Előrejelző funkciókkal egészülnek ki a BI-rendszerek, ami igen jó hír a gépi tanulási technológiák előnyeit hasznosítani kívánó vállalatok számára, olvasható a CIO magazinban. Amerikai testvérlapunk iparági szakértőket kérdezett meg arról, hogyan erősíti és teszi még hatékonyabbá az üzletiintelligencia-rendszereket az élet szinte minden területén rohamosan terjedő mesterséges intelligencia.
AI-val erősített BI
A Symphony Post Acute Network egészségügyi szolgáltató ötezer kórházi ágyat üzemeltet 28 intézményben három amerikai államban. Mesterséges intelligencia és gépi tanulás segítségével kívántak javítani az évi mintegy 80 ezer, sebészeti beavatkozásokon átesett páciensük gondozásának minőségén. Például, ha egy beteg adatai között utalás található arra, hogy az illető bizonytalanul jár, gyakran elesik, kezelése fokozott elővigyázatosságot igényel. Az ilyen utalások megtalálása a gépi tanulás remek alkalmazási területe, ám a modellek felépítése nem egyszerű feladat.
Kezdetben adattudósokkal végeztették el a modellalkotást, ez azonban túlságosan költségesnek bizonyult, ezért két évvel ezelőtt olyan szállító keresésébe kezdtek, amely már rendelkezik a szükséges modellekkel, tudjuk meg Nathan Patrick Taylortól, a Symphony adatelemzési igazgatójától. Újabban az összegyűjtött adatokat elküldik a DataRobot felhő- és mesterségesintelligencia-alapú feldolgozó rendszerébe, az eredmények pedig négy óránként érkeznek vissza a Microsoft PowerBI dashboardokra. Az előrejelzéseket és ajánlásokat 240 orvos és ápoló kapja meg, akik tabletjeikkel és okostelefonjaikkal férnek hozzá azokhoz. A bizonytalan járású, elesésre fokozottan hajlamos pácienseket például lépcső ikonnal jelöli a rendszer, akinél pedig nagy a kockázata annak, hogy visszakerül a kórházba, annak neve mellett mentőautó jelenik meg.
A visszatérő betegek átalagosan 13500 dollárjába kerülnek a vállalatnak, ezért elemi érdekük e páciensek arányának csökkentése. Annak meghatározására, hogy hasznosak-e a DataRobot előrejelzései, hathónapos kutatást végeztek. A visszatérési arány 21 százalékról 18,8 százalékra csökkent, ami jelentős költségmegtakarításnak számít.
Ugyanezt a megközelítést kívánja alkalmazni a Symphony az egészségbiztosítókkal kötött szerződések felülvizsgálatára. A rendszer telepítése mindössze húsz órát vett igénybe, beleértve az adatfolyamok csatlakoztatását és a tanulási modellek elkészítését. Ha valakinek új típusú előrejelzésre van szüksége, immár csupán hat-nyolc óra kell az új tanulási modell megalkotásához. Mi több, Taylor szerint a meglévő modellek bármikor átképezhetők, ha például változik a szabályozás, az orvosi stáb új eljárásokat kezd használni, vagy egy modell valamilyen okból elavulttá válik. Háromhavonta vagy a nagyobb változások idején átképezik a modelleket. Az utóbbi esetekben a tanulási modellt csak az új előírások életbe lépését követően keletkezett adatokra kell átképezni. A rendszer kezeléséhez már nincs szükség magas szinten képzett adattudósokra, alapvető statisztikai ismeretekkel rendelkező alkalmazott is elegendő. A Symphony az R programozási nyelvet használja a modellek elkészítésére.
Önkiszolgáló automaták
- A mesterséges intelligenciát demokratizálták. Mindeddig adattudósokat igényelt a kódírás. Manapság azonban a BI-rendszerekben kattintással megjelölünk néhány adatpontot, kiválasztjuk az előrejelezni kívánt változót, és a prediktív modellek automatikusan generálódnak, fogalmaz Boris Evelson, a Forrester Research alelnöke.
Amihez korábban egy adattudós több hónapnyi munkájára volt szükség, azt ma már néhány nap alatt elvégezheti valaki, aki érti az adatokat, és tudja használni az Excelt, teszi hozzá a szakember. A marketingesek a vásárlói viselkedés előrejelzésére, az üzleti vezetők kockázatkezelésre, az ellátási lánc területén dolgozók pedig a logisztika optimalizálására használják az új eszközöket.
A Forrester globális döntéshozók körében nemrégiben készített felmérése szerint az adatkezelő, -elemző és -összefüggésfeltáró platformok hatékonyságának növelése a mesterséges intelligencia egyik legfontosabb alkalmazási területe.
Amennyiben a nyolc órát túl hosszú időnek találjuk új gépi tanulási modell létrehozására, vigasztalódhatunk, nemsokára ugyanis még gyorsabb megoldások megjelenése várható. A közeljövőben a felhasználók automatikusan megkapják a legelterjedtebb előrejelzéseket, továbbá élvezhetik a beépített képfelismerés és természetes nyelvű feldolgozás előnyeit. A Gartner jóslata szerint ezek a technológiák két éven belül standard elemei lesznek a modern BI-platformok 90 százalékának.
Szöveges és vizuális elemzés
- Rövidesen lehetővé válik, hogy a felhasználók egyszerű, hétköznapi kérdéseket tegyenek fel, ha információra van szükségük. Minél jobban hozzáfér egy platform a releváns adatokhoz, annál egyszerűbb lesz a fejlesztőnek mesterségesintelligencia-képességekkel felruháznia azt, vélekedik Bruce Molloy, a SpringBoard.ai vezérigazgatója. A könyvelőplatformok vagy a Salesforce-hoz hasonló ügyfélkapcsolat-kezelő rendszerek már rendelkeznek a szükséges adatokkal, és ismerjük azokat a kérdéseket is, amelyeket a felhasználók a leggyakrabban tesznek fel.
Szintén a mesterséges intelligencia terjedését ösztönzik az egyre okosabb algoritmusok, a szabványos interfészek, a megnövekedett feldolgozási teljesítmény és a felhőalapú informatika. A DataRobot például kihasználja mind a felhőalapú feldolgozás, mind a szabványos Rest API-k előnyeit, amelyekkel lehetővé válik a Trifacta, Alteryx és Domino Data Labs üzletiintelligencia-rendszerek támogatása a PowerBI, Tableau, Qlik, Excel, R Shiny és sok más dashboard eszköz mellett. Ráadásul a mesterséges intelligenciával segített üzletiintelligencia-dashboardok manapság sokkal többféle adatot képesek feldolgozni, mint korábban.
Rengeteg információt tárolunk strukturálatlan formában, amelyekből értékes betekintések nyerhetők, mutat rá egy fontos tényezőre Josh Sutton, a Publicis.Sapient konzultációs cég adatokkal és mesterséges intelligenciával foglalkozó igazgatója. A BI-rendszerek forrásául szolgáló strukturálatlan adatok nagy része képi információ, teszi hozzá a szakember. Így például a marketingesek jó hasznát vehetik olyan elemzésnek, amely azt vizsgálja, hogy vásárlóik milyen termékfotókat osztanak meg a közösségi médiában.
A leíró elemzésen túl
Ám az előrejelzések és a betekintések csupán az első funkciók, amelyekkel a mesterséges intelligencia hatékonyabbá teheti az üzletiintelligencia-dashboardokat, állítja David Schubmehl, az IDC kognitív és mesterségesintelligencia-rendszerekkel foglalkozó kutatási igazgatója. Ha az értékesítés visszaesik, meg tudja mondani, mit jelent ez a jövőre nézve, és mit tehetünk a helyzet javítása érdekében, teszi hozzá a szakember. Emiatt válik még értékesebbé az üzleti intelligencia, és emiatt alkalmazza egyre több cég ezeket az eszközöket.
Például a Salesforce nemrégiben jelentette be, hogy Einstein-előrejelzéseinek száma meghaladta napi egymilliárdot, vagyis a preskriptív intelligencia immár ilyen hatalmas mértékben segíti a vállalatokat a különféle üzleti döntések meghozatalában. Schubmehl szerint még mindig a fejlődés kezdeti szakaszában vagyunk, és a technológia az elkövetkező két-három évben válik majd igazán éretté. Az emberek csak most kezdik felfogni, milyen lehetőségeket tartogat a mesterséges intelligencia és a gépi tanulás.
Rumman Chowdhury, az Accenture mesterséges intelligenciáért felelő vezetője úgy véli, jelenleg még a szűk mesterséges intelligencia világában vagyunk. Még a beépített mesterségesintelligencia-modellel rendelkező platformoknál is értelmezniük kell a felhasználóknak az adatokat, és meg kell vizsgálniuk a relevanciájukat a kutatandó témával kapcsolatban.
- Én sem tudom, hogy egyes területeken teljesen kiválthatjuk-e majd vele az emberi döntést, és nem tudom, teljesen automatizálható lesz-e a valódi döntéshozatal, teszi hozzá a szakember.
