Τέσσερις τάσεις που διαμορφώνουν και βελτιώνουν την εφαρμογή της τεχνητής νοημοσύνης στις επιχειρήσεις

Νικόλαος Δημάκος @ 12.12.2018
Τέσσερις τάσεις που διαμορφώνουν και βελτιώνουν την εφαρμογή της τεχνητής νοημοσύνης στις επιχειρήσεις

Αργά αλλά σταθερά, η μηχανική μάθηση έχει ξεκινήσει να επηρεάζει την καθημερινότητά μας. Είτε ρωτάτε τον οικιακό εικονικό βοηθό σας να ελέγξει το δελτίο καιρού, είτε παραχωρείτε μέρος του προγραμματισμού (ίσως και της οδήγησης) της καθημερινής σας διαδρομής στο «έξυπνο» αυτοκίνητό σας, η μηχανική μάθηση έχει έρθει για να διευκολύνει τη ζωή μας.

Ωστόσο, και ενώ φαίνεται ότι έχουμε αποδεχτεί τη μηχανική μάθηση στο σπίτι, η κατανόηση και υιοθέτηση των δυνατοτήτων της στις επιχειρήσεις εξακολουθεί να παρουσιάζει προκλήσεις. Κρίνοντας από την εμπειρία μου με τους πελάτες μας, η επιθυμία υπάρχει και γίνονται πειράματα, αλλά η δυσκολία βρίσκεται στην εισαγωγή ουσιαστικών αλλαγών. Πολλές επιχειρήσεις δεν τολμούν ακόμα να κάνουν αυτές τις ρηξικέλευθες αλλαγές οδηγούμενες από τη μηχανική μάθηση, που είναι απαραίτητες για να εξασφαλίσουν την επιτυχία τους για το μέλλον.

Παρόλα αυτά, κάνουν κάποιες πρώτες κινήσεις οι οποίες θα λειτουργήσουν ως δομικά στοιχεία για μελλοντικές αλλαγές και μετασχηματισμό. Με αυτό το πνεύμα, παραθέτω παρακάτω τέσσερις σύγχρονες τάσεις που αποδεικνύουν τον τρόπο με τον οποίο η μηχανική μάθηση προσθέτει πραγματική αξία στο χώρο εργασίας.

 

Η κρυφή αξία των εγγράφων σας

Σύμφωνα με αρκετές μελέτες, εκτιμάται ότι περίπου 80% των δεδομένων μιας μέσης επιχείρησης είναι «μη δομημένη» - και βρίσκεται σε κυρίως κείμενο που περιέχεται σε μηνύματα ηλεκτρονικού ταχυδρομείου και σε έγγραφα. Μέσα σε αυτή τη μάζα δεδομένων κρύβεται ένας θησαυρός πολύ σημαντικών και χρήσιμων πληροφοριών.

Παραδοσιακά, ο μόνος τρόπος να καταστούν αυτά τα δεδομένα χρήσιμα είναι να διαβαστούν και να επεξεργαστούν από ανθρώπους. Λόγω του μεγάλου όγκου και της αυξημένης δυσκολίας στη χρήση των δεδομένων, οι εταιρείες κατορθώνουν να επεξεργαστούν μικρό μόνο μέρος των διαθέσιμων δεδομένων με τον παραδοσιακό τρόπο - συχνά μόνο τις πιο βασικές πληροφορίες που ζητούν οι ρυθμιστικές αρχές για λόγους συμμόρφωσης.

Η αυξημένη κανονιστική συμμόρφωση αποτελεί έναν τομέα όπου η μηχανική μάθηση και η επεξεργασία/κατανόηση της φυσικής γλώσσας (natural language processing/ understanding) αλλάζουν δραστικά το τοπίο στα δεδομένα (ειδικά στις χρηματοοικονομικές υπηρεσίες και τις βιοεπιστήμες). Όταν εφαρμόζεται με αυτόν τον τρόπο, η μηχανική μάθηση προάγει την ταχύτητα και την αποτελεσματικότητα στη συμμόρφωση, τη διαχείριση του ρίσκου και τη μείωση του κανονιστικού φορτίου. Πέρα από τη συμμόρφωση, υπάρχει επίσης ένας τεράστιος όγκος αναξιοποίητης αξίας από την επεξεργασία κειμένου, που θα έδινε τη δυνατότητα για ταχύτατη εξαγωγή ουσιαστικών συμπερασμάτων από μη δομημένα δεδομένα, πχ σχετικά με τους πελάτες και τα συμβόλαια.


Πέρα από την αυτοματοποίηση

Τα στελέχη αδημονούν να δουν τον τρόπο με τον οποίο η μηχανική μάθηση μπορεί να αυξήσει την αυτοματοποίηση. Ωστόσο, θα ήταν λάθος να περιορίσουμε τις δυνατότητες της μηχανικής μάθησης για την επιχείρηση μόνο και μόνο στη βελτίωση της αυτοματοποίησης. Η πλήρης της αξία αποκαλύπτεται όταν εφαρμόζεται σε δεδομένα τα οποία οι άνθρωποι ή οι παραδοσιακές αναλυτικές μέθοδοι δυσκολεύονται να επεξεργαστούν. Πολλές διαδικασίες διαθέτουν τέτοια ποσότητα και πολυπλοκότητα δεδομένων και τόσο υψηλές ταχύτητες, που η μηχανική μάθηση, αλλά ακόμα και η βαθιά μάθηση (deep learning) είναι απαραίτητες για να βγει κάποιο νόημα. Οι διαδικασίες των εταιρειών για την παρακολούθηση τεράστιων όγκων δεδομένων για συγκεκριμένες τάσεις και μοντέλα ώστε να εντοπιστούν ανωμαλίες ή αθέμιτες συμπεριφορές είναι πλέον ώριμες για την εφαρμογή της μηχανικής μάθησης. Αυτό μπορεί να αφορά πράγματα όπως η καταπολέμηση του ξεπλύματος χρήματος, η διαρροή εσόδων, ο διαχωρισμός των πελατών και άλλα.  Εδώ πλέον, η μηχανική μάθηση αποκαλύπτει συμπεράσματα τα οποία δεν ήταν δυνατόν να εντοπιστούν μέχρι τώρα, σε ρυθμούς που είναι εκθετικά ταχύτεροι και πιο αποτελεσματικοί από τις παραδοσιακές προσεγγίσεις.

 

Η μηχανική μάθηση βρίσκει τη φωνή της

Έως το 2020 εκτιμάται ότι το 80% των συνομιλιών μεταξύ εταιρειών και πελατών θα γίνονται από μηχανές ή bot. Αυτό θα έχει σημαντικό αντίκτυπο σε όλες τις επιχειρήσεις, τόσο στις επιχειρηματικές διαδικασίες, όσο και στις μελλοντικές ανάγκες στελέχωσης. Τα στελέχη θα χρειαστεί να διαθέτουν ξεκάθαρο όραμα και ισχυρή κουλτούρα για να κατορθώσουν να σχεδιάσουν και να διαχειριστούν αποτελεσματικά αυτή την στροφή προς τις έξυπνες αλληλεπιδράσεις που υποστηρίζονται από τη μηχανική μάθηση.

Μια τέτοια περίπτωση είναι η πρόσφατη συνεργασία μας με μια εταιρεία χρηματοοικονομικών υπηρεσιών. Ιστορικά, οι αλληλεπιδράσεις τους με τους πελάτες υποστηρίζονταν αποκλειστικά από ανθρώπους. Ωστόσο, η εταιρεία έχει πλέον στόχο να αυτοματοποιήσει έως 75% αυτών των εργασιών. Θα σκεφτόταν κανείς ότι μια τόσο μεγάλη αλλαγή θα είχε αρνητικό αντίκτυπο στην εταιρική κουλτούρα καθώς θα έπρεπε να απολυθούν πολλοί εργαζόμενοι. Παρόλα αυτά, μετά από μελέτη των εναλλαγών του προσωπικού στο τηλεφωνικό κέντρο, η εταιρεία αντιλήφθηκε ότι θα μπορούσε να εφαρμόσει την στρατηγική της για την αυτοματοποίηση με βάση τη μηχανική μάθηση σταδιακά, χωρίς να χρειαστεί να απολύσει ούτε έναν υπάλληλο, περιορίζοντας ταυτόχρονα τον κίνδυνο της εξάντλησης γνωστό ως “burn out” (μόνιμο πρόβλημα στα τηλεφωνικά κέντρα), για όσους παραμείνουν.

Άλλες εταιρείες χρηματοοικονομικών υπηρεσιών εξετάζουν τη χρήση τεχνολογιών μηχανικής μάθησης φωνής για να δημιουργήσουν εικονικούς βοηθούς με μεγάλη εξειδίκευση στον χρηματοοικονομικό σχεδιασμό και την πρόβλεψη, ενώ άλλοι οργανισμοί πειραματίζονται με τεχνολογίες φωνής για να καταγράφουν τις συνεδριάσεις των συμβουλίων και να κρατούν τα πρακτικά, προσφέροντας δυνατότητα αναζήτησης βάσει της συμβολής κάθε μέλους του συμβουλίου.

 

Κλιμακούμενη στρατηγική μηχανικής μάθησης

Η μηχανική μάθηση προσφέρει στις επιχειρήσεις την ευκαιρία να εξάγουν ουσιαστικά συμπεράσματα από μεγάλους όγκους μη δομημένων δεδομένων, να αυτοματοποιήσουν και να επιταχύνουν τις υπάρχουσες επιχειρηματικές αναλύσεις, καθώς και να ενοποιήσουν και να επιτύχουν μεγαλύτερη συνοχή στις αλληλεπιδράσεις με τους πελάτες. Οι επιχειρήσεις όμως θα αντιληφθούν τα οφέλη αυτά μόνο όταν υιοθετήσουν μια στρατηγική η οποία θα μπορεί ταυτόχρονα να κλιμακωθεί σε όλες τις επιχειρηματικές διαδικασίες και τα τμήματα, αλλά και να ευθυγραμμιστεί με την ευρύτερη στρατηγική της εταιρείας.

Πολύ συχνά οι εταιρείες προσεγγίζουν τη μηχανική μάθηση με έναν συνδυασμό εξατομικευμένων τεχνολογιών και αλγόριθμων. Αυτό όμως οδηγεί σε ασύμβατες μη-κλιμακούμενες λύσεις. Η συγκεκριμένη τεχνολογία δεν είναι διαθέσιμη στα ράφια των καταστημάτων όπως ήταν το λογισμικό στο παρελθόν. Χρειάζεται να σχεδιαστεί και να αναπτυχθεί από την αρχή, ώστε να ανταποκριθεί στην πρόκληση της άντλησης συμπερασμάτων και προοπτικής με έναν επαναλαμβανόμενο και κλιμακούμενο τρόπο. Για να συμβεί αυτό, οι εταιρείες πρέπει να πάψουν να αντιμετωπίζουν τη μηχανική μάθηση ως μια σειρά ξεχωριστών και μεμονωμένων τεχνολογιών, αλλά να την ευθυγραμμίζουν με την εταιρεία ως σύνολο. Αυτό μπορεί να συμβεί μέσω της δημιουργίας μια εταιρικής αρχιτεκτονικής και στρατηγικής μηχανικής μάθησης που έχει την ικανότητα να προσφέρει την απαραίτητη υποστήριξη στα γενικότερα θέματα και τις ευκαιρίες μιας επιχείρησης, αντί να επικεντρώνεται σε μικρές ξεχωριστές περιοχές εφαρμογής.

Για παράδειγμα, οι εταιρείες-μέλη της KPMG γνωρίζουν καλά το μεταβαλλόμενο τοπίο και χρειάζεται πλέον να χρησιμοποιούν τη μηχανική μάθηση, τόσο για τους πελάτες μας, όσο και για εμάς τους ίδιους. Η KPMG Ignite (η πλατφόρμα τεχνητής νοημοσύνης και το χαρτοφυλάκιο δυνατοτήτων μας) επιζητεί να κάνει αυτό ακριβώς, εφαρμόζοντας μια σπονδυλωτή προσέγγιση με βάση τους ξεχωριστούς τομείς, σε συνδυασμό με μια πρωτοπόρα λειτουργικότητα ανοιχτής πηγής με υποστήριξη από τον πωλητή, σε μια κλιμακούμενη πλατφόρμα μηχανικής μάθησης. Η KPMG Ignite επίσης αξιοποιεί μια επίσημη δομή διακυβέρνησης για να εξασφαλίσει ότι οι ευκαιρίες ανάπτυξης για τη μηχανική μάθηση βασίζονται σε μια ευρεία αξία πελατών, και διαθέτουν ένα τυποποιημένο πλαίσιο ανάπτυξης για να βοηθήσουν την επίτευξη συνοχής στη δημιουργία λύσεων χωρίς να καταπνίγουν την καινοτομία.

Κάθε ένας από αυτούς τους τέσσερις τομείς προσφέρει αξία σε μια επιχείρηση που επιδιώκει να υιοθετήσει τη μηχανική μάθηση και να προσθέσει αυξητική αξία, η οποία μπορεί να κλιμακωθεί, ώστε να οδηγήσει σε πραγματική αλλαγή. Η μηχανική μάθηση ήρθε για να μείνει, επομένως αξίζει να υιοθετήσουμε του πρώιμους τομείς αυξητικής αξίας από τώρα, ώστε να μπορέσουμε να επιφέρουμε πραγματική αλλαγή στο μέλλον.

 

ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ,ARTIFICIAL INTELLIGENCE,

Σχόλια

ΠΑΡΑΚΑΛΩ ΠΕΡΙΜΕΝΕΤΕ. ΦΟΡΤΩΝΟΝΤΑΙ ΠΕΡΙΣΣΟΤΕΡΑ...

Home