16 Νοέμβριος 2018

Η τεχνητή νοημοσύνη είναι η νέα επιχειρησιακή νοημοσύνη

Η τεχνητή νοημοσύνη (ΤΝ) είναι ένα θέμα που πρόσφατα δραματοποιήθηκε από το βιομηχανία ψυχαγωγίας. Τη βλέπουμε με τη μορφή ανθρωποειδών μορφών με υπεράνθρωπη νοημοσύνη.

Αυτές οι τεχνητές νοημοσύνες δουλεύουν 24/7, με ταχύτητα σαν του φωτός, αλλά δεν κουράζονται και δεν παραπονιούνται ποτέ. Επίσης, έχουν την ικανότητα να θυμούνται κάθε λεπτομέρεια και να μαθαίνουν από κάθε εμπειρία, κάτι που τις κάνει συνεχώς εξυπνότερες.

Αυτή η αντίληψη για την ΤΝ δεν βοηθάει τις επιχειρήσεις να αξιοποιήσουν τις πλήρεις δυνατότητές τους, αλλά σίγουρα είναι αποτελεσματική στη δημιουργία του φόβου ότι η ΤΝ θα μας αντικαταστήσει σύντομα στην αγορά εργασίας.

Ας αντιμετωπίσουμε αυτούς τους φόβους και τους μύθους με το να κατανοήσουμε ρεαλιστικότερα τι μπορεί να κάνει η ΤΝ και τι όχι για να ενεργοποιήσει τις επιχειρησιακές εφαρμογές.

Μία σύντομη αναδρομή της επιχειρησιακής νοημοσύνης

Για να κατανοήσουμε το πώς η ΤΝ κατευθύνει τις επιχειρήσεις, πρέπει να ξεκινήσουμε με κάτι με το οποίο οι επιχειρήσεις είναι εξοικειωμένες – επιχειρησιακή νοημοσύνη (ΕΝ). Η ΕΝ παρέχει δεδομένα και αναλύσεις για να βοηθήσει τους επικεφαλής των επιχειρήσεων να πάρουν εμπεριστατωμένες αποφάσεις.

Με την πάροδο του χρόνου, η ΕΝ έχει καταλήξει να περιλαμβάνει τρεις βασικούς τύπους αναλύσεων:

Περιγραφικές Αναλύσεις

Τα πιο απλά συστήματα ΕΝ είναι κατά κύριο λόγο μηχανές αναφοράς για περιγραφικές αναλύσεις. Οι περιγραφικές αναλύσεις συνοψίζουν δεδομένα επιχειρησιακών ενεργειών και σας λένε τι συνέβη.

Υπάρχουν εκατοντάδες, ίσως χιλιάδες περιγραφικών αναλύσεων, από το πόσες σελίδες των ιστοσελίδων διαβάζει ο κάθε χρήστης και αναφορές στα μέσα κοινωνικής δικτύωσης, έως υπολογισμούς επί τοις εκατό, όπως μια διαφήμιση για ένα μερίδιο αγοράς ή ο μέσος χρόνος απάντησης ενός κέντρου εξυπηρέτησης.

Προγνωστικές Αναλύσεις

Όσο αυξάνεται ο όγκος των δεδομένων, τα συστήματα ΕΝ αρχίζουν να ενσωματώνουν απλές προγνωστικές αναλύσεις. Για να το πούμε απλά, οι προγνωστικές αναλύσεις χρησιμοποιούν τα υπάρχοντα δεδομένα σας για την εξαγωγή δεδομένων που δεν έχετε ή δεν μπορείτε να έχετε.

Η πιο συχνή περίπτωση χρήσης των προγνωστικών αναλύσεων είναι για την πρόβλεψη της μελλοντικής πορείας των δεδομένων σας, αν και είναι σημαντικό να τονίσουμε ότι αυτή δεν είναι η μόνη περίπτωση χρήσης τους.

Οι πιο δυναμικές προγνωστικές αναλύσεις μπορούν να χρησιμοποιηθούν για αναλύσεις δεδομένων που δεν εξαρτώνται από το χρόνο. Για παράδειγμα, οι αναλύσεις συναισθημάτων (sentiment analysis) είναι ένα είδος προγνωστικών αναλύσεων που αναλύουν δεδομένα κειμένων, όπως συζητήσεις στα μέσα κοινωνικής δικτύωσης, και συμπεραίνουν πώς αισθάνονται οι καταναλωτές για το προϊόν ή την εταιρεία.

Ρυθμιστικές Αναλύσεις

Καθώς ωριμάζουν τα συστήματα ΕΝ και γίνονται περισσότερο προηγμένα, ίσως συμπεριλάβουν και ρυθμιστικές αναλύσεις, οι οποίες ρυθμίζουν σύνολα ή συνέχειες ενεργειών βασισμένων στη βελτιστοποίηση ορισμένων στόχων.

Όποιος έχει ψωνίσει από το Amazon ή παρακολουθήσει Netflix γνωρίζει από ρυθμιστικές αναλύσεις. Αυτές οι πλατφόρμες προτείνουν προϊόντα ή ταινίες με το να βελτιστοποιούν τις ομοιότητες στις προτιμήσεις μας.

Ένα άλλο κοινό εργαλείο ρυθμιστικής ανάλυσης που χρησιμοποιούμε αρκετοί από μας καθημερινά είναι το GPS, που ρυθμίζει τους δρόμους που θα μας πάνε σε διάφορους προορισμούς. Αυτή η ρυθμιστική ανάλυση βελτιστοποιεί έναν στόχο, που μετράει την απόσταση από το σημείο αφετηρίας σας μέχρι τον προορισμό σας, και δείχνει το δρόμο που έχει τη μικρότερη απόσταση.

Οι ρυθμιστικές αναλύσεις σε προηγμένη ΕΝ μπορούν να προτείνουν ενέργειες που βελτιστοποιούν τις επιχειρησιακές διεργασίες, την αποτελεσματικότητα του μάρκετινγκ, τη στοχοποίηση στις διαφημίσεις και πολλές άλλες επιχειρησιακές δραστηριότητες.

Από τη ρύθμιση στην αυτοματοποίηση

Τα συστήματα ΕΝ έχουν εξελιχθεί σημαντικά τις τελευταίες δεκαετίες, με την προσθήκη των προγνωστικών και ρυθμιστικών αναλύσεων, σε καθαρά περιγραφικές μηχανές αναφοράς. Παρόλα αυτά, η ΕΝ παραμένει ένα παθητικό εργαλείο στις επιχειρήσεις που συμβάλλει στις αποφάσεις. Ανεξάρτητα από το τι πηγάζει από τις αναλύσεις, οι διευθυντές είναι εκείνοι που παίρνουν πάντα τις τελικές αποφάσεις.

Αυτή είναι συνήθως μία καλή ιδέα, καθώς οι παραδοσιακές αναλύσεις δεν ταιριάζουν με την ανθρώπινη νοημοσύνη. Οι αποφάσεις των ειδικών έρχονται συχνά σε αντίθεση με τα αποτελέσματα των αναλύσεων. Οι παραδοσιακές επιχειρησιακές αναλύσεις δεν είναι αρκετά ακριβείς λόγω του συνδυασμού των δεδομένων, των προτύπων και των απερίγραπτων ποσοτήτων υπολογιστικής δύναμης.

Μιμώντας τις διεργασίες του ανθρώπινου εγκεφάλου

Τα σημερινά μεγάλα δεδομένα και οι παράλληλες υπολογιστικές υποδομές, οι οποίες χρησιμοποιούν μονάδες επεξεργασίας γραφικών (GPUs), έχουν μειώσει τα περισσότερα από τα δεδομένα και τους υπολογιστικούς περιορισμούς. Αυτό έχει απελευθερώσει τη δημιουργικότητα των επιστημόνων δεδομένων και τους παρέχει την ελευθερία να χρησιμοποιούν πιο εκλεπτυσμένα πρότυπα.

Μερικά από αυτά τα πρότυπα είναι σχεδιασμένα να μιμούνται τις διεργασίες που γίνονται στον ανθρώπινο εγκέφαλο, όπως τα βαθιά μαθησιακά δίκτυα που περιλαμβάνουν πολλά κρυμμένα στρώματα νεύρων, και τα επαναλαμβανόμενα νευρικά δίκτυα που μιμούνται τις επιδράσεις της μνήμης.

Κατανοώντας την ουσία της ΕΝ

Συνεπώς, η μηχανική μάθηση μπορεί τώρα να εκπαιδεύσει τα πρότυπα να παράγουν αποτελέσματα που ταιριάζουν αρκετά με τα αποτελέσματα των ειδικών. Επίσης, αξιοποιώντας τα δεδομένα που έχουν εκπαιδευτεί από ειδικούς, οι σύγχρονες αναλύσεις μπορούν να παράγουν αποτελέσματα που ξεπερνούν εκείνα ενός οποιουδήποτε ατόμου.

Αυτό μπορεί να κάνει περιττή τη λήψη αποφάσεων από τους ανθρώπους. Επομένως, είναι μόνο θέμα χρόνου μέχρι να προικιστούν οι μηχανές με τη δύναμη να παίρνουν αυτές τις αποφάσεις αυτόματα και να κάνουν τους ανθρώπους περιττούς.

Η αυτοματοποίηση των αποφάσεων και η σωστή εκτέλεση των επακόλουθων ενεργειών είναι η ουσία της ΤΝ.

Τι είναι αυτό που κάνει την ΤΝ νοήμουσα;

Παρόλα αυτά, αν η ΤΝ είναι απλά η αυτοματοποίηση των καλύτερων αποφάσεων μπορούμε να πάρουμε τα ίδια αποτελέσματα από την αυτοματοποίηση των ρυθμιστικών μας αναλύσεων για να επιλέξουμε τις καλύτερες λύσεις. Το ερώτημα που τίθεται, πέρα από τη διαβεβαίωση ότι τα αποτελέσματα των προγνωστικών αναλύσεων είναι αρκετά καλά – σε σύγκριση με αυτά των ειδικών – είναι, τι είναι αυτό που κάνει ένα σύστημα, όπως αυτό, νοήμων;

Στην πραγματικότητα, η αυτοματοποίηση των αποφάσεων είναι μόνο το πρώτο βήμα στην ΤΝ. Η ικανότητα της σωστής εκτέλεσης όλων των επακόλουθων ενεργειών σε έναν κόσμο που συνεχώς αλλάζει είναι αυτό που κάνει μία ΤΝ νοήμουσα. Αυτό απαιτεί από την ΤΝ να αξιοποιήσει τις κριτικές πραγματικού χρόνου που επιτρέπουν στην ΤΝ να μάθει από την κάθε εμπειρία και να γίνει εξυπνότερη με κάθε απόφαση που παίρνει.

Κριτικές πραγματικού χρόνου υπάρχουν ήδη στα περισσότερα ρυθμιστικά συστήματα, επειδή σχετίζονται αρκετά με τους στόχους που βελτιστοποιούνται σε όλες τις ρυθμιστικές αναλύσεις. Η ΤΝ χρησιμοποιεί αυτή τη συνεχή ροή δεδομένων από κριτικές για να τροφοδοτήσει τη μηχανή μηχανικής μάθησης.

Αυτή η μηχανική μάθηση ενημερώνει και βελτιώνει τις ρυθμιστικές μας αναλύσεις, ώστε η επόμενη ρυθμιστική απόφαση να βελτιστοποιείται κι άλλο, για να έρθει πιο κοντά σε αυτό που θα έκαναν οι ειδικοί, ή να είναι ακόμα καλύτερο από αυτό.

Παίρνοντας πάντα τις σωστές αποφάσεις

Είδαμε ήδη ότι ένα GPS είναι ένα παράδειγμα ρυθμιστικής ανάλυσης, επειδή ρυθμίζει την καλύτερη διαδρομή για τον προορισμό μας, βασισμένη στη βελτιστοποίηση συγκεκριμένων στόχων, όπως η απόσταση, ο χρόνος ή τα λιγότερα δυνατόν διόδια, κτλ. Αλλά εμείς οι άνθρωποι είμαστε εκείνοι που αποφασίζουμε αν θέλουμε να ακολουθήσουμε τις προτάσεις του GPS ή όχι.

Στο κοντινό μέλλον, παρόλα αυτά, οι αυτόνομες μηχανές εμπλουτισμένες με ΤΝ θα αυτοματοποιούν αυτές τις αποφάσεις και θα εκτελούν μία σειρά από ενέργειες για να μας πάνε κατευθείαν στον προορισμό μας. Αυτό που κάνει ένα αυτόματο αυτοκίνητο νοήμον είναι το γεγονός ότι θα μας πάει στον προορισμό μας με ασφάλεια, ανεξάρτητα από την κίνηση, τον καιρό ή απρόβλεπτες συνθήκες του δρόμου.

Αυτή η ικανότητα να αποφασίσει και να φέρει εις πέρας όλες τις επακόλουθες ενέργειες σε ένα αρκετά δυναμικό περιβάλλον είναι αυτό που κάνει νοήμουσα την ΤΝ στα αυτόματα οχήματα.

Πάντα καλύτερα από πριν

Όπως βλέπετε, η ΤΝ είναι μόνο η αυτοματοποίηση των καλύτερων σειρών από αποφάσεις που παίρνονται από ρυθμιστικές αναλύσεις. Και η νοημοσύνη της ΤΝ προκύπτει από το γεγονός ότι αξιοποιεί δεδομένα από κριτικές πραγματικού χρόνου για να βελτιώσει τα πρότυπα στις ρυθμιστικές αναλύσεις, έτσι ώστε η επόμενη ρυθμιστική απόφαση να είναι καλύτερη από την προηγούμενη.

Αυτή η ικανότητα για μάθηση και προσαρμογή είναι αυτό που επιτρέπει στην ΤΝ να εκτελεί πιστά τις ενέργειες, που ακολουθούνται από αυτόματες αποφάσεις σε έναν κόσμο γεμάτο αβεβαιότητες.

Καθώς οι εταιρείες εξοικειώνονται με τα δεδομένα, αυτή η βαθιά αναλυτική κατανόηση της ΤΝ θα διευκολύνει την ανάπτυξη των πιο χρήσιμων επιχειρησιακών εφαρμογών και θα οδηγήσει σε περισσότερη αποδοτικότητα.

Πώς μπορείτε να βάλετε σε εφαρμογή αυτή την αντίληψη για την ΤΝ; Σκεφτείτε τις επιχειρησιακές διεργασίες σας, τις αποφάσεις και τις ενέργειες που θέλετε να αυτοματοποιήσετε και τι δεδομένα από κριτικές χρειάζεται να παρέχετε για να βοηθήσετε την ΤΝ να γίνει εξυπνότερη.


Για τον αρθρογράφο: Ο Michael Wu είναι επιστημονικός διευθυντής του Lithium Technologies, όπου εφαρμόζει μεθοδολογίες βασισμένες σε δεδομένα για να ερευνήσει και να κατανοήσει τις περίπλοκες δυναμικές του κοινωνικού δικτύου. Έλαβε το διδακτορικό του από το πτυχιακό πρόγραμμα του τμήματος βιοφυσικής από το Πανεπιστήμιο Μπέρκλεϋ της Καλιφόρνια.

Πηγή: cmswire.com