Отправная точка предприятия: наука о данных и искусственный интеллект

Быстро расширяющаяся область искусственного интеллекта и науки о данных представляет пугающий список вариантов для компаний, которые надеются раскрыть свой потенциал. Машинное обучение, глубокое обучение, обработка естественного языка, нейронные сети, роботизированная автоматизация процессов и многие другие экзотические варианты заполняют заголовки и официальные документы.

На пороге предоставления чудесной вычислительной мощности эти технологии умоляют руководителей принять их или обнаружат, что их компании скоро переиграют тех, кто это делает. Для немногих избранных компаний с целыми подразделениями, посвященными ИИ, адаптация такой технологии к вариантам использования является повседневным делом. Но для подавляющего большинства знать, с чего начать, не так просто.

В этой статье руководители Toptal делятся взглядами на практическое применение решений, связанных с искусственными технологиями, для общих потребностей бизнеса.

Педро Ногейра, специалист в области машинного обучения и обработки данных, предлагает начинающим компаниям свежую новость: первое решение часто бывает простым, относительно недорогим и финансово выгодным. В дополнение к мнению Ногейры, команда Toptal Enterprise освещает последние тенденции в роботизированной автоматизации процессов, которая помогает компаниям оптимизировать рутинные рабочие процессы.

Роботизированная автоматизация процессов и искусственный интеллект: инструменты для разных задач

Чтобы сформулировать совет, которым поделился Ногейра, полезно понять разницу между роботизированной автоматизацией процессов (RPA) и искусственным интеллектом (ИИ), а также типы данных, для обработки которых лучше всего подходит каждый подход.

RPA и AI различаются в зависимости от задач, которые они выполняют. Программный робот, RPA отлично справляется с повторяющимися задачами, аналогичными тем, которые выполняет рабочий на сборочной линии или машина. И наоборот, ИИ лучше всего подходит для менее структурированных сред, воспроизводя аналитические способности, лежащие в основе человеческого суждения и принятия решений.

По определению, эти два подхода также различны. Ассоциация стандартов IEEE, международная организация, состоящая из отраслевых экспертов, определяет их следующим образом:

RPA: предварительно сконфигурированное программное обеспечение, которое использует бизнес-правила и предопределенные действия для завершения автономного выполнения комбинации процессов, действий, транзакций и задач.

ИИ: сочетание когнитивной автоматизации, машинного обучения (МО), рассуждений, генерации и анализа гипотез, обработки естественного языка и преднамеренной модификации алгоритма, обеспечивающей понимание и аналитику на уровне человеческих возможностей или выше.

RPA обычно считается подмножеством ИИ, нацеленным на повторяющиеся процедуры. Критическое отличие заключается в том, что RPA не обучается, в то время как ИИ может самомодифицироваться, изменяя свою деятельность в ответ на различные воздействия окружающей среды.

В результате RPA лучше всего подходит для высокоструктурированных данных, а AI обрабатывает неструктурированные или полуструктурированные данные. Разницу между двумя типами данных, кратко изложенную ниже, легко понять любому, кто построил базу данных электронных таблиц.

Данные, которые аккуратно помещаются в такую ​​таблицу, например, контактная информация клиента, структурируются. Данные, которые не подходят, например, естественный язык, не структурированы. Понимание разницы между этими типами данных имеет решающее значение для понимания того, какие формы ИИ подходят для данного бизнес-кейса.

Блокировка и устранение с помощью автоматизации бизнес-процессов

Для большинства компаний самой простой и наименее рискованной отправной точкой для использования ИИ является автоматизация бизнес-процессов. Такие процессы, состоящие из рутинных задач, требующих небольшого интеллекта и, возможно, не требующих человеческих усилий, оправдывают инвестиции в технологии, которые устраняют или значительно сокращают участие человека. Компании и сотрудники получают выгоду тремя различными способами:

1. Сотрудники сосредотачивают усилия на более важных задачах и решении проблем.
2. Компании получают положительную рентабельность инвестиций за счет минимальных текущих эксплуатационных расходов.
3. Качество процесса улучшается за счет отсутствия человеческой ошибки.

RPA управляет несколькими рабочими потоками в страховой отрасли

Для компаний, которые уже оптимизируют простые внутренние процедуры, такие как возмещение расходов, более сложные возможности могут обеспечить высокую рентабельность инвестиций. Например, в страховой отрасли создание страховых предложений и обработка страховых требований представляют собой идеальные варианты использования RPA.

При заключении полиса страховые компании должны сбалансировать риск и вознаграждение. По существу, в среднем чистая текущая стоимость страховых премий должна превышать стоимость требований. Во время андеррайтинга страховые компании оценивают компонент риска этого уравнения, помогая им предсказать сроки и величину будущих обязательств.

Андеррайтинг исторически был ручным процессом, аналитические требования которого контролировались актуариями. Теперь такая работа все чаще выполняется автоматически и под контролем специалистов по данным, которые используют новые источники данных для лучшего прогнозирования рисков. Например, в автомобильной промышленности страховщики исторически оценивали истории убытков, которые представляют собой записи прошлых страховых случаев для данного водителя. Страховщики начали включать кредитные баллы водителей в свой анализ рисков, признавая, что высокие баллы положительно коррелируют с безопасным вождением и соразмерно снижают убытки.

Размышляя о примере с андеррайтингом, Ногейра отмечает, что «когда компании думают, что им нужен ИИ, им часто действительно нужны специалисты по данным».

Для Ногейры процесс расчета стоимости страховки хорошо знаком как на профессиональном, так и на личном уровне. Ученый, работающий с данными, с опытом работы в страховой отрасли и энтузиаст мотоциклов, недавно объехавший Португалию, он делится анекдотом, который может быть связан с любым водителем или домовладельцем: «Если мне нужно сменить мотоцикл, что я люблю делать часто, я выйти в сеть в ряд страховых компаний и поделиться своими данными через их онлайн-анкеты».

После отправки данные попадают в «модель, которая находится где-то в бэкэнде и анализирует мой профиль риска в соответствии с одной или несколькими моделями, а затем предоставляет мне расценки». В те секунды, которые требуются для получения такой котировки, весь анализ выполняется автоматически, вмешательство человека прерывается только в случае выбросов данных.

Автоматизация также управляет последующими рабочими процессами в жизненном цикле страхового клиента, особенно в процессе рассмотрения претензий. Когда страховой клиент подает претензию, страховая компания решает, следует ли полностью оплатить, частично оплатить или отклонить претензию. В процессе часто участвуют несколько внешних сторон, включая клиента страховой компании и поставщика услуг, например, больницу в случае здравоохранения или ремонтную мастерскую в случае автомобиля.

В автомобильной промышленности рассмотрение претензий зависит от проверки повреждения транспортного средства, определения стоимости ремонта, выбора ремонтной мастерской и оплаты ремонта. Для оценок ремонта фотографии играют решающую роль в процессе подачи претензий. Специалист по урегулированию убытков фотографирует разбитый автомобиль, как и мастерская - как до, так и после ремонта. Эти фотографии служат доказательством повреждения, ремонта и основанием для возмещения.

Исторически эти фотографии интерпретировались исключительно людьми, но теперь программное обеспечение для распознавания изображений в сочетании с автоматизацией на основе правил предоставляет критически важную информацию специалисту по урегулированию убытков, что позволяет ускорить ремонт и покрытие.

Наука о данных — это рабочая лошадка, а специалисты по обработке и анализу данных — это движущая сила.

По словам Ногейры, компании должны «определить, что можно легко автоматизировать, а что необходимо передать лицам, принимающим решения». В любом процессе, который рассматривается для автоматизации, продолжает он, «сначала посмотрите на данные и выясните правила».

Хотя он признает, что области науки о данных и ИИ сливаются, для урегулирования бизнеса Ногейра разграничивает их:

«Наука о данных — это ИИ, применяемый к реальным сценариям и общим потребностям бизнеса. Это больше связано с пониманием данных, управлением ими, обеспечением их доступности, простотой обработки и, в конечном итоге, руководством для принятия решений заинтересованными сторонами компании».

Такая работа часто сводится к очистке и сопоставлению разрозненных наборов данных — задача не из легких — с последующим применением статистического анализа, такого как логистическая регрессия, для получения более точных прогнозов и решений.

Напротив, ИИ гораздо больше ориентирован на исследования и подходит для анализа неструктурированных данных. «Представьте себе действительно сложный проект, в котором много неопределенности, например, попытка построить модель, которая определяет, сколько людей может прийти в супермаркет, на основе шаблонов ходьбы, видео с камер видеонаблюдения и сенсорных данных».

В конечном счете, эта модель может предсказать, как люди совершают покупки, что они ищут и как позиционировать продукты относительно друг друга, оптимизируя план этажа для максимизации прибыли. Хотя такой проект «голубого неба», в случае успеха, несомненно, был бы полезен для ритейлеров, он также потребовал бы команды из нескольких экспертов и легко мог бы стоить в несколько раз больше, чем инициатива, основанная на науке о данных. В случае с розничной торговлей компания может сосредоточиться на одном или нескольких наиболее важных компонентах прогностической модели, например, на оптимизации часов работы магазина по отношению к посещаемости и эксплуатационным расходам.

Критическая отправная точка для создания потенциала в области науки о данных — это привлечение на борт нужного типа и количества талантов. К счастью, по словам Ногейры, большинству компаний «не нужна большая команда суперэкспертов-разработчиков для выполнения многих распространенных задач автоматизации, особенно если учесть количество доступных API и SDK».

Хотя такие готовые технологии предоставляют мощные инструменты, очень важно, чтобы ими владели правильные руки. Здесь Ногейра предостерегает: «эти инструменты на самом деле могут быть проблемой, потому что многие люди используют их не так, как следует, потому что они их не понимают».

Он отмечает, что опасность заключается в «переоснащении моделей данных», которое возникает в результате применения модели к данным таким образом, что не учитывается весь спектр возможностей. Такое чрезмерное обучение, предупреждает он, «может в конечном итоге дорого обойтись бизнесу, потому что в ситуациях, с которыми вы раньше не сталкивались, модель плохо обобщается, что может привести к принятию неверных решений по данным».

Чтобы избежать подобных ловушек, Ногейра рекомендует компаниям нанимать опытных специалистов по данным. Всем компаниям, стремящимся раскрыть ценность данных о клиентах или операционных данных, «нужен человек, хорошо разбирающийся в статистике и обладающий достаточной деловой хваткой, чтобы понимать варианты использования и в чем ценность заключается в бизнесе». С точки зрения полномочий, солидный специалист по данным обычно имеет как минимум степень бакалавра в области математики или статистики, сильные способности к кодированию и может анализировать вариант использования в бизнесе, чтобы определить, где наука о данных может оказать наибольшее влияние.

Прощальные мысли

Хотя наука о данных представляет собой убедительную отправную точку с точки зрения риска и вознаграждения, стоит изучить и более широкий спектр технологий ИИ. Руководители предприятий должны рассматривать науку о данных как объединяющую точку, вокруг которой можно начать внутренний разговор об ИИ.

По мере того, как они реализуют истории успеха автоматизации бизнес-процессов, им следует рассмотреть возможность расширения области применения, включив в нее более сложные варианты использования, возможно, лучше подходящие для альтернативных технологий искусственного интеллекта. В последующих статьях Insights исследует более широкий ландшафт ИИ, помогая руководителям ориентироваться в области, которая, несомненно, принесет большую прибыль.