Predictive analytics / machine learning / kunstig intelligens er et varmt emne – hvad er det om?
Ved hjælp af algoritmer til at hjælpe med at træffe bedre beslutninger, har været den “næste store ting i analytics” i over 25 år. Det har været brugt inden for vigtige områder såsom svig hele tiden. Men det er nu blevet til en fuld-throated mainstream business-meme, at funktioner i den enkelte virksomhed, software keynote – selv om branchen er i clinch med hvad at kalde det.
Det ser ud til, at begreber som Data Mining, Predictive Analytics, og Avancerede analyser er anset for at være for nørdet, eller gamle for industrien marketingfolk og overordnede forfattere. Begrebet Kognitiv Computing syntes at være klar til at vinde, men IBM ‘ s stærke forening med udtrykket kan have bagslag – journalister og analytikere ønsker at bruge sprog, der er uafhængig af en bestemt virksomhed. I øjeblikket er stigende konsensus synes at være at gøre brug af Machine Learning, når vi taler om teknologi og Kunstig Intelligens, når vi taler om business-bruger.
Uanset hvad vi kalder det, er det normalt, der er foreslået i to forskellige former: enten som en forlængelse af de eksisterende platforme for data analytikere eller som nye, indbyggede funktionalitet i forskellige business-applikationer, såsom salg lead scoring, marketing optimering, sortering HR genoptages, eller finansielle faktura matchende.
Hvorfor er det at tage ud nu, og hvad der er ved at ændre sig?
Kunstig intelligens er nu at tage ud, fordi der er meget mere data, der er tilgængelige og økonomisk overkommelige, kraftfulde systemer til stykket igennem det hele. Det er også meget nemmere at få adgang til kraftfuld algoritme-baserede software i form af open source-produkter eller indlejret som en service i virksomheden platforme.
Organisationer i dag har også mere komfortable med at manipulere business data, med en ny generation af business analytikere, der ønsker at blive “borger data forskere.” Virksomheder kan tage deres traditionelle analytics til det næste niveau, ved hjælp af disse nye værktøjer.
Men vi er nu ved “Peak of Inflated Expectations” til disse teknologier, der ifølge Gartner ‘ s Hype Cycle – vi vil snart se artikler, der skubber tilbage på de mere overdrevne påstande. I løbet af de næste par år, vil vi finde ud af begrænsninger af disse teknologier, selvom de begynder at bringe virkelige verden fordele.
Hvad er de langsigtede konsekvenser?
Første, lettere at anvende predictive analytics-motorer er der udvisker forskellen mellem dag analytics” og de data, science team. En “fabrik” – tilgang til at skabe, udrulning og vedligeholdelse af prædiktive modeller, der betyder, at data kan forskerne få større indflydelse. Og sofistikerede business-brugere kan nu få adgang til nogle effekten af disse algoritmer, uden at skulle være data, som forskerne selv.
For det andet, hver business program vil omfatte nogle af intelligent funktionalitet, automatisere alle de områder, hvor der er “gentagelig beslutninger.” Det er svært at tænke på en proces, der ikke kunne blive bedre på denne måde, med store konsekvenser i form af både effektivitet og white-collar beskæftigelse.
For det tredje, programmer vil bruge disse algoritmer på sig selv til at skabe “self-forbedring” platforme, der får nemmere at bruge og mere kraftfulde over tid (svarende til, hvordan hver ny semi-autonome-kører Tesla bil kan lære noget nyt og passere det på resten af flåden).
For det fjerde, over tid, business-processer, programmer og arbejdsgange, der kan genovervejes. Hvis algoritmer er tilgængelig som en central del af erhvervslivet platforme, vi kan give folk nye stier gennem typiske business-spørgsmål som “Hvad sker der nu? Hvad skal jeg vide? Hvad vil du anbefale? Hvad skal jeg altid gøre? Hvad kan jeg forvente at ske? Hvad kan jeg undgå? Hvad skal jeg gøre lige nu?”
Femte, at gennemføre alle de ovenstående vil medføre dybt bekymrende, moralske spørgsmål i form af data, privatliv og tillader, at algoritmer til at træffe beslutninger, som påvirker mennesker og samfund. Der vil utvivlsomt være mange skandaler og fejltrin, før de rigtige regler og den praksis, der er på plads.
Det første skridt bør virksomheder tage på dette område?
Som sædvanlig, de barrierer, til forretningsmæssige fordele, er mere tilbøjelige til at være kulturel, end den tekniske.
Over alle, organisationer har brug for at sikre, at de har de rette tekniske ekspertise for at være i stand til at navigere i den forvirring der kommer af nye leverandører tilbyder, den rigtige viden til at vide hvor det er bedst at anvende dem, og bevidstheden om, at deres teknologi valg kan have uforudsete moralske konsekvenser.
[Denne artikel blev oprindeligt bragt på Business Analytics og Digital Analytics Blog]