Wszyscy wiemy, w jak błyskawicznym tempie zmienia się świat i warunki działania biznesu w ostatnich latach. Jakie są aktualne wyzwania w zakresie implementacji sztucznej inteligencji do biznesu i jak je adresować?

Może zacznijmy od pytania - dlaczego chcemy wykorzystywać AI w naszych procesach biznesowych. Dwa główne powody, dla których warto się na to zdecydować, to automatyzacja i większa skuteczność. Automatyzacja skraca czas potrzebny na realizację procesu i uzyskanie oczekiwanych korzyści, zapewnia standaryzację i optymalizację powiązanych z nim kosztów. Wygodnie jest otworzyć rachunek w banku lub podpisać umowę z operatorem telekomunikacyjnym, nie wychodząc z domu albo zgłosić szkodę za pomocą aplikacji mobilnej. Z punktu widzenia organizacji, decyzja podejmowana w ramach tak zautomatyzowanego procesu powinna być możliwie najlepsza, np. rekomendacja produktu powinna odznaczać się możliwie największą szansą akceptacji ze strony klienta, ocena ryzyka kredytowego powinna minimalizować potencjalne straty, ale jednocześnie nie ograniczać niepotrzebnie sprzedaży, itd. Szybki rozwój nowych technologii, rosnąca konkurencja, zmieniające się oczekiwania konsumentów, zmuszają przedsiębiorstwa do cyfryzacji i automatyzacji procesów biznesowych z wykorzystaniem sztucznej inteligencji, która ma kluczowy wpływ na jakość podejmowanych decyzji.

Wdrożenie analityki do procesów biznesowych jest już samo w sobie wyzwaniem, które determinuje tempo transformacji cyfrowej w organizacji. Można je opisać w dwóch wymiarach: organizacyjnym i technologicznym.

W wymiarze organizacyjnym wyzwaniem jest liczba procesów, obszarów wymagających transformacji i kompetencje analityczne. Budując platformę analityczną w organizacji powinniśmy dać jak najszerszy dostęp do jej funkcjonalności. Możliwość budowania modeli analitycznych i wdrażania ich do procesów biznesowych powinna być dostępna dla jak najszerszego grona użytkowników. Użytkownicy biznesowi, eksperci domenowi, powinni móc samodzielnie tworzyć modele analityczne i wdrażać je do procesów, za które odpowiadają. Takie podejście daje największą elastyczność, a przede wszystkim pozytywnie wpływa na tempo wprowadzania zmian, unowocześniania i umożliwia automatyzację różnych obszarów działań, a jednocześnie zmniejsza ryzyka związane z zachowaniem ciągłości procesów biznesowych.

Jak to osiągnąć? Czy wszyscy analitycy biznesowi mają być analitykami danych i jaka w tym miałaby być rola osób teraz określających się jako data scientist?

Jeśli faktycznie myślimy o transformacji cyfrowej w większości obszarów organizacji, musimy być świadomi, że liczba modeli analitycznych do zbudowania i utrzymywania będzie duża - może to być nawet kilkaset modeli. Kompetencje data science, choć coraz bardziej popularne jako kierunek kształcenia, są wciąż na rynku dość ograniczone. Dobra wiadomość jest taka, że mamy już narzędzia, które potrafią automatycznie budować modele analityczne na podstawie dostarczonych danych, potrafią automatycznie testować i dobierać hiperparametry oraz opisywać model, pomagając użytkownikom zrozumieć zależności i znaczenie cech opisujących modelowane zjawisko - to może być przydatne, gdy wymagana jest audytowalność modeli, ponadto może sprzyjać edukacji i promocji kultury analitycznej w organizacji.

W związku z tym, możliwym i zasadnym jest rozwój analityki w organizacji w oparciu założenie powszechności jej użycia. W takim podejściu rola specjalistów data science będzie polegała na włączaniu ekspertów domenowych (analityków biznesowych) w procesy analityczne, poprzez wyposażenie ich np. w szablony przepływów analitycznych i ich automatyzację, definiowanie zadań związanych z procesem monitorowania jakości wdrażanych modeli analitycznych, czy też inżynierii cech. Stanowiliby oni centrum know-how analitycznego, centrum rozwoju i i zajmowali się bardziej złożonymi zagadnieniami, natomiast codzienna praca z modelami mogłaby być już w gestii analityków biznesowych. Takie podejście pozwala na uzyskanie dobrego tempa transformacji z punktu widzenia całej organizacji, przy jednoczesnym ograniczeniu ryzyk związanych z luką kompetencyjną na rynku pracy.

Przejdźmy może teraz do wspomnianych wyzwań technologicznych. Jak Pan by je scharakteryzował, które są kluczowe?

Wyzwania technologiczne związane są głównie z operacjonalizacją modelu analitycznego, którą należy rozumieć nie tylko w kontekście uruchomienia modelu analitycznego np. jako usługi, ale również w kontekście dostarczenia wymaganych danych do modelu. Możliwość wprawnej operacjonalizacji modeli analitycznych po ich utworzeniu jest kolejnym istotnym czynnikiem determinującym jak szybko jesteśmy w stanie się dostosować do zmian otoczenia jako organizacja.

Modele muszą przechodzić proces testów i akceptacji, zanim finalnie trafią na środowisko produkcyjne, tak jak każda inna aplikacja. Możemy spodziewać się, że będą tworzone w różnych technologiach, których wybór może zależeć od problemu lub preferencji analityka danych, który taki model lub szablon (dla analityków biznesowych) tworzy.

Z jednej strony chcemy zapewnić możliwość pracy analitykom danych w technologii ich wyboru, z drugiej potrzebujemy wystandaryzowanego procesu, przeprowadzenia modelu przez fazę testów i finalnie wdrożenia, niezależnie od technologii, w której został zbudowany. Należy jeszcze wziąć pod uwagę fakt, że modele często tworzone są w środowiskach lokalnych, które odbiegają od standardu środowisk produkcyjnych i o ile zapewnienie modelowi potrzebnych komponentów i bibliotek możemy zaadresować przez konteneryzację, o tyle, szybkość jego działania może nadal być wyzwaniem, kiedy oczekiwany czas wywołania dla pojedynczego przeliczenia to kilka, kilkanaście milisekund.

Dodanie do tego aspektu powszechności wskazuje na potrzebę wysokiej automatyzacji w zakresie nie tylko budowy modelu, ale również jego operacjonalizacji.

Wspomniał Pan jeszcze o danych. Jak powinniśmy patrzeć na ten aspekt w kontekście włączania analityki w procesy biznesowe?

Dane to kolejny i w zasadzie kluczowy aspekt w zakresie wdrażania analityki. Znów można to zagadnienie rozpatrywać w zakresie różnorodności i dostępności. Różnorodność polega na tym, że automatyzując procesy w różnych obszarach biznesowych, będziemy mieć do czynienia z różnymi typami danych. Np. automatyzując proces obsługi reklamacji, mamy do czynienia głównie z danymi tekstowymi, które model musi umieć zrozumieć, żeby sprawnie poprowadzić proces. Automatyzując proces obsługi zgłoszeń szkód, będziemy mieli do czynienia z danymi tekstowymi i obrazami. Zatem platforma, którą będziemy budować, powinna być gotowa do budowy modeli analizujących zarówno dane ustrukturyzowane jak i nieustrukturyzowane – czyli np. tekst i obraz.

Tutaj pojawia się jeszcze zagadnienie danych analitycznych. Inżynieria cech opisujących modelowane zjawisko jest kluczowa dla późniejszej wartości modelu. Cechy analityczne, budowane na potrzeby modelowania, powstają zazwyczaj w wyniku różnorodnych przekształceń danych surowych lub wstępnie przetworzonych, przekształceń wyrażonych w postaci kodu. Zatem istotne jest zapewnienie, że utworzone cechy będą dostępne dla modelu po jego operacjonalizacji. Jeśli będziemy dążyć do zapewnienia autonomii użytkownikom platformy analitycznej i powszechnego dostępu do jej funkcjonalności, będziemy zapewne potrzebować usystematyzowania procesu powstawania cech analitycznych i procesu zapewniającego ich operacjonalizację. Oznacza to potrzebę nie tylko rozwijania repozytoriów modeli analitycznych, ale również repozytoriów cech, ponadto procesy CI/CD dla modeli analitycznych powinny obejmować również aspekt danych – od weryfikacji czy wykorzystywana cecha w danym modelu jest obecnie dostępna na środowisku produkcyjnym, po testy związane z jej naliczeniem i finalnie jej uprodukcyjnienie.

Rozmawiając o wyzwaniach dotyczących implementacji analityki w biznesie często odwoływał się Pan do budowania platformy analitycznej w organizacji. Czy mógłby Pan wymienić dwie kluczowe cechy takiej platformy?

Jeśli mogę wymienić jedynie dwie najważniejsze cechy, to wybieram autonomię i automatyzację. Autonomia w zakresie samodzielności ekspertów domenowych, analityków biznesowych w zakresie tworzenia i włączania analityki w procesy, za które są odpowiedzialni. A automatyzacja w zakresie budowy, wdrażania i monitorowania modeli analitycznych. Moim zdaniem, mają one największy wpływ na tempo transformacji cyfrowej, a także możliwości szybkiego reagowania na zmiany w otoczeniu organizacji - czyli zdobywania i utrzymywania przewagi konkurencyjnej.

Materiał powstał we współpracy z SAS Institute.