Predictive analytics / lärande / artificiell intelligens är ett hett ämne – vad handlar det om?
Med hjälp av algoritmer för att hjälpa till att fatta bättre beslut har varit “nästa stora sak i analytics” för över 25 år. Det har använts inom viktiga områden såsom bedrägeri hela tiden. Men det är nu blivit en full-throated ordinarie verksamheten meme som finns med i alla affärssystem keynote – även om branschen kämpar med vad man ska kalla det.
Det verkar som om begrepp som Data Mining, Predictive Analytics, och Avancerade analyser anses vara alltför nördigt eller gamla för industrin marknadsförare och rubriken författare. Begreppet Kognitiv Design och verkade vara redo att vinna, men IBM är starkt förbund med den termen kan ha slagit fel – journalister och analytiker vill använda ett språk som är oberoende av enskilda företag. För närvarande, den växande konsensus verkar vara att använda Maskinen Lärande när man talar om teknik och Artificiell Intelligens när man talar om företag använder.
Oavsett vad vi kallar det, det är i allmänhet föreslås i två olika former: antingen som ett tillägg till befintliga plattformar för data analytiker, eller som nya inbyggda funktionalitet i olika affärer, såsom försäljning lead scoring, optimering av marknadsföring, sortering HR igen, eller finansiella faktura matchning.
Varför tar det bort nu, och vad som förändras?
Artificiell intelligens är nu att ta bort eftersom det är en mycket mer data finns tillgängligt, prisvärt och kraftfullt system till kritan igenom det hela. Det är också mycket lättare att få tillgång till kraftfull algoritm-baserad programvara i form av open-source produkter eller inbäddad som en tjänst i företagets plattformar.
Dagens organisationer har också mer bekväm med att manipulera data företag, med en ny generation av företaget som strävar efter att bli “medborgare data scientists”. Företag kan ta sin traditionella analytics till nästa nivå med hjälp av dessa nya verktyg.
Men vi är nu på “Peak of Inflated Expectations” för dessa tekniker enligt Gartners Hype Cycle – vi kommer snart att se artiklar trycker tillbaka på de mer överdrivna påståenden. Under de närmaste åren, vi kommer att hitta begränsningar av dessa tekniker även när de börjar föra verkliga fördelar.
Vilka är de långsiktiga konsekvenserna?
För det första, enklare att använda prediktiv analys motorer är att sudda ut skillnaden mellan “varje dag analytics” och de uppgifter som science team. En “fabrik” – metoden för att skapa, sprida och upprätthålla prediktiva modeller innebär att uppgifter forskare kan ha större inverkan. Och sofistikerade affärs-användare kan nu få tillgång till vissa kraften av dessa algoritmer utan att behöva vara uppgifter som forskarna själva.
För det andra, alla företag program kommer att innehålla några automatisk funktionalitet, automatisera alla områden där det finns “repeterbar beslut.” Det är svårt att tänka sig en affärsprocess som inte kunde bli bättre på detta sätt, med stora konsekvenser både i termer av effektivitet och tjänstemän sysselsättning.
För det tredje, applikationer kommer att använda dessa algoritmer på sig själva för att skapa “self-förbättring av” plattformar som blir lättare och lättare att använda och mer kraftfulla över tid (som liknar hur varje ny semi-autonom körning Tesla bilen kan lära sig något nytt och passera den på resten av flottan).
Fjärde, över tid, processer, applikationer och arbetsflöden kan behöva omprövas. Om algoritmer är tillgänglig som en central del av verksamheten plattformar, kan vi ge människor nya vägar genom typisk verksamhet på frågor som “Vad händer nu? Vad behöver jag veta? Vad rekommenderar du? Vad ska jag alltid göra? Vad kan jag förvänta mig att hända? Vad kan jag undvika? Vad behöver jag för att göra just nu?”
Den femte, och att genomföra alla de ovan kommer att innebära djupt oroande och moraliska frågor i termer av integritet och så algoritmer för att fatta beslut som påverkar människor och samhälle. Det kommer utan tvekan att vara många skandaler och felsteg innan rätten regler och den praxis som finns på plats.
Vad första steg bör företag vara med i detta område?
Som vanligt hinder för att företag drar nytta av detta är mer sannolikt att kulturella än tekniska.
Framför allt organisationer måste se till att de har rätt teknisk kompetens för att kunna navigera till den sammanblandning av nya leverantörer erbjuder, rätt kunskap om verksamheten för att veta var bäst att tillämpa dem, och medvetenheten om att deras tekniska val kan ha oförutsedda moraliska implikationer.
[Denna artikel publicerades ursprungligen på Business Analytics och Digital Analytics-Bloggen]