Jak uczenie maszynowe przyczynia się do rozwiązywania problemów biznesowych?
Algorytmy sztucznej inteligencji (AI – Artificial Intelligence), a co za tym idzie i uczenia maszynowego (ML – Machine Learning), coraz szerszym strumieniem wlewają się w biznes i nasze życie codzienne. Kapitalnie opisała to Hannah Fry w swojej książce „Hello, World. Jak być człowiekiem w epoce maszyn”[i]. Uczenie maszynowe jest obecne w diagnostyce medycznej, sądownictwie, finansach i w przemyśle.
Czym jest uczenie maszynowe i jak pomaga w rozwiązywaniu problemów biznesowych?
Inspiracją dla algorytmów uczenia maszynowego jest sposób uczenia się istot żywych. Najczęściej mamy do czynienia z prostym mechanizmem wzmacniania pożądanych zachowań i ignorowania niewłaściwych w połączeniu z zapewnieniem czasu niezbędnego na wypracowanie własnego trybu działania. Informatyczny ekwiwalent takiego procesu nazywa się właśnie uczeniem maszynowym, które jest podzbiorem rozwiązań z zakresu sztucznej inteligencji. W największym skrócie algorytm Machine Learning otrzymuje dane wejściowe, cel oraz informacje zwrotne, jeśli podąża we właściwym kierunku. Dostaje także czas na samodzielne wypracowanie najlepszej metody osiągnięcia wyznaczonego celu.
W sferze biznesowej uczenie maszynowe pozwala firmom zrozumieć posiadane dane i wyciągać z nich istotne informacje zarządcze. Firma może wykorzystać tę technologię w wielu różnych zastosowaniach, których celem może być np. zwiększenie sprzedaży, stworzenie efektywnej wyszukiwarki produktów z podpowiedziami i sugestiami dla kupującego, czy chociażby uruchomienie samochodu autonomicznego.
Algorytmy ML udowodniły swoją przydatność wszędzie tam, gdzie tradycyjne rozwiązania oparte na listach instrukcji okazały się nieprzydatne. Ich wybitne możliwości widać chociażby przy rozpoznawaniu przedmiotów na zdjęciach, rozpoznawaniu mowy i tłumaczeniu jej na inne języki oraz w analizie i poszukiwaniu korelacji w wielkich zbiorach danych Big Data.
Innych przykładów może dostarczyć na przykład robotyzacja procesów przemysłowych[ii]. Bez zastosowania uczenia maszynowego, robot sterujący naklejaniem czujników promieniowana UV na kaski ochronne w budownictwie nie byłby w stanie odróżnić którą stroną i gdzie je nakleić. Analiza obrazu połączona z uczeniem maszynowym pozwala sprawnie sterować ramieniem robota i wytrząsarką tak, aby w prawidłowej pozycji pobrać czujnik i precyzyjnie nanieść go na kask.
Uczenie maszynowe a analiza danych
Bez Machine Learning praktycznie niemożliwa byłaby współczesna analiza danych. Wystarczy pomyśleć, że Twitter ma ponad 486 milionów użytkowników[iii] wysyłających dziennie około 500 milionów tweetów[iv]. W skali roku daje to ponad 183 miliardy tych krótkich wiadomości. Żaden człowiek, nawet wspierany tradycyjnym oprogramowaniem, nie jest w stanie przeanalizować, skategoryzować, posortować takiej ilości danych, nie mówiąc już o znalezieniu w nich ciekawych korelacji i przewidywaniu czegokolwiek na tej podstawie. Podobnie funkcjonuje przecież Facebook i Amazon. Ten ostatni potrafi całkiem zręcznie podpowiadać, co jeszcze może się przydać przy zakupie jakiegoś przedmiotu lub co kupili inni, który też byli zainteresowaniu tą samą rzeczą. Biznesowe efekty takich działań są uzależnione od Data Mining, czyli wysokiej jakości specyficznych algorytmów Machine Learning polegających na wykrywaniu w dużych zbiorach danych pewnych wzorców przydatnych przy podejmowaniu decyzji.
Z podobnych rozwiązań do analizy danych i Machine Learning korzysta sektor bankowy i finansowy. Algorytmy przeczesują miliony operacji bankowych w poszukiwaniu operacji podobnych do tych, które wykonywane są z kont służących do prania pieniędzy (Money Laundering).
Przeciętny użytkownik kart kredytowych ma duże szanse otrzymać od swojego banku alert o nietypowej i podejrzanej aktywności związanej z płatnościami kartą. Szybkie wykrycie anomalii i błyskawiczna wysyłka ostrzeżenia jest możliwa właśnie za sprawą nieprzerwanie działających algorytmów Data Mining. W samych Stanach Zjednoczonych jest w użyciu ponad miliard kart kredytowych. Przeciętny Amerykanin używa cztery karty[v]. Przeprowadzane z ich użyciem transakcje generują ogromną ilość danych – bez Machine Learning i Data Mining nie byłoby możliwe wyszukanie jakichkolwiek wzorców zachowań użytkowników.
Uczenie maszynowe, a innowacje w biznesie
Inteligentna automatyzacja procesów biznesowych i potencjał Machine Learning tworzą idealne podłoże do wprowadzania innowacji zwiększających efektywność operacyjną firm oraz poprawiających obsługę klientów i współpracę pomiędzy szeroko rozumianym biznesem a IT.
Uczenie maszynowe ML znakomicie przyśpiesza rozpoznawanie zapisów na fakturach kosztowych i ułatwia ich księgowanie przy jednoczesnej znaczącej redukcji zapotrzebowania na pracę człowieka. Te same technologie Machine Learning wspierają działanie wszelkiej maści cyfrowych asystentów, którzy nieustannie doskonalą swoją aktywność i coraz lepiej naśladują człowieka. W zasadzie źródłem każdej innowacji z wykorzystaniem Machine Learning może być konstruktywna odpowiedź na pytanie „czy człowiek musi to robić?” Czy można zastąpić jego pracę robotem, którego nauczymy wykonywać wskazane czynności? W większości przypadków, co do zasady, nie ma negatywnych odpowiedzi. Tylko czynniki ekonomiczne decydują o kolejności wdrożeń i rozwoju nowych metod działalności biznesowej. Dostępne narzędzia umożliwiają szybkie tworzenie i wdrażanie odpowiednich aplikacji biznesowych, a robotyka zapewnia fizyczną realizację praktycznie dowolnej czynności manualnej.
Jak uczenie maszynowe może poprawić wyniki Twojej firmy?
Wdrażanie systemów bazujących na sztucznej inteligencji i Machine Learning ma jedną wielką zaletę – wymusza staranny namysł nad optymalizacją procesów biznesowych i wprowadza zintegrowane podejście do zarządzania cała firmą. Już samo to potrafi zwiększyć wydajność całej organizacji. Uczenie maszynowe mocno przekształca także rolę pracownika w organizacji – algorytmy działają bez przerw, nie męczą się, często są bardziej niezawodne i uważne niż człowiek. Im prostsze i powtarzalne prace wykonuje pracownik, tym większa szansa, że w najbliższym czasie zastąpi go robot wspierany algorytmami Machine Learning. Pracownik będzie potrzebny do jego nadzorowania, uruchamiania i ewentualnie testowania. To oznacza także znaczące zmiany w strukturze zatrudnienia i wzrost znaczenia działów IT. Redukcja kosztów osobowych to niejedyna korzyść z zastosowania nowoczesnych technologii IT. Oczywiście poprawia się wydajność produkcji i jakość obsługi klienta, ale ważniejsze wydaję się zdobywanie doświadczeń i doskonalenie samych algorytmów. To w dłuższej perspektywie zapewnia większą elastyczność i tempo rozwoju firmy, która będzie mogła skuteczniej konkurować z mniej innowacyjnymi organizacjami.
Najlepsze przykłady zastosowania uczenia maszynowego w biznesie
Chyba najbardziej spektakularnym przykładem zastosowania Machnie Learning w biznesie jest wprowadzenie do użytku samochodów autonomicznych[vi]. Elon Musk twierdzi, że jest to proces niezmiernie trudny o niespotykanej złożoności. Zatem na w pełni autonomiczne i absolutnie niezawodne auta tego typu przyjdzie nam jeszcze poczekać. Uczenie maszynowe króluje w mniej popularnym i widocznym sektorze militarnym. Autonomiczne roboty, środki transportu i maszyny bojowe powstają w ramach wielu tajnych projektów, o których do opinii publicznej docierają jedynie niewielkie strzępy informacji[vii]. O nieco mniej spektakularnych zastosowaniach Machine Learning można poczytać już w wielu miejscach[viii] – z dobrodziejstw tej technologii korzysta np. Audi, Deustche Post, czy Adidas.
Od czego rozpocząć wdrażanie rozwiązania opartego o Machine Learning w firmie?
Początek jest standardowy – koniecznie trzeba zrozumieć do czego Machine Learning jest potrzebne, co ma poprawić lub jakich informacji ma dostarczyć. To ostatnie jest szczególnie ważne w obszarze Data Science. W kolejnym kroku należy zgromadzić i oczyścić dane oraz wybrać taki zestaw cech i danych, który pozwoli na zbudowanie modelu ML. Metody wyboru oczywiście różnią się w zależności od rodzaju użytego algorytmu. Jeśli problem jest z kategorii np. drzewa decyzyjnego, to analityk lub narzędzie modelujące może na przykład dodać do kolumn bazy danych tzw. „wskaźnik zainteresowania” (Interestingness Score), aby wykorzystać określone zasoby do budowy modelu. To absolutnie kluczowy krok, który zabezpiecza przed całkowitą porażką lub co gorsza przed niedostrzegalnym fałszowaniem rzeczywistości[ix]. Jakość działania algorytmów i uzyskiwane efekty wprost zależą od jakości danych, na których algorytm się uczył. Śmieci na wejściu dadzą śmieci na wyjściu.
Mając wybrany odpowiedni model, można przystąpić do jego szkolenia pod kątem przetwarzania i wyszukiwania określonych korelacji w danych. Model otrzymuje algorytm działania oraz dane testowe i na ich podstawie formułuje swoje wnioski. Końcowe, choć wcale nie mniej ważne etapy sprowadzają się do strojenia algorytmu — wnioski formułowane przez model są starannie analizowane i pozwalają upewnić się, że wcześniej, czy później uzyskamy odpowiedzi na nurtujące biznes pytania.
Proces wdrożenia ML kończy ewaluacja modelu i algorytmu, aby stwierdzić, czy jest on gotowy do fazy produkcyjnej, czy może trzeba cofnąć się o kilka kroków i udoskonalić model, cechę, algorytm lub dane, aby osiągnąć postawione cele. Jeśli wszystko jest w porządku, uruchamia się wersję produkcyjną i rozpoczyna myślenie, „co by tu jeszcze zautomatyzować?” Od czasu do czasu trzeba także przejrzeć wyniki działającego modelu w środowisku produkcyjnym, bo i tam innowacje mogą się przydać.
Największe wyzwania związane z uczeniem maszynowym w biznesie
Ocena tego, co jest największym wyzwaniem związanym z ML, jest bardzo subiektywna. To, co dla jednych jest wyzwaniem, dla innych może być proste. Ze względu na złożoność całego procesu wyboru technologii, modelu, danych i samego wdrożenia w biznesie, na każdym etapie można się spodziewać pułapek i niespodzianek. W polskim środowisku biznesowym najtrudniejsze jednak wydaję się stworzenie zespołu wdrożeniowego o odpowiednio wysokich kompetencjach i doświadczeniu oraz zapewnienie współpracy i efektywnej komunikacji z działami biznesowymi oraz decydentami na najwyższych szczeblach. Z tego punktu widzenia problemy technologiczne przesuwają się na drugi plan i zawsze są do rozwiązania. Współpraca z ludźmi to już zupełnie coś innego, bo cytując anonimowego konsultanta: „Nie po to kończyłem informatykę, żeby teraz pracować z ludźmi”.
[i] Hannah Fry – „Hello, World. Jak być człowiekiem w epoce maszyn”. Wydawnictwo Literackie, Kraków 2019.
[ii] https://www.apsystem.info/realizacje.html
[iii] https://datareportal.com/essential-twitter-stats
[iv] https://www.demandsage.com/twitter-statistics/
[v] https://www.cnbc.com/select/how-many-credit-cards-does-the-average-american-have/
[vi] https://mubi.pl/poradniki/samochod-autonomiczny/
[vii] https://www.army.mil/article/259244/testing_of_the_armys_first_autonomous_vehicle_speeds_ahead
[viii] https://www.bizagi.com/en/blog/16-Real-World-Business-Process-Automation-Examples-That-Sparked-Success
[ix] Hannah Fry – „Hello, World. Jak być człowiekiem w epoce maszyn”. Wydawnictwo Literackie, Kraków 2019, s. 89 i następne.
Porozmawiajmy!
a my pomożemy Ci wdrożyć najnowsze rozwiązania!
Podobne wpisy:
Uczenie maszynowe, czyli przyszłość zaawansowanej analizy danych
Jak wybrać pierwsze procesy do wdrożenia technologii RPA? Automatyzacja procesów biznesowych w praktyce
Jak wygląda robotyzacja procesów biznesowych w Polsce. Czy jesteśmy przygotowani na RPA?
RPA-as-a-Service (RPAaaS) – czy warto zainteresować się outsourcingiem RPA w Chmurze?