Вестник цифровой трансформации CIO.RU

От ботов до прогнозной аналитики: 10 историй успеха машинного обучения
От ботов до прогнозной аналитики: 10 историй успеха машинного обучения




11:52 13.06.2018  |  0 Комментариев | Клинт Болтон | 519 просмотров



ИТ-руководители делятся своим опытом использования искусственного интеллекта и машинного обучения для анализа бизнеса и создания новых сервисов.

РЕКЛАМА

Мало какие технологии могут сравниться с искусственным интеллектом и машинным обучением по уделяемому им сегодня вниманию. Некоторые предприятия уже используют для привлечения клиентов и поддержания деловых операций технологию, моделирующую человеческий разум. По прогнозам Gartner, в ближайшие годы эта тенденция будет только усиливаться, а к 2020 году искусственный интеллект и машинное обучение войдут в число пяти ведущих приоритетов для 30% ИТ-директоров.

Первоначальные опасения по поводу того, что боты появятся на каждом рабочем месте, немного ослабели. Скорее всего, люди и машины будут работать вместе. «Однако пока предприятия не справляются с переподготовкой сотрудников, чьи рабочие места, по всей вероятности, будут автоматизированы», – отметил технический директор и директор по инновациям компании Accenture Пол Догерти, выпустивший недавно книгу «Human + Machine: Reimagining Work in the Age of AI» («Человек плюс машина: переосмысление работы в эпоху искусственного интеллекта») о глобальном влиянии искусственного интеллекта на рабочую силу.

Опрос руководителей 1,5 тыс. компаний показал, что 65% из них признают неготовность своих работников к пришествию искусственного интеллекта. Вместе с тем только 3% отметили, что увеличили интенсивность обучения, чтобы соответствовать современным тенденциям.

«Это огромный провал, – признал Догерти на саммите ИТ-директоров Forbes. – Мы все считаем, что это не наша проблема, вместо того чтобы продумывать, как подготовить людей к предстоящим переменам».

В любом случае автоматизация с помощью искусственного интеллекта, машинного обучения и ботов неуклонно расширяется. ИТ-директора выстраивают новые технологии искусственного интеллекта и машинного обучения и даже регистрируют патенты на них. Некоторые руководители ИТ-служб поделились своими сценариями использования машинного обучения.

Прогнозы цифровых пессимистов

Развивающиеся цифровые технологии меняют парадигму рабочей силы. Accenture тоже не застрахована от этих перемен. В консультационной компании, где работают 450 тыс. сотрудников, уже автоматизировано около 23 тыс. должностей, а освободившийся персонал переводится на другие участки. Ожидается, что процесс перераспределения ролей будет только нарастать.

Чтобы помочь сотрудникам, в Accenture выпустили бета-версию приложения на основе машинного обучения, которое сканирует резюме и выдает прогноз, насколько быстро рабочее место сотрудника потеряет свою актуальность.

Приложение оценивает профессиональные навыки сотрудника и анализирует риски потенциальной ненужности его роли. Программа, например, может прийти к выводу, что должность сотрудника потеряет свою актуальность через полтора года по причине замены ее искусственным интеллектом или вследствие какой-то иной автоматизации.

Впрочем, приложению присущ не только цифровой пессимизм. Оно принимает во внимание также навыки коллективной работы и может порекомендовать какую-то смежную должность, которая в ближайшем будущем сохранится в компании.

Совет. ИТ-руководители обязаны взять на себя ответственность за корпоративные стратегии искусственного интеллекта и совместно с основными заинтересованными лицами в службе управления персоналом и других бизнес-подразделениях обеспечить консенсус и сохранение преемственности. ИТ-директор должен быстро выявлять и устранять в алгоритмах искусственного интеллекта ошибки, которые могут иметь все более неприятные последствия по мере расширяющегося применения решений на предприятии. «Организации нужен ответственный искусственный интеллект», – подчеркнул Догерти.

Упрощение прогнозирования обслуживания

«Машинное обучение является основным компонентом цифровой стратегии компании Lennox International с оборотом в 4 млрд долл., которая использует программное обеспечение Databricks Spark для анализа информации о выпускаемых предприятием системах отопления и кондиционирования», – сообщил ИТ-директор Lennox Сунил Бондалапати. Мониторинг функционирования машин в реальном времени помогает компании прогнозировать их сбои и заранее рассылать своим многочисленным клиентам (начиная от домовладельцев и заканчивая крупными торговыми центрами) соответствующие уведомления.

«На основе анализа имеющихся данных Databricks прогнозирует выход оборудования из строя с точностью 90%, – добавил Бондалапати. – Раньше Lennox прогнозировала отказы машин другими методами, связываясь с дилерами. Частые ложные тревоги вызывали раздражение и у клиентов, и в самой компании. Мы привыкли к тому, что прогнозирование сбоев оборудования порождает негативную реакцию».

До перехода на Databricks в компании успели опробовать множество аналитических инструментов, каждый из них использовался для моделирования отдельных сценариев, связанных, например, с цепочками поставок или с Интернетом вещей. Databricks предлагает единую платформу, которая позволяет управлять сотнями терабайт информации, поступающей из сотен баз данных. Система работает в среде Microsoft Azure, поэтому Lennox не нужно заниматься ее поддержкой.

Команда Бондалапати работает над созданием моделей потоков данных совместно с бизнес-подразделениями. Программное обеспечение Spark переносит данные и обеспечивает необходимое понимание как для персонала ИТ-службы, так и для сотрудников бизнес-подразделений.

Совет. ИТ-директор должен принимать самое активное участие во внедрении нового инструмента, особенно когда это критически важно для работы. Бондалапати, к примеру, предстояло оценить правильность предлагаемой концепции при анализе 10 млрд записей данных. «Мы действовали с большой осторожностью, но результат стал для нас настоящим откровением», – заметил он.

Алгоритмы для корпоративных поездок

В начале своей работы на посту технического и ИТ-директора компании American Express Global Business Travel Дэвид Томпсон занимался внедрением технологий автоматизации роботизированных процессов (RPA) и машинного обучения.

Томпсон использовал систему RPA для автоматизации процесса отмены авиаперелетов и возврата билетов. Под его руководством разрабатывались алгоритмы машинного обучения, помогающие клиентам находить наиболее дешевые авиабилеты и гостиничные номера, сравнивая корпоративные отраслевые тарифы. Прежде эту работу выполняли сразу несколько сотрудников.

В конечном итоге эти сотрудники были переведены на другое место и стали заниматься более полезной работой. По словам Томпсона, внедренная технология повышает степень удовлетворенности клиентов и приносит более высокие доходы.

Совет. Обсуждение вопросов автоматизации – нелегкое дело, поскольку люди боятся за свои рабочие места. Но ИТ-директор должен быть решительным и честным, если хочет установить доверительные отношения с бизнес-подразделениями. «Лично себя я вижу в роли проводника технологий в бизнесе, – заметил Томпсон. – Помощника в использовании технологий и процессов, помогающих решать деловые задачи».

Искусственный интеллект как инструмент для бизнеса и продвижения продуктов

«Компания Adobe Systems использует машинное обучение для анализа заявок, поступающих в службу поддержки, для выявления предпосылок, приводящих к системным ошибкам, и для их устранения еще до того, как они станут реальной причиной существенных простоев», – сообщила ИТ-директор Adobe Синтия Стоддард.

Если система регистрирует события, которые могут привести к предполагаемому сбою, она стремится устранить их причины.

Инструмент HAAS (healing-as-a-service) обнаруживает и устраняет сбои интеграции с системой ERP Adobe и выявляет ошибки в данных, используемых различными аналитическими системами компании. Раньше такие ошибки устранялись вручную, на это требовалось примерно 30 минут. После внедрения HAAS время на исправление ошибок сократилось до 1 минуты. За последние несколько месяцев компания сэкономила 330 часов при ликвидации сбоев. Используя отчеты, в которых подробно описано все происходящее, инженеры Adobe вносят исправления уже на постоянной основе.

«Если вы знаете, что и как нужно исправить, значит, это можно автоматизировать», – указала Стоддард. Команда, занимающаяся созданием средств диагностики на основе машинного обучения, была сформирована в компании в 2017 году.

В ноябре 2016 года компания представила Sensei – технологию искусственного интеллекта, применяющуюся в продуктах Adobe для создания и публикации документов, а также для анализа и отслеживания производительности мобильных и веб-приложений.

Совет. Использование машинного обучения для идентификации шаблонов является основным условием для самовосстановления. «Если известно, как все было исправлено, можно разместить компонент для самовосстановления и исключить из схемы человека», – пояснила Стоддард.

Связывание базы данных медицинских устройств с помощью машинного обучения

«Компания Hearst Business Media, к активам которой относятся лекарственная база данных производителя программного обеспечения First Databank и кредитное рейтинговое агентство Fitch Ratings, использует машинное обучения для связывания баз данных медицинских устройств в целях упрощения доступа клиентов к информации», – сообщил старший вице-президент Hearst Business Media по разработке программного обеспечения Марк Урмахер.

По словам Урмахера, возглавляющего небольшую команду исследователей данных в центре искусственного интеллекта, Hearst создает собственные алгоритмы машинного обучения и использует программное обеспечение Google TensorFlow для обучения моделей на основе наборов данных компании. «Мы стараемся искать альтернативные решения и использовать инструменты с открытым кодом», – пояснил он.

Ключом к успешному применению в Hearst машинного обучения стал обобщающий подход. «Одним из невероятно ценных применений машинного обучения, с нашей точки зрения, стал обобщающий подход к унификации разрозненных баз данных, – указал Урмахер. – К примеру, Fitch нужно понимать особенности юридических лиц, а First Databank необходимо идентифицировать лекарства, которые могут быть произведены в любой стране мира».

Искусственный интеллект в исследовании ценных бумаг

«Поставщик паевых инвестиционных фондов, институциональных инвестиционных стратегий и пенсионных услуг Putnam Investments считает искусственный интеллект и машинное обучение важным инструментом, который помогает аналитикам улучшить охват ценных бумаг», – указал ИТ-директор компании Сумед Мехта.

Аналитики тесно сотрудничают с исследователями данных, формулируя тезисы, помогающие почерпнуть больше полезной информации из больших объемов данных. Putnam работает также над алгоритмами, призванными выдавать важные рекомендации с точки зрения перспектив продаж.

«Искусственный интеллект и машинное обучение – чрезвычайно мощная прорывная и трансформирующая сила, способствующая повышению производительности и эффективности бизнеса», – указал Мехта.

Опираясь на инженеров-программистов, исследователей данных, аналитиков и поставщиков, Мехта по существу с нуля создал центр передового опыта по применению искусственного интеллекта и машинного обучения, который поддерживает бизнес-подразделения. Его деловым партнерам эти наработки помогают добиться лучших результатов в автоматизации.

Работы в области искусственного интеллекта и машинного обучения являются частью более широкой цифровой трансформации Putnam, которая предусматривает модернизацию ИТ-инфраструктуры на основе облачных технологий и единой платформы для ведения бизнеса.

Совет. Организациям не следует торопиться. Нужно правильно определиться с ожиданиями, не забывая, что реализация первых нескольких идей скорее породит новые вопросы, чем даст ответы на уже имеющиеся. «Для искусственного интеллекта понятия эврики не существует, – пояснил Мехта. – Это не тот случай, когда ваш алгоритм внезапно дает какое-то новое понимание».

Оптимизация налогообложения с помощью искусственного интеллекта

Под руководством директора по данным Ашока Шриваставы разработчик программного обеспечения Intuit ускоряет внедрение искусственного интеллекта и машинного обучения.

«Intuit использует ресурсы Amazon Web Services, чтобы улучшить понимание и обработку естественного языка чатботом QuickBooks Assistant», – сообщил Шривастава, занимавшийся ранее построением платформы Больших Данных Verizon. Важной задачей становится проведение пользователей через сотни классификаций, из которых QuickВooks черпает информацию.

«В QuickBooks мы имеем дело с более чем миллиардом транзакций и можем оптимизировать классификацию с высокой точностью», – добавил Шривастава.

Сервис TurboTax использует искусственный интеллект, чтобы помочь пользователям получить максимальное возмещение, пошагово проводя их через процедуры вычета и позволяя сэкономить до 40% времени при подготовке налоговой декларации и выборке необходимых документов.

Для ускорения масштабирования компания использует машинное обучение и облачные технологии AWS.

Совет. К созданию надежных алгоритмов нужно привлекать талантливых инженеров и поручать им решение реальных бизнес-задач. Сегодня Шривастава, которому довелось поработать в Исследовательском центре Эймса NASA, принимает на работу инженеров, которые способны использовать технологии машинного обучения и искусственного интеллекта для достижения корпоративных целей.

Прогноз производительности на основе исторических данных

Будучи ИТ-директором компании Riverbed Technology, поставляющей программное обеспечение для повышения производительности территориально распределенных сетей, Рик Хеллебрехт столкнулся с уникальными вызовами. В целях совершенствования бизнес-анализа в компании проверяется возможность использования машинного обучения для обработки данных, поступающих из различных источников цепочки поставок.

«Мы хотим применять машинное обучение для обработки большего объема данных, чем обычно», – пояснил Хеллебрехт.

Riverbed, к примеру, могла бы объединить информацию о заказах и другие данные системы ERP с историческими данными о погоде и других факторах с целью поиска закономерностей, помогающих прогнозировать производительность. «Мы хотим добиться большей предсказуемости рисков, связанных с распределением мощностей и нашей способностью обрабатывать заказы клиентов», – отметил Хеллебрехт.

Кроме того планируется использовать машинное обучение для автоматической настройки конфигурации систем в целях повышения их производительности и отражения киберугроз. Хеллебрехт намерен создать единое озеро данных, из которого можно было бы черпать бизнес-идеи.

Совет. Разумная стратегия применения машинного обучения и искусственного интеллекта подразумевает осторожный подход. Хеллебрехт внимательно изучает доступные инструменты и технологии, включая IBM Watson.

Улучшение понимания клиентов банками

Подобно многим другим крупным банкам, U.S. Bank успел собрать огромные объемы клиентских данных. И, как и большинство других банков, без особого успеха пытался извлечь из этих данных полезную для себя информацию. Главный аналитик U.S. Bank Билл Хоффман постарался изменить ситуацию. В последние несколько месяцев он использует технологию искусственного интеллекта и машинного обучения Einstein компании Salesforce.com для более персонализированного обслуживания представителей малого бизнеса, предприятий оптовой торговли, коммерческих организаций и коммерческих банков.

Например, если клиент искал на сайте U.S. Bank информацию об ипотечных кредитах, то при следующем визите его сопровождает агент клиентской службы. Программное обеспечение, проанализировав данные о клиенте, порекомендует агентам сделать звонок перспективному клиенту в четверг с 10 до 12 часов, потому что в это время он с большой долей вероятности возьмет трубку. Einstein может поместить в календарь агента напоминание о том, что в четверг ему следует сделать звонок.

Многие организации стремятся проводить комплексный анализ данных о клиентах и предлагать им подходящие услуги в нужный момент. «От мира, в котором описывалось, что произошло или происходит, мы переходим к миру, ориентированному на то, что произойдет или должно произойти, – пояснил Хоффман. – Главное – быть на шаг впереди, предвосхищая потребности наших клиентов и предлагая им удобный канал для взаимодействия».

Совет. Беря на вооружение искусственный интеллект и машинное обучение, применяйте тестовый подход и проявляйте терпение. Будьте готовы масштабировать то, что доказало свою работоспособность. «Клиент всегда должен быть в центре вашего внимания, – подчеркнул Хоффман. – Спросите себя: какую пользу мы можем ему принести?».

Избавление от рутинного труда и повышение продуктивности работы

Президент компании Mastercard по операциям и технологиям Эд Маклафлин утверждает, что машинное обучение «наполняет собой все, что мы делаем».

В Mastercard машинное обучение используется для автоматизации так называемых рутинных задач – повторяющейся работы, выполняемой вручную. Таким образом, люди освобождаются для дел, которые повышают общую производительность и приносят дополнительные ценности. «Ясно, что мы достигли уровня технического развития, при котором есть четкий инвестиционный сценарий для автоматизации выполнения задач на рабочем месте», – указал Маклафлин.

Инструменты машинного обучения используются в Mastercard для более эффективного управления изменениями в экосистеме продуктов и услуг компании.

Машинное обучение помогает понять, какие инструменты являются практически безрисковыми, а какие требуется дополнительно изучать. Кроме всего прочего, Mastercard использует машинное обучение для выявления в своей системе аномалий, свидетельствующих о попытках хакеров получить к ней доступ. При обнаружении подозрительного поведения срабатывают выключатели, которые блокируют сеть. «У нас имеются системы, которые отслеживают выполняемые транзакции и изменяют их в случае необходимости, одновременно анализируя следующую транзакцию, отправленную на выполнение», – пояснил Маклафлин.

Совет. По мнению Маклафлина, искусственный интеллект и машинное обучение – лишь один из компонентов обширного инструментария обработчика платежей. На рынке появляются все новые и новые инструменты, но ИТ-директору не стоит полагаться на то, что они волшебным образом помогут справиться со всеми существующими проблемами.

– Clint Boulton. 10 machine learning success stories: An inside look. CIO. May 31, 2018


Теги: Автоматизация предприятий Искусственный интеллект Машинное обучение
На ту же тему: