Sztuczna inteligencja w analizie danych przedsiębiorstwa

Lawrence S. Maisel, Robert J. Zwerling i Jesper H. Sorensen uważają, że sztuczna inteligencja może posłużyć do opracowywania narzędzi, technik i procesów, które pomagają dostrzec i zrozumieć wzorce, powiązania i trendy w zbiorach danych. W swojej książce zatytułowanej AI-enabled analytics for business: A roadmap for becoming an analytics powerhouse przedstawiają plan działania, który ułatwi przedsiębiorstwom wdrożenie sztucznej inteligencji w analityce danych biznesowych.

Sztuczna inteligencja ma ponad 75-letnią historię. Już w 1950 r. brytyjski matematyk Alan Turing badał możliwość stworzenia sztucznej inteligencji i zasugerował, że skoro „ludzie wykorzystują dostępne informacje i rozum do rozwiązywania problemów i podejmowania decyzji”, to mogą to robić również maszyny. Założenie to stanowiło podstawę jego przełomowej publikacji pod tytułem Computational Machinery and Intelligence (Maszyny liczące i inteligencja), w której wyjaśniał, jak budować inteligentne urządzenia i testować ich wiedzę¹.

Czym zatem jest sztuczna inteligencja? Ogólnie rzecz ujmując, jest to zdolność maszyny do podejmowania decyzji, dotychczas zarezerwowana dla człowieka. Ale co to oznacza, jak przejawia się sztuczna inteligencja oraz jak zmieni nasze życie, świat i społeczeństwo?

Prędzej czy później sztuczna inteligencja znajdzie zastosowanie w każdej firmie. Jednak to, kiedy to nastąpi, będzie w pełni zależało od wiedzy kierownictwa zarówno na temat samej sztucznej inteligencji, jak i analityki danych. W tym właśnie miejscu powstanie przepaść między tymi, którzy korzystają z tej technologii, a tymi, którzy jeszcze tego nie robią.

Wielu przedstawicieli kadry kierowniczej nie posiada jasno sprecyzowanej wizji ani wyraźnie zarysowanej strategii wdrażania sztucznej inteligencji w swoim zespole, dziale, firmie czy grupie

Wdrożenia sztucznej inteligencji w przedsiębiorstwach dopiero się rozpoczynają i na obecnym etapie są ukierunkowane jedynie na kilka określonych obszarów i zadań. Choć działania mające na celu opracowanie rozwiązań z zakresu zaawansowanej analityki zmierzają w dobrym kierunku, to dziś więcej tych przedsięwzięć kończy się fiaskiem niż sukcesem. Dobra wiadomość jest taka, że błędów we wdrożeniu sztucznej inteligencji można uniknąć.

Wielu przedstawicieli kadry kierowniczej nie posiada jasno sprecyzowanej wizji ani wyraźnie zarysowanej strategii wdrażania sztucznej inteligencji w swoim zespole, dziale, firmie czy grupie. Inni zdają się rozumieć jej potencjał, lecz kierują się błędnym pojmowaniem analityki. Ich pierwszą reakcją jest zatrudnienie konsultantów i zakup oprogramowania opartego na sztucznej inteligencji, a nie do końca wiedzą, w jaki sposób rezultaty analizy mogą wykorzystać przy podejmowaniu decyzji.

W salach konferencyjnych słychać lamenty: „Potrzebujemy lepszych prognoz”, „Jak poprawić wyniki?” albo „Musimy działać mądrzej”. Ale jak to osiągnąć? Zarządy i dyrekcje przeczytały tony raportów i badań firm konsultingowych na temat tego, „co” należy osiągnąć, ale „jak” – nie jest jasne. Dlatego tak wiele przedsiębiorstw pozostaje w tyle we wdrażaniu sztucznej inteligencji i analityki danych.

Sztuczna inteligencja a uczenie maszynowe

„Sztuczna inteligencja” i „uczenie maszynowe” to pojęcia odmieniane dziś przez wszystkie przypadki. Używa się ich zamiennie, ale nie są synonimami. Sztuczna inteligencja to zestaw zdolności, które umożliwiają maszynie podejmowanie decyzji. Uczenie maszynowe natomiast jest jedną z metod, dzięki którym maszyna może to robić, stanowi ono zatem element i dziedzinę sztucznej inteligencji. Uczenie maszynowe to podzbiór sztucznej inteligencji, a sztuczna inteligencja to nie tylko uczenie maszynowe.

Uczenie maszynowe wykorzystuje algorytmy ─ modele matematyczne ─ które umożliwiają komputerom wykonywanie określonych zadań bez konieczności uprzedniego zaprogramowania ich w tym celu, lecz w oparciu o wzorce i wnioski dostrzeżone w zbiorze, na którym były trenowane. Inną popularną formą sztucznej inteligencji są wysoce zaawansowane sieci neuronowe, które naśladują strukturę synaps obecnych w mózgu.

Najnowsze osiągnięcia w uczeniu maszynowym

Stosowanie i wdrażanie uczenia maszynowego wymaga specjalistycznych umiejętności. Aby ułatwić podejmowanie decyzji, jest ono często łączone z innymi narzędziami. Wyobraźmy sobie na przykład, że bank chce zwiększyć liczbę udzielanych pożyczek, nie powodując przy tym niekorzystnego wpływu na profil ryzyka swojego portfela. Może wykorzystać uczenie maszynowe do tworzenia prognoz, importowania wyników do arkuszy kalkulacyjnych oraz informowania klientów, czy ich wniosek został rozpatrzony pozytywnie.

W przypadku dużych projektów uczenia maszynowego niezbędna okazuje się współpraca danologów, programistów, administratorów baz danych oraz twórców aplikacji. Ponadto potrzebna jest duża ilość wysokiej jakości danych szkoleniowych. To paraliżuje 80% projektów związanych z tą formą sztucznej inteligencji².

Chociaż uczenie maszynowe niesie potężne możliwości i staje się coraz powszechniejsze, jego stosowanie nie jest łatwe. Powstają liczne programy, które to ułatwiają, jednak wciąż jest dziedziną zarezerwowaną głównie dla danologów. Załóżmy na przykład, że chcemy przewidzieć, którzy klienci naszego sklepu internetowego sfinalizują zakup, a którzy opuszczą stronę, nie dotarłszy do etapu płatności. Proces prowadzący do powstania takiej prognozy obejmuje kilka kroków, w tym gromadzenie danych, przygotowywanie danych, wybór i programowanie algorytmu, szkolenie modelu, testowanie i wreszcie wdrożenie. Niepowodzenie na którymkolwiek z tych etapów skutkuje koniecznością powrotu do poprzedniego kroku lub do początku.

Uczenie maszynowe, choć złożone, oferuje ogromną wartość biznesową w szerokim zakresie zastosowań

Jednym z ograniczeń uczenia maszynowego jest to, że w większości przypadków nie można przenieść modelu do innej firmy, choćby miała podobny profil działalności, ani nawet do innego działu tej samej firmy. Ponadto, jak wspomniano powyżej, często konieczne jest użycie również dodatkowych narzędzi, aby rezultaty były przydatne dla decydentów.

Uczenie maszynowe, choć złożone, oferuje ogromną wartość biznesową w szerokim zakresie zastosowań, obejmujących nie tylko prognozowanie popytu, ale również na przykład przewidywanie, którzy klienci mogą odejść, które transakcje sprzedaży zostaną sfinalizowane w ciągu najbliższych 60 dni, które leki przejdą do następnego etapu badań, ilu konsumentów kupiłoby więcej z 5% rabatem.

Żyjemy w okresie fascynujących zmian. Przedsiębiorstwa dążą do poprawy produktywności, a wraz z nią życia ludzi. Odkrycie elektryczności i wynalezienie silnika elektrycznego na początku XX wieku spowodowały szereg zmian społecznych i przyniosły ludzkości ogromne korzyści. Sztuczna inteligencja niesie ze sobą jeszcze głębsze przemiany, które będą miały wpływ na przyszłe pokolenia.