Jesteś w: Manager » Rynek

Manager Report, 2019/11, SAS Analytics Experience 2019: na celowniku sztuczna inteligencja

25.11.2019 11:07  Rynek
Celem konferencji SAS w Mediolanie było pokazanie, w jaki sposób organizacje na co dzień korzystają z analityki biznesowej

Zaprezentowano wiele przykładów efektywnego wykorzystania sztucznej inteligencji, uczenia maszynowego, technologii rozpoznawania obrazów oraz przetwarzania języka naturalnego. Wynika z nich, że kluczem do sukcesu w projektach AI jest zdolność do szybkiego wdrażania modeli analitycznych w praktycznych zastosowaniach. Tym samym sztuczna inteligencja staje się nową normą, dzięki której można odczuć moc analizy danych w codziennym życiu. Algorytmy w końcu wyszły z laboratorium i mogą modernizować dotychczas stosowane modele biznesowe w organizacji. W konferencji wzięło udział ponad 1,8 tys. data scientists i top managerów, którym zaproponowano bogaty program: dwie sesje plenarne, 56 sesji tematycznych, 48 stanowisk demo, dwa escape roomy, spotkania networkingowe oraz sześć sesji branżowych.

Przykłady zastosowań

Jim Goodnight, założyciel SAS i CEO, rozpoczął konferencję od pokazania, jak najnowsze techniki analityczne i uczenie maszynowe mogą zmienić biznes. – Dzisiaj sztuczna inteligencja jest wszędzie i każdy z nas ma dostęp do technologii AI. Analityka predykcyjna, uczenie maszynowe, przetwarzanie języka naturalnego oraz technologie rozpoznawania obrazów znajdują coraz  bardziej innowacyjne zastosowania – podsumował swoją wypowiedź. Przykładów aplikacji AI jest coraz więcej. Przykładowo SAS wykorzystuje je na użytek chatbotów zarówno na własnej stronie internetowej, jak i w celu wsparcia użytkowników biznesowych w wyjaśnianiu im w prosty sposób bardziej złożonych raportów analitycznych. Zdaniem Jima Goodnighta jednym z najlepszych sposobów wykorzystania możliwości sztucznej inteligencji jest analiza obrazów, która jest m.in. wykorzystywana w samochodach autonomicznych Google oraz w sklepach Amazon GO do rozpoznawania produktów i automatyzacji procesu zakupów. W trakcie konferencji pokazano także, jak jest wykorzystywana przez przemysł modowy do identyfikacji ubrań noszonych przez ludzi. Z kolei sieci neuronowe pomagają firmom świadczącym usługi finansowe w identyfikowaniu oszustw, co prowadzi do lepszej oceny ryzyka, podczas gdy firmy serwisowe wykorzystują zaawansowaną analitykę do monitorowania i obsługi infrastruktury sieci. Analiza tekstów umożliwia natomiast natychmiastowy pomiar reputacji firm w mediach społecznościowych. Wszystko to pozwala przyspieszyć cyfrową transformację biznesu, upraszczając proces implementowania algorytmów produkcyjnych. Mając na uwadze, że jednym z głównych wyzwań w projektach AI jest wdrażanie modeli analitycznych w praktycznych zastosowaniach, SAS zaoferował klientom SAS Model Manager, który z łatwością automatyzuje proces zarządzania nimi.

Ewolucja, nie rewolucja

Nie mniej interesujące było wystąpienie Olivera Schabenbergera, wiceprezesa wykonawczego, COO i CTO w SAS. Jego zdaniem transformacja cyfrowa jest już codziennym doświadczeniem w życiu organizacji, zmieniają się tylko priorytety. Dostęp do zasobów jest ważniejszy niż ich posiadanie lub tworzenie, a udostępnianie treści, zasobów i własności intelektualnej bardziej skuteczne niż ich gromadzenie. Decentralizacja i dystrybucja jest wydajniejsza niż centralizacja, a punktem wyjścia do socjalizowania i innowacji jest łączność. Nacisk zostaje przeniesiony z produktu na klienta oraz z decyzji podejmowanych intuicyjnie na decyzje oparte na danych. A wszystkie te pilne potrzeby gospodarki cyfrowej jest w stanie najlepiej obsłużyć chmura obliczeniowa, stając się synonimem cyfrowej transformacji. Chociaż jej zalety są bezdyskusyjne, tylko jednej firmie na cztery udaje się przejść przez nią z sukcesem. Najbardziej typowe przyczyny niepowodzeń to: brak finalizowania projektu w tym samym czasie na różnych poziomach organizacji (co jest spowodowane tym, że transformacja biznesu postrzegana jest głównie jako problem technologiczny), brak jasnej strategii, mało inspirujące przywództwo oraz niechęć do adaptacji. Według Schabenbergera transformacja cyfrowa polega na integracji technologii, procesów i kompetencji ludzi. – Cyfrowa transformacja nie jest czymś, co można po prostu zainstalować, przenieść dane do chmury i posadowić na nich AI. To raczej ewolucja niż rewolucja – powiedział Schabenberger. Wysiłek ten zostaje jednak z reguły nagrodzony. – Transformacja cyfrowa to nie tylko konieczność osiągnięcia sprawności konkurencyjnej i uproszczenia procesów, lecz także szansa na kreowanie nowych rzeczy, a nie robienie tych samych, tylko szybciej – podsumował.

Analityka w działaniu

Prezentacja Shadiego Shahina, wiceprezesa ds. strategii produktów w SAS, była poświęcona wyzwaniom związanym z przekształceniem świata danych w świat inteligencji. Chociaż z badań wynika, że ok. 95 proc. wszystkich istniejących informacji pozostaje niewykorzystanych, można to zmienić dzięki możliwościom oferowanym przez technologie AI. Mimo licznych referencji, którymi mogą się pochwalić klienci SAS, m.in. Volvo, Swisscom, Seacoast Bank i Healthy Nevada Project, większość użytkowników ponosi porażkę, ponieważ nie jest w stanie uruchomić swojego modelu analitycznego w terminie, brakuje im wystarczającej elastyczności we wdrażaniu oprogramowania i nie dysponują odpowiednią kulturą korporacyjną opartą na danych. Zdaniem Shahina główne wyzwania czają się jednak w tle i dotyczą metod wprowadzania analityki w życie. Z badań Gartnera wynika, że najlepsze modele daje się zaimplementować w mniej niż 50 proc. przypadków, wdrażanie ponad 90 proc. modeli trwa ponad trzy miesiące, a do tego wszystkiego brakuje zdefiniowania powtarzalnych procesów oraz elementarnej współpracy. Aby nie przegapić możliwości wykorzystania potencjału AI, SAS sugeruje wykorzystanie podejścia ModelOps, które umożliwia firmom walidowanie, testowanie i wcielanie w życie teoretycznych modeli tak szybko, jak to jest możliwe przy jednoczesnym zapewnieniu wysokiej jakości wyników. Na podstawie zasad DevOps metoda ta definiuje cykl życia analityki jako powtarzalną sekwencję siedmiu kroków, od przygotowania danych i ich eksploracji przez modelowanie, rejestrację, wdrażanie i monitorowanie do nieustannego szkolenia.

Customer Experience w 2030 r.

Kolejnym interesującym tematem omawianym na konferencji był wpływ danych i technologii na przeformułowanie doświadczeń klienta (CX). Daniel Newman, Principal Analyst Futurum Research, CEO Broadsuite Media Group, podzielił się kluczowymi wnioskami z najnowszego globalnego badania „Experience 2030: The Future of Customer Experience”. W badaniu wzięło udział ponad 4 tys. osób z ponad 30 krajów, z sektora konsumenckiego, przemysłowego i administracji rządowej. Zgodnie z założeniami badania przyszłość obsługi klienta będzie się składać z pięciu kluczowych obszarów: inteligentnych technologii, technologii immersyjnych (tj. wykorzystujących VR), cyfrowego zaufania, lojalności oraz ze zwinności i z automatyzacji. Marki, które chciałyby odnieść sukces w obszarze CX, powinny zwrócić uwagę na te czynniki oraz przemyśleć funkcjonowanie ekosystemów klientów, aby nadążyć za ich nowymi zachowaniami cyfrowymi. 55 proc. konsumentów używa bowiem trzech lub więcej aplikacji społecznościowych, a 85 proc. co najmniej jednej aplikacji bankowej lub finansowej. Badanie podkreśla pogłębiający się podział CX, który wynika z tego, że konsumenci i sprzedawcy nie zawsze mają okazje do bezpośredniego kontaktu, a firmy przeceniają zakres zachowań klientów. Kilka przykładów? 78 proc. dostawców uważa, że   konsumenci nie radzą sobie z korzystaniem z nowych technologii w sklepach, podczas gdy tak samo myśli tylko 35 proc. tych ostatnich. Co więcej, obecnie aż 58 proc. marek wymienia wysoką jakość jako najważniejszy czynnik, który może zwiększyć lojalność konsumentów, podczas gdy większość tych ostatnich deklaruje, że w swoich wyborach zakupowych kieruje się głównie niską ceną i rabatami. Z badania wynika także, że   przyszłość CX będzie w dużej mierze kształtowana przez ewoluujące technologie. Na przykład już teraz 62 proc. marek inwestuje w chatboty (głosowi asystenci AI), aby ulepszyć strategie angażowania klientów, a 54 proc. w rozwiązania AR /VR, aby pomóc klientom zdalnie wizualizować wygląd lub zastosowanie produktu czy usługi.

Na zakończenie swojego wystąpienia główny analityk przedstawił prognozę rozwoju technologii na następną dekadę. Wynika z niej, że już w 2021 r. chatboty będą w stanie prowadzić konwersację z klientem, w 2025 r. ponad 50 proc. interakcji między konsumentem a dostawcą będzie się odbywać w modelu człowiek-maszyna, a w 2030 r. pojazdów autonomicznych będzie więcej niż tych z kierowcą. – Przeszłości nie można zmienić, ale przyszłość tak – zakończył swoje wystąpienie Daniel Newman. – A ulepszyć swoje strategie CX można, pamiętając o kilku prostych wytycznych: konsumenci są cyfrowo zaawansowani, konieczne jest spinanie podziałów w obszarze CX, zaufanie ma znaczenie, lojalność jest bezcenna, ale przede wszystkim trzeba zaangażować się w technologię.

AI w medycynie

W trakcie konferencji zaprezentowano wiele przykładów wykorzystania sztucznej inteligencji w praktyce. Jednym z zaproszonych gości był prof. Geert Kazemier z oddziału chirurgii onkologicznej w Amsterdam University Medical Center (UMC), który opowiedział, jak wizualizacja komputerowa i analityka predykcyjna mogą być wykorzystane do precyzyjniejszego diagnozowania pacjentów z chorobą nowotworową, którym operacja może uratować życie. – Rak jelita grubego jest trzecim najczęściej występującym rakiem na świecie i rozprzestrzenia się on na wątrobę u około połowy pacjentów. Najlepszym dostępnym sposobem leczenia tego typu nowotworu jest jego usunięcie, ale niektóre guzy są zbyt duże i zanim będą się do tego nadawały, muszą być zmniejszone za pomocą chemioterapii. Ocena ich stanu jeszcze do niedawna odbywała się jednak ręcznie za pomocą tomografii komputerowej, co jest procesem złożonym i czasochłonnym – podkreślał profesor. Dlatego też Amsterdam UMC wraz z SAS zaangażował się w projekt mający na
celu zwiększenie szybkości i dokładności ocen skuteczności chemioterapii z wykorzystaniem technologii computer vision i modeli deep learning. – Projekt zakończył się sukcesem, bo teraz jesteśmy już w stanie w pełni zautomatyzować ocenę stanu pacjentów z rakiem jelita grubego. W przyszłości potencjał technologii AI może zostać wykorzystany do oceny także innego rodzaju nowotworów, w tym raka piersi i płuc. Ponadto możemy być w stanie przewidzieć wynik operacji i całkowity czas przeżycia pacjenta, analizując inne informacje o jego zdrowiu, takie
jak dane genomiczne czy DNA – podsumował swoje wystąpienie profesor.

Analityka w ubezpieczeniach

Kolejny przykład wykorzystania potęgi analityki do tworzenia nowych modeli biznesowych pochodzi z Włoch. Yolo to broker ubezpieczeniowy, który oferuje polisy wyłącznie przez Internet w modelu B2B2C. Oparta na wydajnym silniku analitycznym SAS platforma ubezpieczeniowa Yolo umożliwia klientom tworzenie, dostosowywanie i zarządzanie polisami w czasie rzeczywistym w modelu pay-per-use i to bez konieczności ich drukowania. Co ważne, dzięki platformie wielu partnerów wywodzących się z sektora bankowego zdecydowało się zdigitalizować
wybrane produkty ubezpieczeniowe, np. polisy turystyczne, i oferować je wyłącznie przez Internet we współpracy z Yolo. W efekcie, mimo że ta ostatnia została założona dopiero w 2017 r., do dziś sprzedała ponad 100 tys. polis.

Analityka na olimpiadach specjalnych

Analityka wspiera również inicjatywy Data4Good. – Światowe Letnie Igrzyska Olimpiad Specjalnych 2019 w Abu Zabi były największym wydarzeniem sportowym i humanitarnym na świecie w tym roku – powiedział Youssef al-Hammadi, Chief Intelligence Officer w Special Olympics World Games Abu Dhabi 2019. – W dniach 14–21 marca br. ponad 7,5 tys. sportowców reprezentujących ponad 190 krajów wzięło udział w 24 oficjalnie sankcjonowanych olimpijskich konkurencjach sportowych. Jako oficjalny dostawca danych analitycznych na olimpiadę specjalną 2019 SAS wspierał lokalny komitet organizacyjny w analizie różnych źródeł danych, takich jak dane geoprzestrzenne i zdrowotne, treści w mediach społecznościowych lub inne informacje o sportowcach, widzach i wolontariuszach. Zdaniem Al-Hammadiego ta ogromna ilość danych dostarczyła cennych informacji nie tylko do celów planowania
operacyjnego, lecz także do badań medycznych, na nowo definiując przyszłość ruchu olimpiad specjalnych i przyczyniając się do ich popularyzacji.

Niekonwencjonalna strona AI

Konferencja była także miejscem, gdzie tematy związane z analityką były prezentowane z nieco szerszych i niekonwencjonalnych perspektyw. Filozof i neuroekonomista Matteo Motterlini wzbudził zainteresowanie uczestników swoją teorią ekonomii emocjonalnej i architektury wyboru. Swój wywód zaczął od tego, że nasza intuicja pozwala nam na natychmiastową ocenę sytuacji bez konieczności przeprowadzania kosztownych i skomplikowanych obliczeń mentalnych, ale dzieje się to kosztem dokładności. – Istnieją dwa sposoby podejmowania decyzji: jeden jest emocjonalny i szybki, podobnie jak logika Charliego Browna; drugi używa tej samej racjonalności, co Mr. Spock z serialu „Star Trek”, ale jest bardzo powolny – podkreślił Motterlini. – Przez większość czasu jesteśmy głęboko irracjonalni w podejmowaniu decyzji i ufamy intuicji, która może być dramatycznie myląca. Jednak w niektórych kontekstach nasze nieświadome mechanizmy mentalne dają świetne wyniki, a kluczem do sukcesu w podejmowaniu decyzji jest identyfikacja, kiedy i gdzie nasze irracjonalne myślenie zapewnia najlepsze efekty. Dobra wiadomość to taka, że nasze irracjonalne zachowania nie są przypadkowe i można je przewidzieć. Jak sugerował Motterlini, błąd intuicji w rozwiązywaniu problemów nie jest wynikiem przypadku, ale produktem systematycznych procesów mentalnych i emocjonalnych.

Kognitywne wzorce

Dużo do myślenia dała także prezentacja Stefano Quintarellego, przedsiębiorcy i członka High-Level Expert Group on Artificial Intelligence przy Komisji Europejskiej. Jego zdaniem sztuczna inteligencja, z uwagi na ogromną wartość
szybko rozwijającego się rynku, może być niezwykle przydatnym narzędziem w środowisku biznesowym, nawet jeśli wymaga zrozumienia nowego rodzaju problemów i zarządzania nimi. Wśród tych najważniejszych wymienił obawy dotyczące konsekwencji i wiarygodności podejmowania decyzji opartych na AI, w szczególności z etycznego punktu widzenia. Doskonale działający system sztucznej inteligencji, ponieważ jest tylko silnikiem statystycznym, który z konieczności generuje wyniki probabilistyczne, może dokonywać złych wyborów. Aby zwiększyć dokładność, algorytmy powinny być trenowane, testowane i weryfikowane w sposób ciągły przy użyciu określonych technik, takich jak forward i back propagation oraz precision i recall graphs. – Sztuczna inteligencja może znacznie przyczynić się do poprawy istniejących wcześniej sytuacji, ale nieprawidłowe prognozy mogą mieć fatalny wpływ na dotknięte nimi osoby. Na przykład autonomiczne samochody mogą zmniejszyć ogólną liczbę ofiar, ale też przyczynić się do wypadków, które by bez nich nie zaistniały, a to oznacza, że zawsze ważne jest znalezienie właściwej równowagi między korzyściami a kosztami. Kolejna kwestia dotyczy obszarów wpływu AI. – Jeśli jakaś praca składa się tylko z jednego zadania i to bardzo powtarzalnego, to można ją oczywiście zautomatyzować, ale dotyczy to tylko wszelkich prac związanych z percepcją, analizą, klasyfikacją czy prognozowaniem – tłumaczył Quintarelli. Innymi słowy, maszyny mogą robić użyteczne rzeczy skalowalne do poziomu, który dla ludzi jest nieosiągalny, ale nie mogą całkowicie zastąpić twórczego potencjału człowieka. Nie trzeba się przy tym bać korzystania ze sztucznej inteligencji. – Analityka jest motorem, a AI jakby smarem do niego, który pozwala firmie nabrać rozpędu zgodnego z wymogami ery cyfrowej – podsumował Quintarelli.

Wojciech Gryciuk
korespondencja własna z Mediolanu

  • RSS
Dodaj artykuł do: Facebook Wykop.pl nk.pl blip.pl twitter.com

Komentarze

  

Dodaj komentarz (10-500 znaków)

manager