Zmieniające się nieustannie siły rynkowe są wyzwaniem, przed którym stoi model biznesowy każdej firmy. Zmiany nawyków klientów, globalizacja, pandemia i innowacje technologiczne stwarzają obecnie trudności dla wielu firm.

Innowacje same w sobie nie są odpowiedzią gdyż dodanie “czegoś nowego do produktu lub usługi” nie jest zawsze dobrą odpowiedzią na zmieniający się rynek.

Warto w tym momencie przytoczyć słowa Claytona Christensena

Powodem, dla którego tak trudno jest istniejącym firmom wykorzystać przełomowe innowacje, jest to, że ich procesy i model biznesowy, które czynią je dobrymi w istniejącej działalności, w rzeczywistości sprawiają, że firmy te są kiepskie w walce o najważniejsze zmiany.

Dobrze postawione pytania są podstawą projektowania każdego modelu biznesowego

a) Kim jest klient i gdzie jest segment / nisza klientów? 

b) Co ceni klient? 

c) W jaki sposób zapewniamy wzrost w firmie? Powodem, dla którego ważny jest wzrost, a nie tylko przychód, jest to, że nowe produkty są często darmowe lub niskomarżowe, więc niekoniecznie generują przychód i zysk, ale wpływają na wzrost biznesu tj. liczbę klientów, liczbę pobrań produktów cyfrowych itp.

c) Jaka jest logika biznesowa, która wyjaśnia, w jaki sposób możemy dostarczyć klientom propozycję wartości po odpowiednim koszcie? 

d) Jaki jest łańcuch wartości, który firma musi zbudować i utrzymywać, aby obsługiwać klientów (partnerzy, zasoby krytyczne dla rozwoju organicznego, relacje z klientami, strategia obsługi klienta)?

Musi być lepszy sposób, czyli lepszy model biznesowy

Ten biznes jest skuteczniejszy, który oferuje klientowi lepszą wartość dodaną niż istniejące na rynku opcje. Ostatecznie zwycięży model biznesowy, który oferuje klientowi “lepszy sposób działania”?

Co to znaczy „lepszy sposób działania” pod względem innowacyjnych modeli biznesowych? Oto kilka przykładów:

• Pracownicy biurowi wynajmują laptopy z oprogramowaniem do tworzenia dokumentów i tworzenia raportów zamiast kupować je na własność. 
• Sprzedawca wynajmuje aplikację Salesforce w tzw. chmurze, aby mieć dostęp do danych klientów na każdym urządzeniu. Rezygnuje więc z korzystania z systemów instalowanych stacjonarnie, na jednym komputerze. 

Lepszy sposób działania jest możliwy ponieważ biznes oferuje klientowi wartość dodaną atrakcyjniejszą niż konkurencja. To poprzez propozycję wartości realizuje się wygodniejsze, sprawniejsze, przyjemniejsze podejmowanie zadań jakie stoją przed klientem.

Jak znaleźć lepszą propozycję wartości i rozpocząć proces innowacji modelu biznesowego?

Krok 1: Klienci chcą wygodnego życia. Jak upewnić się, że strategia i modele innowacji to umożliwiają?

Zrozumienie potrzeb klientów można zdobyć poprzez analizę listy zadań, które Twoi klienci próbują wykonać, aby osiągnąć jakiś celu.  

• Firma, która dostarcza rolnikom herbicydy, może odkryć, że hodowcy (wykonawcy konkretnych zadań) pracują nad niszczeniem chwastów, podczas gdy rzeczywistym wyzwaniem dla rolników jest zapobieganie kiełkowaniu chwastów. Zamiast sprzedawać nawozy, firma może wprowadzić do modelu biznesowego element monetyzacji wiedzy, dzięki, któremu rolnicy nauczą się metod siewu, utrudniających kiełkowanie chwastów. 
• Firma prowadząca e-commerce oferuje miłośnikom tekstowe wyszukiwanie produktów. Jeśli firma przeprowadzi dokładniejszą analizę, może zauważyć, że wyzwaniem dla użytkowników jest nazwanie produktów. Trudno jest opisać kolorowy model butów NIKE jeśli nie zna się dokładnej nazwy modelu. To sprawia, że ​​wyszukiwanie produktów w sklepie jest niemożliwe lub bardzo trudne. W tym konkretnym przypadku udostępnianie użytkownikom opcji wyszukiwania wizualnego (zrób zdjęcie i kup) jest lepsze niż szybkie przeszukiwanie sieci. 

Te dwa przykłady wyjaśniają, że znajomość celu jaki chce osiągnąć klient, pozwala zrozumieć listę zadań jaką klient musi podjąć, aby do tego celu dojść. Każde zadanie klienta jest szansą na zdefiniowanie zmian. Takie zmiany są fundamentem innowacji w modelach biznesowych.

Krok 2: Rozwój jest możliwy tylko wtedy, gdy model biznesowy usuwa problemy klientów

W procesie projektowania nowych modeli biznesowych funkcjonuje pojęcie bólu (z ang. pain). Ból reprezentuje wszystko, co sprawia, że ​​życie klientów jest uciążliwe przed, w trakcie i po wykonaniu danego zadania. 

Oto cztery główne rodzaje problemów (bóle), które powinien rozwiązać każdy odnoszący sukcesy model biznesowy:

• Finansowe: Klienci tracą pieniądze korzystając ze swojego obecnego dostawcy / rozwiązania / produktu (np. dowożenie jedzenia może wiązać się opłatą za dowóz (ból) lub być bezpłatne w określonych sytuacjach (możliwość uniknięcia bólu)).
• Produktywności: klienci firmy tracą zbyt dużo czasu, korzystając z obecnego dostawcy / rozwiązania / produktów lub chcą inaczej wykorzystać swój czas (Inpost realizuje przesyłkę paczkomat to paczkomat, podczas gdy Poczta Polska wymaga obecność w placówce, bólem jest oczekiwanie w kolejce).
• Procesowe: Klienci chcą usprawnić wewnętrzne operacje, takie jak sprzątanie domu, zamawianie jedzenia, zatrudnianie pracowników.
• Wsparcia na najwyższym poziomie: Klienci nie otrzymują wsparcia, którego potrzebują, więc nie są w stanie podejmować decyzji lub muszą wydać pieniądze, aby je zlecić na zewnątrz. Dobrym przykładem jest zakup samochodu w kontekście długoterminowego wynajmu. W przypadku tego ostatniego, utrzymanie samochodu, serwis, umawianie wizyt w stacjach diagnostycznych jest elementem usługi. Klient, który posiada samochód na własność, musi wszystkie czynności organizować i rozliczać sam.

Krok 3: Klienci oczekują ciągłych korzyści, a Twój model biznesowy powinien je zapewnić

Krok trzeci dostarczy wartość dodaną, której doświadcza klient, gdy firma wprowadza nowy model biznesowy.

Co to są “zyski” (z ang. gains)

Zyski (gains) określają rezultaty i korzyści, których klienci firmy oczekują, pragną lub byliby zdziwieni, gdyby firma je dostarczyła. Zyski powinny obejmować elementy, które sprawiają, że klienci są zadowoleni lub szczęśliwi. W tym rozumieniu zyski, nie są wprost przeciwieństwem do bólu, opisanego powyżej.

Firma, która sprzedaje samochody elektryczne i autonomiczne, nie tylko niweluje “ból” finansowy (auto jest tańsze w utrzymaniu), ale poprzez atrakcyjność produktu, sprawia, że właściciel czuje się wyjątkowo w gronie swoich znajomych. Jest to krystalicznie wyraźny “zysk”, który sprawia, że ​​klient jest bardziej zadowolony i bardziej pewny siebie. Właściciel samochodu Tesla jest innowatorem i fanem nowych technologii – tak podpowiada nam intuicja. Sam właściciel zapewne tak się czuje i chce być postrzegany. Jest to wyraźny “zysk”. 

W tym konkretnym przykładzie model biznesowy napędza organiczny rozwój producenta samochodów. Popyt jest między innymi wynikiem “zysku” jaki odnosi klient, który czuje się niesamowicie, gdy przyjaciele widzą go podjeżdżającego autonomicznym, nowoczesnym samochodem.

Jak odkryć “zyski” i oprzeć na nich model biznesowy

Poniższa lista pytań pomaga moim klientom odkryć wiele korzyści, które pomagają stworzyć przekonującą propozycję wartości i przeprowadzić innowacje w modelu biznesowym:

• Czy propozycja wartości Twojego produktu zapewnia pozytywne konsekwencje społeczne, których klient chce doświadczyć?
• Czy Twój produkt (i wartość, jaką wnosi) odzwierciedla aspiracje Twojego klienta? 
• Czy Twoja oferta wartości pozwala klientowi osiągać konkretne wyniki, które spełniają kryteria klienta?

Te trzy pytania pomogą Twojej firmie zdefiniować bardzo solidne podstawy do projektowania nowego, innowacyjnego modelu biznesowego.

Zaprojektuj wartość dodaną

Połączenie zadań jakie musi wykonać klient, z analizą “bólu” i “zysków” doprowadzi Cię do punktu, w którym propozycja wartości zostanie ukształtowana jak naturalna odpowiedź na sytuację w jakiej znaleźli się Twoi klienci.

Propozycja wartości to obietnica którą firma powinna zrealizować. To główny powód, dla którego klient powinien złożyć zamówienie w Twojej firmie i pominąć Twojego konkurenta. Jest to również najważniejsza rzecz, która określi, czy użytkownicy będą inwestować czas w pozyskanie wiedzy o Twoim produkcie, czy też zaczną studiować konkurencję i jej produkty. 

Propozycja wartości jest przekonująca i przyciąga uwagę klientów, ponieważ:

• Tworzy istotną różnicę między Twoją firmą a konkurencją, co wpływa na rozwój organiczny tego kto ma lepszą ofertę wartości,
• Przyciąga odpowiednich, potencjalnych klientów i zwiększa liczbę wartościowych leadów,
• Zachęca nowych klientów do skorzystania z oferty firmy

Propozycja wartości definiuje, w jaki sposób model biznesowy realizuję dostarczenie produktów na rynek, czyli jakie kanały dystrybucji należy wykorzystać.

Na przykład, jeśli firma wprowadza nowy produkt, który jest skierowany do małych firm, kanał dystrybucji jest inny niż wtedy, gdy ta sama firma rozwiązuje problemy i korzyści dużych przedsiębiorstw. Wybór kanału dystrybucji wynika więc z propozycji wartości. 

Firma NIKE zrozumiała, że ich klienci są bardzo dobrze zorientowani w nowych technologiach informatycznych. Propozycja wartości NIKE powinna więc opierać się o najnowsze zdobycze technologiczne. Z tego powodu NIKE przeniosło znaczną część sprzedaży do modelu bezpośredniego (z ang. “Direct to Customer”) przy pomocy aplikacji na telefony komórkowe.

Innowacja w modelu biznesowym jest efektem badania klientów i zrozumienia ich oczekiwań, które są następnie osadzane w cechach produktu. 

Warunkiem tworzenia innowacyjnych modeli biznesowych jest nieustanne obserwowanie jakie zadania muszą podejmować klienci, jaki “ból” się w związku z tym pojawia i jakie “zyski” interesują klienta. Globalizacja, turbulencje na rynku, pandemia, nieustannie tworzą nowe zadania dla klienta, w ślad za nimi pojawiają się “ból” i oczekiwane “zyski” a stąd już blisko do innowacyjnych modeli biznesowych.

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

Trzy strategie wprowadzania innowacji w modelach biznesowych.

Trwały wzrost biznesu nie może się odbyć bez dostarczenia najlepszej możliwej propozycji wartości na rynek. Innowacja w modelu biznesowym nie może się odbyć bez ciągłego słuchania klientów i redefiniowania propozycji wartości. Związek pomiędzy propozycją wartością a wzrostem biznesu jest bardzo ścisły. 

Zidentyfikowałem trzy różne strategie, które dają zespołom szansę na zbudowanie nowej lub zmodyfikowanej propozycji wartości:

Strategia 1: zainwestuj lub kup propozycję wartości

Wiele firm, które inwestują lub przejmują mniejsze firmy i startupy, nie robi tego wyłącznie dla konsolidacji przychodów i zysków. Często firmy inwestują lub kupują mniejsze podmioty, aby wzmocnić osłabiające się lub ułomne elementy modeli biznesowych.

Dlaczego te firmy dokonują inwestycji lub przejęcia, skoro kupowana firma nie jest rentowna lub wręcz odwrotnie, jest wybitnie nierentowna jak to było w przypadku WhatsApp i Facebook? 

Przede wszystkim dlatego, że zdobywają propozycję wartości, która następnie będzie służyć modelowi biznesowemu większemu graczowi. Dokładniej rzecz biorąc, służyć klientom dużej firmy poprzez silniejszą propozycję wartości. 

Model biznesowy opracowany przez mniejszą firmę może nie działać (biznes będzie nierentowny), ale jeśli propozycja wartości jest przekonująca, duże firmy nie zawahają się przed przejęciem.

Studium przypadku:

Jednym z najbardziej odpowiednich przykładów innowacji w modelu biznesowym jest usługa transmisji gier Twitch. W ramach procesu wprowadzania produktu na rynek uruchomiono Justin.tv. Justin.tv opracował koncepcję wykorzystania technologii strumieniowania Justin.tv jako usługi dla graczy. Gracze mogli przejść do trybu online i rozpocząć transmisję wideo z gry, którą inni gracze mogą oglądać po zalogowaniu się. Model biznesowy usługi przyniósł tak fantastyczną propozycję wartości, że przychody poszybowały w górę, a Amazon przejął Twitcha w 2014 roku za blisko 1 miliard dolarów. Amazon dokonał przejęcia, ponieważ musiał wzmocnić Amazon Web Services (AWS), firmę zajmującą się przetwarzaniem w chmurze. Co się dzieje później? Amazon uruchomił Amazon Lumberyard, który jest silnikiem gier między platformowych. Amazon nie był zainteresowany przychodami Justin.TV, ale wzmocnieniem oferty wartości AWS.

Tworzenie innowacyjnych modeli jest procesem ciągłym, dlatego firmy takie jak powyższa zawsze szukają kolejnej atrakcyjnej propozycji wartości, która zapewni wzrost produktu dużego gracza. 

Jeśli uznamy propozycję wartości za doskonałe odzwierciedlenie oczekiwań klientów, to każde przejęcie lub inwestycja większej firmy jest inwestycją w propozycję wartości, a nie w samą firmę.

Strategia 2: Utwórz nowy model od podstaw

Projekt propozycji wartości w modelu biznesowym

Ważne jest, aby zacząć od zrozumienia zadań klienta, które ma do wykonania, bólów jakich doświadcza i zyski jakie chciałby odnieść, które omówiłem już na początku tego wpisu. 

Twoja praca na tym etapie może być wieloaspektowa i skomplikowana, co oznacza, że ​​prawdopodobnie znajdziesz wiele elementów i trudno będzie nadać im priorytety. W efekcie będzie trudno złożyć model biznesowy, ale jest na to sposób. W moim projektach często mierzę się z takim wyzwaniem i mam pewnien prosty sposób, aby ruszyć i postawić pierwszy krok.

Zalecam skupienie się na wyliczeniu jak największej liczby zadań jakie klient musi wykonać, bólu, który odczuwa i zysków, które klient chciałby uzyskać. To zadanie jest względnie łatwe jeśli znasz swoich klientów. Później już warto iść następującymi etapami:

Zidentyfikuj rynki docelowe w procesie konstrukcji modeli biznesowego

Zidentyfikuj rynki docelowe, które docenią propozycję wartości, którą oferujesz lub chcesz zaoferować.

Kiedy już dobrze zrozumiesz problemy i zyski (podstawy propozycji wartości), dobrze jest skupić się na wyraźnym zidentyfikowaniu rynku docelowego. 

Ogólnie rzecz biorąc, mogę wymienić dwa elementy, które są kluczowe podczas wprowadzania innowacji w procesach biznesowych. 

1. Istotne jest, aby być jak najbardziej precyzyjnym na temat każdego potencjalnego rynku docelowego biorąc pod uwagę zadania, bóle i zyski.
2. Zdefiniujesz, a czasem nawet powinieneś zdefiniować, wiele różnych rynków docelowych. Pamiętaj, że stawiamy hipotezę dotyczącą propozycji wartości, więc posiadanie różnych segmentów klientów pomoże na późniejszych etapach innowacji procesu biznesowego, jeśli pierwsza, druga lub każda następna teoria zawiedzie.

Użyjmy Apple jako hipotetycznego przykładu. Jakie są potencjalne rynki docelowe dla Apple w momencie wprowadzania kolejnych modeli i produktów? 

1. Po pierwsze, ktoś chce korzystać z iPhone’a, ale ma problem (ból) z jego zdobyciem z powodu braku środków finansowych. Ta grupa doceni elastyczne finansowanie lub transakcje wymiany (popularny program Trade-In).
2. Po drugie, ktoś jest właścicielem Maca i iPhone’a. Ta grupa będzie cenić funkcje iCloud, ponieważ da im to wiele korzyści. Przede wszystkich jest możliwa wielozadaniowość i rozpoczynanie pracy na jednym urządzeniu i kończenie na drugim.
3. Wreszcie, rynek docelowy prawdopodobnie chciałby się dobrze czuć korzystając z produktu. Świetny design, posiadanie wielu urządzeń sprawia, że ​​człowiek czuje się dobrze, zwłaszcza gdy otaczają go przyjaciele. “Jabłuszko” daje fajne samopoczucie i lepiej się z nim wypada na selfie niż z innym brandem.

Kto zatem spełnia te kryteria z demograficznego punktu widzenia? 

• Młodzi profesjonaliści, którzy muszą pracować zdalnie i często chodzić na biznesowe kolacje. 
• Osoby pracujące w korporacjach, które muszą stale synchronizować dokumenty i często chodzić na spotkania, aby prezentować lub udostępniać dokumenty. Cenią też styl, ponieważ sale konferencyjne są pełne VIPów.

Wyszliśmy od propozycji wartości i reprezentujących ją zadań, bólów i zysków. Na tej podstawie zdefiniowaliśmy grupy docelowe. Są to jednak hipotezy, które wymagają walidacji na kolejnym etapie innowacji modelu biznesowego.

Naszkicuj hipotezę modelu biznesowego

Stworzenie przekonującej hipotezy dotyczącej modelu biznesowego jest trudne, ale zbliża Cię do rynku i użytkowników. Powinieneś zebrać wystarczającą ilość danych i przekonwertować je na 1–4 zadań, co na przykładzie Apple zrobiliśmy powyżej.  To, czego potrzebuje Twoja firma na tym etapie, to spora ilość pracy, która połączy wyzwania klientów i podejmie próbę sprowadzenia ich do wąskiej grupy rozwiązań. 

Biorąc pod uwagę mój przykład Apple, hipotezy brzmiały następująco:

„Kupowanie iPhone’a jest drogie; Twoje rynki docelowe chcą tańszych opcji finansowych na zakup nowego iPhone’a”.

“VIP klienci docenią możliwość poznania wszystkich funkcji produktów Apple w formie spersonalizowanych video szkoleń”

Powyższe przykłady sprawiły, że w modelu biznesowym Apple pojawił się program Trade-In oraz szkolenia “on-site” w sklepach Apple.  

Potwierdź hipotezę 

Walidacja propozycji wartości to proces gromadzenia danych i uczenia się poprzez eksperymenty i testy z klientami . Celem jest wyeliminowanie bezzasadnych hipotez lub przebudowanie hipotezy.

Tutaj znajdziesz trzy eksperymenty, które możesz zastosować w procesie innowacji swojego modelu biznesowego:

a) wywiad z klientem

Opuść budynek i spotkaj się z klientami dokładnie tam, gdzie Twoi klienci spędzają czas. Rozmowy z klientami pokazują, czy zajmujesz się prawdziwym bólem, zyskiem i zadaniami klienta. Skorzystaj z tych interakcji, aby uzyskać wgląd w to, czy Twoja propozycja wartości przemawia do klientów, a produkt może przyspieszyć wzrost biznesu, jeśli zostanie wprowadzony na rynek. McDonald wprowadzając waniliowe shake w USA postawił przy kasach dodatkową osobę, która obserwowała kim jest kupujący shake klient. Okazało się, że shake kupowano jako zastępnik śniadania. Odziwo, aby sprzedać więcej shake nie trzeba było modyfikować ceny i składu produktu, wystarczyło zmniejszyć kolejkę wprowadzając automaty sprzedające shake (coś podobnego do maszyny vendingowej). 

b) test rozumienia

Test zrozumienia jest prosty do przeprowadzenia i jest znakomitym sposobem sprawdzenia, czy segment klientów rozpoznaje propozycję wartości w taki sam sposób, jak Ty. Plan polega na zbadaniu, czy co najmniej 80% klientów rozumie Twoją komunikację dotyczącą hipotezy dotyczącej problemu. Na przykład „przystępny model finansowy” może być różnie interpretowany przez różnych użytkowników. Stosując test rozumienia, sprawdzasz zrozumienie swojej propozycji wartości, a nie to, czy klienci są nią zainteresowani. 

c) MVP z jedną funkcją

„MVP jednej funkcji” pozwala zweryfikować hipotezę za pomocą szybko stworzonego prototypu. Pomaga to uniknąć skomplikowanych koncepcji, testując jednofunkcyjny minimalny opłacalny produkt (MVP). Jednofunkcyjny oznacza dosłownie jedną funkcję, trzymając się przykładu iPhone, był nią jeden guzik nawigujący telefonem. W przypadku “MVP jednej funkcji” znaczenia nie miała wizja budowy AppStore, czy iCloud. Sprawdzano czy klient “chwyci” idę jednego guzika i się w niej zakocha. 

Informacje zwrotne z etapu testowania MVP jednej funkcji wykorzystane są do:

• Sprawdzenia, czy Twoja propozycja wartości może generować wzrost trakcji produktu.
• Znalezienia sposobu na ulepszenie modelu biznesowego poprzez przeprojektowanie propozycji wartości.
• Oszacowania szans na zbudowanie kolejnej wersji MVP, tym razem z wieloma funkcjonalnościami (np. zaprezentowania użytkownikom koncepcji dotykowego ekranu obok jednego guzika) 

Pomyślny etap testowania „pojedynczego elementu MVP” dostarczy liczb uzasadniających dalszy rozwój lub konieczność przeprojektowanie hipotezy.

d) symulacja procesu do weryfikacji hipotez w usługach elektronicznych i w mikrousługach

Symulacja procesu to technika walidacji służąca do optymalizacji procesów i wyciągania wiarygodnych wniosków opartych na silnych dowodach. Symulacja to animowany projekt, który naśladuje działanie docelowej usługi przed jej stworzeniem. Dobrym przykładem jest słynny już Zappos, przejęty przez Amazon, sklep z obuwiem. Zappos zbierał zamówienia przez Internet, a pracownicy biegli do lokalnego sklepu z obuwiem, kupowali je w kasie i wysyłali klientom. Wszystko wyglądało jak eCommerce, ale nim nie było. W ten sposób testowane były hipotezy co do wartości dodanej Zappos. Zero inwestycji w automatyzację i budowanie usługi.

Modele symulacyjne można optymalizować pod kątem różnych czynników, takich jak czas lub koszt (co może wynikać z bólu, zysków i zadań do wykonania). Można zbudować wiele scenariuszy w celu przetestowania różnych hipotez propozycji wartości i jej wpływu na innowacje modelu biznesowego.

Strategia 3: Modyfikacja części modelu biznesowego i zmiana kierunku rozwoju produktu

Pierwszą czynnością jest poznanie aktualnego modelu biznesowego Twojej firmy. Ważne jest, aby poświęcić czas na mapowanie modelu biznesowego w wybranym frameworku (polecam Business Model Canvas). Gdy już wiesz, jak obecnie funkcjonuje Twój model biznesowy, możesz zacząć przeprojektowywać istniejące jego części. Nie ma jednego właściwego sposobu na poradzenie sobie z tym procesem, ale proponuję zacząć od następującego przepisu:

Ekonomia modelu biznesowego

Zmień ekonomię modelu biznesowego, która najsilniej wpływa na wzrost Twojego produktu.

• Ceny za sztukę (sprzedaż lub wprowadzanie na rynek produktów jako pojedynczych jednostek zamiast pakietów)
• Pakiety produktów (sprzedaż razem produktów, takich jak laptop i słuchawki)
• Rozwiązania serwisowe (od konserwacji i szkoleń po produkty powiązane z usługami, takimi jak iPhone i szkolenia w tradycyjnych sklepach Apple)
• Czas (np. doładowuj kredyty w grach na minutę, godzinę, dzień lub miesiąc)
• Dostęp (częściowy dostęp do wydarzenia, informacji, bazy danych, zwany także modelem biznesowym freemium)
• Subskrypcje (zamiast co miesiąc kupować karmę dla zwierząt, firma będzie co miesiąc wysyłać produkt w cenie abonamentowej)
• Członkostwa (członkostwo pojedyncze lub grupowe z poziomami wartości lub bez)
• Licencje (na określony czas lub z zestawami funkcji)
• Platformy (płatności członkowskie z modelem biznesowym dzielenia się przychodami lub bez np. afiliacje)

Efekt sieci w modelu biznesowym

Twórz i stosuj efekty sieciowe w procesie innowacji modelu biznesowego. Istnieją różne rodzaje sieci, z których każda daje praktycznie nieograniczone możliwości rozwoju:

• Sieci budowniczych: użytkownicy korzystają z oprogramowania, programiści tworzą i uruchamiają platformy, które przyciągają programistów do dostarczania nowych funkcji (np. Apple Store, Amazon)
• Treści generowane przez użytkowników: użytkownicy projektują, tworzą, wypełniają, a następnie wykorzystują treści dostarczone przez innych, co przyciąga więcej współtwórców (np. Facebook, YouTube, Twitch)
• Rynki: kupujący znajdują sprzedawców, a sprzedawcy przyciągają kupujących np. aukcje
• Adaptability: Adaptability zapewnia współpracę, która przynosi wzrost. Jedna strona zapewnia narzędzia o wysokiej kompatybilności i przyciąga więcej uczestników (np. Stripe, AWS)
• Sieci danych: informacje zebrane od osób są agregowane w coś istotnego dla wszystkich członków systemu (np. Waze, Weather Channel)

Każdy z powyższych elementów możesz dodawać swobodnie do proponowanej wartości Twojego modelu biznesowego. Dla przykładu zamiast sprzedawać samochody możesz je wynajmować na minuty. Wiem, że to już się dzieje, zwracam uwagę, że to jest właśnie zmiana w modelu biznesowym poprzez dodanie elementu do istniejącego układu. 

Rozwój nowych produktów (z ang. New Product Development) to projektowanie i wprowadzanie na rynek produktów, które mają stanowić odpowiedź na pojawiające się na rynku możliwości i potrzeby. Jest to proces związany z powtarzalnymi cyklami w których szuka się koncepcji na nowe produkty a następnie prowadzi proces tworzenia produktu i jego uruchomienia na rynek (launch).

Sztuczna inteligencja do opracowywania nowych produktów ma zastosowania w różnych sektorach biznesowych.

• W branży motoryzacyjnej firmy rozważają wykorzystanie inteligentnych algorytmów w celu szybszej produkcji samochodów, uczynienia samochodów przyjaznymi dla środowiska i bezpieczniejszymi, przy jednoczesnym uwzględnieniu kosztów produkcji i wielkości. Oczywiście należy dodać, że dzisiejsze samochody przypominają bardziej komputer aniżeli pojazd samojezdny.
• W branży podróżniczej firmy rozważają połączenie różnych doświadczeń, aby zapewnić doświadczenie, zabawę i relaks bez wychodzenia z domu lub wyjazdu z kraju. COVID19 bardzo skomplikował biznes turystyczny. Airbnb uruchomił produkt zwany  “doświadczeniami”, które pozwalają ludziom cieszyć się aktywnościami bez konieczności podróży do innych miejsc.

Czas jest czynnikiem wpływającym na rozwój nowych produktów i startupy o tym wiedzą

Rozwój nowego produktu jest procesem nieefektywnym ze względu na to, jak czasochłonny może być, a niektórzy zauważają, że pochłania nawet 50% czasu całego cyklu życia produkty, od powstania do wycofania z rynku..

Sztuczna inteligencja (AI) umożliwia fascynujące, cyfrowe testowanie i budowanie prototypów produktów, zanim firma poświęci czas i zasoby na fizyczne tworzenie ostatecznej postaci produktu czy usługi. Często przyszłe, skończone produkty różnią się pod względem szeregu cech od pierwotnego zamysłu. Startupy to doskonale wiedzą!

Startupy to dynamicznie działający gracze, którzy rozumieją potrzebę utrzymania reżimów kosztowych i jak najszybszego osiągania wyników w komercjalizacji. Założyciele startupów już wiedzą, że sztuczna inteligencja może pomóc im skrócić czas wprowadzania produktu na rynek, co zapewnia szybsze dopasowanie produktu do rynku (tzw. market-fit).

Świetnym przykładem jest firma Lemonade, która zaprojektowała proces roszczeń i udzielania ubezpieczeń i przekazała je w ręce uczenia maszynowego (gdybyś chciał dowiedzieć się co to jest uczenie maszynowe, zapraszam Cię do lektury tego tekstu), w ciągu roku  zarobiła pierwsze 100 milionów dolarów (najszybciej w branży nowych technologii). Sztuczna inteligencja stała kluczem do szybkiej komercjalizacji oferty. Startup Lemonade to wiedział i wygrał swoją rynkową bitwę. 

Rysunek 1: Lemonade napędzany uczeniem maszynowym niewiarygodny wzrost przychodów

Przedsiębiorstwo wykorzystało w pełni zintegrowany proces opracowywania nowych produktów

Firma PwC  udowodniła, że ​​rozwój produktów cyfrowych z wykorzystaniem inteligentnych algorytmów, może zwiększyć wydajność o prawie 20% i skrócić czas wprowadzania produktów na rynek o 17%. 

Pozwólcie, że połączę to z ostatnim osiągnięciem Yelp (portal z rekomendacjami restauracji, mały firm usługowy itp). Firma zatrudniła sztuczną inteligencję do przeprowadzenia testów swoich interfejsów stron internetowych. Zamiast klasycznych testów A / B, Yelp przeprowadza prawie 700 testów jednocześnie w oparciu o uczenie maszynowe. Firma potrafi dzięki sztucznej inteligencji szybciej niż wcześniej (w sposób klasyczny) znaleźć przyciągające uwagę przyciski, przekonywujące teksty nagłówków czy strukturę ścieżki klienta. Wszystko to razem wzięte, skraca czas aktualizacji istniejących produktów cyfrowych Yelp o ponad 20%.

Rysunek 2: PwC twierdzi, że firmy będą szybciej wprowadzać produkty na rynek dzięki technologiom Machine Learning i Deep Learning

Szybki i inteligentny rozwój nowych produktów wymaga zintegrowanego ekosystemu partnerów, który koncentruje się na współtworzeniu wartości. Innymi słowy, świetne produkty powstają z partnerami, a nie w ciemni i zaciszu jednej firmy. Cyfrowi mistrzowie rozumieją, jak budować partnerstwa, które pomagają zapewnić klientom fantastyczne doświadczenia z produktów i usług. 

W swoim portfelu projektów mam taki w którym dzięki współtworzeniu produktów z partnerami zewnętrznymi (startupy, agencje kreatywne, ekosystem naukowców) zmniejszyliśmy budżet wprowadzenia nowego produktu o 60%. Część procesu, jak na przykład silniki rekomendacyjne, zostały opracowane dzięki sztucznej inteligencji, która w sposób błyskawiczny “nauczyła się” preferencji klienta.

Algorytmy sztucznej inteligencji stają się inteligentne tylko wtedy, gdy są zasilane wysokiej jakości danymi lub danymi dobrze opisanymi i skatalogowanymi. Zwykle stos danych, którego właścicielem jest dana firma, ma wady (dane są niekompletne, z błędami językowymi czy niespójne).

Partnerstwa strategiczne mają kluczowe znaczenie dla poprawy jakości danych, co wpływa na dokładność prognoz. Amazon współpracował z wieloma klinikami w USA, aby wyszkolić swojego asystenta głosowego – Alexę w zrozumieniu dźwięków wytwarzanych podczas kichania czy kaszlu. Prędkość uczenia się w taki sposób jest nieporównywalnie większa, aniżeli ręczne wprowadzanie plików do bazy danych. Sztuczna inteligencja odgrywała kluczową rolę w projektowaniu algorytmów, które dzisiaj Alexa wykorzystuje stojąć na stole w kuchni i odpowiadając na nasze pytanie “Hej Alexa, jaka dzisiaj będzie pogoda?”. 

Raport PwC stwierdza, że ​​zespoły ds. rozwoju nowych produktów, które zintegrowały narzędzia oparte na sztucznej inteligencji do cyfryzacji procesów, osiągają wyższe korzyści skali, produktywności i szybkości w procesie projektowania i rozwoju produktu.

Sztuczna inteligencja jako magiczna kula w rozwoju nowych produktów

W badaniu  opublikowanym w  Journal of the American Medical Informatics Association (JAMIA) Open , naukowcy wyszkolili modele sztucznej inteligencji do przewidywania usuwania produktów żywnościowych na podstawie recenzji na Amazon. Skuteczność osiągnięta to 74%. Innymi słowy, przewidziano na podstawie wcześniej pozyskanych recenzji, że dany produkt zostanie ściągnięty z elektronicznej półki Amazon w związku z np. Niebezpieczeństwem użycia (łatwo sobie wyobrazić jakiś chiński produkt, który nie uzyskał odpowiednich certyfikatów a znalazł się w sprzedaży na Amazon). Przewidywanie cechowało się 74% skutecznością. 

Oprogramowanie oparte na sztucznej inteligencji wykorzystało następnie recenzje Amazon, aby rozpoznać tysiące potencjalnie niebezpiecznych produktów spożywczych, które nie zostały jeszcze odkryte.

Sztuczna inteligencja może przewidzieć, czy dany produkt będzie niebezpieczny, nieprzydatny, wadliwy lub nie spełni oczekiwań popytu. Gdyby menedżerowie firm pozyskali wystarczającą ilość i jakość danych i zastosowały sztuczną inteligencję, firmy te mogłyby zobaczyć przyszłość swoich produktów, bez produkowania czy tworzenia tych produktów. Następnie, patrząc wstecz, sztuczna inteligencja daje im szansę na odpowiednie skorygowanie procesu rozwoju nowego produktu na etapie koncepcji.

Jak zbudować opartą na sztucznej inteligencji, perspektywiczną szklaną kulę?

Ważne jest, aby gromadzić dane i dbać o ich jakość. Najczęściej firmy gromadzą dane z mediów społecznościowych, strony internetowych, wyszukiwarek i stosują algorytmy, takie jak przetwarzanie języka naturalnego (NLP), klasyfikacja obrazu, rozpoznawanie obrazów i różne techniki głębokiego uczenia, aby uzyskać jeszcze lepszy wgląd w preferencje i zachowania klientów. Takie działania pomagają firmom w korzystaniu nie tylko z tego, co i jak klienci używają dziś, ale także jakich funkcjonalności klienci mogą potrzebować w przyszłości. 

Usuń sztuczną inteligencją przeszkody w procesie opracowywania nowego produktu

Eliminacja przeszkód utrudniających wprowadzanie nowych produktów zaczyna się od wykorzystania sztucznej inteligencji do poprawy dokładności prognoz popytu. Firma Honeywell wykorzystuje sztuczną inteligencję do obniżania kosztów energii i ujemnych wahań cen poprzez śledzenie i analizowanie elastyczności cenowej produktów i wrażliwości cenowej.

Honeywell integruje sztuczną inteligencję i algorytmy uczenia maszynowego w zaopatrzeniu, pozyskiwaniu zasobów i zarządzaniu kosztami, uzyskując stabilne zwroty w całym procesie rozwoju nowego produktu. (Źródło:  Honeywell Connected Plant: Analytics and Beyond.

Rysunek 3: Schemat połączonych instalacji Honeywell i struktura biznesowa danych

Firmy chcą poznać jak będzie wyglądała przyszłość, ponieważ mogą następnie skorzystać z inżynierii wstecznej, aby dostosować funkcje pomocnicze dzisiaj. Zarządzanie pieniędzmi, zarządzanie ryzykiem, zaopatrzenie i zakupy generują ogromne koszty w każdej firmie.

Firma Honeywell może usunąć niepewność poprzez przeprojektowanie zaopatrzenia w procesie rozwoju produktu. Wyobraźmy sobie, że elektrownia wiatrowa chce dostarczyć określoną ilość energii w ciągu 15 lat po cenie X. Honeywell przewidzi poprawność tych założeń, dzięki sztucznej inteligencji, która dokona prognozy, a następnie zaprojektuje metodą inżynierii wstecznej, z jakich komponentów (silniki, turbiny, miejsca i lokalizacja wiatraków, połączenie do rozwiązań chmurowych itp.) farma powinna być zbudowana aby uzyskać poziom produkcji i ceny.

Innym doskonałym przykładem prowadzenia rozwoju nowych produktów z wykorzystaniem sztucznej inteligencji jest firma  Analytical Flavour Systems. 

Kto jest Twoim największym problemem w biznesie? To twój konkurent. AFS wykorzystuje rozległe badania preferencji i generuje macierz preferencji klientów z obszaru żywności i napojów. Sztuczna inteligencja od AFS pomaga zrozumieć, co napędza rynek, czyli umieść na mapie popularne smaki potraw i napojów, które ludzie uwielbiają. 

Później silniki napędzane sztuczną inteligencją projektują smaki, które nie są oferowane przez konkurencję, ale jest prawie pewne, że ludzie będą cieszyć się tymi smakami jeśli pojawią się one w produktach. Firma opracowała platformę opartą na sztucznej inteligencji, która wspomaga proces opracowywania nowego produktu i może przewidywać preferencje. System potrafi również odczytać ofertę konkurencji i poprzez porównanie zaoferować taką paletę smaków w oferowanej żywności, której nie posiada konkurencja, a która to paleta spotka się z popytem rynkowym.

Sztuczna inteligencja w rozwoju nowych produktów jest kręgosłupem, a nie dodatkiem

Raport PWC wyjaśnia, że ​​dojrzałe cyfrowo firmy kompleksowo wykorzystują analitykę danych opartą na sztucznej inteligencji. Firmy te stosują różne aplikacje sztucznej inteligencji w różnych funkcjach biznesowych. Jest to więc rozproszone zastosowanie a nie punktowe, wymagana jest więc współpraca między departamentami. 

Firmy, skutecznie wykorzystujące sztuczna inteligencją w projektowaniu, budowaniu i uruchamianiu nowych produktów, nieustannie pracują nad usuwaniem wąskich gardeł, przekształcaniu zadań ręcznych w zautomatyzowane i dbają o to, aby ​​decyzje oparte na danych stawały się rzeczywistością. 

Firmy, które wykorzystują sztuczną inteligencję w opracowywaniu nowego produktu, koncentrują swoją uwagę nie tylko na algorytmach, programowaniu i inżynierii danych, ale także na dobrych jakościowo zasobach danych, które czynią ten proces możliwym i wydajnym. 

68% firm zaawansowanych technologicznie, w których PwC przeprowadziło ankiety, wdraża i integruje sztuczną inteligencję w rozwoju produktów, aby zoptymalizować proces kompleksowo. 80% kosztów produkcji produktu jest determinowanych podczas procesu projektowania i prototypowania produktu. Jeśli menedżerowie firmy mają taką świadomość, będą zmierzali do tego, aby na etapie koncepcyjnym wykonać możliwie najwięcej symulacji z wykorzystaniem sztucznej inteligencji. W efekcie pozwoli im to ograniczyć przyszłe koszty.

Ponadto 91% firm, które wykorzystują sztuczną inteligencję w procesie zarządzania produktami, nie chce wprowadzać na rynek produktów, których nikt nie chce. To jest główny powód używania inteligentnych modeli w uruchamianiu nowych produktów.

Sztuczna inteligencja pomaga weryfikować popyt na produkty i usługi. Wiedzą o tym doskonale założyciele startupów. Często oferują subskrypcje produktu w modelach przedsprzedaży, zanim aplikacja mobilna czy inny cyfrowy produkt istnieje. Informacje zwrotne, kliknięcia i mapy popularności pomagają zrozumieć, czego chcą klienci. Wszystko to zasila algorytmy sztucznej inteligencji, która następnie pomaga przewidzieć kształt produktu. 

Jeśli Twoja firma chce wykorzystać sztuczną inteligencję w procesie rozwoju nowego produktu, musisz rozważyć zaprojektowanie całej funkcji zarządzania produktem i uczynienie ze sztucznej inteligencji koła zamachowego i nadzorcy całego procesu. W przeciwnym razie “twoja” sztuczna inteligencja będzie dodatkiem, a nie kręgosłupem zagadnienia, co nie pozwoli na uzyskanie przewag produktowych, kosztowych i organizacyjnych.

Rysunek 4: Wyniki badań McKinsey definiujące zastosowanie sztucznej inteligencji w rozwoju produktu

Inteligencja AI jako podstawa zarządzania produktami

Uber to fantastyczny przykład instalacji sztucznej inteligencji, a konkretnie uczenia maszynowego, w DNA firmy. Firma stworzyła coś, co nazywa się Michelangelo. 

Michelangelo umożliwia zespołom wewnętrznym bezproblemowe tworzenie, wdrażanie i obsługę uczenia maszynowego na skalę wszystkich produktów UBERa. Platforma, która w rzeczywistości jest produktem sama w sobie, została zaprojektowana tak, aby obejmowała cały proces uczenia maszynowego: począwszy od pozyskiwania danych, oceny danych, szkolenia modeli, oceny wyników, aż po monitorowanie prognoz. 

Michelangelo od około roku obsługuje produkcyjne przypadki użycia w firmie Uber i stał się de facto systemem uczenia maszynowego dla naszych inżynierów i naukowców zajmujących się danymi, z dziesiątkami zespołów tworzących i wdrażających modele. W rzeczywistości jest wdrażany w kilku centrach danych Uber, wykorzystuje specjalistyczny sprzęt i dostarcza prognozy dla najbardziej obciążonych usług online w firmie. – Jeremy Hermann, szef platformy uczenia maszynowego w firmie Uber

Jeśli chcesz otrzymywać przyszłe posty na maila, zapraszam do newslettera

Obecność sztucznej inteligencji w procesie rozwoju produktu UBER

UberEATS ma wiele modeli sztucznej inteligencji działających na Michelangelo, obejmujących prognozy czasu dostawy żywności, rankingi wyszukiwania i rankingi restauracji, i wiele innych. Sztuczna inteligencja napędza różne części produktów cyfrowych Uber Eats. Modele czasu dostawy przewidują, ile czasu potrzeba na przygotowanie posiłku. Model przewiduje również, ile czasu potrzeba na dostarczenie określonego posiłku.

Sztuczna inteligencja oblicza to wszystko przed przyjęciem zamówienia. Tworzy siatki niezliczonych scenariuszy, a następnie zamówienie wpada w jeden z nich i toczy się po wcześniej zaprojektowanej trajektorii. 

Kiedy użytkownik produktu UberEATS składa zamówienie, jest ono wysyłane do konkretnej restauracji w celu przetworzenia. Następnie restauracja musi przeczytać i zrozumieć prośbę. Pomaga tu sztuczna inteligencja, rozkładając zamówienia i wprowadzając je do systemów informatycznych restauracji. 

Rysunek 5: Struktura platformy Michelangelo z określonymi narzędziami opartymi na danych zaangażowanymi w procesy(źródło: Uber )

UberEats gromadzi wiele danych w ramach jednego procesu realizacji zamówienia. Te dane są gromadzone, czyszczone i przechowywane. Następnie są one używane do ponownego uczenia modeli i stymulowania neuronów głębokiego uczenia się. Istnieje jednak więcej wyzwań związanych z używaniem sztucznej inteligencji. 

Gdy posiłek jest bliski przygotowania, wysyłany jest kurier UberEats, który odbiera posiłek. Następnie dostawca musi dotrzeć na miejsce, znaleźć miejsce parkingowe, odebrać posiłek, a następnie pojechać do klienta. 

Sztuczna inteligencja pomaga dostawcy w całym procesie. Pomaga ominąć ruch uliczny, wybrać miejsce parkingowe, znaleźć drzwi klienta i płynnie wrócić do następnego miejsca odbioru. To jest projektowanie usługi w którym rolę wiodącą ma sztuczna inteligencja. 

Ponownie kurier musi skorzystać z systemu nawigacji, aby dostać się na miejsce, znaleźć parking i podejść do drzwi klienta, aby zakończyć wysyłkę. 

Uber wykorzystuje wszystko co opisałem powyżej, aby projektować nowe produkty. Jeśli w Nowym Jorku pracownik UBER wpadnie na pomysł, aby zaprojektować dedykowany produkt / usługę mającą na celu dowożenie ludzi na szczepienia przeciwko COVID19, Michelangelo pomożemy zasymulować cały proces stworzenia takiej usługi, bez konieczności pisania dużej ilości kodu programistycznego, tworzenia prototypów produktu itp.

Kilka słów na koniec

Sztuczna inteligencja już się wydarzyła i wciąż się wydarza w nowych zastosowaniach. Sztuczna inteligencja zaczęła pożerać świat oprogramowania w szybkim tempie. Rozwój nowego produktu już solidnie opiera się o wykorzystanie sztucznej inteligencji, a firmy, które to rozumieją, mogą wnieść większą wartość w krótszym czasie przy niższych kosztach. 

Firmy, które nie przyjmą tej technologii, wkrótce zostaną pozostawione w tyle przez konkurencję. Te ostatnie będą musiały się zmierzyć z większymi kosztami i niższą skutecznością operacyjną. 

Czy uczenie maszynowe ma już jakieś konkretne zastosowania, które warto rozważyć przy komponowaniu strategii biznesowej, czy nadal mówimy o przyszłości i czymś, co przyjdzie do nas za kilka lat?

Sztuczna inteligencja tu i tam – wszechobecny żargon. Uczenie maszynowe, roboty i automatyzacja pojawiają się na każdym kroku.

W tym poście chciałbym wykonać przelot nad algorytmami uczenia maszynowego, szybko je wyjaśnić, a następnie przedstawić kilka przykładów zastosowań uczenia maszynowego.

Przyjrzyjmy się najpierw modelom uczenia maszynowego

Zastosowania uczenia maszynowego i typy algorytmów

Modele ML można podzielić na cztery kategorie:

• Nadzorowana nauka,
• uczenie się bez nadzoru,
• mix powyższych.

Na czym polega różnica pomiędzy powyższymi typami?

Biznesmeni uwielbiają proste rzeczy, ponieważ nie mają czasu na studiowanie szczegółów. Dla zapracowanych ludzi główna różnica polega na tym, kto szkoli algorytm. Nadzór wymaga przełożonego, co oznacza, że ​​inżynierowie i programiści muszą nauczyć algorytm procesować dane. W przeciwnym razie algorytm utknie i nie będzie żadnych wyników. Algorytm bez nadzoru, uczy się sam, ale jakie da efekty? Tego nie wie nikt. Mix, to taki trochę kundel, mieszanka dwóch powyższych.

Nadzorowane

Nadzorowane typy modeli nie przyniosą rezultatów bez wcześniejszego nazwania np. marki samochodu, lub wskazania algorytmowi, że ta dama ma długie włosy. Algorytm jest głupi bez przełożonego i nie może się sam uczyć. Aby wyszkolić tego drania, potrzebujesz grupy ludzi, którzy będą oznaczać dane.

Z punktu widzenia strategii i modelu biznesowego, musisz zatrudnić i współpracować z kimś, kto zapewnia takie klikające ręce. Twoje koszty zatrudnienia wzrosną, ponieważ będziesz musiał opłacić te ręce, aby opisały dla Ciebie dane.

Nagroda? Dostaniesz to, czego chcesz. Jeśli Twoi ludzie otagują wszystkie zdjęcia przedstawiające nagość, będziesz mógł powiedzieć: „Hej, ta sieć społecznościowa jest przyjazna dla wszystkich, ponieważ wiemy, jak usunąć wszystkie nieodpowiednie treści”.

Jedną z najczęstszych zastosowań tego rodzaju uczenia maszynowego jest filtr spamu Google. Inżynierowie nauczyli algorytmy rozpoznawać spam, dzięki czemu algorytm jest wstanie złapać 99.9% treści, których nie chcesz widzieć w swojej skrzynce pocztowej. Od teraz możesz cieszyć się mniejszą ilością spamu w Twojej skrzynce odbiorczej Gmaila. 

Apple Pencil również korzysta z algorytmów!

Innym przykładem jest Twój iPad i Apple Pencil. Tak! Gdy złapiesz cyfrowy ołówek i zaczniesz pisać odręcznie, algorytmy mogą szybko rozpoznać litery, następnie słowa i zdania. Ktoś lub coś oznacza całą grupę wyrazów i przenosi je do urządzenia. Aplikacje takie jak GoodNotes lub Notability używają nadzorowanych modeli uczenia maszynowego. Wykorzystanie uczenia maszynowego w takich przypadkach jest korzystne dla użytkowników końcowych, ponieważ wyniki można uzyskać szybko, a przez większość czasu są one zadowalające. W bazie danych Apple “siedzi” miliony a może i miliardy wzorców pisma odręcznego. Ty piszesz na iPad a sztuczna inteligencja trudzi się tym, aby rozpoznać w jakim języku piszesz i co napisałeś przed chwilą.

UBER i zamaskowany kierowca

Jakiś czas temu Uber ogłosił,  że aplikacja UberApp będzie miała komponent AI, który rozpoznaje, czy kierowca ma maskę (chodzi o ochronę przed COVID) na twarzy, czy też nie. Kierowca musi skierować twarz w stronę aparatu smartfona; aplikacja robi selfie i rozpoznaje, że maska ​​jest obecna lub nie ma jej na twarzy kierowcy. Wcześniej nakarmiona baza danych, zasila algorytmy we wzorce, które pozwalają z prędkością światła ocenić czy kierowca jest zamaskowany.

Zastosowania uczenia maszynowego w Waymo

Waymo to firma technologiczna należąca do firmy macierzystej Google, Alphabet. Autonomiczne pojazdy od Waymo zgromadziły ogromną ilość danych w Phoenix w Kalifornii i Waszyngtonie. 

Co zebrały te auta? Cóż, zestaw robi wrażenie:

• Zsynchronizowane dane z pięciu lidarów i pięciu kamer przednich i bocznych umieszczonych na autach
• Kalibracja i pozy czujnika w różnych sytuacjach drogowych
• Etykiety obiektów (pojazdy, piesi, rowerzyści i oznakowanie) z trójwymiarowymi polami
• Etykiety obiektów z obwiedniami 2D dla danych kamery w 100 segmentach (źródło: InfoQ)

Dane są tak dobrze przygotowane, że można je wykorzystać do nadzorowanego uczenia maszynowego modeli. 

Samojezdne samochody Waymo spędziły dwa lata na ulicach Arizony w USA, zawsze mając kierowcę w samochodzie. Tylko w Arizonie wykonano 10 000 podróży w dwa miesiące. W ten sposób zbudowano bazy danych z obiektami doskonale opisanymi do dalszego trenowania algorytmów. Ponieważ ten sam obiekt np. sarna na drodze, został sfotografowany z wielu różnych kamer i obmierzony z wielu różnych czujników, dane są wysokiej wartości i jakości.

Bez nadzoru

Możesz wraz ze swoim zespołem stwierdzić, że chcecie skorzystać z nienadzorowanych modeli uczenia maszynowego. W porządku, ale przygotuj się na zderzenie się z nieznanym. Algorytmy nadzorowane dadzą pożądane rezultaty, a bez nadzoru zabiorą Cię w przyszłość, nie mówiąc Ci, co osiągniesz.

Szaleństwo? Już widzę miny inwestorów, którzy słyszą od twórcy firmy: „Cześć, mój startup pracuje nad zastosowaniami uczenia maszynowego w monitorowaniu warunków zdrowotnych, ale nie wiemy, jakie będą rezultaty”

Zakładam, że inwestorzy mają pokerowe twarze i nie parskną śmiechem!

W każdym razie algorytmy uczące się bez nadzoru zjadają nieoznaczone dane i przetrawiają je, mając nadzieję na uzyskanie ekscytujących wyników.

Wyobraź sobie, że masz zestaw rzadkich kart piłkarskich z wizerunkami zawodników, które chcesz sprzedać w serwisie eBay. Nie wiesz jaką cenę zaproponować. Mógłbyś skorzystać z algorytmów nadzorowanych, ale nie chcesz gdyż nie masz danych, albo nie chcesz mieć oczywistych wyników. Interesuje Cię odkrycie nowego wzorca, czegoś nieznanego.

Model bez nadzoru spróbuje znaleźć dla Ciebie wartość parametru cenowego. Model przetworzy dane, spróbuje znaleźć najbliższą cenę i zarekomenduje. Skąd możesz mieć pewność, że cena jest rozsądna i dostaniesz to, czego chcesz? Musisz nakarmić bestię dużą ilością danych. Miliardami rekordów.

Jakie są konsekwencje?

Potrzebujesz dużo pamięci do przetwarzania danych, dużej mocy obliczeniowej i czasu – 6 miesięcy lub dwa lata. To zależy od tego, jaki jest twój cel.

Pomyśl teraz o Tesli, ile danych potrzebuje firma o zachowaniach konsumenta za kółkiem, aby zoptymalizować wydajność baterii.

Setki tysięcy Tesli wysyłają dane do chmury, a dane zasilają modele uczenia maszynowego. Algorytmy pokazują wzorce a faceci z zespołów Elona Muska sugerują konfigurację baterii, którą ustawia komputer pokładowy Tesli. Ty po prostu prowadzisz samochód i odbierasz kawę ze Starbucksa. W tym czasie Twoja Tesla ciągle wysyła dane do modeli nienadzorowanych, które pracują nad poprawą wydajności baterii.

Amazon i uczenie maszynowe

Weźmy Amazon i jego zdolność przewidywania, co ci się spodoba w przyszłości. Firma Bezosa wysyła próbki produktów (kosmetyki, ubrania, produkty zdrowotne) do klientów, ponieważ modele uczenia maszynowego mogą przewidzieć, co prawdopodobnie uznasz za ekscytujące. Algorytmy uczenia maszynowego Amazon połykają, przetrawiają i dostarczają dużo danych.  Im więcej “jedzą”, tym bardziej sprawne się stają. Amazonowi opłaca się więc wysyłać Tobie darmowe próbki produktów gdyż a) istnieje wysokie prawdopodobieństwo, że zakupisz pełną wersję produkty b) nawet jak nie zakupisz to obdarujesz algorytmy Amazona ciekawym pakietem danych. Ten z pewnością przyda się firmie do zwiększenia wartości zakupów, których w firmie dokonasz.

Siły sprzedaży

Salesforce (pochodzący z Krzemowej Doliny dostawca narzędzi dla sprzedawców) jest właścicielem miliardów rekordów danychi o pracy przedstawicieli handlowych, więc firma stworzyła asystenta dla handlowców o dumnym imieniu Einstein.Zbierając mnóstwo danych, Einstein sugeruje sprzedawcom jak lepiej rozwijać kontakty (o której godzinie najlepiej zadzwonić, co warto poruszyć w rozmowie, kiedy ponowić kontakt z klientem) i szkoli chaty, aby lepiej obsługiwały klientów w sposób automatyczny. 

Algorytmy stają się inteligentniejsze i dzięki temu lepiej sugerują klientowi, który futerał na smartfona wybrać, który model okularów przeciwsłonecznych lepiej pasuje do jego twarzy czy które wino będzie dobre do średnio wysmażonego stęka.

Spójrz na to zdjęcie:

Algorytm sugeruje jak lepiej napisać zdanie. Po lewej stronie wersja autora, po prawej stronie sugestia algorytmu. Wszystko w czasie rzeczywistym, podczas pisania.

Częściowo nadzorowany

Powiedziałbym, że trochę tego i tamtego, trochę nadzoru i trochę jego braku. Jeśli masz jakieś dane, ale nie masz ich dużo (miliardy rekordów), a jednocześnie możesz całkiem dobrze oznaczyć dane (wskazać, ze kot to kot a pies to pies). Na przykład jestem wynajmującym nieruchomości i posiadam kilka tysięcy rejestrów osób mieszkających w powiecie. Wiem, kto mieszka w promieniu 20 kilometrów, aby móc dokładniej reklamować, ale brakuje mi np. wieku lokatorów. Mogę więc poprosić algorytm, aby napisał mi tekst reklamowy. Tekst będzie niedoskonały, ale i tak zyskam, gdyż a) algorytm zrobi to automatycznie (niskie koszty) b) wyprodukuje mi kilkanaście wariantów. W efekcie i tak podniosę konwersję w stosunku do tego gdybym zatrudnił tradycyjną agencję reklamową.

Oto jak to działa:

a) Modele uczenia maszynowego używają ograniczonego zestawu oznaczonych przykładowych danych do przeprowadzenia operacji.

b) Częściowo wytrenowany model nie może dać pełnych wyników, ale może częściowo odgadywać wzorce. Na przykład mogę zrozumieć trend wieku badanych w moich danych, ale nie mogę określić płci ani pochodzenia etnicznego badanych.

c) Na koniec łączę oznaczone i nieoznakowane zestawy danych i startuję algorytmy. Mój model jest modelem mieszanym, a więc częściowo nadzorowanym.

Zdjęcia Google

Popularna usługa codziennie otrzymuje prezent od miliardy ludzi. Zbiór danych. Przesyłamy zdjęcia bez opisania co na nich jest. Google początkowo nie wie, czy to but czy banan. Google oznaczył już banany i buty, więc może łatwo przeszukać naszą bazę danych i znaleźć banany w naszym stosie zdjęć. Za każdym razem, gdy Google prosi Cię o oznaczenie twarzy swojego teścia, uczy się Twoich prywatnych etykiet. Co więcej, wszystkie częściowo sfotografowane banany lub części butów, które trudno znaleźć, ostatecznie zostaną oznaczone przez algorytmy Google. W efekcie Google oznaczy wszystko dzięki nam i sobie. Łącząc algorytmy nadzorowane i nienadzorowane.

W tym przypadku aplikacje uczenia maszynowego pozwalają firmom na wykorzystanie niedoskonałych zestawów danych i ulepszanie zestawu danych i algorytmu w dłuższej perspektywie. 

Modele ML firmy Behavox mogą słuchać rozmów pracowników

Behavox to fascynująca firma. Początkowo technologia mogła słuchać rozmów pracowników dużych instytucji finansowych, aby wytropić kolejne oszustwo. Pracownicy dogadywali się z klientami, którzy za “małe wynagrodzenie” płacili za wskazanie akcji w które warto zainwestować. Delikatnie przekraczano granicę porady i wkraczano w obszar pośrednictwa.

Pomyśl, jak trudno jest zrozumieć e-maile, rozmowy telefoniczne, jeśli jesteś algorytmem. Żadnej struktury. To „szukanie wzorców” jest wybitnie trudne. Nie możesz oznaczyć wszystkich danych, a niektóre, które możesz oznaczyć są trudne do “złowienia”. Założę się, że firma wykorzystuje nienadzorowane algorytmy uczenia maszynowego. Algorytm wykonuje etykietowanie, aby zapewnić realny model analityczny tekstu lub mowy ze spójną transkrypcją opartą na małej próbce.

Podsumowanie

Mam nadzieję, że udało mi się pomóc Tobie zrozumieć jakie są różnice pomiędzy nadzorowanymi, nienadzorowanymi i częściowo nadzorowanymi modelami uczenia maszynowego. Co możesz zrobić dalej, aby pójść w stronę zastosowania sztucznej inteligencji:

A) Zadaj sobie pytanie czy posiadane przez Twoją firmę dane są dobrze oznaczone. Wówczas możesz spróbować jakie osiągniesz efekty z wykorzystania algorytmów nadzorowanych

B) Jaką masz strategię biznesową? Jeśli działasz na rynku konsumenta, z pewnością posiadasz miliardy rekordów danych. Nienadzorowane algorytmu mogą w nich znaleźć nowe, atrakcyjne wzorce z których możesz wyjść do zaprojektowania nowej usługi lub produktu.

C) Czy jesteś zainteresowany eksperymentowaniem i inwestujesz w R&D? Warto zobaczyć jaką część budżetu przeznaczasz na badania i rozwój, może się okazać, że Twoi klienci chętnie wezmą udział w eksperymencie. Podobnie jak Google możesz ich poprosić o ich dane z którymi zbudujesz inteligentne algorytmy.

Zapisz się do newslettera jeśli masz ochotę i otrzymuj teksty na maila.

Branża ubezpieczeniowa znajduje się teraz w ekscytującym miejscu, nie tylko z powodu pandemii, ale także z powodu rozwoju technologii także takich jak sztuczna inteligencja.

Na świecie zachodzi wiele zmian, zwłaszcza jeśli chodzi o sztuczną inteligencję, która powoduje rewolucyjne zmiany w procesach biznesowych.

Tradycyjne podejście do sprzedaży produktów ubezpieczeniowych nie jest już aktualne, po prostu wiele się zmieniło. Cyfrowa rewolucja i wymagający klienci sprawiły, że ubezpieczyciele muszą wprowadzać innowacje, aby pozostać atrakcyjnymi biznesami dla klientów, inwestorów i pracowników.

Tempo turbulencji ostatnio przyspieszyło. Ubezpieczyciele, przerażeni wpływem, jaki sztuczna inteligencja wywarła na branże, od opieki zdrowotnej i handlu detalicznego po bankowość i handel elektroniczny, zastanawiają się, czy są następni w kolejce do bycia zdeformowanymi pod przymusem zmian. 

Insurtech zmienia świat dzięki sztucznej inteligencji

Według Deloitte w 2018 r. Zainwestowano około 2,6 miliarda dolarów w firmy typu insurtech, a znaczną część środków w konsumenckie ubezpieczenia. Według danych Willis Towers Watson kwota podskoczyła do 6,37 miliarda dolarów w kolejnych latach. 

Ubezpieczyciele reagują również na zmieniające się oczekiwania klientów, którzy stają w obliczu nowych ryzyk i chcą wiedzieć, w jaki sposób branża ubezpieczeniowa może im pomóc podejmować lepsze decyzje życiowe i biznesowe.

Istnieje kilka ciekawych trendów, które powodują, że branża się zmienia i nigdy nie będzie taka jaką pamiętamy:

• Telematyka i ubezpieczenie oparte na stopniu użytkowania przedmiotów, tworzą potrzebę wysoce spersonalizowanych ofert. Klasycznym przykładem jest spersonalizowane ubezpieczenie samochodu. Ci, którzy jeżdżą bardzo mało, płacą inne stawki niż ci, którzy jeżdżą dużo. Inteligentne urządzenia potrafią oszacować ryzyko w obu przypadkach a także dołożyć przewidywanie pojawienia się np. kolizji w przyszłości. 
• Internet rzeczy (IoT) to nowa era, w której wiele elementów, zwłaszcza urządzeń, będzie wyposażonych w maleńkie procesory, które pozwolą nam w pełni wykorzystać zebrane dane. Możliwości zarządzania ryzykiem będą niesamowite przy wsparciu algorytmów Sztucznej Inteligencji. Łatwo możemy sobie wyobrazić, że jesteśmy w stanie natychmiast reagować na roszczenia lub całkowicie zapobiegać roszczeniom, wykrywając z wyprzedzeniem, że w piekarniku wybuchnie pożar z winy kucharza.
• Blockchain, wprowadzając decentralizację przelewów pieniężnych i inteligentnego kontraktowania, wpływa na dokładność wypłat roszczeń, przetwarzanie roszczeń i podpisywanie umów w sposób zdalny. 
• Boty, które wkraczają do akcji, gdy długi formularz, skomplikowane kwestionariusze, skomplikowana kontrola przeszłych transakcji, sprawiają, że klienci są niezadowoleni z obsługi. Boty napędzane sztuczną inteligencją wprowadziły nowe standardy, obejmując rozpoznawanie wideo, tekstu i głosu.
• Nastąpiła zmiana struktury własności i duża część społeczeństwa nie chce posiadać rzeczy. Zamiast tego wolą wynajmować, udostępniać lub podnajmować. Sztuczna inteligencja w branży ubezpieczeniowej pomaga znaleźć nowe sposoby obliczania ryzyka i opłat oraz przewidywać atrakcyjność składanych klientom ofert. Wspólny samochód starzeje się inaczej niż ten, którego właścicielem i użytkownikiem jest jedna osoba – inteligentne algorytmy potrafią to zjawisko zrozumieć i odpowiednio obsłużyć klienta.

Jak sztuczna inteligencja może pomóc branży ubezpieczeniowej?

Ponieważ kanały cyfrowe stają się coraz bardziej przydatne do komunikowana się z klientami, ubezpieczyciele w pogoni za wysoką wydajnością muszą opracować zorientowane na klienta i cyfrowe podejście, wprowadzając krytyczne zmiany w swoich procesach operacyjnych.

Pierwszym punktem styku, który buduje pierwsze wrażenie i może przekonać klientów do pozostania w firmie lub przejścia na konkurencję, jest cykl podejmowania roszczeń. Po sprawdzeniu ceny ubezpieczenia większość klientów zastanawia się, ile czasu zajmuje załatwienie roszczenia, co jest bardzo ważne w przekonaniu klienta do oferty.

Cykl życia roszczeń w ubezpieczeniach zaczyna się od zgłoszenia roszczenia ubezpieczeniowego, co zwykle nie jest najprzyjemniejszym doświadczeniem, jakie prawdopodobnie kiedykolwiek spotkałeś. Stres, niejasny proces, dużo ręcznych zadań do wykonania to jedne z najbardziej nieprzyjemnych elementów w procesie, który musi wykonać klient.

Sztuczna inteligencja nie ma emocji

Sztuczna inteligencja może działać szybko i wiele zautomatyzować, ale co ważniejsze, może dużo przewidywać. 

Zobaczmy, jak sztuczna inteligencja w branży ubezpieczeniowej może zmienić proces likwidacji szkód. 

Aby ten cały przepływ mógł się zmaterializować – od „wypełnienia roszczenia” do otrzymania kwoty na koncie bankowym w krótkim czasie, potrzebny jest zestaw różnych nadzorowanych i nienadzorowanych algorytmów i modeli. Głębokie uczenie się jest również pomocne, zwłaszcza w przetwarzaniu obrazów i zdjęć. Jak widać na Rynku nr 1., na poszczególnym etapie procesu, wykorzystywane są różne zestawy inteligentnych algorytmów.

Technologie sztucznej inteligencji sprawiają, że procesy są bardziej przejrzyste, zautomatyzowane i poprawiają interakcję między klientami a firmą ubezpieczeniową. W ten sposób sztuczna inteligencja daje ubezpieczycielom przewagę w zarządzaniu roszczeniami – proces jest sprawniejszy, bardziej niezawodny i zawiera mniej błędów.

Co insurtech robi inaczej i branża ubezpieczeniowa musi to przyjąć?

Ubezpieczyciele mogą osiągnąć lepsze zarządzanie procesami, korzystając z inteligentnych technologii na kilka z poniższych sposobów (zgodnie z powyższym obrazkiem):

• Umożliwienie obsługi pytań i odpowiedzi w czasie rzeczywistym (Obszar: obsługa klienta)
• Wstępna ocena roszczeń i automatyczna ocena szkód (Obszar: roszczenia i ocena roszczeń)
• Możliwość skomputeryzowanego wykrywanie oszustw dotyczących roszczeń za pomocą wzbogaconej analizy danych (Obszar: audyt i ocena)
• Przewidywanie wzorców wolumenu roszczeń (Obszar: rozstrzygnięcie wniosku)

Sztuczna inteligencja przyspiesza procesy

Przeprowadziliśmy pilotaż i badanie w jednej z firm ubezpieczeniowych na temat zastosowania sztucznej inteligencji w ich procesach obsługi roszczeń z tytułu ubezpieczenia nieruchomości (konkretnie domu). Proces obsługi roszczeń zdrowotnych przez tego ubezpieczyciela trwał od 5 do 10 minut od zgłoszenia szkody do ostatecznej decyzji.

Rysunek 1 przedstawia zestaw algorytmów i metod, które firma wykorzystała, aby przyspieszyć proces ofertowania, realizacji ubezpieczenia i rozstrzygania roszczeń. 

Boty oparte na sztucznej inteligencji

Według IBM,  Chatboty mogą pomóc firmom zaoszczędzić 30% kosztów obsługi klienta dzięki krótszemu czasowi odpowiedzi i skomputeryzowanymu odpowiadaniu nawet na 80% rutynowych zapytań. 

Boty automatyzują większość procesów przedstawionych na rysunku 1. Branża ubezpieczeniowa najczęściej wybiera boty oparte na sztucznej inteligencji, ponieważ zwiększają one produktywność nawet o 85%.

Od usprawnienia całego procesu obsługi klienta po natychmiastowy dostęp do danych (np. o statusie roszczenia), chatboty okazują się hitem w branży a także ulubieńcami klientów – zwłaszcza jeśli doświadczenie klienta jest spersonalizowane, bardziej przejrzyste i szybkie (proces realizowany przez boty pozwala także na omijanie niektórych, zbędnych w danym roszczeniu etapów).

Najbardziej cenione przez klienta cechy w naszym studium przypadku to:

• umiejętność szybkiego rozpoznawania adresów i lokalizacji,
• zbieranie parametrów od klienta (zapytania o informacje, które klient musiałby ręcznie wpisać do formularzy) do dalszego przygotowania oferty
• zrozumienie kontekstu okoliczności (np. inaczej bot pracuje z osobą w wieku 65+ a inaczej z trzydziestolatkiem. Bot stara się zrozumieć kontekst w jakiej odbywa się konwersacja)
• rozpoznawanie filmów, które mogą dostarczać różnych informacji (np. film na którym uchwycono kolizję samochodową)
• emotikony i inne krótkie formy, które przyspieszają rozmowę i sprawiają, że jest ona przyjazna dla urządzeń mobilnych
• rozpoznawanie przedmiotów i zdjęć nieruchomości zamiast pisania na klawiaturze (np. rozpoznanie zdjęcia wybitej szyby w samochodzie)

Zastosowanie rozpoznawania obrazu w branży ubezpieczeniowej

W jaki sposób branża ubezpieczeniowa może wykorzystać technologię rozpoznawania zdjęć (głębokie uczenie)?

Pierwszym sposób wynika z faktu, że obrazy dostarczają nowych i użytecznych informacji, których nie są w stanie dostarczyć konwencjonalne źródła danych.

Na przykład, jeśli widzimy zdjęcie motocyklisty korzystającego z telefonu komórkowego podczas jazdy, oznacza to, że kierujący jest klientem wysokiego ryzyka. Firmy i ich procesu oparte na uczeniu maszynowym mogą wykryć ryzykowne zachowania i wkalkulować to ryzyko w wycenę ubezpieczenia. 

Drugim powodem jest to, że rozpoznawanie obrazu może przyspieszyć określone zadania i skrócić czas oczekiwania. Zamiast przesyłać plik PDF i czekać, aż ktoś go przeczyta, technologia rozpoznawania znaków może wyodrębnić dane w locie i wypełnić formularz. Technologie tego typu potrafią również sprawdzać zdjęcia osób pod kątem ich aktualności, co jest niezbędne przy identyfikacji klientów i sprawców.

Dlaczego uczenie maszynowe jest nie do zatrzymania

Ale dlaczego mielibyśmy polegać na systemie opartym na uczeniu maszynowym zamiast na ludzkim oku? Z punktu widzenia zasobów baza danych zdjęć może być zbyt obszerna, aby zespół ludzi mógł przetworzyć ją wydajnie i terminowo. Z punktu widzenia kosztów wykorzystanie modeli uczenia maszynowego do wyciskania informacji z obrazów może być tańsze niż praca ludzka.

Techniki rozpoznawania obrazu są już szeroko rozpowszechnione w wielu branżach, a przypadku branży ubezpieczeniowej najskuteczniejsze są:

• Możliwości identyfikowania użytkowników i uwierzytelnianie osób, 
• automatyczne tagowanie zdjęć, 
• wyszukiwanie obiektów w wideo,  
• dopasowanie obrazu produktu do zlecenia (np. zamiast wpisywać parametry laptopa, można je odczytać za pomocą zdjęcia klawiatury)

Wspomniane techniki są szeroko stosowane w serwisach społecznościowych, zakupach online i usługach mobilnych. Informacje te budują profile ubezpieczycieli, które są wykorzystywane do oceny ryzyka ubezpieczeniowego.

Inne zastosowania rozpoznawania obrazu opartego na sztucznej inteligencji w branży ubezpieczeniowej

Oto lista innych zastosowań sztucznej inteligencji w branży ubezpieczeniowej:

1. Wykrywanie oszustw. Rozpoznawanie twarzy może ograniczyć nieuczciwe wykorzystanie danych i usług ubezpieczeniowych. Na przykład rozpoznawanie twarzy może być wymagane od klienta internetowego do celów uwierzytelnienia.

2. Weryfikacja podpisów lub pisma odręcznego. Dzięki automatycznej ocenie ręcznego podpisu z zapisanym wzorem podpisem można zweryfikować tożsamość klienta w celu zatwierdzenia roszczeń i transakcji. Na przykład formularz można złożyć, robiąc zdjęcie podpisu.

4. Spersonalizowana usługa. Dane biometryczne twarzy mogą służyć do identyfikacji klientów VIP i świadczenia specjalnie przygotowanych usług w celu poprawy satysfakcji klienta. Personalizacja to poważny temat w branży ubezpieczeniowej, ponieważ może przynieść większą marżę i zwiększyć satysfakcję klientów.

5. Marketing interaktywny . W oparciu o dane dotyczące wizerunku potencjalnych klientów w sieciach społecznościowych, można dostosować działania marketingowe i sprzedażowe, aby osiągnąć większy sukces. Klienci mogą być podzieleni na różne grupy i powiązani z odpowiednią strategią marketingową i rozwiązaniami produktowymi.

6. Ubezpieczenia zdrowotne to kolejny obszar, w którym rozpoznawanie obrazu może zapewnić lepszy wgląd w ryzyko klientów indywidualnych. Lekarze mogą korzystać z rozpoznawania obrazów do diagnozowania i prognozowania. Obrazy medyczne, takie jak skany tomografii komputerowej raka, mogą być używane bezpośrednio jako czynniki cenowe. Skany już służą do ustalenia, czy pacjent ma raka płuc, jak ciężki jest on i jak wpływa na cenę ubezpieczenia i przyszłe leczenie.

Jeśli chciałbyś zastanowić się dlaczego warto inwestować w sztuczną inteligencję, zachęcam do lektury tego tekstu.

Zwalczanie oszustw ubezpieczeniowych za pomocą uczenia maszynowego

Uczenie maszynowe może umożliwić ubezpieczycielom przejście z obecnego stanu „wykrywania i reagowania” na „przewidywanie i zapobieganie”.

Technologie tego typu świetnie sprawdzają się w automatyzacji procesu wykorzystywania dużych ilości danych, równoległym badaniu różnych wskaźników oszustwa i znajdowaniu potencjalnych oszustw. 

Ogólnie rzecz biorąc, warto zwrócić uwagę na dwie metody szkolenia algorytmu sztucznej inteligencji, który może być przydatny przy wykrywaniu i przewidywaniu oszustw. Jedna metoda jest to tzw. metoda nadzorowana, a druga to uczenie się bez nadzoru.

Modele nadzorowane i nienadzorowane w branży ubezpieczeniowej

W uczeniu nadzorowanym algorytmy tworzą prognozy na podstawie zestawu próbek z danych historycznych. Firma może zasilić algorytm historycznymi roszczeniami ubezpieczeniowymi i powiązanymi wynikami zwanymi danymi oznaczonymi (labelled data). 

Model sztucznej inteligencji (algorytm lub ich zestaw) będzie próbował rozpoznać podstawowe wzorce w oszukańczych roszczeniach. Gdy algorytm zostanie przeszkolony w zakresie przeszłych spraw, firma może go użyć do określenia prawdopodobieństwa z jakim ​​nowe roszczenie będzie próbą oszustwa.

Doskonałym przykładem jest firma  AKSigorta Insurance,  która wykorzystała modelowanie predykcyjne jako część procesu dochodzenia roszczeń. Firma zwiększyła swój wskaźnik wykrywania oszustw o ​​66% i jest teraz w stanie zapobiegać oszustwom w czasie rzeczywistym tzn. w momencie ładowania danych do wniosku o przyznanie roszczenia.

Dostępnych jest wiele różnych algorytmów modelowania predykcyjnego, więc użytkownicy powinni wziąć pod uwagę takie kwestie, jak dokładność, interpretowalność, czas szkolenia algorytmów sztucznej inteligencji i łatwość użycia.

Nie ma jednego uniwersalnego podejścia. Nawet doświadczeni naukowcy zajmujący się danymi muszą wypróbować różnych metod, aby znaleźć odpowiedni algorytm dla konkretnego problemu. 

Dlatego najlepiej jest zacząć od prostego i łatwo definiowanego problemu, a później zgłębić bardziej zaawansowane wyzwania. 

Drzewa decyzyjne w wykorzystaniu sztucznej inteligencji 

Drzewa decyzyjne (metody wykorzystywane do analizy i symulacji) to doskonały sposób na rozpoczęcie eksploracji złożonych relacji w posiadanym zbiorze danych. Są stosunkowo łatwe do wdrożenia i szybkie do trenowania na dużych ilościach danych. Co ważniejsze, są one bardzo łatwe do zrozumienia lub zinterpretowania (wyglądają po prostu przyjaźnie gdyż mają formę drzewa decyzyjnego) i mogą być dobrym punktem wyjścia dla nowych reguł biznesowych w firmie ubezpieczeniowej. 

Sztuczna inteligencja bez nadzoru

Algorytmy nienadzorowane są uczone danymi bez wcześniejszych etykiet. Algorytm nie otrzymuje wcześniej odpowiedzi ani oczekiwanego wyniku. Jest po prostu proszony o zbadanie danych i ujawnienie wszelkich „obiecujących” wzorców. Na przykład „wrzucamy” do algorytmu bazę danych opadów śniegu w Nowym Jorku z ostatnich 100 lat. Algorytm sam próbuje znaleźć zależności i wzorce i zasugerować wynik i projekcję. 

Inny przykład – mając pewne informacje behawioralne, nienadzorowane algorytmy mogą rozpoznać klastry i mini-klastry transakcji klientów, które wyglądają podobnie. Wszystko, co wydaje się inne lub niepowtarzalne, może zostać oznaczone jako anomalia i przesłane do dalszych badań.

Wracając do oszustw, metody uczenia się bez nadzoru mogą zatem rozpoznawać zarówno istniejące, jak i nowe rodzaje oszustw. Nie ograniczają się do predefiniowanych etykiet, dzięki czemu mogą szybko dostosować się do nowych i pojawiających się wzorców nieuczciwego zachowania. Na przykład bank azjatycki zastosował nienadzorowane metody uczenia się, aby zidentyfikować przypadki, w których agenci zawyżali opłaty dla klientów za określoną procedurę lub sprzedawali niepotrzebne klientowi produkty, co negatywnie wpływało na wskaźniki lojalności.

Zupełnie nowe algorytmy, takie jak Support Vector Data Description lub Isolation Forest, skutecznie wykrywają anomalie i umożliwiają szybsze reagowanie na nowe rodzaje oszustw.

Roszczenia, orzekanie i uczenie się bez nadzoru w sztucznej inteligencji

Rozstrzyganie roszczeń to proces, w którym firma ubezpieczeniowa rozpatruje otrzymane roszczenie i rozstrzyga je lub odrzuca po przeprowadzeniu odpowiedniej analizy i porównań z wymaganiami dotyczącymi świadczeń i zakresu ubezpieczenia.

Po zakończeniu procesu orzekania firma ubezpieczeniowa dokonuje płatności i / lub wysyła pismo do powoda, w którym opisuje decyzję firmy o przyjęciu lub odrzuceniu roszczenia, uzasadniając powody takiego postępowania oraz kwotę do zapłaty. 

Pismo może zawiera również, dla przyjętej reklamacji (jeżeli takowa miała miejsc), szczegółowe informacje o tym, jak każda usługa objęta reklamacją została rozliczona i czy w związku z reklamacją wypłacane jest świadczenie fragmentaryczne.

Problemy napotykane przy rozpatrywaniu roszczeń przez sztuczną inteligencję 

Proces rozpatrywania roszczeń jest pełen wyzwań, ponieważ:

• Reklamacje są składane za pośrednictwem różnych mediów – elektronicznych i nie,
• określona siła robocza jest wymagana do ręcznej weryfikacji każdego roszczenia, filtrowania i badania podejrzanych roszczeń w długim i uciążliwym procesie,
• ręczne mechanizmy oparte na regułach są czasochłonne i niosą ze sobą zagrożenia, takie jak utrata bazy klientów z powodu opóźnień lub braku zaufania w stosunku do zgłoszonych roszczeń,
• błędne odrzucenie zasadnych roszczeń lub opóźnione uregulowanie roszczeń może spowodować niezadowolenie klienta,
• kilka miliardów dolarów jest traconych każdego roku z powodu oszukańczych roszczeń, które są pomijane przez nieefektywny proces rozstrzygania sporów.

Algorytmy sztucznej inteligencji i te nadzorowane i nienadzorowane mogą pomóc w:

• Konwersji danych roszczenia z istniejących formatów PDF (dane pacjenta, szczegóły diagnozy, testy diagnostyczne, szczegóły leczenia i podsumowanie rachunku) na ustrukturyzowane formaty i zapisy do bazy danych,
• wskazaniu na anomalie w reklamacjach (rachunki, procedury),
• automatyzacji procesu rozstrzygania szkód. Sztuczna inteligencja sprawia, że ​​cały proces rozstrzygania szkód jest łatwy, efektywny i przejrzysty. Więcej roszczeń można przetworzyć w krótszym czasie, ponieważ oprogramowanie oparte na sztucznej inteligencji może skalować się szybciej niż tradycyjne technologie. 

Sztuczna inteligencja w branży ubezpieczeniowej – studia przypadków

Proszę zapoznaj się z tymi dwoma studiami przypadków, które wyjaśniają, w jaki sposób technologie oparte na sztucznej inteligencji przekształcają branżę ubezpieczeniową.

Case study 1: Allstate – zastosowanie sztucznej inteligencji w zarządzaniu obciążeniem agentów

Allstate nawiązał współpracę z firmą konsultingową w celu opracowania wirtualnego asystenta.

Bot o nazwie ABIE (Allstate Business Insurance Expert) został stworzony, aby pomóc agentom Allstate w poszukiwaniu informacji na temat produktów ubezpieczeniowych Allstate B2B. 

Agenci sprzedają głównie produkty z linii Allstate, takie jak ubezpieczenia zdrowotne lub ubezpieczenia domów. Kiedy ubezpieczyciel zmienił strategię biznesową i zaczął sprzedawać ubezpieczenia komercyjne, wielu agentów miało trudności w szybkim nauczeniu się nowej oferty. Mieli trudności z dostępem do informacji potrzebnych do skutecznego komunikowania się z potencjalnymi klientami.

W rezultacie Allstate stwierdziło, że ich centrum obsługi przedsprzedażowej jest stale zalewane żądaniami od agentów i ostatecznie agenci odchodzili z firmy. Klienci byli niepoprawnie obsługiwani, oferty im przedstawiane były po prostu nieadekwatne to sytuacji, wymagań i możliwości biznesowych.

Wirtualny asystent to doskonały przykład zastosowania sztucznej inteligencji w ubezpieczeniach. Bot, który pojawia się jako awatar, zapewnia agentom wskazówki krok po kroku dotyczące tworzenia ofert handlowych przy użyciu języka naturalnego. Sztuczna inteligencja „siedzi” obok agenta i „szepcze” mu do ucha, podpowiadając jak przygotować ofertę w danej sytuacji. ABIE przetwarza 25 000 zapytań ofertowych miesięcznie, bez udziału człowieka. 

Case study 2: Sunday – zastosowanie sztucznej inteligencji w tworzeniu oferty premium

Sunday, z siedzibą w Tajlandii, jest wiodącą firmą Insurtech, która wykorzystuje rozwiązania oparte na sztucznej inteligencji do zwiększenia wydajności konwencjonalnych usług ubezpieczeniowych. 

Sunday używa algorytmów uczenia maszynowego, aby zapewnić klientom: 

• bardziej kompleksową ofertę produktów ubezpieczeniowych obejmującą nieruchomości,
• wysoce spersonalizowane składki, które zapewniają klientom bardziej atrakcyjną propozycję wartości.

Dobrym przykładem od Sunday jest wykorzystanie algorytmów bez nadzoru za pomocą których, Sudan odpowiedział na zapotrzebowanie rynku z precyzją i szybkością. Klienci oczekiwali bardziej elastycznych ubezpieczeń samochodowych. Analizując ogromną ilość danych, Sunday stworzył ofertę samochodów weekendowych, w której klienci nie płacą za dni, w których pojazd nie jest używany.  

Od momentu wprowadzenia na rynek w sierpniu 2017 r. Przychody firmy rosną o 30% w ujęciu miesięcznym, ponieważ nowa oferta przyciąga więcej klientów dzięki wysokiemu poziomowi personalizacji opartej na sztucznej inteligencji.

Zapisz się do newslettera jeśli masz ochotę i otrzymuj teksty na maila.

Sukces twoich projektów sztucznej inteligencji zależy od:

• dostępnych danych i możliwości wykorzystania uczenia maszynowego,
• właściwego ukierunkowania biznesowego (sztuczna inteligencja powinna dostarczać wyraźną wartość biznesowi),
• ustalania priorytetów i projektowania mapy drogowej produktu opartego o sztuczną inteligencję . 

Skuteczne wdrażanie produktów opartych na sztucznej inteligencji będzie wymagało zbudowania zgranych zespołów, w skład których wejdą osoby z różnych środowisk i posiadające różne umiejętności.

Pięć podstawowych rodzajów umiejętności SI, które dobrze, aby znalazły się w zespołach produktowych.

1. Osoby, które potrafią mapować procesy biznesowe, decydują, które z nich są kluczowe przy tworzeniu scenariuszy, przypadków użycia i przypadków biznesowych.
2. Osoby, które rozumieją naukę o danych, uczenie maszynowe, matematykę, statystykę i potrafią przeprowadzać prognozowanie, etykietowanie i optymalizację danych.
3. Osoby, które mogą wcześnie oceniać dane, uruchamiać i szybko próbkować dane, dostarczają opinii na temat jakości danych.
4. Osoby, które rozumieją mapę drogową produktu, wiedzą, jak eksperymentować z prototypami, mogą zbierać dane bezpośrednio od klientów i użytkowników końcowych, potrafią budować założenia i kierować iteracjami
5. Osoby, które potrafią budować architekturę sprzętową, rozumieją jak działa oprogramowanie i jak działa sprzęt oraz potrafią tworzyć, testować i wdrażać lub wybierać ekosystemy niezbędne do hostowania sztucznej inteligencji.

Przyjrzyjmy się różnym ekspertom i różnym rolom – w tym nietechnicznym rolom biznesowym – które mogą być cenne dla zespołu AI. 

Wiele firm nie zdaje sobie sprawy, że budowanie kompletnego zespołu AI to nie tylko naukowcy zajmujący się danymi, inżynierowie i maniacy oprogramowania. 

Strona biznesowa firmy powinna również przeprojektować się i mieć CAIO (Chief Artificial Intelligence Officer), CDO (Chief Data Officer), VP of AI lub CIO / CMO / CTO, którzy są również zaangażowani w zarządzanie i rozwój produktów opartych na sztucznej inteligencji. 

Poziom zarządzczy firmy również musi zostać przeprojektowany. W przeciwnym razie inicjatywy oddolne nie będą tak skuteczne, jak mogą być, gdy sztuczna inteligencja nie znajduje się na poziomie strategicznym.

Jakie role muszą rekrutować firmy podczas tworzenia produktów lub usług opartych na sztucznej inteligencji?

Poniżej znajdziesz zestaw proponowanych przeze mnie stanowisk / odpowiedzialności o które należy w mojej ocenie uzupełnić zespoły produktowe.

a) Obowiązki zawodowe Inżyniera Oprogramowania składają się zazwyczaj z następujących elementów:

• Rozwija systemy informacyjne poprzez projektowanie, rozwijanie i instalowanie rozwiązań programowych.
• Określa wykonalność operacyjną, oceniając analizę, definicję problemu, wymagania, opracowywanie rozwiązań i proponowane rozwiązania.
• Tworzy rozwiązania programowe, badając potrzeby informacyjne, rozmawiając z użytkownikami i badając przepływ systemów, wykorzystanie danych i procesy pracy.
• Śledzi cykl życia oprogramowania.
• Dokumentuje rozwiązania, opracowując stosowną dokumentację, schematy blokowe, układy, diagramy, wykresy, komentarze do kodu i buduje przejrzysty kod.
• Przygotowuje i instaluje rozwiązania, określając i projektując specyfikacje systemu, standardy i programowanie.
• Uzyskuje i licencjonuje oprogramowanie, uzyskując wymagane informacje od dostawców, rekomendując zakupy oraz testując i zatwierdzając produkty.
• Dostarcza informacje poprzez zbieranie, analizowanie i kompilowanie problemów programistycznych.
• Inżynierowie oprogramowania zajmujący się sztuczną inteligencją muszą wykonywać obliczenia i muszą mieć doskonałe umiejętności matematyczne, aby to zrobić. Typowe specjalizacje to informatyka, sztuczna inteligencja, robotyka i inżynieria.

b) Badacz uczenia maszynowego / Inżynier badań nad uczeniem maszynowym

Osoba zajmująca to stanowisko identyfikuje obszary zróżnicowania i innowacji w określonej dziedzinie (na przykład rozpoznawanie twarzy w ramach technologii CCTV), znajdując, badając i oceniając nowe i istniejące algorytmy oraz interfejsy użytkownika.

Niektóre firmy mogą wymagać od tej osoby prototypowania algorytmów i aplikacji w określonych językach oraz zrozumienia ograniczeń związanych z badaniem wykonalnych i wydajnych algorytmów.

Niektóre inne obowiązki mogą obejmować współpracę z inżynierami produkcji, inżynierami oprogramowania i menedżerami produktów AI w celu wdrożenia wyników badań, uczestniczenie w spotkaniach i burzy mózgów ze środowiskiem akademickim, pracę nad badaniami modeli sztucznej inteligencji. Przez większość czasu osoba na tym stanowisku szuka algorytmów, próbuje je ocenić i jest na bieżąco z zespołami R&D i ich wyzwaniami.

c) Data Scientist w zespole sztucznej inteligencji

Naukowcy zajmujący się danymi rozwiązują złożone problemy z danymi, korzystając z wiedzy specjalistycznej w określonej dyscyplinie. 

Analityk danych to analityk, który proaktywnie pobiera dane z wielu źródeł i analizuje je, aby lepiej zrozumieć, jakie są reguły danej dyscypliny, jak działa konkretna linia biznesowa, oraz w jaki sposób najlepiej zbudować narzędzia SI, które automatyzują określone procesy. 

Niektóre typowe polecenia dla DS mogą wyglądać następująco:

• Przeanalizuj ogromną ilość danych domeny (na przykład sprzedaż detaliczna, ciągłość produkcji, naruszenia bezpieczeństwa na placach budów) zebranych przez firmę w celu przygotowania wniosków dla zespołów marketingu, sprzedaży, zarządzania produktami i inżynierii oprogramowania.
• Określ nowe wskaźniki dla oceny jakości produktów i danych firmy, aby doradzać wewnętrznym zespołom programistycznym najczęściej w stosunku do danych pochodzących z obszaru klient – firma.
• Współpracuj z klientami firmy, aby upewnić się, że zebrane dane i analizy zapewniają wysoki zwrot z inwestycji, zapewniają wartość i mogą być wykorzystane do przyszłego wzrostu wartości.
• Twórz zrozumiałe i intuicyjne wizualizacje danych, raporty. Wyjaśniaj skomplikowane operacje za pomocą przejrzystych wizualizacji.

d) Inżynier ds. uczenia maszynowego / Inżynier danych

Osoba, która pełni funkcję inżyniera danych, ściśle współpracuje z laboratoriami, badaczami, naukowcami danych i zespołami produktowymi nad opracowywaniem nowych możliwości pojawiających się na styku automatyzacji i posiadanych przez firmę danych lub możliwych do posiadania. 

Inżynier sztucznej inteligencji / inżynier danych powinien również przełożyć potrzeby biznesowe na budowanie niezawodnych i skalowalnych systemów technicznych. 

Głównym celem inżyniera danych jest zwykle ocena, opracowywanie, utrzymywanie i testowanie rozwiązań Big Data dla projektów analitycznych. Rola może również obejmować wstępne przetwarzanie dużych zbiorów danych, w tym gromadzenie, zarządzanie, analizowanie i wizualizację dużych zbiorów danych w celu przekształcenia informacji w spostrzeżenia biznesowe (z ang. business insights).

e) Menedżer produktu produktów opartych na sztucznej inteligencji

Menedżer produktu SI to nowa rola, która jest zbliżona do klasycznego menedżera produktu, ale obejmuje pewne różnice dotyczące specyfiki produktów, które wykorzystują sztuczną inteligencję.

Sztuczna inteligencja kładzie nacisk na tworzenie inteligentnych maszyn, które potrafią wykonywać wysoce wydajne algorytmy.

Gdybyć chciał dowiedzieć się co to jest sztuczna inteligencja na przykładach, zachęcam do przeczytania tego tekstu.

Opracowanie produktu opartego na sztucznej inteligencji wymaga wielu iteracji, ponieważ algorytmy i modele muszą uczyć się nowych wzorców i konsekwentnie tworzyć nowe zależności. Na przykład samochód autonomiczny musi potrafić odróżnić zwierzę od człowieka przebranego za zwięrzę, aby tego dokonać szybko, trzeba osiągnąć organizacyjną sprawność w wyhodowaniu modeli (ang. seasoning).

To najistotniejsza różnica między pracą klasycznego managera produktu a rolą managera produktu SI. Ten ostatni musi biegle przeprowadzać wiele eksperymentów, współtworzyć propozycję wartości z klientami oraz działać szybko i sprawnie. Celem jest maksymalnie szybkie wytrenowanie algorytmów tak, aby popełniały możliwie najmniej błędów i mogły uczyć się w przyszłości same.

Jeśli kierownik produktu opartego o sztuczną inteligencję biegle porusza się w projektowaniu mapy drogowej produktu, planowaniu projektu i szybkiej ocenie efektów z klientami, pomoże analitykom danych i inżynierom oprogramowania szybciej tworzyć inteligentne algorytmy i przynosić wyższą wartość całego ekosystemu sztucznej inteligencji.

Kierownik produktu również: 

• współpracuje z kierownictwem i interesariuszami linii biznesowej w celu zdefiniowania problemów, które SI może rozwiązać, 
• pomaga ustalać priorytety i oceniać rozwiązania w odniesieniu do zidentyfikowanych problemów,  
• opracowuje uzasadnienia biznesowe dla wyboru i zastosowania konkretnych modeli sztucznej inteligencji,
• pomaga w tworzeniu strategii produktów i określania kamieni milowych.

f) Konwersacyjny projektant i badacz UX rozumiejący sztuczną inteligencję

Projektant User Experience (UX) musi dobrze rozumieć cele biznesowe i zachowania użytkowników. Jeśli interfejs użytkownika ma być wysoce responsywny z wysokim poziomem dostosowania, potrzebuje świetnego projektanta UX, który rozumie, w jaki sposób sztuczna inteligencja zapewnia dostosowanie.

Projektanci UX są prawie zawsze odpowiedzialni za projektowanie i budowanie makiet produktów, ścieżek przemieszczania się użytkowników w danym interfejsie i prototypów.

Sztuczna inteligencja, taka jest jej “natura”, zawsze “zmierza” do dostosowania urządzenia lub oprogramowania do nawyków klientów, wzorców pracy klientów, wzorców korzystania z aplikacji lub sprzętu przez klientów.

Projektanci UX przyjmują podejście projektowe zorientowane na użytkownika i szybko testują interfejsy. Największą wartością produktu opartego na sztucznej inteligencji jest odzwierciedlenie oczekiwań użytkowników w mgnieniu oka. 

Z tego powodu projektanci UX muszą być częścią zespołu SI. Ich rolą jest zapewnienie, że określony projekt i interfejs użytkownika dynamicznie odzwierciedlają wszystko, czego sztuczna inteligencja nauczyła się, badając zachowania użytkowników końcowych.

g) Growth Hacker, który potrafi sprawdzić przydatność sztucznej inteligencji

Haker wzrostu to osoba, która wykorzystuje kreatywne, lekkie strategie, aby pomóc firmom w pozyskiwaniu i utrzymywaniu użytkowników. 

Hakerzy zajmujący się rozwojem koncentrują się wyłącznie na strategiach, których celem jest wzrost bazy użytkowników, rosnąca retencja, i przychody (jeśli są celem danej firmy). 

Każdy zespół AI, który ma zamiar wypuścić produkty oparte na sztucznej inteligencji, powinien mieć dostępnych hakerów wzrostu. 

Te osoby potrafią bowiem szybko uzyskać informacje o tym jak grupa docelowa reaguje na ofertę wartości, którą niesie produkt. Hakerzy wzrostu pomagają także projektantom UX w skierowaniu strumienia użytkowników do testowania zaprojektowanych interfejsów.

Haker wzrostu pomaga również w przeprowadzaniu iteracji produktowych, które pomagają uzyskać informacje zwrotne od użytkowników końcowych na każdym etapie rozwoju produktu. 

Każdy menedżer produktu AI potrzebuje wystarczającego wkładu ze strony docelowych klientów, aby zaprojektować przekonującą propozycję wartości. Growth Hakerzy pomagają zbierać te opinie, ale także testują propozycję wartości poprzez szybkie eksperymenty z produktami.

Wniosek

Zebranie zespołu AI może być wyczerpujące. Walka o talent jest kosztowna.

Uważam, że sztuczna inteligencja powinna być wykorzystywana wyłącznie jeśli daje wyraźną wartość biznesową. Nie powinno się budować zespołu z powodu mody na sztuczną inteligencję czy założenia, że “znajdzie się dla nich jakiś projekt”.

Kierownicy czasami popełniają błąd budując zespół, zanim dowiedzą się, czy w ogóle potrzebują zespołu SI. Po prostu warto mieć jasny cel biznesowy zanim rozpocznie się rekrutację.

W tym artykule możesz się dowiedzieć dlaczego sztuczna inteligencja jest ważna w małych i średnich firmach, a nie tylko w środowisku korporacji i globalnych gigantów.

Na koniec chcę jednak podkreślić, że można zacząć od małego zespołu. Nie potrzebujesz 50 osób do projektowania, prototypowania i uruchamiania produktów opartych na sztucznej inteligencji. 

Niezależnie od tego, czy masz jednego inżyniera oprogramowania, czy tylko jednego inżyniera uczenia maszynowego i analityka danych, w małym zespole możesz zacząć eksperymentować ze sztuczną inteligencją.

Zapisz się do newslettera jeśli masz ochotę i otrzymuj teksty na maila.

Chociaż te trzy terminologie są zwykle używane zamiennie, nie odnoszą się do podobnych zagadnień. Przyjrzyjmy się trzem zakresom i porównajmy sztuczną inteligencję z uczeniem maszynowym z niewielkim ujęciem głębokiego uczenia się.

Czy zatem istnieje różnica między sztuczną inteligencją a uczeniem maszynowym i uczeniem głębokim?

Oto diagram, który próbuje zwizualizować relacje między nimi i ich wzajemne relacje:

Rysunek 1: Sztuczna inteligencja a uczenie maszynowe i uczenie głębokie

Jak widać powyżej trzech koncentrycznych okręgów, uczenie głębokie (Deep Learning) to podzbiór uczenia maszynowego (Machine Learning), który jest dodatkowo podzbiorem sztucznej inteligencji (Artificial Intelligence).

Tak więc sztuczna inteligencja jest wszechogarniającą ideą, która pojawiła się na początku , a następnie rozwinęła się z pomocą uczenia maszynowego. Ostatecznie rozwinęło się i wciąż się rozwija głębokie uczenie, które obiecuje przyspieszyć postęp sztucznej inteligencji.

Poszukajmy dalej, abyś mógł rozpoznać, różnice i zastosowania AI, ML lub DL.

Co to jest sztuczna inteligencja (AI)?

Jak sugeruje tytuł, sztuczną inteligencję można luźno interpretować jako integrację ludzkiego mózgu z maszynami. Sztuczna inteligencja to konstelacja kilku różnych technologii, które umożliwiają maszynom rozumienie, działanie i samo-uczenie się. Z tego powodu wszyscy mają inną definicję sztucznej inteligencji.

Trochę komplikując sprawę, muszę wspomnieć, że sztuczną inteligencję można podzielić na dwie grupy.

Wąska AI

Większość tego, czego używamy w naszym codziennym życiu, to wąska sztuczna inteligencja, która wykonuje pojedyncze zadanie lub zbiór powiązanych zadań.

Oto kilka przykładów:

Cyfrowi asystenci, tacy jak Siri, którzy mogą zamówić pizzę lub kawę

• Oprogramowanie, które bada dane w celu optymalizacji danego procesu biznesowego, na przykład systemy zarządzania churnem (odejścia klientów), które próbują manipulować ceną, aby klient nie przeniósł się do konkurencji.

Takie systemy są solidne, ale pole do popisu jest wąskie: zwykle koncentrują się na osiągach konkretnego procesu lub zadania. Jednak wąska sztuczna inteligencja ma ogromną moc transformacji przy odpowiednim zastosowaniu i nadal zmienia najskuteczniej sposób, w jaki pracujemy i żyjemy.

Ogólne AI

Sztuczna inteligencja ogólna (AGI) byłaby inteligencją maszyny zdolnej do zrozumienia świata i każdego człowieka oraz posiadającej nieograniczony potencjał uczenia się, jaki i wykonywania ogromnego zakresu zadań z niezwykle wysoką wydajnością. AGI nie istnieje i pojawia się w opowiadaniach science-fiction od ponad wieku, ale badacze i firmy twierdzą, że możliwe jest szybkie zbudowanie takiej technologii.

GOF AI

Sztuczna inteligencja to szersze myślenie, które obejmuje wszystko, od dobrej staromodnej sztucznej inteligencji (GOFAI) po futurystyczne nauki stosowane, takie jak głębokie uczenie się. Czy pamiętasz Blue Chip zdolny do gry w szachy (grający z mistrzami szachownicy)? To nie była sztuczna inteligencja i uczenie maszynowe, ani uczenie się przez wzmacnianie (reinforcement learning). To było podejście / nauka metodą brutalnego wykorzystania siły algorytmów. To była dobra, staroświecka sztuczna inteligencja (ai) z angielskiego (Good Old Fashioned AI).

Co to jest uczenie maszynowe (komputerowe) (ML)?

Uczenie maszynowe (ML) ma na celu umożliwienie maszynom prowadzenia badań z wykorzystaniem dostarczonych rekordów i dokonywania poprawnych prognoz. Część edukacyjna jest tutaj niezbędna. Uczenie maszynowe jest podzbiorem AI (jak wykazałem powyżej).

Uczenie maszynowe polega na przekazywaniu danych algorytmowi i umożliwieniu mu badania dzięki udostępnionym danym. To proces uczenia się prowadzony przez algorytm.

Wyobraź sobie sklep ze skanerami wykorzystującymi sztuczną inteligencję i uczenie maszynowe, które identyfikują rodzaj owocu na podstawie jego atrybutów:

Jednak jeden z wierszy podaje wyłącznie wagę i teksturę i nie ma danych o rodzaju owoców. Nawiasem mówiąc, naukowcy zajmujący się danymi są tutaj bardzo ważni przy projektowaniu takich tabel. Niewłaściwa struktura może wprowadzić w błąd operacje biznesowe. ML nie wyjdzie poza strukturę. Nie zaproponuje, mówiąc prościej, innej tabeli. Będzie się poruszał w jej obrębie.

Sztuczną inteligencję i uczenie maszynowe można użyć do „odgadywania”, czy owoc jest pomarańczą czy jabłkiem. To uczenie się na podstawie danych i podejmowanie decyzji.

Po wprowadzeniu danych algorytm zbada różne cechy pomarańczy i jabłka. Algorytm może się uczyć automatycznie, ale byłby to tylko algorytm. Uczenie maszynowe jest inne. Może podejmować decyzje. Uczenie się, pozwala na podejmowanie coraz to lepszych decyzji.

Systemy oparte na uczeniu maszynowym (podzbiór AI), które uczą się na podstawie danych, będą w stanie zapełnić tysiące wierszy (wykonując miliony zadań) w mgnieniu oka. To najbardziej ekscytująca część nauki – automatyzacja, możliwa dzięki rozpoznawaniu wzorców i informatyce.

Systemy AI i ML mogą zapewnić szybkie odpowiedzi, co oznacza, że ​​różnicę między owocami można bardzo szybko uchwycić. Im więcej zadań jest wykonywanych, tym więcej wiedzy gromadzi sztuczna inteligencja.

Z tego powodu duże zbiory danych mają kluczowe znaczenie dla technologii AI i ML. Algorytm uczenia maszynowego może uczyć się bardzo szybko, a rozmiar stosu danych nie ma znaczenia. W naszym przykładzie im więcej owoców zostanie zeskanowanych przez skaner, tym lepszy będzie proces decyzyjny programu komputerowego.

Aby rozwiązać zagadkę, kluczowe jest posiadanie inteligentnych naukowców zajmujących się danymi i inteligentnego programowania. Mówiąc smart, mam na myśli ludzi, którzy rozumieją znaczenie celu biznesowego systemów AI.

Klasyfikacja sztucznej inteligencji i algorytmów uczenia maszynowego

Algorytmy uczenia maszynowego są skatalogowane w:

• uczenie nadzorowane (dane treningowe są oznaczane odpowiedziami, informacje są dobrze oznaczone)
• uczenie się bez nadzoru (wszelkie oznaczenia i odpowiedzi, które mogą istnieć, nie są dostępne dla algorytmu).

Uczenie nadzorowane dzieli się na:

• klasyfikację (przewidywanie wyników nienumerycznych, np. program może oszacować prawdopodobieństwo zamknięcia konta bankowego przez klienta i przejścia do konkurencji)
• regresję (przewidywanie odpowiedzi liczbowych, takich jak zakres zmian cen w wyniku warunków pogodowych).

Uczenie się bez nadzoru:

• grupowanie (wyszukiwanie skupień danych o porównywalnych obiektach, takich jak pula klientów kupujących codziennie określone produkty, klienci narzekający na tę samą cechę, klastry klientów kupujące podobne produkty),
• przynależność (znajdowanie częstych sekwencji obiektów, powiedzmy, że aplikacja może dowiedzieć się, że zwykle bierzesz UBER i zatrzymujesz się po drodze na Starbucks)
• dimensionality discount (prognozowanie, zbieranie charakterystyk i ekstrakcja funkcji)

Zastosowania uczenia maszynowego (ML)

Myślę, że to właściwy moment, aby wspomnieć, że ludzka inteligencja wiąże się z adaptacyjnym uczeniem się i doświadczeniem. Nie zawsze zależy to od danych dostarczonych wcześniej, takich jak te wymagane w przypadku uczenia maszynowego. Moim zdaniem sztuczna inteligencja i uczenie maszynowe zawsze będą współistnieć z ludźmi. Inteligencja ludzka jest w stanie wymyślić fantastyczny sprzęt i oprogramowanie, które następnie tworzą system komputerowy lub złożone systemy. Jeśli spojrzysz na poniższe przykłady z tej perspektywy, staje się oczywiste, że uczenie maszynowe i sztuczna inteligencja wspierają ludzkie zachowanie, pozwalając nam zwiększyć wydajność i produktywność.

Dane pochodzące z rozpoznawania obrazu

Dobrze znanym i typowym przykładem uczenia maszynowego w świecie rzeczywistym jest rozpoznawanie obrazów.

Przykłady rozpoznawania obrazów ze świata rzeczywistego:

• Oznacz prześwietlenie ciała jako rakowe lub nie. Analiza danych przeprowadzona przez uczenie maszynowe AI może pomóc lekarzom, badaczom i naukowcom szybko zidentyfikować, czy dane zdjęcie rentgenowskie zawiera zmiany nowotworowe. Nawet nie wspominając, że to samo można zrobić, wyodrębniając obrazy z wideo. Jeśli lekarz przeprowadzi endoskopię i nagra wideo, program oparty na uczeniu maszynowym może zamienić wideo na zbiór obrazów i oznaczyć obiekty (podjąć decyzję).
• Przypisz imię do przedstawionej twarzy – jeśli posiadasz smartfon, możesz skatalogować swoje rodzinne zdjęcia. Uczenie maszynowe może rozpoznać twarz konkretnej osoby i „umożliwić” jej wyszukiwanie.
• Rozpoznawanie pisma ręcznego na tablecie. Jesteś osobą mówiącą i piszącą po rosyjsku, a może umiesz pisać po rosyjsku, polsku i angielsku? Uczenie maszynowe może zrozumieć Twój styl pisania, a przetwarzanie języka naturalnego (NLP) będzie w stanie wyodrębnić odpowiednie dane i przetłumaczyć je na znaki. Superinteligencja? Nie, to tylko umiejętność konsumowania dużej ilości danych (miliony przykładów pisma ręcznego) i uczenia się rozpoznawania, która prowadzi do decyzji podejmowanych przez algorytmy.

Rozpoznawanie mowy

Sztuczna inteligencja może swobodnie zamieniać słowa w tekst. Program komputerowy może przekształcić mowę (kolejny wielki nośnik danych) i głos przechwycony na żywo w pliki tekstowe. Intensywność w pasmach czasowo-częstotliwościowych może również segmentować głos.

Przykłady rozumienia mowy wspomaganego sztuczną inteligencją:

• Poszukiwanie dźwięków (na przykład nagrany dźwięk ptaka może pomóc w rozpoznaniu gatunku)
• Kontrola sprzętu – „Tesla, odbierz mnie z domu” i samochód zaczyna zbliżać się do miejsca zamieszkania.
• Aplikacje takie jak Google Home czy Amazon Alexa należą do szeroko rozpowszechnionych zastosowań sztucznej inteligencji.

Opieka zdrowotna

Uczenie maszynowe może pomóc w diagnozowaniu chorób. Wielu lekarzy używa chatbotów (to rozmowa z drugą stroną poprzez czat internetowy) do rozpoznawania mowy do identyfikowania wzorców objawów lub rozpoznawania obrazów w celu wykrycia COVID.

Przykłady rzeczywistej diagnostyki medycznej i podejścia do problemów:

• Pomoc w przygotowaniu diagnozy lub zaproponowaniu planu leczenia (przykład: pacjent jest przesłuchiwany przez program komputerowy i proszony o wgranie zdjęć i opisów lekarskich).
• Analiza płynów ustrojowych w celu rozpoznania choroby.
• W rzadkich chorobach połączenie oprogramowania do rozpoznawania twarzy i uczenia maszynowego pomaga zidentyfikować skany ciała pacjentów i rozpoznać fenotypy powiązane z rzadkimi zaburzeniami genetycznymi.

Analizy predykcyjne

Uczenie maszynowe może podzielić dostępne dane na grupy. Następnie analitycy zmierzą prawdopodobieństwo błędu po zakończeniu klasyfikacji.

Przykłady analizy predykcyjnej:

• Przewidywanie, czy transakcja jest oszustwem, ile transakcji w roku będzie próbami wyłudzenia. Technologie sztucznej inteligencji mogą rozpoznawać ton, głos i uczucia oraz oznaczać zlecenia telefoniczne jako próby dokonywania fałszywych transakcji.
• Opracowanie systemów prognozowania w celu ilościowego określenia prawdopodobieństwa błędu, na przykład tego, ile przesyłek trafi kurierskich do złej lokalizacji.

Ekstrakcja

Z nieustrukturyzowanych danych uczenie maszynowe może wyodrębnić ustrukturyzowane informacje.

Przykłady aplikacji:

• Opracowywanie strategii zapobiegania, diagnozowania i leczenia zaburzeń.
• Zbieranie danych maratończyków i wyszukiwanie wzorców, które można następnie wykorzystać w obiektach treningowych, projektowaniu sprzętu sportowego (np. obuwia).

Procedury te są zwykle powtarzalne, ale uczenie maszynowe może dekodować ogromną ilość danych i sprawdzać wzorce, które następnie nauka lub biznes może wykorzystać do określonych ulepszeń.

Co to jest uczenie głębokie (DL)?

Jak wspomniałem, głębokie uczenie jest podzbiorem uczenia maszynowego; jest to podejście do realizacji uczenia maszynowego. Innymi słowy, głębokie uczenie się to kolejna ewolucja uczenia maszynowego.

Algorytmy uczenia głębokiego są z grubsza stymulowane przez wzorce odkryte w ludzkim mózgu. Tak jak używamy naszych mózgów do znajdowania wzorców i klasyfikowania kilku rodzajów informacji, algorytmy głębokiego uczenia się można nauczyć, aby wykonywały identyczne zadania.

Nasz mózg przechowuje nieustrukturyzowane dane i wciąż podchodzi do ogromnych problemów. Sztuczne sieci neuronowe (SSN) to algorytmy, które zamierzają naśladować sposób, w jaki nasz mózg podejmuje decyzje.

Głębokie uczenie może rutynowo znaleźć punkty, które należy wykorzystać do klasyfikacji.

Różnice pomiędzy uczeniem maszynowym (ML) a uczeniem głębokim (DL), można by ująć mniej więcej tak:

ML:

• Wymaga małej ilości danych wejściowych, aby móc rozpocząć uczenie i podejmować coraz to lepsze decyzje.
• W większości przypadków, ML nadaje się do rozwiązywania konkretnego, dobrze opisanego problemu.
• Skomplikowane wyzwania, ktoś (np. naukowiec) musi zamienić na mniejsze, bardziej precyzyjne. ML będzie rozwiązywał te mniejsze, aby w efekcie pomóc rozwiązać to duże, skomplikowane wyzwanie.
• Wynik dostarczony przez uczenie maszynowe jest łatwy do wyjaśnienia, gdyż zasady rozwiązywania są jasne i strukturalizowane.
• Dane historyczne pozwalają maszynie na podejmowanie decyzji.

DL:

• Wymaga bardzo, ale to bardzo dużej ilości danych wejściowych.
• Algorytmy same wyszukują wzorce w danych.
• Nie tyle szuka się rozwiązania problemu, co wzorców w dostarczonych danych.
• Wyjaśnienie efektów może być bardzo trudne, gdyż to algorytm sam buduje wzorce na bazie których dostarczane są rekomendacje (efekt czarnej skrzynki).
• Dane służą poszukiwaniu wzorców, a nie poszukiwaniu decyzji. Dlatego też dane historyczne nie są tak ważne, jak “jakiekolwiek” dane w dużych ilościach.

Zastosowania uczenia głębokiego.

• Zautomatyzowana jazda – zespoły zajmujące się nauką o samochodach wykorzystują wiedzę głębokiego uczenia się, aby dostrzegać obiekty, takie jak znaki, sygnalizacja świetlna, zwierzęta itp.
• Sieć neuronowa w lotnictwie i obronie – uczenie głębokie służy do rozpoznawania obiektów z satelitów, które wykrywają obszary zainteresowania (na przykład jeziora, lasy, zwierzęta).
• Badania medyczne – Badacze nowotworów używają systemów komputerowych opartych na głębokim uczeniu się, aby automatycznie odkrywać komórki rakowe. Na Uniwersytecie Kalifornijskim w Los Angeles zespoły analityków danych skonstruowały specjalny mikroskop, który dostarcza wielowymiarowych statystyk, które umożliwiają trenowanie oprogramowania do głębokiego uczenia się w celu dokładnego wykrywania większości komórek nowotworowych.
• Automatyka przemysłowa – DL pomaga czuwać nad bezpieczeństwem pracowników w zasięgu ciężkiego sprzętu. Oprogramowanie może rutynowo wykrywać, kiedy ludzie lub przedmioty znajdują się w niebezpiecznej odległości od maszyn. W połączeniu z uczeniem maszynowym może zbudować podsumowanie miejsc, których ludzie powinni unikać.
• Elektronika – uczenie głębokie jest używane w słuchaniu i tłumaczeniu mowy. Na przykład system sztucznej inteligencji pomaga gadżetom odpowiadać na Twój głos i poznawać Twoje preferencje. Sieci neuronowe mogą rozpoznawać dialekty i dostosowywać prędkość rozpoznawania mowy do regionów geograficznych.

Podsumowanie

Jak widać, istnieje znacząca różnica i krystalicznie wyraźny związek między sztuczną inteligencją (AI), uczeniem maszynowym (ML) a głębokim uczeniem (DL).

Kiedy powinniśmy używać sieci neuronowej? To zależy. Kiedy algorytm uczenia maszynowego jest odpowiedni? To zależy.

Sztuczna inteligencja i uczenie maszynowe oferują ogromną różnorodność korzyści, ale dzięki nauce stratedzy muszą rozpoznać, które podejście najlepiej służy biznesowi. Maszyny, sieci i nauka o danych tworzą super wydajną kombinację, która ostatecznie musi służyć biznesowi.

Zrozumienie różnicy między sztuczną inteligencją a uczeniem maszynowym i uczeniem głębokim pomaga podejmować lepsze decyzje. Każda pula algorytmów daje inne wyniki i wymaga różnych typów, rozmiarów i jakości wprowadzanych danych.

Zapisz się do newslettera jeśli masz ochotę i otrzymuj teksty na maila.

Jeśli prowadzisz mała firmę i myślisz sobie tak “ach ta sztuczna inteligencja, dlaczego tylko dla Orlenu czy Tesli jest dostępna” – jesteś w ogromnym błędzie.

Jeśli czytałeś inne moje teksty to wiesz, że kocham przykłady, liczby i dowody. Tak też będzie w tym materiale.

Zacznę więc od faktów:

• 20% europejskich firm małych i średnich powolnie adoptuje nowoczesne technologie (McKinsey)
• sztuczna inteligencja (SI) otworzyła szansę wzrostu gospodarczego o 200 miliardów euro tylko w dziewięciu europejskich krajach (Belgia, Norwegia, Szwecja, Finlandia, Holandia, Luxemburg, Estonia, Irlandia, Dania) (McKinsey)
• Badania IBM wykazały, że 99% organizacji zwiększyło satysfakcję klientów, a 96% przekroczyło, osiągnęło lub oczekuje się, że uzyska oczekiwany zwrot z inwestycji dzięki agentom wirtualnym, których przykładem są np. chatboty. IBM przebadał ponad 1000 firm z 12 branż i 33 krajów, które korzystały z wirtualnych agentów od zaledwie sześciu miesięcy do ponad czterech lat

Trzy przykłady w których wielkość firmy nie ma znaczenia

Przepracowany dział HR.

Zespół HR ma problemy z zarządzaniem obciążeniem pracą i znajdowaniem odpowiednich kandydatów na stanowiska. Aby poprawić wydajność swoich procesów, zaczyna używać asystenta opartego na sztucznej inteligencji do planowania rozmów kwalifikacyjnych z kandydatami, a następnie używa inteligentnej aplikacji do automatycznego wyszukiwania i oceniania kandydatów zgodnie z ich referencjami i kwalifikacjami.

Czy do powyższego trzeba wielkich budżetów oraz skompikowanych wdrożeń?

Absolutnie nie, technologie, które prowadzą wyżej opisane procesy są dostępne w modelu Software-as-a-Service (czyli oprogramowanie jako usługa). Przykładem jest firma Remote.

Co sztuczna inteligencja już dostarcza w powyższym temacie?

• Gromadzi danych z procesów rekrutacyjnych w celu informowania o przyszłych rekrutacjach
• Dociera do właściwych kandydatów we właściwym czasie np. wrzucasz na stronę firmy ogłoszenie, a algorytmy automatycznie wyszukują kandydatów i “zagadują do nich na Messenger”
• Pisze lepsze oferty pracy (sama i automatycznie)
• Odrkywa pasywnych poszukujących pracy i kieruj do nich spersonalizowane wiadomości we właściwym czasie (poprzez czatboty)

Chciałbyś pobrać eBook o tym w jaki sposób przekonywać decydentów do sztucznej inteligencji? Oto link

Zapracowani handlowcy.

Mała firma produkująca urządzenia medyczne chce, aby jej zespół sprzedaży poświęcał mniej czasu na wyszukiwanie potencjalnych klientów, a więcej na spotkania z potencjalnymi klientami w terenie. Inwestuje w aplikację, która może celować i przewidywać, którzy potencjalni klienci są najbardziej skłonni do przekształcenia się w klientów, tak aby zespół sprzedaży wiedział, gdzie skierować swoją energię.

Zachęcam Cię do powyższego, to proste na przykład z taką firmą – Salesken

Co sztuczna inteligencja już dostarcza w powyższym temacie?

• Prognozuje sprzedaż
• Automatycznie, bez konieczności pisania na klawiaturze, rejestruje działania sprzedażowe i rejestracje danych klientów
• Proponuje najlepsze działania i pisze odpowiedzi e-mailowe
• Dostarczaj właściwe treści właściwym osobom we właściwym czasie we właściwym kanale
• Określić prawdopodobieństwo otwarcia wiadomości e-mail

Obsługa klienta mailem to zardzewiała staroć.

Planowałem ostatnio skorzystać z usług TPay oraz Przelewy24. Doświadczenie okazało się zniechęcające do współpracy.

Obsługa nowego klienta w tych firmach odbywa się mailem lub przez telefon (ostatniego nawet nie próbowałem).

Nie można porozmawiać na czacie a czas oczekiwania na maila to minimum 48 godzin. Okazało się, że jeśli się dział obsługi “pogoni mailem” to odpowiedź jest po 24 godzinach.

Tymczasem, amerykański Stripe rozmawiał ze mną na czacie codziennie, przez tyle czasu ile chciałem. Zanim TPay i Przelewy odpisały, w Stripe wszystko zostało załatwione. Dlatego mój kurs sztucznej inteligencji, na szkolainnowacji.com, jest dziś wspierany przez Stripe.

Wdrażaj czatboty bez zastanowienia. Liczba gotowych rozwiązań do podłączenia w Twoim biznesie jest tak duża, że nie przytaczam tutaj żadnego. Wystarczy poświęcić chwilę i Google pokaże potencjalnie, dobrych partnerów.

Ważna uwaga

Żaden w z wymienionych w tekście dostawców nie jest moim klientem ani partnerem biznesowym. Nie otrzymuję żadnych korzyści w zamian za wzmianki o tych firmach.

Nastawienie jest kluczem. Promuję tutaj podejście – sztuczna inteligencja jest dla wszystkich a podane przykłady pokazują, że wystarczy znaleźć partnera i zatrudnienie SI w Twojej firmie staje się możliwe.

Co teraz możesz zrobić?

1. Zrób listę żmudnych, powtarzalnych czynności jak na przykład czytanie dokumentów, sortowanie produktów, sprawdzanie jakości opakowań.
2. Następnie, wspólnie z zespołem, dokonaj priorytetyzacji tych zadań. Na górze listy umieść te czynności, które generują największe koszty. Dokonasz w ten sposób połączenia wdrożenia SI z rachunkiem zysków i strat. To jest klucz do przekonania decydentów, do dalszych wdrożeń SI.
3. Opisz powyższe w dokumencie, aby dokładnie opisać tę żmudną czynność i proces w jakim się ona znajduje. Opis wykorzystasz do rozmowy z partnerem.
4. Dla wyżej opisane czynności poprowadź proces znalezienia kilku partnerów. Wykorzystaj po prostu Google, znajdź firmę, która może zautomatyzować tę czynność.
5. Umów się na rozmowę i zaproponuj pilotażowe wdrożenie. Nie oczekuj, że to wdrożenie będzie darmowe. Przygotuj budżet, ale zakres wdrożenia niech będzie możliwie najmniejszy.

Autorem artykułu jest Arek Skuza. 

Nad produktami i biznesowymi rozwiązaniami pracuję już od 17 lat. Implementuję inteligentne algorytmy SI do firm, przygotowuję, wdrażam i monitoruję strategie, tworzę i kontroluję produktowe roadmapy oraz przygotowuję zespoły do wprowadzania Innowacji. Współpracowałem już z Shell, Discovery Networks, K2, Zenka, Allegro, Modoma, Bayer, Roche, Nova Tracking, InfoPulse USA and Ukraine.

Pasjonuję się edukowaniem innych, dlatego prowadzę bloga o technologii, biznesie i innowacjach (www.arekskuza.com), a mój newsletter czytają menedżerowie, konsultanci i prawnicy z całego świata. Rozwijam także Szkołę Innowacji – platformę wsparcia dla właścicieli małych i średnich firm.

Obserwuj mnie na Twitterze, LinkedIn oraz Facebook.

Sztuczna inteligencja i uczenie maszynowe dokonały cudów jeśli chodzi o obróbkę i wykorzystanie danych. Dziś można załadować ogromne ilości danych do gotowych algorytmów i dostać wyniki w sekundę. 

Można, dla przykładu, wgrać dane transakcji finansowych i przewidzieć, które transakcje w przyszłości “obrodzą” oszustwem. 

Nie ma wymówek dzisiaj dla firm, które argumentują, że nie ma dla sztucznej inteligencji czasu, albo “nie mamy w firmie danych”. Czasu bowiem potrzeba mało a dane można kupić. 

Ale jak to możliwe?

Co może już dzisiaj zrobić mała firma, która nie ma milionowych budżetów. W jakie trzy obszary warto zajrzeć, aby szybko podnieść produktywność i wprowadzić firmę na wyższy poziom dokonywanych analiz.

Warto inwestować w stuczną inteligencją, tutaj piszę więcej o tym dlaczego.

# Analiza opisowa

Zapewnia analitykowi wgląd w kluczowe wskaźniki i miary w firmie. To jest serce raportowania na bazie, którego kierujący organizacją podejmują decyzje. 

W tym obszarze warto zwrócić uwagę na raporty ad hoc i raporty wcześniej przygotowane. Im więcej robisz tutaj ręcznie, tym większe szanse na oszczędność pieniędzy dzięki sztucznej inteligencji. 

Raport w postaci gotowej to taki, który został wcześniej zaprojektowany i zawiera informacje na dany temat np. raportowanie odejść klientów w okresie kwartalnym.

Z drugiej strony raporty ad hoc zwykle nie są planowane, ale są wciąż aktualne np. wyciąg z poprzedniego weekendu, kiedy firma odnotowała nagły wzrost sprzedaży. 

Raporty ad hoc są formą eksploracji zjawiska, raporty przygotowane to najczęściej monitorowanie. 

Większość firm, raporty przygotowane posiada w formie mało elastycznej (zmiana raportu wymaga pracy programisty, osoby konfwgurjącej lub zespołu analitycznego) a z kolei raporty ad hoc są niemożliwe do stworzenia w sposób automatyczny i natychmiastowy.

Analiza opisowa to wstępny etap przetwarzania danych, który opisuje lub podsumowuje surowe dane w celu uzyskania przydatnych, możliwych do interpretacji informacji do dalszej analizy. 

Opisując przeszłość, analiza opisowa kładzie podwaliny pod wpływ tych wydarzeń na przyszłe wyniki. Agregacja danych i eksploracja danych organizują dane w celu zidentyfikowania wzorców i relacji, które w innym przypadku mogą nie być widoczne. Następnie zapytania, raporty i wizualizacje danych mogą zapewnić głębszy wgląd w sytuację firmy. 

• Szukaj w tych procesach automatyzacji i zwiększenia liczby tzw. datapoints. Data point to punkt z którego pobierasz dane. Dla przykładu tradycyjny but do biegania nie transmituje żadnych danych, ale jeśli dodamy w podeszwie czujnik nacisku, mamy datapoint.
• Zastanów się gdzie możesz je dodać w swoim biznesie a następnie poproś analityka o wyszukanie dostawców narzędzi, które pomogą Ci w agregacji tych danych i budowania raportów. 

Ciekawym przykładem jest Domo.com, firma, która stworzyła pulpit nawigacyjny, który gromadzi informacje, które pomagają firmom w podejmowaniu decyzji. Pulpit nawigacyjny w chmurze można skalować wraz z wielkością firmy, dzięki czemu może być używany przez zespoły kilkudziesięcioosobowe a także przez znacznie większe przedsiębiorstwa.

# Analiza predykcyjna

Jak sama nazwa wskazuje, obsługuje dane, które dostarczają informacji o tym, co wydarzy się w Twojej organizacji. Tu właśnie wkracza sztuczna inteligencja i uczenie maszynowe.

Analizując aktualne i historyczne dane, algorytmy AI mogą pomóc określić najbardziej prawdopodobny wynik procesów i projektów.

Dzięki analizie predykcyjnej możesz uzyskać wgląd w to, jakie podejście lub strategia może się powieść w każdej jednostce biznesowej firmy.

Analityka predykcyjna służy do identyfikowania trendów, korelacji i związku przyczynowego. Analityka predykcyjna, wykorzystując sztuczną inteligencję i algorytmy uczenia maszynowego do analizy danych,  może zalecić porę dnia, aby dotrzeć do klientów i jakiego medium użyć.

Firma Fruit of The Loom produkująca ubrania, przewidziała ciekawe zjawisko. Mianowicie, jeśli temperatura powietrza spadnie o 15 stopni Celsjusza, bez względu do jakiego poziomu, klienci sięgają po produkty z długim rękawem. 

Szukaj trendów i przewiduj. Nie potrzebujesz do tego celu milionów złotych.

Firmy takie jak Clover.Global (logistyka), Pecan.Ai (eCommerce, branża logistyczna, gry elektroniczne) i wiele innych posiadają gotowe algorytmy, które możesz zatrudnić w swojej firmie. Jest to możliwie, bez konieczności pisania własnego oprogramowania.

Analityka predykcyjna polega na prognozowaniu. Niezależnie od tego, czy chodzi o prawdopodobieństwo zdarzenia w przyszłości, prognozie ilościowej, czy też szacowanie momentu, w którym coś może się wydarzyć – wszystko to odbywa się za pomocą modeli predykcyjnych. Wiele szans można eksplorować z partnerami, którzy posiadają już takowe rozwiązania. 

# Analiza diagnostyczna

Analiza diagnostyczna koncentruje się na tym, dlaczego coś się wydarzyło, i charakteryzuje się technikami takimi jak poszukiwanie przyczyn  top-down (od ogółu do szczegółu), pozyskiwanie nowych danych np. poprzez instalowanie czujników w miejscach w których ich nie było, eksploracja danych i poszukiwanie korelacji i zależności między zjawiskami.

Analiza danych diagnostycznych pomaga odpowiedzieć na pytanie, dlaczego coś się wydarzyło. Podobnie jak inne kategorie, również jest podzielona na dwie jeszcze bardziej szczegółowe kategorie: wykrywanie i alerty oraz zapytania i analizy. 

Świetnym przykładem jest tutaj churn klientów, czyli wskaźnik procentowy pokazujący jaka liczba klientów zaprzestała z korzystania z produktu w danym czasie. 

Platformy takie jak knime.com pozwalają bezpłatnie przeanalizować dane i znaleźć powody dla których klienci odchodzą. Wyobraź sobie, że Twój biznes to sprzedaż zabawek przez internet. Knime, na bazie Twoich danych transakcyjnych powie Ci powyżej jakiej ceny produktu, klienci porzucają zakupy w Twoim sklepie i zasugeruje co zrobić (analiza predykcyjna), aby tego uniknąć. 

Co dalej?

Słyszę “sztuczna inteligencja jest dla wielkich firm”, otóż nie zgadzam się z tym i bardzo zachęcam do działań w powyższych obszarach. Na zachętę dodam, ze firma GoPro, producent wysokiej jakości obrazu kamer, rozpoczęła swoją przygodę ze sztuczną inteligencją od jednej osoby. Dodam, iż firma warta była blisko miliard dolarów. Dlaczego właśnie tak?

Otóż, dobrzy gracze biznesowi wiedzą, że sztuczna inteligencja do sukcesu nie potrzebuje dużo pieniędzy, ale dużo, dobrych danych. Warto więc, przykłady takie jak GoPro są dobrym dowodem, poruszać się małymi krokami, ale szybko i zdecydowanie.

Zapraszam Cię do rozważenia zapisania się na listę oczekujących mojego programu dla menedżerów, konsultantów i założycieli firm poświęconego sztucznej inteligencji. Proszę zerknij na stronę i sprawdź szczegóły.

Autorem artykułu jest Arek Skuza. 

Nad produktami i biznesowymi rozwiązaniami pracuję już od 17 lat. Implementuję inteligentne algorytmy SI do firm, przygotowuję, wdrażam i monitoruję strategie, tworzę i kontroluję produktowe roadmapy oraz przygotowuję zespoły do wprowadzania Innowacji. Współpracowałem już z Shell, Discovery Networks, K2, Zenka, Allegro, Modoma, Bayer, Roche, Nova Tracking, InfoPulse USA and Ukraine.

Pasjonuję się edukowaniem innych, dlatego prowadzę bloga o technologii, biznesie i innowacjach (www.arekskuza.com), a mój newsletter czytają menedżerowie, konsultanci i prawnicy z całego świata. Rozwijam także Szkołę Innowacji – platformę wsparcia dla właścicieli małych i średnich firm.

Obserwuj mnie na Twitterze, LinkedIn oraz Facebook.