Kurumsal Başlangıç ​​Noktası: Veri Bilimi ve Yapay Zeka

Hızla genişleyen yapay zeka ve veri bilimi alanı, potansiyelinden yararlanmayı umut eden şirketler için göz korkutucu bir seçenek listesi sunuyor. Makine öğrenimi, derin öğrenme, doğal dil işleme, sinir ağları, robotik süreç otomasyonu ve daha birçok ezoterik varyant, manşetleri ve teknik incelemeleri dolduruyor.

Mucizevi hesaplama gücü sağlamanın zirvesinde olan bu teknolojiler, yöneticilerden bunları benimsemelerini veya şirketlerini kısa sürede bunu yapanların geride bıraktığını bulmalarını istiyor. Tüm bölümleri yapay zekaya ayrılmış birkaç seçkin şirket için, bu tür teknolojiyi kullanım durumlarına göre uyarlamak günlük bir iştir. Ancak büyük çoğunluk için nereden başlayacağını bilmek daha az kolay.

Bu makalede, Toptal yöneticileri, ortak iş ihtiyaçlarına yapay teknoloji ile ilgili çözümlerin pratik uygulamasına ilişkin bakış açısını paylaşıyor.

Makine öğrenimi ve veri biliminde uzman olan Pedro Nogueira, yeni başlayan şirketlere canlandırıcı haberler sunuyor: ilk çözüm genellikle basit, nispeten düşük maliyetli ve finansal olarak birikiyor. Nogueira'nın perspektifini tamamlayan Toptal Enterprise ekibi, şirketlerin rutin iş akışlarını düzenlemelerine yardımcı olan robotik süreç otomasyonundaki son trendleri vurguluyor.

Robotik Süreç Otomasyonu ve Yapay Zeka: Farklı görevler için araçlar

Nogueira tarafından paylaşılan tavsiyeyi çerçevelemek için Robotik Süreç Otomasyonu (RPA) ve Yapay Zeka (AI) arasındaki farkı ve her yaklaşımın işlemek için en uygun olduğu veri türlerini anlamak faydalı olacaktır.

RPA ve AI, gerçekleştirdikleri işlere göre farklılık gösterir. Bir yazılım robotu olan RPA, bir montaj hattı çalışanı veya makine tarafından gerçekleştirilenlere benzer tekrarlayan görevlerde üstündür. Tersine, AI, daha az yapılandırılmış ortamlar için en uygunudur ve insan yargısı ve karar verme için temel olan analitik yeteneği çoğaltır.

Tanım olarak, iki yaklaşım da farklıdır. Endüstri uzmanlarından oluşan uluslararası bir kuruluş olan IEEE Standards Association, bunları şu şekilde tanımlamaktadır:

RPA: süreçlerin, etkinliklerin, işlemlerin ve görevlerin bir kombinasyonunun özerk yürütülmesini tamamlamak için iş kurallarını ve önceden tanımlanmış etkinliği kullanan önceden yapılandırılmış yazılım.

AI: bilişsel otomasyon, makine öğrenimi (ML), akıl yürütme, hipotez oluşturma ve analiz, doğal dil işleme ve kasıtlı algoritma mutasyonunun, insan kapasitesinde veya üzerinde içgörü ve analitik üreten kombinasyonu.

RPA genellikle yapay zekanın bir alt kümesi olarak kabul edilir ve tekrarlayan rutinleri hedefler. Kritik fark, RPA'nın öğrenmemesi, AI'nın ise değişen çevresel girdilere yanıt olarak etkinliğini değiştirerek kendi kendini değiştirebilmesidir.

Sonuç olarak, AI yapılandırılmamış veya yarı yapılandırılmış verileri işlerken, RPA yüksek düzeyde yapılandırılmış veriler için en uygunudur. Aşağıda özetlenen iki veri türü arasındaki farkı, bir elektronik tablo veritabanı oluşturan herkes için kavraması kolaydır.

Müşteri iletişim bilgileri gibi böyle bir elektronik tabloya tam olarak uyan veriler yapılandırılmıştır. Doğal dil gibi uymayan veriler yapılandırılmamıştır. Bu veri türleri arasındaki farkı anlamak, belirli bir iş senaryosu için hangi yapay zeka biçimlerinin uygun olduğunu anlamak için kritik öneme sahiptir.

İş süreci otomasyonu ile engelleme ve mücadele

Çoğu şirket için yapay zekadan yararlanmanın en kolay ve en az riskli başlangıç ​​noktası iş süreci otomasyonudur. Çok az zeka gerektiren ve muhtemelen insan çabası gerektirmeyen sıradan görevlerden oluşan bu tür süreçler, insan katılımını ortadan kaldıran veya önemli ölçüde azaltan teknolojiye yatırımı haklı çıkarır. Şirketler ve çalışanlar, üç farklı şekilde fayda sağlayabilir:

1. Çalışanlar çabalarını daha yüksek değerli görevlere ve problem çözmeye odaklarlar.
2. Şirketler, minimum devam eden işletme maliyetinden pozitif yatırım getirisi elde eder.
3. İnsan hatası olmaması nedeniyle süreç kalitesi iyileşir.

RPA, sigorta endüstrisinde birden fazla iş akışını yönlendiriyor

Halihazırda gider geri ödemesi gibi basit dahili prosedürleri düzene sokan şirketler için, daha karmaşık fırsatlar yüksek yatırım getirisi için potansiyel barındırmaktadır. Örneğin sigorta endüstrisinde, sigorta teklifleri oluşturmak ve sigorta taleplerini işleme koymak, RPA için mükemmel kullanım örnekleri sunar.

Bir poliçeyi taahhüt ederken, sigorta şirketleri risk ve ödülü dengelemelidir. Esasen, ortalama olarak poliçe primlerinin net bugünkü değeri, taleplerin net değerini aşmalıdır. Sigortalama sırasında, sigorta şirketleri bu denklemin risk bileşenini tahmin ederek gelecekteki yükümlülüklerin zamanlamasını ve büyüklüğünü tahmin etmelerine yardımcı olur.

Underwriting, tarihsel olarak, analitik gereksinimleri aktüerler tarafından denetlenen manuel bir süreç olmuştur. Artık bu tür çalışmalar, riski daha iyi tahmin etmek için yeni veri kaynaklarından yararlanan veri bilimcilerinin gözetimi ile giderek artan bir şekilde otomatik olarak gerçekleştirilmektedir. Örneğin, otomobil endüstrisinde sigortacılar, belirli bir sürücü için geçmiş sigorta taleplerinin kayıtları olan kayıp geçmişlerini tarihsel olarak değerlendirdi. Sigortacılar, yüksek puanların güvenli sürüşle olumlu bir şekilde ilişkili olduğunu ve orantılı olarak daha düşük kayıpları kabul ederek, sürücü kredi puanlarını risk analizlerine dahil etmeye başladılar.

Sigortacılık örneğini yansıtan Nogueira, "şirketler yapay zekaya ihtiyaçları olduğunu düşündüklerinde, genellikle veri bilimcilerine ihtiyaç duyarlar" diyor.

Nogueira için sigorta teklifi süreci hem profesyonel hem de kişisel düzeyde oldukça tanıdık. Sigorta sektöründe proje deneyimi olan bir veri bilimcisi ve yakın zamanda Portekiz'i gezen bir motosiklet tutkunu, herhangi bir sürücünün veya ev sahibinin ilişkilendirebileceği bir anekdotu paylaşıyor: "Sık sık yapmayı sevdiğim motosikletleri değiştirmem gerekirse, bir dizi sigorta şirketine çevrimiçi ol ve çevrimiçi anketleri aracılığıyla verilerimi paylaş."

Veriler gönderildikten sonra "arka uçta bir yerde yaşayan ve bir veya birkaç modele göre risk profilimi analiz eden ve ardından bana bir teklif veren bir model" girer. Böyle bir teklifin alınması için geçen saniyeler içinde, tüm analizler otomatiktir ve yalnızca veri aykırı değerler olması durumunda insan müdahalesi ile geçersiz kılınır.

Otomasyon ayrıca, özellikle hasar süreci sırasında, sigorta müşteri yaşam döngüsündeki aşağı akış iş akışlarını da yönlendirir. Bir sigorta müşterisi bir talepte bulunduğunda, sigorta şirketi talebin tamamını mı, kısmen mi ödeyeceğini veya reddedeceğini belirler. Süreç genellikle sigorta müşterisi ve hizmet sağlayıcısı dahil olmak üzere birden fazla harici tarafı içerir, örneğin sağlık durumunda bir hastane veya otomobil durumunda bir tamirhane.

Otomobil endüstrisinde, hak taleplerinin değerlendirilmesi, bir araca verilen hasarın doğrulanmasına, onarım maliyetlerinin belirlenmesine, onarım atölyesinin seçilmesine ve onarım için ödeme yapılmasına bağlıdır. Onarım tahminleri için fotoğraflar, talep sürecinde kritik bir rol oynar. Hasar ekspertizi, tamirhanenin yaptığı gibi, hem onarım yapılmadan önce hem de yapıldıktan sonra enkaz halindeki aracın fotoğraflarını çeker. Bu fotoğraflar hasar, onarım ve geri ödeme için temel kanıt sağlar.

Tarihsel olarak, bu fotoğraflar yalnızca insanlar tarafından yorumlandı, ancak şimdi, kural tabanlı otomasyonla birleştirilmiş görüntü tanıma yazılımı, hasar ayarlayıcıya kritik bilgiler sunarak daha hızlı onarım ve kapsama alanı sağlıyor.

Veri bilimi beygir gücüdür ve Veri Bilimcileri sürücülerdir

Nogueira'ya göre, şirketler "nelerin kolayca otomatikleştirilebileceğini ve nelerin insan karar vericilere iletilmesi gerektiğini tanımlamalıdır". Otomasyon için düşünülen herhangi bir süreç söz konusu olduğunda, "önce verilere bakın ve kuralları anlayın" diye devam ediyor.

Veri bilimi ve yapay zeka alanlarının birleştiğini kabul etse de, Nogueira işi çözmek için ikisini betimliyor:

“Veri bilimi, gerçek dünya senaryolarına ve ortak iş ihtiyaçlarına uygulanan yapay zekadır. Verileri anlamak, yönetmek, hazır hale getirmek, işlemek için kolay hale getirmek ve nihayetinde şirket paydaşları tarafından karar vermek için bir rehber yapmakla daha çok ilgisi var. ”

Bu tür çalışmalar genellikle farklı veri kümelerini temizlemek ve harmanlamaktan ibarettir - kolay bir iş değildir - ve daha sonra daha iyi tahminler ve kararlar almak için lojistik regresyon gibi istatistiksel analizler uygulamak.

Buna karşılık, AI çok daha araştırma odaklı ve yapılandırılmamış veri analizi için uygundur. "Gerçekten karmaşık bir proje hayal edin, çok fazla belirsizliği olan bir proje, örneğin yürüyüş kalıplarına, CCTV videosuna ve duyusal verilere dayalı olarak bir süpermarkete kaç kişinin gelebileceğini belirleyen bir model oluşturmaya çalışıyor."

Sonuç olarak, bu model, insanların nasıl alışveriş yaptığını, ne aradıklarını ve ürünleri birbirine göre nasıl konumlandıracaklarını tahmin edebilir ve kat planını karı maksimize edecek şekilde optimize edebilir. Böyle bir "mavi gökyüzü" projesi, başarılı olursa, şüphesiz perakendeciler için değerli olsa da, aynı zamanda birden fazla uzmandan oluşan bir ekip gerektirecek ve kolayca veri bilimi tabanlı bir girişimin katlarına mal olabilir. Perakende durumunda, bir şirket tahmine dayalı modelin en kritik bileşenlerinden birine veya birkaçına odaklanabilir - örneğin, mağaza saatlerini yaya trafiğine ve işletme maliyetlerine göre optimize etmek.

Veri bilimi yeteneği oluşturmanın kritik başlangıç ​​noktası, doğru türde ve sayıda yeteneği bir araya getirmektir. Neyse ki Nogueira'ya göre, çoğu şirket "özellikle mevcut API'lerin ve SDK'ların sayısını göz önünde bulundurursanız, ortak otomasyonların çoğunu yapmak için süper uzman geliştiricilerden oluşan büyük bir ekibe ihtiyaç duymaz."

Bu tür kullanıma hazır teknolojiler güçlü araçlar sağlarken, bunların doğru eller tarafından kullanılması çok önemlidir. Burada Nogueira bir uyarı sözü veriyor: "bu araçlar aslında bir sorun olabilir, çünkü pek çok insan onları kullanmaması gereken şekillerde kullanıyor, çünkü onları anlamıyorlar."

Tehlikenin, tüm olasılıklar yelpazesini hesaba katmayan bir şekilde verilere bir model uygulamaktan kaynaklanan "veri modellerinin fazla uydurulması"nda yattığını belirtiyor. Bu tür aşırı eğitim, "iş için son derece maliyetli olabilir, çünkü daha önce görmediğiniz durumlarda, model iyi genellenemez ve bu da veriler üzerinde yanlış kararlar alınmasına neden olabilir" diye uyarıyor.

Bu tür tuzaklardan kaçınmak için Nogueira, şirketleri deneyimli veri bilimcileri işe almaya teşvik ediyor. Müşteri verilerinin veya operasyonel verilerin değerini ortaya çıkarmak isteyen tüm şirketler, "istatistikleri iyi kavrayan ve kullanım durumlarını ve değerin işin neresinde olduğunu anlamak için yeterli iş zekasına sahip bir kişiye ihtiyaç duyar." Kimlik bilgileri açısından bakıldığında, sağlam bir veri bilimcisi genellikle en az matematik veya istatistik alanında lisans derecesine, güçlü bir kodlama becerisine sahiptir ve veri biliminin en fazla etkiyi nerede sağlayabileceğini belirlemek için bir iş kullanım senaryosunu analiz edebilir.

Ayrılık düşünceleri

Veri bilimi, risk/ödül perspektifinden çekici bir başlangıç ​​noktası sunarken, AI teknolojilerinin daha geniş manzarası da keşfedilmeye değer. Kurumsal yöneticiler, veri bilimini yapay zeka hakkında şirket içi konuşmayı başlatmak için toplanma noktası olarak görmelidir.

İş süreci otomasyonu ile başarı hikayelerini fark ettiklerinde, kapsamı daha zorlu kullanım örneklerini içerecek şekilde genişletmeyi, belki de alternatif AI teknolojilerine daha uygun hale getirmeyi düşünmelidirler. Sonraki makalelerde Insights, daha geniş AI ortamını keşfederek yöneticilerin şüphesiz güçlü getiriler sağlayacak bir alanda gezinmesine yardımcı olacak.