juga akan membutuhkan tim yang terdiri dari banyak ahli dan dapat dengan mudah menelan biaya berlipat ganda dari inisiatif berbasis ilmu data. Dalam kasus ritel, perusahaan mungkin fokus pada satu atau beberapa komponen paling penting dari model prediktif – misalnya, mengoptimalkan jam buka toko relatif terhadap lalu lintas pejalan kaki dan biaya operasi.

Titik awal penting untuk membangun kemampuan ilmu data adalah membawa jenis dan jumlah talenta yang tepat. Untungnya, menurut Nogueira, sebagian besar perusahaan “tidak memerlukan tim besar pengembang super ahli untuk melakukan banyak otomatisasi umum, terutama jika Anda mempertimbangkan jumlah API dan SDK yang tersedia.”

Sementara teknologi siap pakai seperti itu menyediakan alat yang ampuh, sangat penting bahwa mereka digunakan oleh tangan yang tepat. Di sini, Nogueira memberikan peringatan: "alat-alat ini mungkin sebenarnya menjadi masalah, karena banyak orang menggunakannya dengan cara yang tidak seharusnya, karena mereka tidak memahaminya."

Bahayanya, ia mencatat, terletak pada "model data yang berlebihan," yang dihasilkan dari penerapan model ke data dengan cara yang tidak memperhitungkan spektrum kemungkinan penuh. Pelatihan berlebihan seperti itu, dia memperingatkan, “dapat menjadi sangat mahal bagi bisnis, karena dalam situasi yang belum pernah Anda lihat sebelumnya, model tidak dapat digeneralisasi dengan baik, yang dapat menyebabkan pengambilan keputusan yang salah pada data.”

Untuk menghindari jebakan seperti itu, Nogueira mendorong perusahaan untuk mempekerjakan ilmuwan data yang berpengalaman. Semua perusahaan yang ingin membuka nilai pelanggan atau data operasional “membutuhkan seseorang dengan pemahaman statistik yang baik, dan ketajaman bisnis yang cukup untuk memahami kasus penggunaan dan di mana nilai berada dalam bisnis.” Dari sudut pandang kredensial, ilmuwan data yang solid biasanya memiliki setidaknya gelar BS dalam matematika atau statistik, kemampuan yang kuat untuk membuat kode, dan dapat menganalisis kasus penggunaan bisnis untuk menentukan di mana ilmu data dapat memberikan dampak paling besar.

Pikiran perpisahan

Sementara ilmu data menyajikan titik awal yang menarik dari perspektif risiko/hadiah, lanskap yang lebih luas dari teknologi AI juga perlu ditelusuri. Eksekutif perusahaan harus mempertimbangkan ilmu data sebagai titik temu untuk memulai percakapan internal tentang AI.

Saat mereka menyadari kisah sukses dengan otomatisasi proses bisnis, mereka harus mempertimbangkan untuk memperluas cakupan untuk memasukkan kasus penggunaan yang lebih menantang, mungkin lebih cocok untuk teknologi AI alternatif. Dalam artikel berikutnya, Insights akan mengeksplorasi lanskap AI yang lebih luas, membantu para eksekutif menavigasi bidang yang pasti akan memberikan pengembalian yang kuat.