Punctul de plecare al întreprinderii: Știința datelor și inteligența artificială

Domeniul în expansiune rapidă al inteligenței artificiale și al științei datelor prezintă o listă descurajantă de opțiuni pentru companiile care speră să-și exploateze potențialul. Învățarea automată, învățarea profundă, procesarea limbajului natural, rețelele neuronale, automatizarea proceselor robotizate și multe alte variante ezoterice umplu titlurile și cărțile albe.

Pe punctul de a oferi o putere de calcul miraculoasă, aceste tehnologii îi imploră pe directori să le adopte sau să-și descopere companiile în curând depășite de cei care o fac. Pentru câteva companii selectate cu divizii întregi dedicate inteligenței artificiale, adaptarea unei astfel de tehnologii la cazurile de utilizare este o afacere de zi cu zi. Dar pentru marea majoritate, a ști de unde să începi este mai puțin simplu.

În acest articol, directorii Toptal împărtășesc perspectiva asupra aplicării practice a soluțiilor artificiale legate de tehnologia la nevoile comune de afaceri.

Pedro Nogueira, specialist în învățarea automată și știința datelor, oferă știri revigorante companiilor nou-venite: prima soluție este adesea simplă, cu costuri relativ reduse și atractivă din punct de vedere financiar. Completând perspectiva de la Nogueira, echipa Toptal Enterprise evidențiază tendințele recente în automatizarea proceselor robotizate, care ajută companiile să eficientizeze fluxurile de lucru de rutină.

Automatizarea proceselor robotizate și IA: instrumente pentru diferite sarcini

Pentru a încadra sfaturile împărtășite de Nogueira, este util să înțelegem diferența dintre automatizarea proceselor robotizate (RPA) și inteligența artificială (AI) și tipurile de date pe care fiecare abordare este cel mai potrivită pentru a le gestiona.

RPA și AI diferă în funcție de sarcinile pe care le îndeplinesc. Un robot software, RPA excelează în sarcini repetitive analoge cu cele efectuate de un muncitor pe linia de asamblare sau de o mașină. În schimb, AI este cel mai potrivită pentru medii mai puțin structurate, replicând capacitatea analitică fundamentală pentru judecata umană și luarea deciziilor.

În mod definitiv, cele două abordări sunt și ele distincte. Asociația pentru standarde IEEE, o organizație internațională formată din experți din industrie, le definește după cum urmează:

RPA: software preconfigurat care utilizează reguli de afaceri și activitate predefinită pentru a finaliza execuția autonomă a unei combinații de procese, activități, tranzacții și sarcini.

AI: combinația dintre automatizarea cognitivă, învățarea automată (ML), raționamentul, generarea și analiza de ipoteze, procesarea limbajului natural și mutația intenționată a algoritmului care produce perspective și analize la sau peste capacitatea umană.

RPA este în general considerat un subset de AI și unul care vizează rutine repetitive. Diferența critică este că RPA nu învață, în timp ce AI se poate auto-modifica, modificându-și activitatea ca răspuns la diferitele inputuri ale mediului.

Ca rezultat, RPA este cel mai potrivit pentru date foarte structurate, în timp ce AI gestionează datele nestructurate sau semi-structurate. Diferența dintre cele două tipuri de date, rezumate mai jos, este ușor de înțeles pentru oricine a construit o bază de date de calcul.

Datele care se potrivesc perfect într-o astfel de foaie de calcul - cum ar fi informațiile de contact ale clienților - sunt structurate. Datele care nu se potrivesc - cum ar fi limbajul natural - sunt nestructurate. Aprecierea diferenței dintre aceste tipuri de date este esențială pentru a înțelege ce forme de IA sunt adecvate pentru un anumit caz de afaceri.

Blocarea și abordarea cu automatizarea proceselor de afaceri

Pentru majoritatea companiilor, cel mai ușor și mai puțin riscant punct de plecare pentru a folosi AI este automatizarea proceselor de afaceri. Cuprinse din sarcini banale care necesită puțină inteligență și posibil nici un efort uman, astfel de procese justifică investiția în tehnologie care elimină sau reduce semnificativ implicarea umană. Companiile și angajații pot beneficia în trei moduri distincte:

1. Angajații concentrează eforturile pe sarcini de valoare mai mare și pe rezolvarea problemelor.
2. Companiile realizează rentabilitate pozitivă a investiției din costurile minime de operare curente.
3. Calitatea procesului se îmbunătățește din cauza lipsei erorii umane.

RPA conduce mai multe fluxuri de lucru în industria asigurărilor

Pentru companiile care simplifică deja procedurile interne simple, cum ar fi rambursarea cheltuielilor, oportunități mai complexe au un potențial de rentabilitate ridicată a investiției. În industria asigurărilor, de exemplu, generarea de oferte de asigurare și procesarea daunelor de asigurare prezintă cazuri de utilizare perfecte pentru RPA.

Atunci când subscriu o poliță, companiile de asigurări trebuie să echilibreze riscul și recompensa. În esență, în medie, valoarea actuală netă a primelor poliței trebuie să depășească cea a daunelor. În timpul subscrierii, companiile de asigurări estimează componenta de risc a acestei ecuații, ajutându-le să prezică momentul și amploarea datoriilor viitoare.

Subscrierea a fost istoric un proces manual, ale cărui cerințe analitice au fost supravegheate de actuari. Acum, o astfel de muncă este realizată din ce în ce mai mult în mod automat și cu supravegherea oamenilor de știință de date care se bazează pe noi surse de date pentru a prezice mai bine riscul. De exemplu, în industria auto, asigurătorii au evaluat istoricul pierderilor, care sunt înregistrări ale daunelor de asigurare anterioare pentru un anumit șofer. Asigurătorii au început să încorporeze scorurile de credit ale șoferilor în analiza lor de risc, recunoscând că scorurile ridicate se corelează pozitiv cu conducerea în siguranță și pierderi proporțional mai mici.

Reflectând la exemplul de subscriere, Nogueira remarcă „atunci când companiile cred că au nevoie de inteligență artificială, adesea au nevoie de oameni de știință de date”.

Pentru Nogueira, procesul de cotare a asigurărilor este destul de familiar atât la nivel profesional, cât și personal. Data cientist cu experiență în proiecte în industria asigurărilor și pasionat de motociclete care a făcut recent un turneu în Portugalia, el ne împărtășește o anecdotă la care orice șofer sau proprietar de locuință se poate relata: „Dacă am nevoie să schimb motocicletele, ceea ce îmi place să fac frecvent, atunci am mergi online la un set de companii de asigurări și împărtășesc datele mele prin chestionarele lor online.”

Odată trimise, datele intră „un model care locuiește undeva pe backend și îmi analizează profilul de risc în funcție de unul sau mai multe modele și apoi îmi oferă o cotație”. În câteva secunde necesare pentru a primi o astfel de cotație, toate analizele sunt automate, suprascrise cu intervenția umană doar în cazul datelor aberante.

Automatizarea conduce, de asemenea, fluxuri de lucru în aval în ciclul de viață al clienților de asigurări, în special în timpul procesului de reclamații. Atunci când un client de asigurări depune o reclamație, compania de asigurări stabilește dacă plătește integral, plătește parțial sau respinge reclamația. Procesul implică adesea mai multe părți externe, inclusiv clientul asigurării și furnizorul de servicii, de exemplu un spital în cazul asistenței medicale sau un atelier de reparații în cazul auto.

În industria auto, adjudecarea reclamațiilor depinde de verificarea daunelor aduse unui vehicul, de determinarea costurilor de reparație, de selectarea atelierului de reparații și de plata reparației. Pentru estimările de reparații, fotografiile joacă un rol critic în procesul de reclamație. Agentul de reparare a daunelor face fotografii ale vehiculului accidentat, la fel ca și atelierul - atât înainte, cât și după efectuarea reparațiilor. Aceste fotografii oferă dovezi de deteriorare, reparație și baza pentru rambursare.

Din punct de vedere istoric, aceste fotografii au fost interpretate exclusiv de oameni, dar acum, software-ul de recunoaștere a imaginii, cuplat cu automatizarea bazată pe reguli, oferă informații critice operatorului de daune, permițând reparații și acoperire mai rapide.

Știința datelor este calul de muncă, iar oamenii de știință ai datelor sunt motorii

Companiile trebuie „să definească ceea ce poate fi automatizat cu ușurință și ceea ce trebuie să fie escalat către factorii de decizie umani”, potrivit lui Nogueira. Cu orice proces luat în considerare pentru automatizare, continuă el, „mai întâi uitați-vă la date și aflați regulile”.

În timp ce el admite că domeniile științei datelor și AI fuzionează, pentru stabilirea afacerii, Nogueira le delimitează cele două:

„Știința datelor este IA aplicată scenariilor din lumea reală și nevoilor comune de afaceri. Are mai mult de-a face cu înțelegerea datelor, gestionarea lor, punerea lor la dispoziție, ușor de procesat și, în cele din urmă, un ghid pentru luarea deciziilor de către părțile interesate ale companiei.”

O astfel de muncă echivalează adesea cu curățarea și culegerea de seturi de date disparate - nu este o sarcină ușoară - și apoi aplicarea analizei statistice, cum ar fi regresia logistică, pentru a conduce previziuni și decizii mai bune.

În schimb, AI este mult mai orientată spre cercetare și potrivită pentru analiza datelor nestructurate. „Imaginați-vă un proiect cu adevărat complex, unul cu multă incertitudine, de exemplu încercarea de a construi un model care să determine câți oameni ar putea intra într-un supermarket pe baza tiparelor de mers, video CCTV și date senzoriale.”

În cele din urmă, acest model ar putea prezice cum cumpără oamenii, ce caută și cum să poziționeze produsele unul față de celălalt, optimizând planul pentru a maximiza profitul. În timp ce un astfel de proiect de „cer albastru”, dacă are succes, ar fi, fără îndoială, valoros pentru retaileri, ar necesita, de asemenea, o echipă de mai mulți experți și ar putea costa cu ușurință multipli ai unei inițiative bazate pe știința datelor. În cazul comerțului cu amănuntul, o companie s-ar putea concentra pe una sau câteva dintre cele mai critice componente ale modelului predictiv – de exemplu, optimizarea orelor de lucru în magazin în raport cu traficul pietonal și costurile de operare.

Punctul de pornire critic pentru construirea capacității de știință a datelor este aducerea la bord a tipului și a numărului potrivit de talente. Din fericire, potrivit lui Nogueira, majoritatea companiilor „nu au nevoie de o echipă mare de dezvoltatori super experți pentru a face multe dintre automatizările comune, mai ales dacă luați în considerare numărul de API-uri și SDK-uri disponibile”.

În timp ce astfel de tehnologii disponibile oferă instrumente puternice, este esențial ca acestea să fie mânuite de mâinile potrivite. Aici, Nogueira oferă un cuvânt de precauție: „aceste instrumente ar putea fi de fapt o problemă, pentru că mulți oameni le folosesc în moduri în care nu ar trebui, pentru că nu le înțeleg”.

Pericolul, notează el, constă în „modelele de date supraadaptate”, care rezultă din aplicarea unui model la date într-un mod care nu ține cont de întregul spectru de posibilități. O astfel de suprainstruire, avertizează el, „poate ajunge să fie extrem de costisitoare pentru business, pentru că în situații pe care nu le-ați văzut până acum, modelul nu se generalizează bine, ceea ce poate duce la luarea unor decizii greșite asupra datelor”.

Pentru a evita astfel de capcane, Nogueira încurajează companiile să angajeze oameni de știință în date cu experiență. Toate companiile care doresc să deblocheze valoarea datelor despre clienți sau operaționale „au nevoie de o persoană cu o bună înțelegere a statisticilor și suficientă perspicacitate în afaceri pentru a înțelege cazurile de utilizare și unde rezidă valoarea în afacere”. Din punct de vedere al acreditărilor, un om de știință de date solid are de obicei cel puțin o licență în matematică sau statistică, o capacitate puternică de codificare și poate analiza un caz de utilizare în afaceri pentru a determina unde știința datelor poate avea cel mai mare impact.

Gânduri de despărțire

În timp ce știința datelor prezintă un punct de plecare convingător din perspectiva riscului/recompensă, peisajul mai larg al tehnologiilor AI merită, de asemenea, explorat. Directorii întreprinderilor ar trebui să considere știința datelor drept punctul de raliu în jurul căruia să înceapă conversația internă despre AI.

Pe măsură ce realizează povești de succes cu automatizarea proceselor de afaceri, ar trebui să ia în considerare extinderea domeniului de aplicare pentru a include cazuri de utilizare mai provocatoare, poate mai potrivite pentru tehnologiile alternative de AI. În articolele ulterioare, Insights va explora peisajul AI mai larg, ajutând directorii să navigheze într-un domeniu care va oferi, fără îndoială, profituri puternice.