Бързо разширяващата се област на изкуствения интелект и науката за данни представлява обезсърчителен списък с опции за компаниите, които се надяват да използват потенциала му. Машинно обучение, дълбоко обучение, обработка на естествен език, невронни мрежи, роботизирана автоматизация на процесите и много други езотерични варианти запълват заглавия и технически документи.

На върха на предоставянето на чудодейна изчислителна мощ, тези технологии молят ръководителите да ги приемат или да намерят техните компании скоро надминати от тези, които го правят. За няколко избрани компании с цели дивизии, посветени на ИИ , приспособяването на такава технология към случаи е ежедневен бизнес. Но за огромното мнозинство знанието откъде да започне е по-малко просто.

В тази статия ръководителите на ApeeScape споделят перспектива за практическото прилагане на решения, свързани с изкуствени технологии, за общи бизнес нужди.

Педро Ногейра , специалист по машинно обучение и наука за данни, предлага освежаващи новини за новодошлите компании: първото решение често е просто, сравнително евтино и финансово акредитивно. Допълвайки перспективата от Nogueira, екипът на ApeeScape Enterprise подчертава последните тенденции в автоматизирането на роботизирани процеси, което помага на компаниите да рационализират рутинните работни процеси.

Роботизирана автоматизация на процесите и AI: Инструменти за различни задачи

За да оформим съветите, споделени от Nogueira, е полезно да разберем разликата между автоматизацията на роботизираните процеси (RPA) и изкуствения интелект (AI) и видовете данни, които всеки подход е най-подходящ за обработка.

как да кодирам робот

RPA и AI се различават в зависимост от работата, която изпълняват. Софтуерен робот, RPA се отличава с повтарящи се задачи, аналогични на тези, изпълнявани от работник или машина на поточна линия. И обратно, AI е най-подходящ за по-малко структурирани среди, възпроизвеждайки аналитичните способности, основни за човешката преценка и вземане на решения.

Определено двата подхода също са различни. Асоциацията за стандарти IEEE, международна организация, състояща се от експерти от бранша, ги определя както следва:

какво по дяволите си построил

RPA: предварително конфигуриран софтуер, който използва бизнес правила и предварително дефинирана дейност, за да завърши автономното изпълнение на комбинация от процеси, дейности, транзакции и задачи.

AI: комбинацията от когнитивна автоматизация, машинно обучение (ML), разсъждения, генериране и анализ на хипотези, обработка на естествен език и преднамерена мутация на алгоритъм, даваща прозрения и анализи при или над човешките възможности.

RPA обикновено се счита за подмножество на AI и това, което е насочено към повтарящи се процедури. Критичната разлика е, че RPA не се учи, докато AI може да се самомодифицира, променяйки своята активност в отговор на различни екологични данни.

В резултат на това RPA е най-подходящ за силно структурирани данни, докато AI обработва неструктурирани или полуструктурирани данни. Разликата между двата типа данни, обобщени по-долу, е лесна за разбиране за всеки, който е изградил база данни за електронни таблици.

Данните, които се вписват добре в такава електронна таблица - като информация за контакт с клиенти - са структурирани. Данните, които не се вписват - като естествения език - са неструктурирани. Оценяването на разликата между тези типове данни е от решаващо значение за разбирането кои форми на AI са подходящи за даден бизнес случай.

Блокиране и справяне с автоматизацията на бизнес процесите

За повечето компании най-лесната и най-малко рисковата отправна точка за използване на ИИ е автоматизацията на бизнес процесите. Съставени от светски задачи, които изискват малко интелигентност и вероятно никакви човешки усилия, такива процеси оправдават инвестицията в технология, която елиминира или значително намалява човешкото участие. Компаниите и служителите могат да се възползват от три различни начина:

1. Служителите фокусират усилията си върху задачи с по-висока стойност и решаване на проблеми.
2. Компаниите реализират положителна възвръщаемост на инвестициите от минималните текущи оперативни разходи.
3. Качеството на процеса се подобрява поради липса на човешка грешка.

RPA управлява множество работни потоци в застрахователната индустрия

За компании, които вече рационализират прости вътрешни процедури като възстановяване на разходи , по-сложните възможности притежават потенциал за висока възвръщаемост на инвестициите. Например в застрахователната индустрия генерирането на застрахователни оферти и обработката на застрахователни искове представляват идеални случаи за използване на RPA.

как се прави робот

Когато подписват полица, застрахователните компании трябва да балансират риска и печалбата. По същество средно нетна настояща стойност на поличните премии трябва да надвишава тази на исковете. По време на подписването застрахователните компании оценяват рисковия компонент на това уравнение, като им помага да предскажат времето и размера на бъдещите задължения.

Историческото поемане е било ръчен процес, чиито аналитични изисквания са били под надзора на актюери . Сега такава работа става все повече извършва автоматично и с надзор на изследователи на данни, които използват нови източници на данни, за да прогнозират по-добре риска. Например в автомобилната индустрия застрахователите исторически са оценявали историята на загубите, които са записи на минали застрахователни искове за даден водач. Застрахователите започнаха да включват кредитни оценки на водача в своя анализ на риска, като признават, че високите резултати положително корелират с безопасното шофиране и пропорционално по-ниски загуби.

Разсъждавайки върху примера с подписването, Ногейра отбелязва, „когато компаниите мислят, че се нуждаят от ИИ, те често се нуждаят от учени по данни“.

За Nogueira процесът на осигуряване на застраховки е доста познат както на професионално, така и на лично ниво. Учен за данни с опит в застрахователната индустрия и ентусиаст на мотоциклети, който наскоро обиколи Португалия, той споделя анекдот, към който може да се свърже всеки шофьор или собственик на жилище: „Ако трябва да сменя мотоциклети, което обичам да правя често, тогава аз влезте онлайн в набор от застрахователни компании и споделете моите данни чрез техните онлайн въпросници. '

Веднъж изпратени, данните въвеждат „модел, който живее някъде в бекенда и анализира моя рисков профил според един или няколко модела и след това ми предоставя оферта“. В секундите, необходими за получаване на такава оферта, целият анализ е автоматичен, заменен с човешка намеса само в случай на извънредни данни.

Автоматизацията също така задвижва работните процеси надолу по веригата в жизнения цикъл на застрахователните клиенти, особено по време на процеса на искове. Когато застрахователен клиент подаде иск, застрахователната компания определя дали да плати изцяло, да плати частично или да откаже претенцията. Процесът често включва множество външни страни, включително застрахователния клиент и доставчика на услуги, например болница в случай на здравеопазване или сервиз в случай на автомобил.

изкуствен интелект и икономика

В автомобилната индустрия решението на искове зависи от проверка на повреда на превозното средство, определяне на разходите за ремонт, избор на сервиз и заплащане на ремонта. За оценки на ремонта снимките играят критична роля в процеса на искове. Регулаторът на вземанията прави снимки на разрушеното превозно средство, както и работилницата - както преди, така и след извършване на ремонти. Тези снимки предоставят доказателства за повреда, ремонт и основание за възстановяване на разходите.

В исторически план тези снимки бяха интерпретирани изключително от хора, но сега софтуерът за разпознаване на изображения в комбинация с тях базирана на правила автоматизация предоставя критична информация на регулатора на исковете, като позволява по-бързи ремонти и покритие.

Науката за данните е работният кон, а Data Scientist са двигателите

Компаниите трябва да „дефинират какво може лесно да се автоматизира и какво трябва да бъде ескалирано до хората, вземащи решения“, според Ногейра. С всеки процес, който се разглежда за автоматизация, той продължава, „първо разгледайте данните и разберете правилата.“

Въпреки че признава, че областите на науката за данни и AI се сливат, за уреждане на бизнеса Nogueira очертава двете:

използване на макроси в google sheets

„Науката за данните е изкуствен интелект, прилаган към реални сценарии и общи бизнес нужди. Това е свързано повече с разбирането на данните, управлението им, предоставянето им лесно достъпни, лесни за обработка и в крайна сметка ръководство за вземане на решения от заинтересованите страни на компанията. '

Подобна работа често се свежда до почистване и съпоставяне на различни набори от данни - не е лесна задача - и след това прилагане на статистически анализ, като логистична регресия, за стимулиране на по-добри прогнози и решения.

За разлика от това, AI е много по-ориентиран към изследванията и е подходящ за неструктуриран анализ на данни. „Представете си наистина сложен проект, такъв с много несигурност, например опит за изграждане на модел, който определя колко хора могат да влязат в супермаркет въз основа на модели на ходене, видеонаблюдение и сензорни данни.“

В крайна сметка този модел може да предскаже как хората пазаруват, какво търсят и как да позиционират продуктите един спрямо друг, оптимизирайки етажния план, за да максимизират печалбата. Макар че такъв проект за „синьо небе“, ако бъде успешен, несъмнено би бил ценен за търговците на дребно, той също така ще изисква екип от множество експерти и лесно би могъл да струва многократно на инициатива, основана на науката за данни. В случая на дребно, компанията може да се съсредоточи върху един или няколко от най-важните компоненти на предсказуемия модел - например оптимизиране на работното време в магазина спрямо трафика и експлоатационните разходи.

Критичната отправна точка за изграждането на способността за наука за данните е привличането на правилния тип и брой таланти. За щастие, според Ногейра, повечето компании „не се нуждаят от голям екип от супер експертни разработчици, за да направят много от общите автоматизации, особено ако вземете предвид броя на API и SDK на разположение.'

Въпреки че такива готови технологии предоставят мощни инструменти, изключително важно е те да бъдат използвани от правилните ръце. Тук Ногейра предоставя една предпазлива дума: „тези инструменти всъщност може да са проблем, защото много хора ги използват по начини, по които не би трябвало, защото не ги разбират.“

Опасността, отбелязва той, се крие в „прекаленото приспособяване на модели на данни“, което е резултат от прилагането на модел към данни по начин, който не отчита пълния спектър от възможности. Такова свръх обучение, предупреждава той, „може да се окаже изключително скъпо за бизнеса, тъй като в ситуации, които не сте виждали досега, моделът не обобщава добре, което може да доведе до вземане на грешни решения за данните.“

За да избегне подобни клопки, Nogueira насърчава компаниите да наемат опитни специалисти по данни. Всички компании, които се стремят да отключат стойността на клиентските или оперативните данни, „се нуждаят от човек с добро разбиране на статистиката и достатъчно бизнес проницателност, за да разберат случаите на използване и къде стойността е в бизнеса“. От гледна точка на пълномощията, солидният учен по данни обикновено има най-малко BS по математика или статистика, силна способност за кодиране и може да анализира случая на бизнес употреба, за да определи къде науката за данните може да окаже най-голямо въздействие.

Мисли за раздяла

Докато науката за данните представлява убедителна отправна точка от гледна точка на риска / печалбата, по-широкият пейзаж на AI технологиите също си заслужава да бъде проучен. Ръководителите на предприятия трябва да разглеждат науката за данните като събирателна точка, около която да започне вътрешния разговор за AI.

Тъй като осъзнават историите за успех с автоматизацията на бизнес процесите, те трябва да помислят за разширяване на обхвата, за да включат по-предизвикателни случаи на употреба, може би по-подходящи за алтернативните технологии на ИИ. В следващите статии Insights ще изследва по-широкия пейзаж на ИИ, помагайки на ръководителите да се ориентират в поле, което несъмнено ще доведе до силна възвращаемост.