Jak skutecznie wykorzystać strategię AI w swoim biznesie
Sztuczna inteligencja (AI – Artificial Intelligence) zmieniła się z modnego terminu w rzeczywistość. Specjaliści od systemów uczenia maszynowego (ML – Machine Learning) dążą do rozwoju technologii opartych na sztucznej inteligencji. Wiele firmy, które obecnie nie posiadają kultury uczenia maszynowego, pracują nad stworzeniem planu, który wdroży w życie te nowe narzędzia, skutecznie dające przewagę nad konkurencją. W jaki sposób można by uruchomić strategię AI w swojej firmie pośród całego tego zamieszania związanego z modą na AI i obawy związanej z pozostaniem w tyle za konkurencją, która już zaczyna korzystać z wartości dostarczanej przez systemy ML/AI? Dziś wydaje się, że jest to często zadawane pytanie. Poniżej staramy się nieco bardziej zagłębić niektóre trudności, możliwości i potencjalne rezultaty, z jakimi borykają się organizacje podczas wdrażania AI.
Krytyczne problemy, przed którymi stoi dziś AI – Ludzie, Czas, Zaufanie
Rozwój ekosystemu AI w organizacji jest obarczony trudnościami. Trudności te można podzielić na trzy kategorie:
- Ludzie: Dla wielu firm w dzisiejszych czasach zebranie zespołu kompetentnych, utalentowanych ludzi jest jednym z ich najważniejszych priorytetów.
- Kolejnym kluczowym elementem jest Czas. Kluczowa jest ocena, jak szybko strategia AI może przynieść komercyjne rezultaty.
- Zaufanie: To pojęcie odnosi się do zaufania, jakie masz do swoich modeli uczenia maszynowego i zdolności do komunikowania wyników tych modeli interesariuszom i regulatorom.
Idąc po kolei (po podjęciu decyzji o wdrażaniu strategii korzystania z narzędzi AI/ML) warto wziąć pod uwagę pięć kolejnych kroków przybliżających do osiągania realnych korzyści z zastosowania AI. W każdym z nich konieczne jest odpowiedzenie sobie na kluczowe pytania jak taką strategię w naszym konkretnym przypadku wdrażać chcemy?
Budowanie kultury danych
Firmy muszą najpierw stworzyć kulturę danych, aby uzyskać dostęp do ogromnych ilości produkowanych danych i nadać im sens. Tworząc w firmie kulturę opartą na danych, należy pamiętać o następujących trzech podstawowych ideach:
Gromadzenie danych: Proaktywne gromadzenie danych to pierwszy krok w tworzeniu kultury danych. Do zbierania danych można obecnie wykorzystać szeroki zakres źródeł, w tym dział marketingu, działy sprzedaży, monitorowanie produktów, analitykę klienta itp. To w zasadzie służy jako ramy. Warto zastanowić się także nad tym jakie dane są bezpowrotnie tracone zaraz po ich stworzeniu, bo ich po prostu nie zapisujemy (!?) oraz jakimi, powszechnie dostępnymi danymi z zewnątrz organizacji możemy dysponować.
Udostępnianie danych: wszyscy w organizacji (oczywiście z zachowaniem zasad bezpieczeństwa) muszą mieć dostęp do zgromadzonych danych. Oznacza to, że dane powinny być prezentowane w sposób, który ułatwia użytkownikom radzenie sobie z nimi i uzyskiwanie z nich wartościowych spostrzeżeń.
Znalezienie utalentowanego zespołu ludzi potrafiących zrobić użytek z danych, ponieważ wykorzystanie danych to zasadniczo sport zespołowy. Oznacza to, że chociaż firmy szukają głownie specjalistów do tworzenia modeli i algorytmów, potrzebują również kogoś z otwartym umysłem, różnymi umiejętnościami technicznymi, kto może wydobyć cenne informacje z danych przed przekazaniem ich ekspertom od modeli i algorytmów. Można przeszkolić do tego obecnych pracowników, ponieważ posiadają oni już niezbędną do tego zadania wiedzę tematyczną. Wraz z coraz częstszym stosowaniem uczenia maszynowego w codziennym życiu firmy, następuje zarówno zmiana kulturowa, jak i biznesowa. Firmy mogą więc zatrudnić specjalistów od danych (Data Scientist) i pracować z grupą skompletowaną spośród obecnych, doświadczonych pracowników, w przeciwieństwie do koncepcji budowania nowego zespołu od początku.
(Problematyce gromadzenia i udostępniania danych poświęcimy osobny wpis, gdyż jest to fundamentalnie ważny, początkowy etap procesu wdrażania strategii wykorzystywania mechanizmów AI/ML).
Zadawaj właściwe pytania
Organizacja musi zadawać odpowiednie pytania, jeśli chce rozwijać kulturę danych. Większość firm musi dziś znaleźć odpowiedzi na takie problemy jak np.:
- jak pozyskać kolejnego klienta?
- kto jest tym klientem?
- jak skrócić czas od pomysłu do wprowadzenia nowego produktu/usługi na rynek?
- jak usprawnić łańcuch dostaw?
- jaki poziom zapasów jest odpowiedni? (zbyt małe nie pozwolą zaspokoić popytu, zbyt duże obniżają zyskowność)
Sformalizowanie problemu biznesowego może czasem służyć jako prekursor wykorzystania AI. Firmy potrzebują innowacyjnych, analitycznych myślicieli z odpowiedziami popartymi dowodami, a nie intuicją, jeśli mają opracować trafne zapytania.
Obecnie praktycznie wszystkie sektory wykorzystują sztuczną inteligencję i uczenie maszynowe. Poniżej przedstawiamy kilka znanych przykładów:
Sektor finansowy:
- Know Your Customers (KYC)
- Anti-Money Laundering (AML)
- Fraud
- Promocja kontekstowa
- Migracja klientów (churn)
- Automatyczne usługi bankowe
Telekomunikacja:
- Predictive mantenance,
- Przewidywanie migracji klientów (churn prediction)
- Promocje kontekstowe
- Rekomendacje spersonalizowanych programów
- Master data management
Marketing i sprzedaż:
- Prognozowanie lejka sprzedaży
- Spersonalizowane reklamy
- Wykrywanie fraud-u
- Inteligentne profilowanie klientów
- Najlepsza następna oferta
Służba zdrowia i nauka
- Wczesne wykrywanie nowotworów
- Rekomendacje produktów
- Wykrywanie nieuprawnionych wniosków o zwrot kosztów (fraud)
- Poszukiwanie nowych leków
- Zdalne monitorowanie pacjentów
- Przewidywanie wyników testów medycznych
Celem wdrożenia narzędzi AI/ML w tych sektorach jest uzyskanie przewagi konkurencyjnej nad rywalami, a także oszczędność czasu i pieniędzy. Coraz bardziej istotnymi celami są także te związane z obniżeniem ryzyk (np. zwiększenie bezpieczeństwa pracowników znajdujących się w środowiskach niebezpiecznych), czy wypełnianiem założeń polityki odpowiedzialności społecznej (CSR). Jeśli Twoja firma zajmuje się którymś z wyżej wymienionych przypadków użycia lub innymi powiązanymi kwestiami biznesowymi i stosujesz tylko konwencjonalne sposoby, nieuchronnie zostaniesz w tyle.
Określenie wyników
To, co można z tego wyciągnąć, zależy od pytań, które zadasz, a nie od odpowiedzi, które uzyskasz. Główną koncepcją jest przekształcenie wysokopoziomowego celu Twojej firmy w wyzwanie biznesowe, a następnie określenie, jak zostanie ono rozwiązane.
Określenie miary sukcesu
Dodatkowo, firmy muszą opracować metryki, aby zmierzyć swój sukces. Chociaż każda firma może mieć inną definicję sukcesu, ostateczny cel jest taki sam.
Angażuj się w społeczności
Każda firma, która chce się przekształcić potrzebuje wsparcia społeczności. Webinaria są jedną z metod angażowania się w społeczność zarówno online, jak i poza nią (meetupy). Dzielenie się wiedzą i uczenia się od innych jest możliwe dzięki organizowaniu spotkań, webinarów i szkoleń. Łączenie się ze społecznością może odbywać się poprzez przekazywanie wiedzy, udział w warsztatach, uczenie się od innych. Nie ma różnicy, gdzie jesteś. Istnieją społeczności skupione wokół problematyki uczenia maszynowego (ML) na całym świecie, a być może jest jedna tuż za rogiem od miejsca, w którym mieszkasz? Oczywistym jest, że najłatwiej przystąpić do takich grup w Internecie, fora poświęcone tematyce AI/ML można znaleźć np. na LinkedIn.
Zaufanie do wyników modeli AI/ML
Dokonanie właściwych wyborów technologicznych może mieć znaczący wpływ na Twoją organizację.
Systemy zamknięte vs. open source
Firmy wchodzące na ścieżkę AI mogą być zmuszone do wyboru między używaniem oprogramowania open source, “zamkniętego” oprogramowania konkretnych firm, a może rozwiązań z obu tych światów. Wielu obecnych liderów w dziedzinie uczenia maszynowego i AI często otwiera swoje technologie, co może służyć innym jako użyteczne miejsce do rozpoczęcia pracy. Kiedy ci nowi gracze w świecie AI/ML osiągną dojrzałość, często komercjalizują swoje rozwiązania (lub sprzedają swoje firmy) gdyż dalszy rozwój wymagana innego podejścia i stałego finansowania. Dla organizacji wdrażającej strategię wykorzystywania narzędzi AI/ML w codziennym biznesie, bardzo użyteczną opcją jest wybór partnera technologicznego/integratora, który służy również jako opiekun całego pakietu rozwiązań.
Dane
Jak już wspomniano, dane są ważnym elementem. Kluczowe jest zrozumienie sposobu tworzenia, przechowywania i udostępniania danych. Firmy muszą w odpowiedni sposób radzić sobie z takimi kwestiami jak prywatność danych, zarządzanie danymi i ich pochodzenie. Często załatwienie tak prozaicznego problemu jak normalizacja danych daje kolosalną wartość.
Zaufanie do wyników modeli AI/ML
„Czarne skrzynki” nie powinny być używane do opisywania modeli uczenia maszynowego. Oznacza to, że musimy być w stanie zrozumieć lub rozpoznać rozumowanie stojące za ich prognozami. Jednym z kluczowych pytań, które przedsiębiorstwa muszą rozwiązać, aby wzmocnić zaufanie do AI, jest to, jak odpowiednio opisać decyzję modelu, mieć solidną dokumentację i usunąć stronniczość z wyników.
Następny krok
Co zatem należy zrobić dalej? Firmy mogą zyskać poczucie kierunku, gdzie rozpocząć swoją podróż, zastanawiając się nad wspomnianymi pięcioma istotnymi aspektami i omawiając je ze swoimi pracownikami. Rozważ i nazwij problemy, które obecnie próbujesz rozwiązać, a następnie zastanów się, w jaki sposób uczenie maszynowe i AI mogłyby zapewnić Ci przewagę. Rozwój kultury AI wymaga czasu, cierpliwości i zasobów, tak jak każde inne znaczące przedsięwzięcie.
