Mākslīgā intelekta analītika uzņēmējdarbībai

Vadītāji Lorenss S. Maizels, Roberts Dž. Cverlings un Jespers H. Sorensens apgalvo, ka mākslīgā intelekta pielietošana datu analīzē sniedz iespēju radīt rīkus, metodes un biznesa procesus, kas sniedz ieskatu modeļos, attiecībās un tendencēs. Viņu grāmatā AI-enabled analytics for business: A roadmap for becoming an analytics powerhouse (MI iespējota analītika uzņēmumiem: plāns ceļam uz analītikas izcilību), viņi sniedz uzņēmumiem vadlīnijas par to, kā pārvaldīt un ieviest mākslīgo intelektu uzņēmumu datu analīzē.

Mākslīgais intelekts tika radīts pirms vairāk kā 75 gadiem. Matemātiķis Alans Tjūrings (Alan Turing) pētīja mākslīgā intelekta matemātiskās iespējas, ierosinot, ka “lai risinātu problēmas un pieņemtu lēmumus, cilvēki izmanto pieejamo informāciju un loģiku”. Ja šis pieņēmums ir patiess, tad arī mašīnas to var darīt. Tas bija viņa 1950. gada darba “Skaitļošanas mašīnas un intelekts” pamatā. Tajā viņš apraksta, kā veidot inteliģentas mašīnas un pārbaudīt to intelektu.

Tātad, kas ir mākslīgais intelekts? Raksturojot īsi  – tā ir mašīnas spēja pieņemt lēmumus cilvēku vietā. Kāds ir mākslīgais intelekts un kā tas mainīs mūsu dzīvi un sabiedrību?

Mēs visi zinām, ka agri vai vēlu visi uzņēmumi izmantos mākslīgo intelektu. Taču tā izmantošanas iespējas ir pilnībā atkarīgas no katra vadītāja zināšanām un izpratnes par mākslīgo intelektu un analītiku. Tādēļ šīs iespējas ievērojami atšķiras iesācējiem un jau pieredzējušiem lietotājiem.

Daudziem vadītājiem trūkst skaidra redzējuma par to, kā viņi integrēs mākslīgo intelektu savā uzņēmumā, nodaļā, grupā vai departamentā

Mākslīgā intelekta ieviešana ir tikai sākuma stadijā, jo projekti ir bijuši īpaši mērķtiecīgi tikai noteiktās organizāciju jomās un noteiktiem uzdevumiem. Lai arī modernu analītikas metožu ieviešana tiek īstenota sekmīgi, neveiksmes ir daudz biežākas nekā panākumi. Labā ziņa ir tā, ka no mākslīgā intelekta un analītikas neveiksmēm var izvairīties.

Daudziem vadītājiem trūkst skaidra redzējuma un viedokļa par to, kā viņi vadīs savu uzņēmumu, nodaļu, grupu vai departamentu, izmantojot analītiku un mākslīgo intelektu. Citi vadītāji domā, ka viņi zina, ko nozīmē mākslīgā intelekta izmantošana, tomēr bieži izmanto slikti definētus terminus vai kļūdainus priekšstatus par analītiku. Viņu pirmā reakcija ir nolīgt konsultantus un iegādāties analītikas programmatūru ar mākslīgo intelektu, pilnībā neizprotot, kā analītika tiks izmantota lēmumu pieņemšanai.

Valdes sēžu zālēs un vadītāju konferenču zālēs atskan saucieni: “Mums ir vajadzīga labāka prognozēšana”, “Kādi faktori virza mūsu uzņēmējdarbību?” un “Mums ir jākļūst gudrākiem attiecībā uz to, ko darām”. Bet kā tieši tas tiek darīts? Daudzi vadītāji ir izlasījuši “ko” no daudziem konsultāciju ziņojumiem, bet “kā” ir neskaidrs, un tas ir iemesls, kāpēc pārāk daudzi uzņēmumi atpaliek mākslīgā intelekta un analītikas ieviešanā.

Mākslīgais intelekts un mašīnmācīšanās Līdzīgi, bet atšķirīgi

Jēdzieni “mākslīgais intelekts” un “mašīnmācīšanās” tiek izmantoti bieži. Mums šķiet, ka šīs tehnoloģijas ir savstarpēji saistītas, taču, lai arī tās ir saistītas, tās nav vienādas. Mākslīgā intelekta pamatjēdziens ir vienkārši mašīna, kas spēj pieņemt cilvēka lēmumu. Tādējādi jebkurš veids, kā panākt šo cilvēka lēmumu ar mašīnas palīdzību, ir mākslīgais intelekts, un mašīnmācīšanās ir viens no šādiem veidiem vai apakšgrupa mākslīgā intelekta veidiem. Tāpēc visa mašīnmācīšanās ir mākslīgais intelekts, bet ne viss mākslīgais intelekts ir mašīnmācīšanās.

Mašīnmācīšanās tehnoloģija izmanto algoritmus (matemātiskos modeļus), ko datori lieto, lai izpildītu konkrētu uzdevumu bez skaidriem norādījumiem, bieži vien tā vietā paļaujoties uz modeļiem un secinājumiem. Vēl viens populārs mākslīgā intelekta veids ir neironu tīkli, kas ir īpaši progresīvi un balstās uz smadzeņu sinapses struktūras atspoguļojumu.

Mašīnmācīšanās pamati

Mašīnmācīšanās ir tehnika un tehnoloģija, kuras izmantošanai un ieviešanai mūsdienās ir nepieciešamas specializētas prasmes. Mašīnmācīšanās ir mākslīgā intelekta kodols, ko bieži izmanto kopā ar citiem rīkiem, lai mašīnmācīšanās rezultāts būtu izmantojams lēmumu pieņemšanā. Piemēram, pieņemsim, ka banka vēlas palielināt aizdevumu skaitu, nepalielinot kredītportfeļa riska profilu. Mašīnmācīšanos var izmantot, lai veiktu prognozes attiecībā uz risku, un pēc tam rezultāti tiek importēti uz izklājlapām, lai ziņotu par tiem jaunajiem papildu aizdevumu pieteikumu iesniedzējiem, kurus tagad var apstiprināt.

Lielos mašīnmācīšanās projektos bieži vien sadarbojas datu zinātnieki, programmētāji, datubāzu administratori un lietojumprogrammu izstrādātāji (lai nodrošinātu sasniedzamo rezultātu). Turklāt, lai “apmācītu” mašīnmācīšanās modeli, mašīnmācīšanai ir nepieciešami lieli augstas kvalitātes datu apjomi, un tieši šī datu prasība ir iemesls, kāpēc 8 no 10 mašīnmācīšanās un mākslīgā intelekta projektiem tiek pārtraukti.

Lai gan mašīnmācīšanās ir populāra un daudzpusīga, tā nav vienkārša. Daudzas jaunas programmatūras lietojumprogrammas atvieglo mašīnmācīšanās lietošanu, taču tā joprojām galvenokārt ir domāta datu zinātniekiem. Pirms mašīnmācīšanās projekta uzsākšanas ir jādefinē tā “objekts”, tas ir, kas ir jāatrisina. Piemēram, pieņemsim, ka mēs vēlamies prognozēt, kuri klienti mūsu e-komercijas tīmekļa vietnē turpinās izrakstīties (salīdzinājumā ar tiem, kuri izies no mājas lapas pirms izrakstīšanās). Procesam no objekta līdz izvērstam risinājumam ir vairāki posmi, tostarp datu vākšana un sagatavošana, algoritma izvēle un tā programmēšana, modeļa apmācība, modeļa testēšana un izvēršana. Ja jebkurā brīdī rodas kļūme, ir nepieciešams veikt atiestatīšanu un/vai restartēšanu no iepriekšējā procesa punkta.

Lai gan mašīnmācīšanās ir sarežģīta, tā var nodrošināt augstu biznesa vērtību ar plašu lietojumu klāstu

Mašīnmācīšanās modeļos ir ierobežojumi, jo objekta risinājums ir īpaši atkarīgs no datiem, kas izmantoti mašīnmācīšanās modeļa apmācībai. Visbiežāk modeli nav iespējams pārnest pat uz līdzīgu uzņēmumu vai līdzīgu nodaļu tajā pašā organizācijā. Kā jau minēts iepriekš, mašīnmācīšanās modeļa izmantošanai bieži vien ir nepieciešami citi rīki, lai uzņēmuma vadītāji varētu pielietot tā rezultātu.

Lai arī mašīnmācīšanās modelis ir sarežģīts, tas var paaugstināt uzņemējdarbības vērtību ar plašu lietojumu klāstu: piemēram, klientu skaita samazināšanās prognozēšana, pārdošanas darījumi, kas tiks slēgti nākamo 60 dienu laikā, zāles, kurām ir liela varbūtība, ka tās tiks virzītas uz nākamo fāzi pētījumos, klienti, kuri biežāk veiks iegādi ar 5 % atlaidi, pieprasījuma prognozēšana un tā tālāk.

Mēs dzīvojam aizraujošā pārmaiņu laikā. Uzņēmumi ir daudz darījuši, lai uzlabotu produktivitāti un līdz ar to arī cilvēku dzīvi. Piemēram, divdesmitā gadsimta sākumā, izgudrojot elektroenerģiju un elektromotoru, tika fundamentāli un dramatiski mainīta sabiedrība, un cilvēce ieguva milzīgu labumu. Mākslīgais intelekts nākamās paaudzes un turpmāko paaudžu laikā radīs vēl lielākas pārmaiņas nekā elektromotora ieviešana.