Punkt wyjścia przedsiębiorstwa: nauka o danych i sztuczna inteligencja

Szybko rozwijająca się dziedzina sztucznej inteligencji i nauki o danych przedstawia zniechęcającą listę opcji dla firm, które chcą wykorzystać jej potencjał. Uczenie maszynowe, głębokie uczenie, przetwarzanie języka naturalnego, sieci neuronowe, zautomatyzowana automatyzacja procesów i wiele innych ezoterycznych wariantów wypełniają nagłówki i białe księgi.

U progu dostarczenia cudownej mocy obliczeniowej technologie te błagają kadrę kierowniczą, aby je przyjęli lub odkryli, że ich firmy wkrótce zostaną wymanewrowane przez tych, którzy to robią. Dla kilku wybranych firm, które mają całe działy poświęcone sztucznej inteligencji, dostosowywanie takiej technologii do przypadków użycia to codzienność. Ale dla zdecydowanej większości wiedza, od czego zacząć, jest mniej prosta.

W tym artykule dyrektorzy firmy Toptal dzielą się perspektywą praktycznego zastosowania rozwiązań związanych ze sztuczną technologią do typowych potrzeb biznesowych.

Pedro Nogueira, specjalista w dziedzinie uczenia maszynowego i nauki o danych, oferuje odświeżające wiadomości dla nowych firm: pierwsze rozwiązanie jest często proste, stosunkowo tanie i akreatywne finansowo. Uzupełniając perspektywę Nogueiry, zespół Toptal Enterprise podkreśla najnowsze trendy w automatyzacji procesów zrobotyzowanych, które pomagają firmom usprawnić rutynowe przepływy pracy.

Robotic Process Automation i AI: Narzędzia do różnych zadań

Aby sformułować porady udostępnione przez Nogueira, pomocne jest zrozumienie różnicy między zrobotyzowaną automatyzacją procesów (RPA) a sztuczną inteligencją (AI) oraz typami danych, do których najlepiej nadaje się każde podejście.

RPA i AI różnią się w zależności od wykonywanych zadań. Robot programowy RPA doskonale sprawdza się w powtarzalnych zadaniach analogicznych do tych, które wykonuje pracownik linii montażowej lub maszyna. I odwrotnie, sztuczna inteligencja najlepiej nadaje się do mniej ustrukturyzowanych środowisk, replikując zdolności analityczne fundamentalne dla ludzkiego osądu i podejmowania decyzji.

Z definicji te dwa podejścia są również różne. IEEE Standards Association, międzynarodowa organizacja złożona z ekspertów branżowych, definiuje je w następujący sposób:

RPA: wstępnie skonfigurowane oprogramowanie, które wykorzystuje reguły biznesowe i predefiniowane działania, aby zakończyć autonomiczne wykonywanie kombinacji procesów, działań, transakcji i zadań.

AI: połączenie automatyzacji kognitywnej, uczenia maszynowego (ML), wnioskowania, generowania i analizy hipotez, przetwarzania języka naturalnego i celowej mutacji algorytmów, dającej spostrzeżenia i analizy na poziomie lub powyżej ludzkich możliwości.

ZAP jest ogólnie uważany za podzbiór sztucznej inteligencji, który jest ukierunkowany na powtarzalne procedury. Kluczowa różnica polega na tym, że RPA nie uczy się, podczas gdy sztuczna inteligencja może samomodyfikować się, zmieniając swoją aktywność w odpowiedzi na różne czynniki środowiskowe.

W rezultacie RPA najlepiej nadaje się do danych o wysokiej strukturze, podczas gdy sztuczna inteligencja obsługuje dane nieustrukturyzowane lub częściowo ustrukturyzowane. Różnica między tymi dwoma typami danych, podsumowana poniżej, jest łatwa do uchwycenia dla każdego, kto zbudował bazę danych arkusza kalkulacyjnego.

Dane, które idealnie pasują do takiego arkusza kalkulacyjnego — takie jak informacje kontaktowe klientów — są ustrukturyzowane. Dane, które nie pasują — takie jak język naturalny — nie mają struktury. Docenienie różnicy między tymi typami danych ma kluczowe znaczenie dla zrozumienia, które formy sztucznej inteligencji są odpowiednie dla danego przypadku biznesowego.

Blokowanie i radzenie sobie z automatyzacją procesów biznesowych

Dla większości firm najłatwiejszym i najmniej ryzykownym punktem wyjścia do wykorzystania AI jest automatyzacja procesów biznesowych. Składające się z przyziemnych zadań, które wymagają niewielkiej inteligencji i prawdopodobnie żadnego wysiłku ludzkiego, takie procesy uzasadniają inwestycję w technologię, która eliminuje lub znacznie ogranicza zaangażowanie człowieka. Firmy i pracownicy mogą skorzystać na trzy różne sposoby:

1. Pracownicy skupiają się na zadaniach o większej wartości i rozwiązywaniu problemów.
2. Firmy osiągają dodatni zwrot z inwestycji przy minimalnych bieżących kosztach operacyjnych.
3. Jakość procesu poprawia się ze względu na brak błędu ludzkiego.

ZAP napędza wiele strumieni pracy w branży ubezpieczeniowej

W przypadku firm, które już usprawniły proste procedury wewnętrzne, takie jak zwrot kosztów, bardziej złożone możliwości mają potencjał do wysokiego zwrotu z inwestycji. Na przykład w branży ubezpieczeniowej generowanie ofert ubezpieczeniowych i przetwarzanie roszczeń ubezpieczeniowych to idealne przypadki użycia RPA.

Ubezpieczając polisę, firmy ubezpieczeniowe muszą zrównoważyć ryzyko i wynagrodzenie. Zasadniczo średnia bieżąca wartość netto składek ubezpieczeniowych musi przekraczać wartość roszczeń. Podczas oceny ryzyka firmy ubezpieczeniowe szacują składnik ryzyka tego równania, pomagając im przewidzieć terminy i wielkość przyszłych zobowiązań.

Z historycznego punktu widzenia underwriting był procesem ręcznym, którego wymogi analityczne nadzorowali aktuariusze. Obecnie taka praca jest coraz częściej wykonywana automatycznie i pod nadzorem naukowców zajmujących się danymi, którzy wykorzystują nowe źródła danych, aby lepiej przewidywać ryzyko. Na przykład w branży motoryzacyjnej ubezpieczyciele historycznie oceniali historie strat, które są zapisami przeszłych roszczeń ubezpieczeniowych dla danego kierowcy. Ubezpieczyciele zaczęli uwzględniać ocenę kredytową kierowców w swojej analizie ryzyka, uznając, że wysokie wyniki pozytywnie korelują z bezpieczną jazdą i proporcjonalnie niższymi stratami.

Rozważając przykład ubezpieczenia, Nogueira zauważa, że ​​„kiedy firmy myślą, że potrzebują sztucznej inteligencji, często w rzeczywistości potrzebują analityków danych”.

Dla Nogueiry proces wyceny ubezpieczenia jest dość znany zarówno na poziomie zawodowym, jak i osobistym. Analityk danych z doświadczeniem projektowym w branży ubezpieczeniowej i entuzjasta motocykli, który niedawno jeździł po Portugalii, dzieli się anegdotą, do której może odnieść się każdy kierowca lub właściciel domu: „Jeśli muszę zmienić motocykl, co lubię często robić, to przejdź online do szeregu firm ubezpieczeniowych i udostępnij moje dane za pośrednictwem ich kwestionariuszy online”.

Po przesłaniu dane wchodzą do „modelu, który znajduje się gdzieś na zapleczu i analizuje mój profil ryzyka zgodnie z jednym lub kilkoma modelami, a następnie dostarcza mi wycenę”. W ciągu kilku sekund potrzebnych do otrzymania takiej wyceny cała analiza jest automatyczna, przesłonięta ingerencją człowieka tylko w przypadku danych odstających.

Automatyzacja napędza również przepływy pracy na dalszych etapach cyklu życia klienta ubezpieczeniowego, zwłaszcza podczas procesu roszczeń. Kiedy klient ubezpieczeniowy zgłasza roszczenie, firma ubezpieczeniowa określa, czy ma zapłacić w całości, częściowo, czy też odrzucić roszczenie. Często w proces zaangażowanych jest wiele podmiotów zewnętrznych, w tym klienta ubezpieczeniowego i usługodawcę, np. szpital w przypadku opieki zdrowotnej lub warsztat samochodowy w przypadku auto.

W branży motoryzacyjnej rozpatrzenie roszczeń zależy od weryfikacji uszkodzenia pojazdu, ustalenia kosztów naprawy, wyboru warsztatu i opłaceniu naprawy. W przypadku szacowania napraw zdjęcia odgrywają kluczową rolę w procesie reklamacyjnym. Likwidator szkód wykonuje zdjęcia rozbitego pojazdu, podobnie jak warsztat - zarówno przed jak i po naprawie. Zdjęcia te stanowią dowód uszkodzenia, naprawy oraz podstawę do zwrotu kosztów.

Dawniej te zdjęcia były interpretowane wyłącznie przez ludzi, ale teraz oprogramowanie do rozpoznawania obrazów w połączeniu z automatyzacją opartą na regułach dostarcza krytyczne informacje do likwidatora szkód, umożliwiając szybsze naprawy i pokrycie.

Nauka o danych to koń pociągowy, a naukowcy zajmujący się danymi są kierowcami

Według Nogueiry firmy muszą „określić, co można łatwo zautomatyzować, a co należy przekazać decydentom ludzkim”. Biorąc pod uwagę każdy proces pod kątem automatyzacji, kontynuuje, „najpierw przyjrzyj się danym i ustal reguły”.

Chociaż przyznaje, że dziedziny nauki o danych i sztucznej inteligencji łączą się ze sobą, dla biznesu osiedlającego się Nogueira określa te dwie kwestie:

„Nauka o danych to sztuczna inteligencja stosowana w rzeczywistych scenariuszach i powszechnych potrzebach biznesowych. Ma więcej wspólnego ze zrozumieniem danych, zarządzaniem nimi, udostępnieniem ich, łatwością przetwarzania i ostatecznie przewodnikiem dla podejmowania decyzji przez interesariuszy firmy”.

Taka praca często sprowadza się do czyszczenia i zestawiania odmiennych zbiorów danych – nie jest to łatwe zadanie – a następnie zastosowania analizy statystycznej, takiej jak regresja logistyczna, w celu uzyskania lepszych prognoz i decyzji.

Z kolei sztuczna inteligencja jest znacznie bardziej zorientowana na badania i nadaje się do analizy danych nieustrukturyzowanych. „Wyobraź sobie naprawdę złożony projekt, z dużą niepewnością, na przykład próbujący zbudować model, który określa, ile osób może wejść do supermarketu na podstawie wzorców chodzenia, wideo CCTV i danych sensorycznych”.

Ostatecznie model ten może przewidywać, jak ludzie robią zakupy, czego szukają i jak pozycjonować produkty względem siebie, optymalizując plan piętra w celu maksymalizacji zysku. Chociaż taki projekt „błękitnego nieba”, gdyby się powiódł, bez wątpienia byłby cenny dla sprzedawców detalicznych, wymagałby również zespołu wielu ekspertów i mógłby z łatwością kosztować wielokrotność inicjatywy opartej na nauce danych. W przypadku handlu detalicznego firma może skoncentrować się na jednym lub kilku najważniejszych elementach modelu predykcyjnego – na przykład na optymalizacji godzin pracy sklepu w stosunku do ruchu pieszego i kosztów operacyjnych.

Kluczowym punktem wyjścia do budowania zdolności do analizy danych jest zaangażowanie odpowiedniego typu i liczby talentów. Na szczęście, według Nogueiry, większość firm „nie potrzebuje dużego zespołu super-ekspertów do wykonywania wielu typowych automatyzacji, zwłaszcza jeśli weźmie się pod uwagę liczbę dostępnych interfejsów API i SDK”.

Chociaż takie gotowe technologie zapewniają potężne narzędzia, bardzo ważne jest, aby były one obsługiwane przez właściwe ręce. Tutaj Nogueira zapewnia słowo ostrzeżenia: „te narzędzia mogą w rzeczywistości stanowić problem, ponieważ wiele osób używa ich w sposób, w jaki nie powinni, ponieważ ich nie rozumie”.

Zauważa, że ​​niebezpieczeństwo tkwi w „przeuczeniu modeli danych”, które wynika z zastosowania modelu do danych w sposób, który nie uwzględnia pełnego spektrum możliwości. Ostrzega, że ​​takie przetrenowanie „może okazać się niezwykle kosztowne dla firmy, ponieważ w sytuacjach, których wcześniej nie widziałeś, model nie uogólnia dobrze, co może prowadzić do podejmowania błędnych decyzji na podstawie danych”.

Aby uniknąć takich pułapek, Nogueira zachęca firmy do zatrudniania doświadczonych analityków danych. Wszystkie firmy, które chcą uwolnić wartość danych klientów lub danych operacyjnych, „potrzebują osoby dobrze znającej się na statystykach i wystarczającej wiedzy biznesowej, aby zrozumieć przypadki użycia i miejsce, w którym tkwi wartość w firmie”. Z punktu widzenia poświadczeń, solidny analityk danych zwykle ma co najmniej licencjat z matematyki lub statystyki, silne umiejętności kodowania i potrafi przeanalizować biznesowe przypadki użycia, aby określić, gdzie nauka o danych może przynieść największy wpływ.

Pożegnalne myśli

Chociaż nauka o danych stanowi atrakcyjny punkt wyjścia z perspektywy ryzyka/nagrody, warto również zbadać szerszy krajobraz technologii sztucznej inteligencji. Kierownictwo przedsiębiorstw powinno traktować analitykę danych jako punkt zbiorczy, wokół którego można rozpocząć wewnętrzną rozmowę na temat sztucznej inteligencji.

Gdy realizują historie sukcesu dzięki automatyzacji procesów biznesowych, powinni rozważyć rozszerzenie zakresu o bardziej wymagające przypadki użycia, być może lepiej dopasowane do alternatywnych technologii sztucznej inteligencji. W kolejnych artykułach Insights zbada szerszy krajobraz sztucznej inteligencji, pomagając menedżerom poruszać się w dziedzinie, która bez wątpienia przyniesie wysokie zyski.