Tehisintellektipõhine analüütika äri edendamiseks

Juhid Lawrence S. Maisel, Robert J. Zwerling ja Jesper H. Sorensen väidavad, et tehisintellekti rakendamine andmeanalüütikas annab võimaluse luua vahendeid, tehnikaid ja äriprotsesse, mis annavad ülevaate mustritest, seostest ja suundumustest. Oma raamatus I-enabled analytics for business: A roadmap for becoming an analytics powerhouse, pakuvad nad ettevõtetele suuniseid tehisintellekti juhtimiseks ja rakendamiseks ettevõtte andmeanalüütikas.

Tehisintellekti (AI) ajalugu ulatub enam kui 75 aasta taha. Matemaatik Alan Turing uuris tehisintellekti matemaatilisi võimalusi, väites, et inimesed kasutavad probleemide lahendamiseks ja otsuste tegemiseks nii olemasolevat teavet kui ka mõistust. Kui see eeldus on tõsi, siis võivad seda teha ka masinad. See oli aluseks tema 1950. aasta kirjutisele „Computing machinery and intelligence“, milles ta arutas, kuidas ehitada intelligentseid masinaid ja nende intelligentsus proovile panna.

Seega, mis on AI? Väga laias laastus on see masina võime teha otsuseid, mida tavaliselt langetab inimene. Kuid mida see tähendab, milline näeb välja tehisintellekt ja kuidas see muudab meie elu ja ühiskonda?

Me kõik teame, et AI saab varem või hiljem kõigi ettevõtete osaks. Kuid kui see on ettevõtte osa, sõltub see täielikult sellest, mida iga juht tehisintellekti ja analüütika kohta teab ja mõistab. Ja siin peitub lõhe varajaste kasutuselevõtjate ja ülejäänud turuosaliste vahel.

Paljudel juhtidel puudub selge nägemus sellest, kuidas nad oma äris, divisjonis, kontsernis või osakonnas tehisaru kasutusele võtavad.

Tehisintellekti rakendamisvõimalused on alles lapsekingades, sest projektid on olnud väga konkreetselt sihitud ainult teatud valdkondade kindlatele organisatsioonidele ja ülesannetele. Seega, kuigi liikumine täiustatud analüütika kasutuselevõtu suunas on õiges suunas, on ebaõnnestumisi palju rohkem kui õnnestumisi. Hea uudis on see, et tehisintellekti ja analüütika ebaõnnestumisi on võimalik vältida.

Paljudel juhtidel puudub selge visioon ja hääl, kuidas oma äri, divisjoni, rühma või osakonda analüütika ja tehisintellekti kasutuselevõtu kaudu suunata. Teised juhid arvavad, et nad teavad, mida tähendab tehisintellekti võimaldamine, kuid sageli lähtuvad nad halvasti määratletud mõistetest või väärarusaamadest analüütika kohta. Nende esimene automaatne lahendus on palgata konsultante ja osta tehisintellektipõhist analüüsitarkvara, ilma et nad täielikult mõistaksid, kuidas analüütikat otsuste tegemiseks kasutatakse.

Koosolekuruumides ja juhtkonna konverentsisaalides kõlavad üleskutsed „Vajame paremat prognoosivõimekust“, „Millised tegurid meie äri kannustavad?“ ja „Peame oma tegevuses targemaks muutuma“. Aga kuidas seda täpselt teha? Paljud juhid on mäekõrgustest nõustamisaruannetest lugenud, mis on „mis“, kuid „kuidas“ on jäänud ebaselgeks ja just seetõttu on liiga paljud ettevõtted tehisaru ja analüütika kasutuselevõtus maha jäänud.

Tehisaru ja masinõpe: sarnased, kuid erinevad

Näeme sageli fraasi „tehisaru ja masinõpe“ ning paneme need kokk, nagu oleksid need lahutamatud. Ent kuigi need on seotud, ei ole need siiski üks ja seesama. Tehisintellekti üldmõiste on lihtsalt masin, mis suudab teha inimese otsuseid. Seega on igasugune viis, kuidas masinaga inimlik otsus saavutada, tehisintellekt, ja masinõpe (MÕ) on üks selline viis ehk tehisaru alamliik. Seega on igasugune masinõpe tehisaru, kuid mitte kogu tehisaru pole masinõpe.

MÕ hõlmab algoritme (matemaatilisi mudeleid), mida arvutid kasutavad konkreetse ülesande täitmiseks ilma selgesõnaliste juhisteta, tuginedes sageli hoopis mustritele ja järeldustele. Teine populaarne tehisintellekti vorm on neurovõrgud, mis on väga arenenud ja põhinevad aju sünapsi struktuuri peegeldamisel.

Masinõppe alused

Masinõpe on tehnika ja tehnoloogia, mille kasutamine ja rakendamine nõuab tänapäeval erioskusi. See on tehisintellekti mootor, mida kasutatakse sageli koos teiste vahenditega, et muuta masinõppe väljund otsuste tegemisel kasulikuks. Oletame näiteks, et pank soovib laiendada laenude arvu, suurendamata seejuures oma laenuportfelli riskiprofiili. Masinõpet saab kasutada riskiprognooside tegemiseks ning seejärel imporditakse tulemused tabelitesse, et teatada nendest uutest täiendavatest laenutaotlejatest, kellele saab nüüd anda jaatava vastuse.

Suured masinõppeprojektid hõlmavad sageli andmeteadlaste, programmeerijate, andmebaasiadministraatorite ja rakenduste arendajate koostööd (et saavutada kasutatav tulemus). Lisaks vajab masinõpe oma mudeli treenimiseks suurt hulka kvaliteetseid andmeid ning just seetõttu jääbki igast kümnest masinõppe- ja tehisaruprojektist kaheksa seisma.

Kuigi MÕ on populaarne ja võimas, ei ole see lihtne. Paljud uued tarkvararakendused muudavad masinõppe kasutamise lihtsamaks, kuid see on siiani siiski peamiselt andmeteadlastele mõeldud. Enne masinõppeprojekti alustamist tuleb määratleda selle objekt, st mis vajab lahendamist. Oletame näiteks, et tahame ennustada, millised kliendid meie e-kaubanduse veebisaidil liiguvad edasi ostu sooritamise juurde (võrreldes nendega, kes lahkuvad enne ostu sooritamist). Protsess, mis viib objektilt kasutusele võetud lahenduseni, koosneb paljudest etappidest, sealhulgas andmete kogumisest ja ettevalmistamisest, algoritmi valikust ja selle programmeerimisest, mudeli treenimisest, mudeli testimisest ja kasutuselevõtust. Mis tahes tõrge mis tahes punktis nõuab lähtestamist ja/või taaskäivitamist protsessi mis tahes varasemas punktis.

Kuigi masinõpe on keeruline, võib see pakkuda suurt ärilist väärtust, millel on palju erinevaid rakendusvõimalusi.

Masinõppe piiranguks on see, et objekti lahendus on väga spetsiifiline just neile andmetele, mida masinõppemudeli treenimiseks kasutati. Enamasti ei ole mudel ülekantav isegi sarnaslele ettevõttele või sama organisatsiooni sarnasele osakonnale. Nagu mainitud, on masinõppe kasutamiseks sageli vaja ka muid vahendeid, et selle tulemused oleksid ärijuhtidele kasulikud.

Kuigi masinõpe on keeruline, võib see siiski pakkuda suurt ärilist väärtust paljude rakendusvõimaluste kaudu: näiteks suudab see prognoosida kliendivoolavust, müügitehinguid, mis sõlmitakse järgmise 60 päeva jooksul, ravimeid, mis suure tõenäosusega jõuavad uuringutes järgmisesse faasi, kliente, kes ostavad tõenäolisemalt 5% allahindlusega, nõudlust ja palju muud.

Elame muutuste seisukohalt põneval ajal. Ettevõtted on teinud palju selleks, et edendada tootlikkust ja sellega koos ka inimeste elu. Näiteks kahekümnenda sajandi vahetusel toimunud elektri kasutuselevõtt ja elektrimootori leiutamine muutis ühiskonda põhjalikult ja dramaatiliselt ning tõi inimkonnale tohutut kasu. Tehisarul on järgmisele põlvkonnale ja sellest edasi veelgi suurem elumuutev mõju kui oli elektrimootori kasutuselevõtul.