Вы CIO и вы хронически нерешительны? Тогда стоит позволить искусственному интеллекту помочь вам принимать решения, основанные на фактах, а не на интуиции, советуют опрошенные порталом InformationWeek эксперты.

CIO принимают важные решения практически каждый день. Обеспечение логичности, разумности и однозначности их действий жизненно важно для долгосрочного успеха бизнеса. Именно поэтому предиктивный ИИ может стать для них важнейшим инструментом.

Предиктивный ИИ использует статистический анализ и машинное обучение для выявления закономерностей, прогнозирования поведения и предстоящих событий. Всё больше CIO используют эту технологию для прогнозирования вероятных будущих результатов, выявления причинно-следственных связей, оценки подверженности рискам и принятия ключевых решений.

Предиктивный ИИ охватывает широкий спектр подходов: от классических статистических методов до современных моделей глубокого обучения, говорит Холли Вайберг, доцент кафедры операционных исследований и государственной политики в Хайнц-колледже Университета Карнеги-Меллона. «Не существует одной-единственной модели, которая была бы идеальной для всех случаев; выбор подходящего инструмента зависит от конкретного случая, доступных данных, критерия принятия решения и других факторов», — отмечает он.

Например, результаты модели, прогнозирующей риск смерти госпитализированного пациента в течение 24 часов, имеют иные последствия, чем модели, прогнозирующей, совершит ли покупатель покупку на сайте розничной торговли, объясняет Виберг: «Эти разные сценарии использования имеют разные метрики эффективности, разные требования к интерпретируемости и многие другие отличия».

Предиктивный ИИ помогает нам перейти от обзора через зеркало заднего вида к обзору через лобовое стекло, образно поясняет Даму Башьям, CIO и директор по инновациям компании Berkadia, занимающейся коммерческой недвижимостью и ипотечным кредитованием. «В коммерческой недвижимости существует множество сигналов, включая макроэкономические тенденции, демографические данные, показатели эффективности недвижимости и рынки капитала, — отмечает он. — ИИ объединяет их, чтобы показать, что, вероятно, произойдет дальше, чтобы мы могли действовать на опережение, лучше распределять ресурсы и с большей уверенностью управлять рисками».

Связывание прогнозов с последующими решениями

По словам Питера Моттрама, руководителя направления корпоративных данных и аналитики консалтинговой компании Protiviti, то, насколько хорошо модель ИИ может предсказать результат, напрямую зависит от её способности выявлять в данных значимые закономерности, которые невозможно увидеть невооруженным глазом.

В конечном счёте, ключ к эффективному использованию предиктивного ИИ — это привязка задачи прогнозирования к последующим решениям, говорит Виберг. Она отмечает, что прогноз сам по себе не имеет бизнес-ценности — его ценность определяется тем, какие действия он вызывает: «Когда организации рассматривают возможность интеграции инструментов предиктивного ИИ, руководители должны исходить из сценария использования: какова бизнес-проблема, какие инсайты они надеются получить из данных и какие действия это позволит обосновать для решения проблемы?».

Предиктивные модели часто сочетаются с другими количественными методами, такими как оптимизация и симуляция, для моделирования более широкой системы и привязки прогнозов к решениям. «Этот системный подход гарантирует, что инструменты решают правильную задачу, максимизируя организационный эффект», — говорит Виберг.

Первые шаги

Йогеш Джоши, старший вице-президент по продуктовым платформам в бюро потребительских кредитов TransUnion, подчёркивает, что первым шагом является выявление чёткой бизнес-проблемы, для которой может быть полезно прогнозирование или распознавание закономерностей. «Затем оцените готовность ваших данных, убедившись в наличии чистых и релевантных исторических данных», — говорит он.

Далее выберите сценарий использования, например, прогнозирование спроса, оттока клиентов или выявление мошенничества. Потом выберите подходящие инструменты. «Такие платформы, как Azure ML, DataRobot или Amazon SageMaker, предлагают удобные точки входа», — говорит Джоши. Наконец, создайте кросс-функциональную команду, включающую специалистов по анализу данных, экспертов в предметной области и лиц, принимающих решения.

Применимость предиктивного ИИ в различных отраслях

Прогнозы повсеместно используются в различных областях, будь то прогнозирование потребительского спроса на товары, числа одновременно находящихся в больнице пациентов или трафика поездов метро в час пик, отмечает Виберг. «Хотя прогнозирование — классическая задача, последние разработки в области ИИ позволяют создавать лучше основанные на данных прогнозы реального времени, используя несколько потоков данных», — говорит она. Эти прогнозы служат основой для распределения ресурсов, включая стратегию поставок и управления мощностями, а также для других последующих решений.

Начните с малого, но с умом, рекомендует Джастис Эролин, технический директор компании BairesDev, предоставляющей услуги по разработке ПО. Найдите для пилотного проекта один сценарий использования с измеримыми результатами, например, прогнозирование использования облачной инфраструктуры или прогнозирование оттока клиентов. «Используйте это для укрепления внутреннего доверия и демонстрации ценности, — советует он. — Вам не надо сразу же перестраивать системы или тратить шестизначные суммы на ПО».

Эролин отмечает, что многие CIO добиваются успеха, интегрируя прогностические модели в существующие инструменты бизнес-аналитики или сотрудничая с поставщиками, которые предоставляют готовые к использованию прогностические функции.

Возможные подводные камни

При интерпретации моделей предиктивного ИИ важно понимать, что предиктивные характеристики не подразумевают причинно-следственную связь. «Изменение характеристики, на основе которой предсказывается будущий спрос, не обязательно приведет к его увеличению», — говорит Виберг.

Мониторинг производительности также критически важен. «Производительность модели может снижаться со временем по нескольким причинам, включая изменения в базовых предиктивных характеристиках, изменения в поведении пользователей и внешние системные потрясения», — отмечает Виберг. Она добавляет, что организациям следует разрабатывать стратегии проактивного мониторинга для выявления «дрейфа модели» и принятия корректирующих мер при необходимости.

Заключение

По словам Джоши, предиктивный ИИ — это не панацея, а инструмент, который улучшает процесс принятия решений человеком, но не заменяет его. «Успех зависит от согласования ИИ-инициатив с бизнес-целями, формирования культуры, основанной на данных, и обеспечения этичного и ответственного использования, — объясняет он. — При правильном подходе он может стать преобразующей силой».

Не позволяйте перфекционизму мешать прогрессу, предупреждает Моттрам. «Прогностический ИИ — это новая, перспективная область, и те, кто в ней участвует, первыми получат преимущества, включая таланты, конкурентную аналитику и перспективу экономии средств, которые можно будет инвестировать в большее количество решений на основе ИИ или в улучшение экосистемы CIO».