Ο ταχέως αναπτυσσόμενος τομέας της τεχνητής νοημοσύνης και της επιστήμης δεδομένων παρουσιάζει μια τρομακτική λίστα επιλογών για εταιρείες που ελπίζουν να αξιοποιήσουν τις δυνατότητές της. Μηχανική εκμάθηση, βαθιά μάθηση, επεξεργασία φυσικών γλωσσών, νευρωνικά δίκτυα, αυτοματοποίηση ρομποτικής διαδικασίας και πολλές άλλες εσωτερικές παραλλαγές γεμίζουν πρωτοσέλιδα και λευκές βίβλους.

Στο τέλος της παροχής θαυματουργικής υπολογιστικής δύναμης, αυτές οι τεχνολογίες παρακινούν τα στελέχη να τις υιοθετήσουν ή να βρουν τις εταιρείες τους σύντομα εκτός από εκείνους που το κάνουν. Για επιλεγμένες λίγες εταιρείες με ολόκληρα τμήματα αφιερωμένα στην AI , η προσαρμογή αυτής της τεχνολογίας σε περιπτώσεις χρήσης είναι καθημερινή δουλειά. Αλλά για τη συντριπτική πλειοψηφία, το να ξέρεις από πού να ξεκινήσεις είναι λιγότερο απλό.

Σε αυτό το άρθρο, τα στελέχη του ApeeScape μοιράζονται προοπτικές για την πρακτική εφαρμογή λύσεων που σχετίζονται με την τεχνητή τεχνολογία σε κοινές επιχειρηματικές ανάγκες.

Pedro Nogueira , ειδικός στη μηχανική μάθηση και την επιστήμη των δεδομένων, προσφέρει αναζωογονητικά νέα σε νεοεισερχόμενες εταιρείες: η πρώτη λύση είναι συχνά απλή, σχετικά χαμηλού κόστους και οικονομικά προστιθέμενη. Συμπληρώνοντας την προοπτική της Nogueira, η ομάδα του ApeeScape Enterprise επισημαίνει τις πρόσφατες τάσεις στον αυτοματισμό ρομποτικής διαδικασίας, η οποία βοηθά τις εταιρείες να εξορθολογίσουν τις συνήθεις ροές εργασίας.

Αυτοματοποίηση ρομποτικής διαδικασίας και AI: Εργαλεία για διαφορετικές εργασίες

Για να διαμορφώσετε τις συμβουλές που μοιράστηκε η Nogueira, είναι χρήσιμο να κατανοήσετε τη διαφορά μεταξύ του Robotic Process Automation (RPA) και της Τεχνητής Νοημοσύνης (AI) και των τύπων δεδομένων που κάθε προσέγγιση προσεγγίζει καλύτερα.

Το RPA και το AI διαφέρουν ανάλογα με τις εργασίες που εκτελούν. Ένα ρομπότ λογισμικού, το RPA υπερέχει σε επαναλαμβανόμενες εργασίες ανάλογες με εκείνες που εκτελούνται από έναν εργαζόμενο σε γραμμή συναρμολόγησης ή μηχανή. Αντιστρόφως, το AI είναι πιο κατάλληλο για λιγότερο δομημένα περιβάλλοντα, αναπαράγοντας την αναλυτική ικανότητα θεμελιώδη για την ανθρώπινη κρίση και τη λήψη αποφάσεων.

Οπωσδήποτε, οι δύο προσεγγίσεις είναι επίσης διαφορετικές. Η IEEE Standards Association, ένας διεθνής οργανισμός που αποτελείται από εμπειρογνώμονες της βιομηχανίας, τα ορίζει ως εξής:

RPA: προρυθμισμένο λογισμικό που χρησιμοποιεί επιχειρηματικούς κανόνες και προκαθορισμένη δραστηριότητα για την ολοκλήρωση της αυτόνομης εκτέλεσης ενός συνδυασμού διαδικασιών, δραστηριοτήτων, συναλλαγών και εργασιών.

AI: ο συνδυασμός της γνωστικής αυτοματοποίησης, της μηχανικής μάθησης (ML), της συλλογιστικής, της δημιουργίας και της ανάλυσης υπόθεσης, της επεξεργασίας φυσικής γλώσσας και της σκόπιμης μετάλλαξης αλγορίθμων που παράγουν πληροφορίες και αναλυτικά στοιχεία πάνω ή πάνω από την ανθρώπινη ικανότητα.

Το RPA θεωρείται γενικά ένα υποσύνολο της AI και ένα που στοχεύει επαναλαμβανόμενες ρουτίνες. Η κρίσιμη διαφορά είναι ότι το RPA δεν μαθαίνει, ενώ το AI μπορεί να τροποποιηθεί μόνος του, αλλάζοντας τη δραστηριότητά του ως απόκριση σε διαφορετικές περιβαλλοντικές εισόδους.

Ως αποτέλεσμα, το RPA ταιριάζει καλύτερα σε πολύ δομημένα δεδομένα, ενώ το AI χειρίζεται μη δομημένα ή ημι-δομημένα δεδομένα. Η διαφορά μεταξύ των δύο τύπων δεδομένων, που συνοψίζεται παρακάτω, είναι εύκολο να κατανοηθεί για όποιον έχει δημιουργήσει μια βάση δεδομένων υπολογιστικών φύλλων.

Τα δεδομένα που ταιριάζουν τακτοποιημένα σε ένα τέτοιο υπολογιστικό φύλλο - όπως τα στοιχεία επικοινωνίας των πελατών - είναι δομημένα. Τα δεδομένα που δεν ταιριάζουν - όπως η φυσική γλώσσα - δεν είναι δομημένα. Η εκτίμηση της διαφοράς μεταξύ αυτών των τύπων δεδομένων είναι ζωτικής σημασίας για την κατανόηση των μορφών AI που είναι κατάλληλες για μια δεδομένη επιχειρηματική περίπτωση.

Αποκλεισμός και αντιμετώπιση αυτοματισμού επιχειρηματικής διαδικασίας

Για τις περισσότερες εταιρείες, το ευκολότερο και λιγότερο ριψοκίνδυνο σημείο εκκίνησης για την αξιοποίηση της τεχνητής νοημοσύνης είναι ο αυτοματισμός της επιχειρηματικής διαδικασίας. Αποτελείται από τεράστιες εργασίες που απαιτούν λίγη νοημοσύνη και πιθανώς καμία ανθρώπινη προσπάθεια, τέτοιες διαδικασίες δικαιολογούν την επένδυση σε τεχνολογία που εξαλείφει ή μειώνει σημαντικά τη συμμετοχή του ανθρώπου. Οι εταιρείες και οι εργαζόμενοι επωφελούνται με τρεις διακριτούς τρόπους:

1. Οι εργαζόμενοι εστιάζουν την προσπάθεια σε εργασίες υψηλότερης αξίας και στην επίλυση προβλημάτων.
2. Οι εταιρείες πραγματοποιούν θετική απόδοση επένδυσης (ROI) από το ελάχιστο τρέχον λειτουργικό κόστος.
3. Η ποιότητα της διαδικασίας βελτιώνεται λόγω έλλειψης ανθρώπινου σφάλματος.

Το RPA οδηγεί πολλές ροές εργασίας στον ασφαλιστικό κλάδο

Για εταιρείες που απλοποιούν ήδη απλές εσωτερικές διαδικασίες όπως αποζημίωση εξόδων , πιο περίπλοκες ευκαιρίες έχουν υψηλό ROI. Στον ασφαλιστικό κλάδο, για παράδειγμα, η δημιουργία ασφαλιστικών προσφορών και η επεξεργασία ασφαλιστικών απαιτήσεων αποτελούν περιπτώσεις τέλειας χρήσης για RPA.

Όταν αναλαμβάνουν συμβόλαιο, οι ασφαλιστικές εταιρείες πρέπει να εξισορροπούν τον κίνδυνο και την ανταμοιβή Ουσιαστικά, κατά μέσο όρο το καθαρή παρούσα αξία των ασφαλίστρων πολιτικής πρέπει να υπερβαίνουν αυτό των απαιτήσεων. Κατά τη διάρκεια της αναδοχής, οι ασφαλιστικές εταιρείες εκτιμούν το στοιχείο κινδύνου αυτής της εξίσωσης, βοηθώντας τους να προβλέψουν το χρονοδιάγραμμα και το μέγεθος των μελλοντικών υποχρεώσεων.

Η αναδοχή ήταν ιστορικά μια χειροκίνητη διαδικασία, της οποίας οι αναλυτικές απαιτήσεις έχουν ελεγχθεί από αναλογιστές . Τώρα τέτοια δουλειά γίνεται όλο και περισσότερο εκτελείται αυτόματα και με την επίβλεψη των επιστημόνων δεδομένων που βασίζονται σε νέες πηγές δεδομένων για την καλύτερη πρόβλεψη του κινδύνου. Για παράδειγμα, στην αυτοκινητοβιομηχανία, οι ασφαλιστές αξιολόγησαν ιστορικά τα ιστορικά ζημιών, τα οποία είναι αρχεία προηγούμενων ασφαλιστικών απαιτήσεων για έναν συγκεκριμένο οδηγό. Οι ασφαλιστές άρχισαν να ενσωματώνουν τα αποτελέσματα πιστωτικών οδηγών στην ανάλυση κινδύνου τους, αναγνωρίζοντας ότι οι υψηλές βαθμολογίες συσχετίζονται θετικά με την ασφαλή οδήγηση και αντίστοιχα χαμηλότερες απώλειες.

Αναφερόμενος στο παράδειγμα αναδοχής, η Nogueira σημειώνει «όταν οι εταιρείες πιστεύουν ότι χρειάζονται AI, συχνά χρειάζονται πραγματικά επιστήμονες δεδομένων».

Για τη Nogueira, η διαδικασία ασφαλιστικών προσφορών είναι αρκετά οικεία τόσο σε επαγγελματικό όσο και σε προσωπικό επίπεδο. Ένας επιστήμονας δεδομένων με εμπειρία στο χώρο της ασφαλιστικής βιομηχανίας και ένας ενθουσιώδης μοτοσικλέτας που περιοδεύτηκε πρόσφατα στην Πορτογαλία, μοιράζεται ένα ανέκδοτο με το οποίο μπορεί να συσχετιστεί οποιοσδήποτε οδηγός ή ιδιοκτήτης σπιτιού: πηγαίνετε στο διαδίκτυο σε ένα σύνολο ασφαλιστικών εταιρειών και μοιραστείτε τα δεδομένα μου μέσω των διαδικτυακών ερωτηματολογίων τους. '

Μόλις υποβληθούν, τα δεδομένα εισάγουν 'ένα μοντέλο που ζει κάπου στο backend και αναλύει το προφίλ κινδύνου μου σύμφωνα με ένα ή περισσότερα μοντέλα και έπειτα μου παρέχει ένα απόσπασμα'. Στα δευτερόλεπτα που χρειάζεται για να λάβετε ένα τέτοιο απόσπασμα, όλη η ανάλυση είναι αυτόματη, αντικαθίσταται με ανθρώπινη παρέμβαση μόνο στην περίπτωση των ακραίων δεδομένων.

Ο αυτοματισμός οδηγεί επίσης τις μεταγενέστερες ροές εργασιών στον κύκλο ζωής των ασφαλιστικών πελατών, ιδίως κατά τη διαδικασία διεκδίκησης. Όταν ένας ασφαλιστικός πελάτης υποβάλλει αξίωση, η ασφαλιστική εταιρεία καθορίζει εάν θα πληρώσει πλήρως, θα πληρώσει εν μέρει ή θα αρνηθεί την αξίωση. Η διαδικασία συχνά περιλαμβάνει πολλαπλά εξωτερικά μέρη, συμπεριλαμβανομένου του ασφαλιστικού πελάτη και του παρόχου υπηρεσιών, για παράδειγμα νοσοκομείο στην περίπτωση υγειονομικής περίθαλψης ή κατάστημα επισκευής στην περίπτωση αυτοκινήτων.

Στην αυτοκινητοβιομηχανία, η διεκδίκηση των αξιώσεων εξαρτάται από την επαλήθευση ζημιάς σε ένα όχημα, τον καθορισμό του κόστους επισκευής, την επιλογή του συνεργείου και την πληρωμή για την επισκευή. Για εκτιμήσεις επισκευής, οι φωτογραφίες παίζουν κρίσιμο ρόλο στη διαδικασία αξιώσεων. Ο ρυθμιστής αξιώσεων τραβά φωτογραφίες του ναυαγίου οχήματος, όπως και το συνεργείο - τόσο πριν όσο και μετά την επισκευή. Αυτές οι φωτογραφίες παρέχουν τα αποδεικτικά στοιχεία ζημιάς, επισκευής και τη βάση αποζημίωσης.

Ιστορικά, αυτές οι φωτογραφίες ερμηνεύθηκαν αποκλειστικά από ανθρώπους, αλλά τώρα, σε συνδυασμό με λογισμικό αναγνώρισης εικόνας αυτοματοποίηση βάσει κανόνων παρέχει κρίσιμες πληροφορίες στον ρυθμιστή αξιώσεων, επιτρέποντας ταχύτερες επισκευές και κάλυψη.

Η επιστήμη δεδομένων είναι το άλογο εργασίας και οι Επιστήμονες δεδομένων είναι οι οδηγοί

Οι εταιρείες πρέπει να «ορίσουν τι μπορεί να αυτοματοποιηθεί εύκολα και τι πρέπει να επεκταθεί στους ανθρώπους που λαμβάνουν αποφάσεις», σύμφωνα με τη Nogueira. Με οποιαδήποτε διαδικασία υπό εξέταση για αυτοματοποίηση, συνεχίζει, 'πρώτα κοιτάξτε τα δεδομένα και καταλάβετε τους κανόνες.'

Ενώ παραδέχεται ότι τα πεδία της επιστήμης δεδομένων και της τεχνητής νοημοσύνης συγχωνεύονται, για την επιχείρηση εγκατάστασης, η Nogueira οριοθετεί τα δύο:

«Η επιστήμη δεδομένων εφαρμόζεται στο AI σε σενάρια πραγματικού κόσμου και κοινές επιχειρηματικές ανάγκες. Έχει να κάνει περισσότερο με την κατανόηση των δεδομένων, τη διαχείρισή τους, τα καθιστά άμεσα διαθέσιμα, την εύκολη επεξεργασία και, τελικά, έναν οδηγό για τη λήψη αποφάσεων από τα ενδιαφερόμενα μέρη της εταιρείας. '

Αυτή η εργασία συχνά ισοδυναμεί με τον καθαρισμό και τη συλλογή διαφορετικών συνόλων δεδομένων - χωρίς εύκολη εργασία - και στη συνέχεια με την εφαρμογή στατιστικής ανάλυσης, όπως η λογιστική παλινδρόμηση, για την προώθηση καλύτερων προβλέψεων και αποφάσεων.

Αντίθετα, η τεχνητή νοημοσύνη είναι πολύ πιο προσανατολισμένη στην έρευνα και είναι κατάλληλη για ανάλυση δομημένων δεδομένων. 'Φανταστείτε ένα πολύ περίπλοκο έργο, ένα με πολλή αβεβαιότητα, για παράδειγμα προσπαθώντας να φτιάξετε ένα μοντέλο που καθορίζει πόσους ανθρώπους μπορεί να έρθουν σε ένα σούπερ μάρκετ με βάση μοτίβα πεζοπορίας, βίντεο CCTV και αισθητήρια δεδομένα.'

Τελικά, αυτό το μοντέλο μπορεί να προβλέψει πώς οι άνθρωποι ψωνίζουν, τι αναζητούν και πώς να τοποθετούν προϊόντα σε σχέση μεταξύ τους, βελτιστοποιώντας την κάτοψη για να μεγιστοποιήσετε το κέρδος. Ενώ ένα τέτοιο έργο «γαλάζιος ουρανός», εάν είναι επιτυχές, αναμφίβολα θα ήταν πολύτιμο για τους λιανοπωλητές, θα απαιτούσε επίσης μια ομάδα πολλαπλών εμπειρογνωμόνων και θα μπορούσε εύκολα να κοστίσει πολλαπλάσια μιας πρωτοβουλίας που βασίζεται στην επιστήμη των δεδομένων. Στην περίπτωση λιανικής, μια εταιρεία μπορεί να επικεντρωθεί σε ένα ή μερικά από τα πιο κρίσιμα συστατικά του μοντέλου πρόβλεψης - για παράδειγμα, βελτιστοποίηση των ωρών καταστήματος σε σχέση με την κυκλοφοριακή κίνηση και το λειτουργικό κόστος.

Το κρίσιμο σημείο εκκίνησης για την οικοδόμηση της ικανότητας της επιστήμης δεδομένων είναι να ενσωματωθεί ο σωστός τύπος και αριθμός ταλέντων. Ευτυχώς, σύμφωνα με τη Nogueira, οι περισσότερες εταιρείες «δεν χρειάζονται μια μεγάλη ομάδα υπερ-ειδικών προγραμματιστών για να κάνουν πολλούς από τους κοινούς αυτοματισμούς, ειδικά αν λάβετε υπόψη τον αριθμό των API και SDK διαθέσιμος.'

Ενώ τέτοιες τεχνολογίες εκτός καταστημάτων παρέχουν ισχυρά εργαλεία, είναι κρίσιμο να προστατεύονται από τα σωστά χέρια. Εδώ, η Nogueira παρέχει μια προσοχή: «αυτά τα εργαλεία μπορεί στην πραγματικότητα να είναι ένα πρόβλημα, επειδή πολλοί άνθρωποι τα χρησιμοποιούν με τρόπους που δεν θα έπρεπε, γιατί δεν τα καταλαβαίνουν».

Ο κίνδυνος, σημειώνει, έγκειται στην «υπερπροσάρτηση μοντέλων δεδομένων», η οποία προκύπτει από την εφαρμογή ενός μοντέλου σε δεδομένα με τρόπο που δεν λαμβάνει υπόψη το πλήρες φάσμα δυνατοτήτων. Αυτή η υπερβολική εκπαίδευση, προειδοποιεί, 'μπορεί να καταλήξει να είναι εξαιρετικά δαπανηρή για την επιχείρηση, επειδή σε καταστάσεις που δεν έχετε ξαναδεί, το μοντέλο δεν γενικεύεται καλά, κάτι που μπορεί να οδηγήσει σε λανθασμένες αποφάσεις σχετικά με τα δεδομένα.'

Για να αποφευχθούν τέτοιες παγίδες, η Nogueira ενθαρρύνει τις εταιρείες να προσλάβουν έμπειρους επιστήμονες δεδομένων. Όλες οι εταιρείες που επιδιώκουν να ξεκλειδώσουν την αξία των πελατών ή των επιχειρησιακών δεδομένων «χρειάζονται ένα άτομο με καλή κατανόηση στατιστικών στοιχείων και αρκετό επιχειρηματικό πνεύμα για να κατανοήσουν τις περιπτώσεις χρήσης και όπου η αξία βρίσκεται στην επιχείρηση». Από τη σκοπιά των διαπιστευτηρίων, ένας σταθερός επιστήμονας δεδομένων έχει συνήθως τουλάχιστον πτυχίο στα μαθηματικά ή στα στατιστικά στοιχεία, ισχυρή ικανότητα κωδικοποίησης και μπορεί να αναλύσει μια υπόθεση επιχειρησιακής χρήσης για να προσδιορίσει πού η επιστήμη δεδομένων μπορεί να προσφέρει τον μεγαλύτερο αντίκτυπο.

Σκέψεις χωρισμού

Ενώ η επιστήμη των δεδομένων παρουσιάζει ένα συναρπαστικό σημείο εκκίνησης από την άποψη κινδύνου / ανταμοιβής, αξίζει επίσης να εξεταστεί το ευρύτερο τοπίο των τεχνολογιών AI. Τα στελέχη των επιχειρήσεων θα πρέπει να θεωρούν την επιστήμη δεδομένων ως το σημείο συγκέντρωσης για να ξεκινήσει η εσωτερική συνομιλία σχετικά με το AI.

ποιο είναι το προτεινόμενο μέγεθος μιας ομάδας scrum;

Καθώς συνειδητοποιούν ιστορίες επιτυχίας με αυτοματοποίηση επιχειρηματικών διαδικασιών, θα πρέπει να εξετάσουν το ενδεχόμενο επέκτασης του πεδίου εφαρμογής ώστε να περιλαμβάνουν πιο δύσκολες περιπτώσεις χρήσης, ίσως καλύτερα προσαρμοσμένες σε εναλλακτικές τεχνολογίες AI. Σε επόμενα άρθρα, το Insights θα εξερευνήσει το ευρύτερο τοπίο της τεχνητής νοημοσύνης, βοηθώντας τα στελέχη να πλοηγηθούν σε ένα πεδίο που αναμφίβολα θα προσφέρει ισχυρές αποδόσεις.