Wstęp:
W szybko ewoluującym krajobrazie współczesnego biznesu, Sztuczna Inteligencja (AI) stanowi symbol transformacyjnej mocy. Jest nowym hasłem w społeczności biznesowej, i słusznie. Technologia ta, kiedyś odległy sen, teraz jest namacalną i integralną częścią naszych codziennych operacji. Od automatyzacji rutynowych zadań po pionierskie innowacje, ślad AI jest niezatarty. W tym artykule „Sztuczna Inteligencja, Powrót do Podstaw” zagłębiam się w istotę AI, rozwijając jej złożoności i pokazując jej potencjał w zwiększaniu dokładności i efektywności prognozowania. Dołącz do mnie, gdy będę badać podstawowe koncepcje i zastosowania w rzeczywistym świecie AI, oświetlając jej rolę jako katalizatora rewolucji biznesowej.
Jak używana jest AI w biznesie?
AI jest używana na całym świecie w biznesie do automatyzacji zadań roboczych, poprawy analizy danych i szybszego podejmowania lepszych decyzji. Rosnącym trendem w branży jest stosowanie narzędzi AI, takich jak ChatGPT, uczenie maszynowe i głębokie uczenie.
Firmy używają AI do poprawy doświadczeń klientów
Stosowanie AI jest ważne w poprawie doświadczenia klienta na punktach styku. Forbes Advisor donosi, że 75% organizacji obecnie używa chatbotów. Co ciekawe, 77% firm wykorzystuje AI do poprawy e-maili, podczas gdy 51% wykorzystuje je do personalizacji, która obejmuje rekomendację informacji o produkcie. Firma może również używać AI do tworzenia długoterminowych treści pisanych, w tym stron internetowych (41%) np. osobistych reklam (46%). W rzeczywistości liczba użytkowników AI w odbieraniu połączeń telefonicznych wynosi 45%. 45% używa AI do poprawy swoich SMS-ów.
AI do personalizowanych usług, doświadczeń i wsparcia klientów
AI może być używana do zapewniania spersonalizowanej obsługi klienta i doświadczeń klientów w wielu branżach. Wykorzystuje identyfikatory klientów i skonsolidowane informacje z wielu systemów do identyfikacji, kim jest użytkownik. Chociaż powszechnie akceptuje się używanie AI w ten sposób, Earley twierdzi, że firmy są wciąż zdolne. Uważam, że personalizacja nie zachodzi tak szybko, jak byśmy tego chcieli i nie jest tak łatwa.
Analiza danych i wnioski
Sztuczna inteligencja może analizować ogromne ilości danych, których ludzcy naukowcy nie mogliby analizować ręcznie. Od interakcji klientów z dostawcami po informacje marketingowe po skuteczne kampanie marketingowe, wszystkie te dane dadzą ci szczegółowy wgląd w wydajność Twojej firmy dla lepszej wydajności. Big Data i sztuczna inteligencja pozwalają algorytmom na szybką analizę zbiorów danych, oszczędzając czas i energię.
Procesy biznesowe, które Sztuczna Inteligencja Ulepsza
Sztuczna inteligencja pomaga organizacjom stać się bardziej zwinne i efektywne. Według ostatniego badania Forbes Advisor, AI jest używane do zarządzania różnymi funkcjami i działaniami biznesowymi. Większość przedsiębiorstw wykorzystuje uczenie maszynowe do poprawy procesów produkcyjnych, podczas gdy 51% wykorzystuje je do poprawy automatyzacji procesów, a 52% do badań SEO i słów kluczowych. Duża część firm używa AI do zbierania i analizowania informacji (40% firm), tworzenia nowych pomysłów (38%). AI będzie również usprawniać wewnętrzny plan komunikacyjny, prezentację i raportowanie (46%). Biznes również zatrudnia sztuczną inteligencję (31%) do pisania stron internetowych (39% ogółem).
Jaka jest przyszłość AI w biznesie?
Szacuje się, że AI zautomatyzuje prawie 70% miejsc pracy i stworzy miliardy nowych miejsc pracy na całym świecie między 2021 a 2030 rokiem oraz zwiększy globalną produktywność ekonomiczną i rentowność. McKinsey, 14 czerwca 2023 r.
Większość właścicieli firm spodziewa się, że AI będzie miało pozytywny wpływ na ich biznes
Kilka firm twierdzi, że sztuczna inteligencja jest użyteczna dla ich firm. Większość respondentów przewiduje, że stosowanie sztucznej inteligencji pomoże poprawić wyniki sprzedaży i poprawić relacje sprzedażowe. AI jest postrzegana jako cenny atut w ulepszaniu decyzji (42%), zmniejszaniu czasu reakcji (32%) i zapobieganiu błędom (48%). Firmy oczekują, że AI będzie w procesie poprawy ich procesów pracy (42%).
Przełomowa Rola AI w Biznesie:
Sztuczna Inteligencja, zwana tutaj AI, może być przełomowa dla firm, i jest kilka podstawowych powodów, dla których tak jest. AI obniża koszt prognozowania. Dr Ajay Agarwal, Avi Goldfarb i Joshua Gans w swojej książce „Maszyny prognozujące” wyjaśniają, jak AI, a konkretnie modele uczenia maszynowego i głębokiego uczenia, obniżają koszt dokonywania prognoz. W tym kontekście prognoza wypełnia brakujące informacje na podstawie już znanych informacji. W praktycznych warunkach może to oznaczać ulepszanie podejmowania decyzji, nowe możliwości biznesowe i relacje z klientami oraz znaczne zyski efektywności. Zagłębmy się nieco głębiej w każdą z tych kwestii.
Ile firm używa AI?
Ponad 90% obecnie używa AI w swoich firmach. Wiele firm adoptuje sztuczną inteligencję dla swojej strategii marketingowej. 73% uważa AI za swój priorytet.
Jak działa AI w cyfrowym biznesie?
Oprogramowanie oparte na AI umożliwia symulację lub testowanie wielu scenariuszy w celu wsparcia projektowania produktów, optymalizacji lub modelowania prognozowania. Aby poprawić przewagi konkurencyjne, organizacje muszą być bardziej efektywne w cyfrowym świecie.
Trzy rodzaje AI
Firma musi postrzegać AI z perspektywy biznesowej, a nie technologicznej. AI może być używane do wspierania szeregu procesów biznesowych: automatyzowania procesów przez zdobywanie wglądu poprzez analizę danych.
Ulepszanie podejmowania decyzji dzięki sztucznej inteligencji
Ulepszone podejmowanie decyzji oznacza, że ponieważ prognozy są bardziej dokładne i tańsze, łatwiej jest dla wielu organizacji i osób podejmować świadome decyzje.
Rola dokładnych prognoz w procesach biznesowych
Organizacje mogą lepiej przewidywać zachowania konsumentów poprzez komunikację z klientami i kampanie marketingowe za pomocą dużych modeli językowych, lub, aby być bardziej konkretnym, Tesla, używając dużych danych poprzez mierzenie telemetrii pojazdu i informacji zwrotnej, której udzielasz za każdym razem, gdy wyłączasz autopilota, może szkolić model na tych danych, aby zapewnić ciągły mechanizm doskonalenia. Niższe koszty prognozowania otwierają nowe modele biznesowe i usługi. Na przykład, autonomiczne pojazdy polegają ciężko na zdolności AI do przewidywania warunków ruchu, ruchu pieszych i potencjalnych zagrożeń. Dzięki dokładniejszym prognozom, zasoby mogą być przydzielane bardziej efektywnie. Ten diagram przedstawia przepływ pracy zadania w kontekście uczenia maszynowego, nazywanego „Anatomią zadania”. Zaczyna się od „Wejścia”, gdzie dane są wprowadzane do systemu, po czym następuje „Prognoza”, gdzie model przetwarza wejście, aby dokonać prognozy lub decyzji. Faza „Działania” to moment, w którym wykonywana jest namacalna operacja na podstawie prognozy, prowadząca do „Wyniku”, czyli rezultatu podjętego działania. Następnie podawane jest „Informacje zwrotne” na podstawie wyniku, które są używane do „Szkolenia” modelu, tym samym poprawiając jego przyszłe prognozy i działania. Cykl sugeruje ciągły proces nauki i adaptacji, zwiększający osąd modelu z biegiem czasu.
Rola dokładnych prognoz w opiece zdrowotnej
W sektorach takich jak opieka zdrowotna, AI może przewidywać wybuchy chorób lub pogorszenie stanu pacjenta, umożliwiając proaktywne, a nie reaktywne, odpowiedzi. AI zrobi to, korzystając z historycznych i bieżących danych syntetyzowanych przez ekspertów. AI jest inteligentne tylko wtedy, gdy ma doskonały początkowy zestaw danych treningowych. Model AI jest tylko tak dobry, jak dane, które mu podajesz. Kiedy już je ma, zacznie „mieć swój własny umysł, jeśli można tak powiedzieć” i dokonywać prognoz na podstawie dostarczonych mu danych.
Wprowadzenie do macierzy pomyłek:
Zanim zagłębimy się głębiej w podstawy, jest jeszcze jedno pojęcie, które należy zrozumieć: macierz pomyłek. Macierz pomyłek to koszt popełnienia błędnych lub prawidłowych prognoz. Jest to kluczowe narzędzie do oceny maszynowego i głębokiego uczenia się i modeli, szczególnie zadań klasyfikacji. Opiera się na czterech podstawowych zasadach: Prawdziwie Pozytywny, Prawdziwie Negatywny, Fałszywie Pozytywny i Fałszywie Negatywny. Ten diagram pokazuje macierz pomyłek, narzędzie używane w uczeniu maszynowym do oceny wydajności modeli klasyfikacji. Pokazuje cztery wyniki prognoz: Prawdziwie Negatywne (TN) i Prawdziwie Pozytywne (TP) reprezentują poprawne prognozy dla klas negatywnych i pozytywnych odpowiednio. Fałszywie Pozytywne (FP), czyli błędy typu I, występują, gdy model błędnie przewiduje klasę pozytywną, a Fałszywie Negatywne (FN), czyli błędy typu II, zdarzają się, gdy model błędnie przewiduje klasę negatywną. Ta macierz pomaga zrozumieć dokładność modelu, porównując przewidywane wyniki z rzeczywistymi.
Zrozumienie Prawdziwie Pozytywnych:
Rzeczywisty lub prawdziwie pozytywny oznacza, że model AI poprawnie przewidział wynik. Przykładem jest przeprowadzenie testu medycznego, który poprawnie identyfikuje pacjentów z chorobą.
Rola Prawdziwie Negatywnych:
Prawdziwie negatywny wynik występuje, gdy model dokładnie przewiduje przeciwną stronę, czyli klasę negatywną. W tym samym scenariuszu testu medycznego prawdziwie negatywny poprawnie przewidział pacjentów, którzy nie mają choroby.
Fałszywie Pozytywne i Błąd Typu I
Fałszywie pozytywny występuje, gdy model błędnie przewiduje wynik. W naszym scenariuszu testu medycznego fałszywie pozytywny to sytuacja, w której błędnie wskazuje, że pacjent ma chorobę, podczas gdy w rzeczywistości jest zdrowy. To jest również znane jako błąd typu I. Mogą być szczególnie problematyczne i oszczędzać wiele zasobów ludzkich i czasu wydawanego gdzie indziej.
Fałszywie Negatywne i Błąd Typu II
Fałszywie negatywny występuje, gdy model błędnie przewiduje przeciwną stronę, czyli więcej danych w klasie negatywnej. W naszym scenariuszu może to oznaczać, że model całkowicie zawodzi w identyfikacji pacjenta z chorobą. To jest znane jako błąd typu II. Fałszywie negatywne mogą być niebezpieczne, szczególnie w diagnozie medycznej, ponieważ mogą prowadzić do braku leczenia istniejącego stanu.
Efekt AI i jego implikacje:
Przejdźmy teraz do kilku kluczowych pojęć, o których wspomniał dr Sheen S. Levine, profesor nadzwyczajny w Naveen Jindal School of Management, UT Dallas, w swojej klasie Innowacje w Sztucznej Inteligencji. Najpierw musisz zrozumieć, że GPT (General Purpose Technology) może być używana w szerokim zakresie sektorów/branż i ma efekty uboczne, które wpłyną również na rozwój ludzki, społeczeństwa i gospodarkę. GPT używa inteligencji do przyjmowania/integrowania informacji w nowatorski sposób w różnych okolicznościach. Sama AI to maszyny oceniające ludzkie myśli. Efekt AI oznacza, że gdy maszyna potrafi coś zrobić, nie jest już uważana za inteligentną. Klasycznym przykładem efektu AI jest gra w szachy. Przez wiele lat szachy były uważane za symbol ludzkiej inteligencji. Gra wymaga od ciebie przewidywania, strategicznego myślenia, przewidywania i umiejętności podejmowania decyzji. Ale w 1997 roku Deep Blue firmy IBM pokonał mistrza świata w szachach, Garrego Kasparowa. Ten kamień milowy dla świata AI pokazał, jak AI może przewyższać ludzi w zadaniach strategicznego myślenia. Po tym wydarzeniu narracja zmieniła się z „tylko inteligentne istoty mogą grać w szachy” na „szachy to tylko zestaw matematycznych obliczeń dobrze dostosowanych do komputerów”.
Studia przypadków: Smart Gating Technology American Airlines
W szybkim świecie lotnictwa efektywność i zarządzanie czasem są kluczowe. Dostrzegając to, American Airlines podjęło znaczący krok do przodu w sezonie świątecznym, wprowadzając innowacyjną technologię Smart Gating. To zaawansowane narzędzie stanowi połączenie ekspertów technologicznych American’s IT i zespołów operacyjnych, pokazując, jak sztuczna inteligencja (AI) i inteligentne algorytmy mogą przekształcać codzienne wyzwania w usprawnione procesy. Według American Airlines, w swoich głównych węzłach, takich jak DFW, „narzędzie pomogło przewoźnikowi skrócić czasy kołowania samolotów w DFW o 20% lub około dwie minuty na lot. Te minuty się sumują – Smart Gating pomogło American Airlines zmniejszyć czas kołowania samolotów w DFW o ponad 11 godzin każdego dnia” (American Newsroom, Straight to the gate this holiday season).
Rozwój i wdrożenie:
American Airlines opracowało technologię Smart Gating, aby sprostać trzem krytycznym wyzwaniom operacyjnym: konfliktom bramek, zatorom na płycie postojowej i czasom kołowania. Wykorzystując zaawansowane algorytmy AI, technologia dynamicznie przydziela samoloty do najbliższej dostępnej bramki. To proaktywne podejście polega nie tylko na znalezieniu pustej bramki, ale także na uwzględnieniu kilku czynników, takich jak czas obracania, typ samolotu i bliskość do następnej bramki odlotu samolotu.
Wpływ na operacje:
Wpływ tej technologii był ogromny. System inteligentnego kołowania znacznie zmniejszył konflikty bramek, gdzie dwóm samolotom przypisano tę samą bramkę. To zmniejszenie konfliktów bramek prowadzi do płynniejszej operacji i poprawy doświadczeń klientów. Ponadto, przydzielając bramki bardziej efektywnie, technologia odegrała kluczową rolę w zmniejszeniu zatorów na płycie postojowej. Jest to szczególnie ważne podczas szczytowych godzin podróży, gdy ruch na lotnisku jest największy.
Korzyści środowiskowe i ekonomiczne:
Kolejną znaczącą przewagą konkurencyjną tej technologii jest jej wkład w zrównoważony rozwój środowiskowy. Skracając czasy kołowania, system Smart Gating pomógł zmniejszyć zużycie paliwa, a tym samym ślad węglowy operacji linii lotniczej. Ekonomicznie przekłada się to na oszczędności dla linii lotniczej, podczas gdy środowiskowo stanowi krok w kierunku bardziej zrównoważonych praktyk lotniczych.
Perspektywy na przyszłość:
Patrząc w przyszłość, sukces technologii Smart Gating otwiera nowe możliwości dla AI w branży lotniczej. Służy jako studium przypadku dla innych linii lotniczych i lotnisk szukających optymalizacji operacji. Ponadto podkreśla potencjał AI nie tylko do usprawniania procesów, ale także do pozytywnego przyczyniania się do zrównoważonego rozwoju środowiskowego i zadowolenia klientów. Aby przeczytać więcej o technologii Smart Gating American Airlines, odwiedź https://news.aa.com/news/news-details/2023/American-is-using-machine-learning-to-keep-its-hubs-moving-this-holiday-season-OPS-DIS-12/default.aspx
Wyzwanie wykrywania oszustw PayPal:
Tło wyzwania wykrywania oszustw PayPal:
Problem: Jako jedna z największych platform płatności online, PayPal przetwarza miliony transakcji dziennie. Przy tej objętości firma stoi przed znacznym ryzykiem działalności oszukańczej, co może prowadzić do znaczących strat finansowych i uszkodzenia zaufania klientów.
Tradycyjne metody: Początkowo PayPal polegał na tradycyjnych systemach opartych na regułach do wykrywania oszustw. Te systemy flagowały transakcje na podstawie predefiniowanych kryteriów, ale miały trudności z złożonością i ewoluującą naturą oszustw.
Wdrożenie AI w wykrywaniu oszustw:
Wprowadzenie uczenia maszynowego: Aby wzmocnić swoje możliwości wykrywania oszustw, PayPal zwrócił się do algorytmów uczenia maszynowego. Te algorytmy są zdolne do analizowania ogromnych ilości danych transakcyjnych w czasie rzeczywistym, ucząc się wzorców i dostosowując się do nowych rodzajów działalności oszukańczej.
Analiza danych: System AI bada różne aspekty każdej transakcji, w tym kwotę, lokalizację kupującego i sprzedawcy, urządzenie używane do transakcji oraz historię transakcji zaangażowanych stron.
Analiza behawioralna: System wykorzystuje również analizę behawioralną do zrozumienia typowych wzorców użytkowników, pomagając w identyfikacji anomalii, które mogą wskazywać na oszustwo.
Ten diagram ilustruje przepływ pracy automatyzacji procesu Systemu Wykrywania Oszustw (FDS) wykorzystującego technologię uczenia maszynowego i AI. Oto krok po kroku wyjaśnienie przedstawionego procesu:
- Rejestry i informacje o użytkownikach: Pierwszym krokiem jest zebranie danych osobowych i transakcyjnych użytkowników. Te informacje stanowią podstawę dla systemu do zrozumienia normalnych wzorców zachowania użytkowników.
- Zbieranie i przetwarzanie przy użyciu technologii uczenia maszynowego i AI: Te dane są następnie wprowadzane do systemu AI, gdzie algorytmy uczenia maszynowego przetwarzają informacje. System AI jest szkolony do identyfikowania wzorców i zachowań wskazujących na normalne i oszukańcze działania.
- Analizowanie i wykrywanie przy użyciu technologii uczenia maszynowego i AI: W tej fazie przetworzone dane są analizowane pod kątem wykrycia jakichkolwiek anomalii lub oznak oszustwa. System wykorzystuje historyczne i rzeczywiste dane do wykrywania niespójności, które mogą sugerować oszukańcze transakcje.
- Reagowanie (Zatwierdzenie / Blokada / Dodatkowe uwierzytelnianie): Gdy potencjalne oszustwo zostanie wykryte, system decyduje o odpowiednich działaniach. Może zatwierdzić transakcję, jeśli wydaje się być legalna, zablokować transakcję, jeśli prawdopodobnie jest oszukańcza, lub zażądać dodatkowego uwierzytelnienia, aby zweryfikować tożsamość użytkownika.
- Zapisywanie wzorców nietypowych transakcji finansowych: System rejestruje szczegóły wykrytych oszukańczych działań. Te wzorce są zapisywane i używane do udoskonalenia modelu AI, zwiększając jego dokładność w przyszłym wykrywaniu oszustw.
- Monitorowanie i audyt: Ostatnim krokiem jest ciągłe monitorowanie i audytowanie transakcji, aby upewnić się, że system działa zgodnie z założeniami i dokonać wszelkich niezbędnych korekt. Pomaga to w utrzymaniu integralności procesu wykrywania oszustw.
Cykliczne strzałki między etapami „Analizowanie i wykrywanie” oraz „Monitorowanie i audyt” procesu biznesowego podkreślają, że proces ten jest iteracyjny; system ciągle uczy się i poprawia z każdą transakcją. Przepływ od „Reagowania” z powrotem do „Analizowania i wykrywania” wskazuje, że wyniki transakcji, czy to zatwierdzone, zablokowane lub poddane dodatkowemu uwierzytelnieniu, również są wprowadzane z powrotem do systemu do ciągłego uczenia się i optymalizacji funkcji biznesowych. Zapewnia to, że FDS pozostaje dynamiczny i adaptacyjny do pojawiających się taktyk oszustw.
Wyniki i rezultaty:
- Zmniejszenie oszustw: PayPal zgłosił znaczny spadek oszukańczych transakcji od momentu wdrożenia AI, co dowodzi skuteczności uczenia maszynowego w identyfikacji i zapobieganiu oszustwom.
- Poprawiona dokładność: System AI ma niższą stopę fałszywie pozytywnych wyników w porównaniu z tradycyjnymi metodami. Oznacza to, że legalne transakcje są mniej prawdopodobne do błędnego oznaczenia jako oszukańcze, poprawiając doświadczenie użytkownika.
- Adaptacyjność: Modele uczenia maszynowego ciągle dostosowują się do nowych taktyk oszustów. W miarę jak oszuści ewoluują swoje metody, system AI uczy się i dostosowuje, utrzymując wysoki poziom bezpieczeństwa.