X
Następny artykuł dla Ciebie
Wyświetl >>

8 biznesowych obszarów doskonalonych przez uczenie maszynowe

Markus Noga, Timo Elliott, Dan Wellers  · 5 min

8 biznesowych obszarów doskonalonych przez uczenie maszynowe

Wiodące dziś firmy korzystają z narzędzi uczenia maszynowego, aby zautomatyzować procesy podejmowania decyzji.

Przewiduje się, że ich inwestycje w sztuczną inteligencję (AI) do 2025 r. stworzą rynek wartości 100 miliardów dolarów. Jedynie w zeszłym roku inwestycje kapitałowe w uczenie maszynowe wyniosły 5 miliardów dolarów. W niedawnym badaniu 30% respondentów przewidywało, że AI będzie największym czynnikiem przełomu w ich branży w ciągu kolejnych pięciu lat. Bez wątpienia będzie to miało głęboki wpływ na rynek pracy.

Uczenie maszynowe umożliwia firmom skupienie na najbardziej dochodowym rozwoju oraz optymalizację procesów przy jednoczesnej poprawie zaangażowania pracowników i zwiększeniu zadowolenia klientów. Oto kilka konkretnych przykładów, jak współczesne firmy mogą tworzyć wartość dzięki sztucznej inteligencji i uczeniu maszynowemu.

Spersonalizowana obsługa klientów

Potencjał doskonalenia obsługi klientów przy jednoczesnym obniżeniu kosztów sprawia, że jest to jeden z najbardziej atrakcyjnych obszarów możliwych zastosowań. Dzięki połączeniu historycznych danych z obsługi klienta, przetwarzaniu języka naturalnego, algorytmom nieustannie uczącym się na podstawie interakcji, klienci mogą zadawać pytania i uzyskiwać wysokiej jakości odpowiedzi. W istocie 44% konsumentów amerykańskich już teraz woli w obsłudze klienta chatboty od ludzi. Specjaliści ds. obsługi klienta mogą interweniować, aby poradzić sobie z wyjątkami, podczas gdy algorytmy podglądają przez ramię, ucząc się, jak reagować następnym razem.

Poprawa lojalności i poziomu retencji klientów

Firmy mogą wydobywać dane o działaniach, transakcjach i społecznościowych reakcjach klientów, aby określić tych spośród nich, u których występuje wysokie ryzyko odejścia. W połączeniu z danymi o rentowności umożliwia to organizacjom zoptymalizowanie strategii „następnego najlepszego działania” oraz spersonalizowanie całościowego doświadczenia klienta. Na przykład młode osoby dorosłe, które przestają korzystać z abonamentów komórkowych opłacanych przez rodziców, przechodzą często do innych operatorów. Firmy telekomunikacyjne mogą wykorzystać uczenie maszynowe, aby przewidzieć to zachowanie i przygotować zindywidualizowane oferty na podstawie indywidualnych schematów użytkowania, zanim klienci odejdą do konkurencji.

PRZECZYTAJ TAKŻE: Po co nam algorytmy? »

Wykorzystaj algorytmy do podejmowania decyzji 

Michael Schrage

W jaki sposób i w jakich okolicznościach delegować prawa decyzyjne na sztuczną inteligencję?

Rekrutacja odpowiednich osób

Oferty pracy w korporacjach przyciągają jednorazowo ok. 250 życiorysów, a ponad połowa ankietowanych rekruterów mówi, że przygotowanie krótkiej listy kwalifikowanych kandydatów stanowi najtrudniejszy element ich pracy. Oprogramowanie szybko przesiewa tysiące aplikacji o pracę i tworzy krótką listę kandydatów, których kwalifikacje zapewniają największe szanse osiągnięcia sukcesu w danej firmie. Należy uważać, aby nie wzmacniać jakichkolwiek stronniczych decyzji podjętych przez ludzi podczas wcześniejszych rekrutacji. Ale oprogramowanie może też przeciwdziałać uprzedzeniom, automatycznie wyłapując przykłady dyskryminującego języka w opisach stanowisk, wychwytując wysoko kwalifikowanych kandydatów, których można by było przeoczyć, ponieważ nie pasują do tradycyjnych oczekiwań.

Automatyzacja finansów

AI może przyśpieszyć „obsługę wyjątków” w wielu procesach finansowych. Na przykład w przypadku otrzymania płatności bez numeru zlecenia, pracownik musi ustalić, któremu zleceniu odpowiada płatność, a następnie określić, co zrobić z ewentualną nadpłatą lub niedopłatą. Monitorując istniejące procesy oraz ucząc się rozpoznawać różne sytuacje, AI w znaczący sposób zwiększa liczbę faktur, które można przypisać automatycznie. Umożliwia to organizacjom ograniczenie pracy zlecanej na zewnątrz do centrów obsługi i uwalnia pracowników działu finansów, pozwalając koncentrować im się na zadaniach strategicznych.

Pomiar ekspozycji marki

Zautomatyzowane programy potrafią rozpoznawać produkty, ludzi, logo itd. Na przykład zaawansowane rozpoznawanie obrazów może być wykorzystywane do śledzenia pozycji logo marki, które pojawia się podczas transmisji wydarzeń sportowych, np. meczów koszykówki. Sponsorzy korporacyjni mogą przekonać się o zwrocie ze sponsorowanej przez siebie inwestycji, otrzymując szczegółowe analizy obejmujące dane ilościowe, czas trwania transmisji oraz lokalizację logo korporacji.

PRZECZYTAJ TAKŻE: Big data = big success »

Czy da się naprawdę zarobić na sztucznej inteligencji? 

Thomas H. Davenport

Jak IBM może oczekiwać miliardowych przychodów za sprawą systemu Watson, skoro rozwiązanie to nie jest znacząco lepsze od jego darmowych odpowiedników?

Wykrywanie oszustw

Typowa organizacja traci corocznie 5% przychodów w wyniku oszustw. Budując model oparty na transakcjach historycznych, informacjach z sieci społecznościowych i innych zewnętrznych źródeł danych, algorytmy uczenia maszynowego mogą wykorzystywać mechanizmy rozpoznawania schematów w celu wykrywania anomalii, wyjątków lub wyróżniających się przypadków. Pomaga to w wykryciu i zapobieganiu oszustwom transakcyjnym w czasie rzeczywistym, nawet w przypadku nieznanych wcześniej rodzajów fałszerstw. Na przykład banki mogą korzystać z historycznych danych transakcji, aby zbudować algorytmy rozpoznające nieuczciwe zachowania. Mogą również ujawniać podejrzane schematy płatności i przelewów pomiędzy sieciami osób mających wspólne kontakty korporacyjne. Tego typu „zabezpieczenia algorytmiczne” mają zastosowanie w szerokim zakresie sytuacji, odnoszących się np. do cyberbezpieczeństwa czy unikania podatków.

Przewidywalna eksploatacja

Uczenie maszynowe umożliwia wykrywanie anomalii temperatury osi pociągu, wskazując na niebezpieczeństwo ich zamarznięcia w ciągu następnych kilku godzin. Zamiast zmuszać setki pasażerów do czekania w polu na kosztowną naprawę, skład można skierować do remontu, zanim dojdzie do awarii, a pasażerów przesadzić do innego pociągu.

Sprawniejszy łańcuch dostaw

Uczenie maszynowe umożliwia kontekstową analizę danych logistycznych w celu przewidywania, a także przeciwdziałania czynnikom ryzyka w łańcuchu dostaw. Algorytmy potrafią przesiewać publiczne dane społecznościowe oraz kanały wiadomości w rozmaitych językach, aby np. wykryć pożar w odległej fabryce, która dostarcza niezbędne łożyska wykorzystywane w przekładniach samochodowych.

Inne typowe obszary, w których zapewne będzie się wkrótce powszechnie korzystać z inteligencji maszynowej, obejmują:

Planowanie kariery

Rekomendacje mogłyby pomóc pracownikom w wyborze ścieżek kariery, które zapewniają wysoki poziom wyników, zadowolenia oraz retencji. Jeśli ktoś, kto ma wykształcenie inżynierskie, chce pewnego dnia kierować działem, jakie dodatkowe wykształcenie oraz doświadczenie zawodowe powinien zdobyć oraz w jakiej kolejności?

Zarządzanie aktywami dzięki zastosowaniu dronów i satelitów

Drony wyposażone w kamery mogą wykonywać regularne kontrole zewnętrzne obiektów komercyjnych, takich jak mosty lub samoloty, automatycznie analizując obrazy w celu wykrycia nowych pęknięć lub zmian powierzchni.

Analiza stanu półek sklepowych

Firma produkująca napoje izotoniczne może korzystać z inteligencji maszynowej w połączeniu z widzeniem maszynowym, aby określić, czy wystawy sklepowe znajdują się w obiecywanych lokalizacjach, półki są odpowiednio wypełnione produktami, a etykiety zwrócone do przodu.

Uczenie maszynowe umożliwia firmom całościową reorganizację procesów biznesowych dzięki inteligencji cyfrowej. Potencjał jest ogromny. Dlatego też sprzedawcy oprogramowania intensywnie inwestują, aby wbudować AI w istniejące aplikacje i tworzyć nowe rozwiązania.

Ale istnieją bariery do przezwyciężenia. Najważniejszą jest dostępność dużej ilości danych wysokiej jakości, które można wykorzystywać do uczenia algorytmów. W wielu organizacjach dane nie znajdują się w jednym miejscu ani w przydatnym formacie albo też są nieobiektywne, co może doprowadzić do podejmowania niewłaściwych decyzji. Aby przygotować przedsiębiorstwo na przyszłość, pierwszym krokiem powinna być ocena istniejącego systemu informacji oraz przepływu danych, aby odróżnić obszary, które są gotowe do automatyzacji, od tych, w których niezbędne będą dalsze inwestycje. Warto rozważyć możliwość mianowania dyrektora ds. danych, który będzie odpowiadać za zarządzanie nimi jako aktywami firmy.

Kolejnym problemem jest priorytetyzacja. Biorąc pod uwagę ogrom dostępnych możliwości, trudność może sprawić decyzja, od czego zacząć. Aby zmniejszyć obciążenia z tym związane, producenci oprogramowania zaczynają oferować definiowane wcześniej rozwiązania wyposażone w funkcje uczenia się maszynowego działające natychmiast „po wyjęciu z pudełka”. Wiele organizacji korzysta też z centrów doskonałości AI, które współpracują blisko z działami biznesowymi. Bez względu na to, gdzie się zacznie, należy powiązać projekty z długofalową strategią platformy cyfrowej, aby uniknąć powstawania odizolowanych wysepek innowacyjności.

I wreszcie nie należy lekceważyć barier kulturowych. Wielu pracowników martwi się o konsekwencje wszystkich tych zmian technologicznych w kontekście swojej pracy. Dla większości będą one szansą do ograniczenia nużących zadań i zwiększenia wydajności, ale ważne jest, aby pracownicy mieli zachęty zapewniające sukces nowych inicjatyw uczenia maszynowego. Należy też uważnie zastanowić się nad klientami. AI może zwiększyć możliwości wyciągania wniosków na podstawie danych klientów – być może poza ich granicę komfortu. Organizacje muszą poważnie podchodzić do prywatności, poleganie na komputerach przy podejmowaniu ważnych decyzji wymaga uważnego zarządzania. Należy wprowadzić procedury audytu faktycznych efektów automatyzacji systemów i zawsze uwzględniać w procesach procedury odwołujące i uchylające. Systemy AI, które wykorzystują dane osobowe, powinny opierać się na świadomej zgodzie osób, które je udostępniają.

Ciągły rozwój AI jest nieunikniony, a jego postęp w środowisku pracy następuje w oszałamiającym tempie. Pytaniem, na które należy sobie obecnie odpowiedzieć, nie jest to, czy menedżerowie powinni zastanowić się nad zastosowaniem sztucznej inteligencji, ale to, jak szybko są w stanie ją wdrożyć. Jednocześnie organizacje powinny przemyśleć sposoby zastosowania AI, mając pełną świadomość zarówno korzyści, jak i wad związanych z tą technologią.

Ten tekst jest częścią projektu How to do IT. To twój sprawdzony przewodnik po cyfrowej transformacji i technologiach dla biznesu. Zapisz się na newsletter projektu!

Dziękujemy, że jesteś z nami! Cieszymy się, że interesują cię treści dostarczane przez „Harvard Business Review Polska”. Każdego dnia dajemy ci sprawdzone rozwiązania problemów biznesowych. Nie chcesz przegapić żadnej praktycznej wskazówki? Zapisz się na nasz newsletter! Sprawdź hbrp.pl/newsletter.

Dziękujemy, że jesteś z nami! Cieszymy się, że jako zalogowany użytkownik sięgasz po praktyczne treści dostarczane przez „Harvard Business Review Polska”. Każdego dnia staramy się wyposażać cię w sprawdzone rozwiązania problemów biznesowych. Zostań prenumeratorem HBRP i ciesz się wiedzą bez ograniczeń. Sprawdź na hbrp.pl/prenumerata.

Dziękujemy, że jesteś z nami! Jako prenumerator „Harvard Business Review Polska” wiesz, że każdego dnia wyposażamy cię w sprawdzone rozwiązania problemów biznesowych. Nie chcesz przegapić żadnej praktycznej wskazówki? Zapisz się na nasz newsletter! Więcej na hbrp.pl/newsletter.

Powiązane artykuły


Bądź na bieżąco


Najpopularniejsze tematy