Mi történik valójában akkor, amikor egy MI-rendszer "döntést" hoz, milyen kapcsolatban áll ez a tágabb környezettel - az IT-vel és az emberekkel? Hogyan építsünk MI-rendszereket az akut szakemberhiánnyal küzdő környezetben?
Hogyan születik a döntés?
Az MI-alapú döntéshozás nem egyszerű kérdés. Úgy tűnik, hogy a technológia gyakran sokkal jobb döntéseket hoz, mint mi, emberek, de nem igazán értjük, hogyan. Az MI-fejlesztő DeepMind által a Go stratégiai játékhoz készített AlphaGo Zero alkalmazás 100:0-ra verte azt a korábbi programot, amelytől a tizennyolcszoros Go-világbajnok Lee Se-dol is vereséget szenvedett. Az alkalmazás nem rendelkezett adatbázissal korábbi játékokról, és a szabályok megismerésétől számítva mindössze három nap alatt, autodidakta módon sajátította el a játékot. Megfigyelők szerint az AlphaGo Zero olyan lépéseket hajtott végre, amelyeket a legkifinomultabb emberi játékosok sem tudtak megmagyarázni.
Ha az MI jó eredményeket produkál, körültekintően meg kell vizsgálni a mögöttes etikai kérdéseket. Az MI-algoritmusok például olyan adatokból tanulnak, amelyek nem feltétlenül korrekt emberi döntésekre - hanem mondjuk a gépeknek rendkívül nehezen megtanítható érzelmekre - épülnek. 2019-ben egyre fontosabbá válik, hogy bizonyítani tudjuk az MI-rendszerek által hozott automatikus döntések korrektségét. Ez már ma is napirenden van az önvezető autók kapcsán, amelyeknél elfordulhat, hogy két elkerülhetetlen ütközési forgatókönyv közük kell választani. Az "algoritmus elszámoltathatósága" különösen fontos, ha a GDPR-nek és más adatkezelési előírásoknak is meg kell felelni. Annak megértése, hogy egy algoritmus miért hoz meg bizonyos döntéseket kiemelt jelentőséggel bír az olyan erősen szabályozott ágazatokban, mint a bankszektor vagy az egészségügy. És akkor még nem is beszéltünk a dolog jogi oldaláról!
Jó hír, hogy a mélytanulás és a tudásgráfok fejlődése már kezd lendületet venni, és az eddig használt gépi tanulási algoritmusokat, pl. a lineáris regressziót, egyre inkább kezdik felváltani a neurális hálózatok. Azért tartom ezt jó hírnek, mert a tudásgráfok segítenek megérteni az MI-rendszerek viselkedését és döntéshozatali mechanizmusait. Kiiktatják a "fekete dobozt", és a vállalatok kezébe adják az új hatósági előírások teljesítéséhez szükséges eszközöket és ismereteket.
Az MI gyakorlati alkalmazása
2019-ben határozottan el fogunk mozdulni a feltűnő MI-alkalmazásoktól egy olyan, jóval szürkébb világ felé, amelyben az MI észrevétlenül válik a megoldás részévé. Az eredmények továbbra is bámulatosak lesznek, de enyhül az újdonság varázsa.
Ez részben úgy fog történni, hogy az algoritmusokat és az intelligenciát beágyazzák a meglévő üzleti folyamatokba. Ha ezt a robotalapú folyamat-automatizációval is kombinálják, az analitika és az MI fontos szerephez jut majd a napi működés továbbfejlesztésében az egyszerűsítésnek, az automatizációnak, a sebességnek, a költséghatékonyságnak és az új szolgáltatásoknak köszönhetően - hogy csak néhányat említsünk a rengeteg előny közül.
Egy szinttel alacsonyabban tanúi leszünk majd az eseményvezérelt MI-architektúrák elterjedésének, ahol streaming csatornák fogadják és dolgozzák fel az adatokat, értékelik és pontozzák az előrejelzéseket, hozzák meg a döntéseket és aktiválják a folyamatokat.
Mindez lejátszódhat a felhőben, helyszínen telepített nagy teljesítményű környezetekben, vagy még inkább a kettő hibrid elegyében. Az 5G hálózatok 2019-ben várható bevezetésével színre lépő kommunikációs sebességnek köszönhetően arra számíthatunk, hogy az analitikai rendszerek a hálózatperemi IoT-eszközökön futnak majd. Ez főként a közműipari és a gyártóvállalatoknál lesz jellemző.
Az analitikai szakemberhiány kezelése
Ha a fenti előrejelzések valóra válnak, a szervezeteknek megfelelő készségekkel kell rendelkezniük a fejlett technológiák kezeléséhez.
A vállalatok többet fektetnek majd olyan eszközökbe, amelyek segítségével az üzleti elemzők, és az adattudósok különösebb szakértelem nélkül is alkalmazni tudják a fejlett analitikai technikákat. Az üzletiintelligencia-részlegek például chatbotok létrehozásával fogják megnyitni az analitika használatának lehetőségét a műszaki tudással nem rendelkező felhasználók előtt. Ily módon (a lassan eltűnő) előre megszabott formátumú jelentések helyett beszélgetve lehet majd interakcióba lépni a BI-rendszerekkel, és megkapni tőlük a kívánt válaszokat.
A szakemberhiány okozta problémák megoldásának másik módszere a közös alkotás, a "co-creation". A releváns szakterületi tapasztalat alkalmazása fontos tényező egy adattudós teljesítménye szempontjából. Bárki tud építeni ajánló motort (recommendation engine), de vajon ki tudja a legjobb ilyen motort megalkotni egy konkrét használati forgatókönyvhöz (pl. kiskereskedelmi működés céljára)? A közösségi gazdaság szereplői együtt, a "co-creation" szemléletet alkalmazva egyszerűbben hozzájuthatnak a konkrét probléma megoldásához szükséges szakértelemhez és tapasztalathoz.
Azt hiszem, abban mindenki egyetért, hogy a fejlett analitika ügyfélproblémák megoldására történő alkalmazásakor sokféle, egymásnak esetenként ellentmondó tényezőt kell figyelembe venni (pl. az adatkezelési szabályzatokat, a skálázhatóságot, a környezet heterogenitását stb.) Ahhoz, hogy ez megvalósulhasson - és főleg, hogy kereskedelmi hasznot is hajtson -, komplett megoldások szállítására képes adatanalitikai szolgáltatókra van szükség.