Sztuczna inteligencja pomaga odtworzyć umiejętności rdzennych tropicieli i ochronić zagrożone gatunki

Gatunki wymierają – to duży problem

Gatunki wymierają prawie 10 000 razy szybciej niż w historii. Zmiany klimatyczne, rozwój i nielegalne kłusownictwo to jedne z głównych czynników, które negatywnie wpływają na nasze zasoby naturalne, nasilając konflikty między ludźmi i dzikimi zwierzętami oraz przyczyniając się do ogólnej utraty różnorodności biologicznej.

Monitorowanie zachowania dzikich zwierząt może lepiej przygotować człowieka, do ochrony zagrożonych gatunków, ograniczyć utratę różnorodności biologicznej i przyczynić się do zrównoważonego współistnienia ludzi i dzikich zwierząt. Mając to na uwadze, studenci MIDS Jonathan D’Souza, Jacques Makutonin, Dan Price, Michael Reiter stworzyli WildTrackAI, narzędzie, które wykorzystuje technologię wizji komputerowej w celu zwiększenia szybkości i dokładności klasyfikacji obrazów śladów zwierząt.

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Rozwiązanie

Dzięki zastosowaniu deep learning i wizji komputerowej, mając wystarczającą ilość danych, komputer jest w stanie nauczyć się identyfikować ślady zwierząt w taki sposób, jak robią to rdzenni tropiciele – jednak na znacznie większą skalę i o wiele szybciej. Analityka leży u podstaw całej sprawy, potencjalnie dając wgląd w populacje gatunków, których WildTrack nigdy wcześniej nie posiadał.

Technika identyfikacji śladów WildTrack to narzędzie do nieinwazyjnego monitorowania zagrożonych gatunków za pomocą cyfrowych obrazów śladów zwierząt. Pomiary z tych obrazów są analizowane za pomocą dostosowanych modeli matematycznych, które pomagają zidentyfikować gatunek, jednostkę, płeć i klasę wiekową. Sztuczna inteligencja może dodać zdolność adaptacji za pomocą algorytmów progresywnego uczenia się i opowiedzieć jeszcze bardziej kompletną historię. Rozwiązanie sztucznej inteligencji nieustannie uczy się, dzięki zastosowaniu analizy predykcyjnej

Gatunki zwierząt na świecie są bardzo ważne, więc warto je chronić.

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

Autorzy: Arek Skuza, Marta Musińska

Zautomatyzowany proces zgłaszania uszkodzeń pojazdów dla czołowych ubezpieczycieli na świecie

Wstęp

Ubezpieczyciel Ageas wykorzystał sztuczną inteligencję do tworzenia kompleksowych ocen uszkodzeń samochodów w Wielkiej Brytanii, dzięki rozwiązaniu dostarczonym przez firmę Tractable, które poprawia cały proces.
AI na podstawie przesłanych zdjęć określa, które części pojazdu zostały uszkodzone i w jakim stopniu, generuje pełne oszacowanie szkód, w tym zalecane naprawy, a także koszty i godziny robocizny.

PHOTO: UNSPLASH

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Zastosowanie sztucznej inteligencji

Sztuczna inteligencja wykorzystuje deep learning do techniki cyfrowego rozpoznawania obrazów (wizji komputerowej) wraz z uczeniem maszynowym. AI uczy się na podstawie wielu milionów zdjęć uszkodzonych samochodów, a algorytmy na podstawie doświadczeń, analizują wiele różnych przykładów w czasie rzeczywistym.

Dzięki zastosowaniu sztucznej inteligencji proces zgłaszania uszkodzeń pojazdów jest znacznie szybszy – Klienci mogą w ciągu kilku minut otrzymywać od Ageas informacje dotyczące dalszych kroków – nawet podczas pierwszej rozmowy telefonicznej z ubezpieczycielem

Po udanych testach w Wielkiej Brytanii w 2019r. Ageas i Tractable oświadczyły, że będą teraz skalować wykorzystanie tej technologii do rozwiązywania tysięcy roszczeń każdego miesiąca.

Produkt

Produkt firmy Tractable obsłużył już ponad 1 miliard dolarów odszkodowań za szkody samochodowe dla czołowych światowych ubezpieczycieli, w tym Covéa, największego ubezpieczyciela samochodowego na rynku francuskim; Tokio Marine, największego ubezpieczyciela w Japonii; oraz Talanx-Warta, drugiego co do wielkości ubezpieczyciela komunikacyjny w Polsce.

„Wykorzystując sztuczną inteligencję na początku procesu roszczeniowego do oceny szkód i generowania szacunków, przyspieszamy każdą jego część, zwiększając wydajność ubezpieczyciela i zapewniamy większą przejrzystość dla ubezpieczającego”

Adrien Cohen, współzałożyciel londyńskiego Tractable

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

Autorzy: Arek Skuza, Marta Musińska

Wizja komputerowa i deep learning automatyzują procesy i zagrożone gatunki

Dzięki wizji komputerowej możemy zobaczyć to, co niewidoczne dla ludzkiego oka. Wizja komputrowa bardzo pomaga ludziom w wielu dziedzinach

Wstęp

Wizja komputerowa to dziedzina nauki, która pomaga komputerom interpretować i „rozumieć” świat wizualny, identyfikować i przetwarzać obrazy w sposób podobny do ludzkiego wzroku. Korzystając z cyfrowych obrazów oraz deep learining, maszyny mogą dokładnie identyfikować i klasyfikować obiekty – a następnie reagować na to, co „widzą”. Możliwości widzenia komputerowego można porównać do przypisywania komputerom ludzkich cech – inteligencji i instynktów.

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Historia

Historia wizji komputerowej sięga lat pięćdziesiątych XX wieku, kiedy to wykorzystano po raz pierwszy sieci neuronowe do wykrywania krawędzi obiektów oraz grupowania ich na okręgi i kwadraty. Wraz z ewolucją wizji komputerowej zaczęto implementować algorytmy progresywne, do rozwiązywania konkretnych problemów, które udoskonalają się z każdą kolejną iteracją. Według firmy SAS, wskaźniki dokładności identyfikacji i klasyfikacji obiektów wzrosły z 50% do 99% w mniej niż dziesięć lat – a dzisiejsze systemy są dokładniejsze niż ludzkie oko w szybkim wykrywaniu i reagowaniu na bodźce wizualne.

PHOTO BY RICARDO GOMEZ ANGEL ON UNSPLASH

Zastosowanie

Aby wizja komputerowa była skuteczna, musi przeanalizować dużą ilość danych. Dzięki nim, możliwe jest przeprowadzenie analizy i wykrycie różnic między poszczególnymi obrazami. Uczenie maszynowe wykorzystuje modele algorytmiczne, które umożliwiają komputerowi uczenie się kontekstu danych wizualnych, dzięki któremu nauczy się odróżniać jeden obraz od drugiego. Według raportu SAS, wizja komputerowa może poprawić wskaźniki wykrywania wad produkcyjnym nawet o 90%. Dzięki niej, możliwe jest znalezienie defektów, które nie są widoczne nawet dla ludzkiego oka.

Innymi przykładami wykorzystania wizji komputerowej jest analiza gry poszczególnych piłkarzy w czasie rzeczywistym, zapobieganie oszustwom finansowym, rozpoznawanie twarzy, czy wykrywanie oznak chorób roślin w celu optymalizacji plonów. To tylko kilka z wielu rozwiązań, które wykorzystują wizji komputerowej w praktyce. Technologia ta ciągle dynamicznie rozwija się, a według danych podanych przez IBM, do 2022r. jej wartość ma wynosić $48,6mld.

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

Autorzy: Arek Skuza, Marta Musińska

Wizja komputerowa i deep learning automatyzują procesy i ratują zagrożone gatunki

Dzięki wizji komputerowej możemy zobaczyć to, co niewidoczne dla ludzkiego oka.

Wstęp

Wizja komputerowa to dziedzina nauki, która pomaga komputerom interpretować i „rozumieć” świat wizualny, identyfikować i przetwarzać obrazy w sposób podobny do ludzkiego wzroku. Korzystając z cyfrowych obrazów oraz deep learining, maszyny mogą dokładnie identyfikować i klasyfikować obiekty – a następnie reagować na to, co „widzą”. Możliwości widzenia komputerowego można porównać do przypisywania komputerom ludzkich cech – inteligencji i instynktów

Historia

Historia wizji komputerowej sięga lat pięćdziesiątych XX wieku, kiedy to wykorzystano po raz pierwszy sieci neuronowe do wykrywania krawędzi obiektów oraz grupowania ich na okręgi i kwadraty. Wraz z ewolucją wizji komputerowej zaczęto implementować algorytmy progresywne, do rozwiązywania konkretnych problemów, które udoskonalają się z każdą kolejną iteracją. Według firmy SAS, wskaźniki dokładności identyfikacji i klasyfikacji obiektów wzrosły z 50% do 99% w mniej niż dziesięć lat – a dzisiejsze systemy są dokładniejsze niż ludzkie oko w szybkim wykrywaniu i reagowaniu na bodźce wizualne

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Implementacja

Aby wizja komputerowa była skuteczna, musi przeanalizować dużą ilość danych. Dzięki nim, możliwe jest przeprowadzenie analizy i wykrycie różnic między poszczególnymi obrazami. Uczenie maszynowe wykorzystuje modele algorytmiczne, które umożliwiają komputerowi uczenie się kontekstu danych wizualnych, dzięki któremu nauczy się odróżniać jeden obraz od drugiego. Według raportu SAS, wizja komputerowa może poprawić wskaźniki wykrywania wad produkcyjnym nawet o 90%. Dzięki niej, możliwe jest znalezienie defektów, które nie są widoczne nawet dla ludzkiego oka.

Innymi przykładami wykorzystania wizji komputerowej jest analiza gry poszczególnych piłkarzy w czasie rzeczywistym, zapobieganie oszustwom finansowym, rozpoznawanie twarzy, czy wykrywanie oznak chorób roślin w celu optymalizacji plonów. To tylko kilka z wielu rozwiązań, które wykorzystują wizji komputerowej w praktyce. Technologia ta ciągle dynamicznie rozwija się, a według danych podanych przez IBM, do 2022r. jej wartość ma wynosić $48,6mld.

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

MDI – Inteligentne zarządzanie receptami lekarskimi

Problem

MDI Health opracowało system, który pomaga pracownikom służby zdrowia w optymalny sposób dobrać pacjentom odpowiednie leki. Rozwiązanie jest odpowiedzią na prymitywny i archaiczny proces przepisywania leków, który niestety, biorąc pod uwagę ograniczoną ilość czasu lekarza, który poświęca na wywiad z pacjentem, jest często niewystarczający do zapoznania się z jego całą dokumentacją medyczną.
Szacuje się, że co roku 12 milionów ludzi cierpi na poważne lub niepożądane reakcje z powodu przyjmowania leków, a aż 110 milionów pacjentów w USA choruje na polipragmazję (niewłaściwą terapię wielolekową). W samych Stanach Zjednoczonych problemy związane z przyjmowaniem leków są czwartą główną przyczyną zgonów, sięgającą nawet 100 000 przypadków. Na problemy związane z lekami, opieka zdrowotna wydaje około $528mld rocznie

Dane o rynku medycznym

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Rozwiązanie

System MDI zbiera i przetwarza wszystkie istotne dane o pacjentach dostępnych w elektronicznej dokumentacji medycznej lub bezpośrednio od pacjenta, a następnie łączy je z informacjami o lekach, w tym na temat możliwości ich łączenia. Rozwiązanie generuje listę pytań jakie lekarz powinien zadać pacjentowi, aby dobrać najbardziej optymalny lek.
MDI przetwarza dane i generuje prognozy dotyczące ryzyka i skuteczności każdego leku oraz wszystkich możliwych działań niepożądanych. Dzięki ciągłej analizie, lekarze otrzymują jasny schemat leczenia każdego pacjenta i związanego z nim ryzyka.

MDI pomaga pracownikom służby zdrowia w optymalizacji równowagi między skutecznością leków a ryzykiem, sugerując jasne działania i wskazując możliwe alternatywy. Opieka nad pacjentem jest kontynuowana nawet po opuszczeniu placówki. MDI stal

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

PAPT – przewidywanie przybycia pacjentów

Problem

Firma CSIRO opracowała narzędzie PAPT, dzięki któremu możliwe jest przewidywania przybycia pacjentów na oddziały ratunkowe. Zapotrzebowanie na tego rodzaju rozwiązanie związane jest przepełnionymi oddziałami ratunkowymi w Australii, wynikającymi z brakami kadrowymi oraz ograniczonymi zasobami w szpitalach publicznych. Według danych podanych przez CSIRO, opóźnienia spowodowane przez nieefektywną alokacją zasobów szpitalnych, mogą powodować pogorszenie zdrowia pacjentów i zwiększyć śmiertelność o nawet 30%. Aby poprawić statystyki, National Health Reform postawiło za cel, aby 90% pacjentów zostało obsłużonych w szpitalach w ciągu czterech godzin do 2015 roku. Z perspektywy szpitali przewidywanie przybycia pacjentów jest bardzo ważną częścią związaną z sprawnym funkcjonowaniem szpitali.

CSIRO - Wikipedia
Źródło: wikipedia

Efektywna alokacja zasobów szpitalnych

System PAPT umożliwia nie tylko przewidywanie przybycia pacjentów na oddział ratunkowy, ale również określa priorytety w ich obsłudze, specjalizację leczenia wraz z prawdopodobną datą wypisu.
PAPT zapewnia predykcyjny obraz obsługi pacjentów w szpitalu. Dzięki systemowi, możliwe jest wcześniejsze określenie z jakich usług będą korzystali pacjenci, a zatem również znane jest obciążenie konkretnych laboratoriów, czy gabinetów zabiegowych. Obciążenie można precyzyjnie obliczyć na podstawie danych dziennych, tygodniowych lub miesięcznych, a zapotrzebowanie można prognozować z sześciomiesięcznym wyprzedzeniem.
Dzięki PAPT alokacja zasobów w szpitalach jest efektywniejsza, dzięki czemu czas oczekiwania pacjentów jest krótszy, a dostęp do poszczególnych usług może być racjonalnie zarządzany.

Efekty przewidywania przybycia pacjentów

PAPT został opracowany w wyniku ścisłej współpracy między australijskim Centrum Badań e-Zdrowia CSIRO oraz Queensland Health, przy wsparciu Griffith University i Queensland University of Technology.
System jest dostępny we wszystkich 27 głównych szpitalach publicznych w Queensland. Potencjalna wartość wyników leczenia pacjentów, po pełnym wdrożeniu, wynosi 97mln dolarów australijskich rocznie w Queensland i ponad 248mln dolarów australijskich rocznie w całej Australii.
Dzięki PAPT personel szpitala zwiększył kontrolę nad codziennymi operacjami. Zdolność do efektywnego zarządzania przydziałem łóżek i zasobami zmniejszyła obciążenie pracowników, co skutkuje lepszą jakością opieki nad pacjentem. W wyniku skrócenia czasu oczekiwania na opiekę w nagłych wypadkach pacjenci osiągają lepsze wyniki, a czas spędzony w szpitalu jest krótszy.
W ramach projektu odnotowano poprawę wydajności usług o 1mln dolarów australijskich. Na podstawie wyników prognozowany bezpośredni wzrost produktywności dla Queensland wynosi 3mln dolarów australijskich rocznie i 23 mln dolarów australijskich rocznie w całej Australii. Dzięki CSIRO przewidywanie przybycia pacjentów się zmieni. Najpierw w Australii, a później może globalnie.

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

Autorzy: Arek Skuza, Marta Musińska

Katana – innowacyjne rozwiązanie, które codziennie usprawnia pracę inwestorom

Katana to technologia opracowana dla banku ING, oparta na sztucznej inteligencji, która została zaprojektowana aby pomóc traderom podejmować szybsze i korzystniejsze decyzje.

Rozwiązanie problemu – Katana

Narzędzie wykorzystuje analizę predykcyjną dzięki czemu finansiści wiedzą, jaką cenę należy podać przy kupnie i sprzedaży obligacji dla swoich Klientów. W tym celu wykorzystywane są zarówno dane historyczne i te, dostępne w czasie rzeczywistym.
Kluczową zaletą Katany jest to, że została zaprojektowana w celu usprawnienia współpracy między człowiekiem a maszyną. Nie jest to technologia, która całkowicie zastępuje specjalistę i to właśnie jego doświadczenie jest kluczowe w podjęciu finalnej decyzji

„Widzieliśmy już kilka przykładów zastosowanej sztucznej inteligencji na parkiecie giełdowym, ale w większości przypadków skupiają się one tylko na automatyzacji. (…) To ogranicza ich do klas aktywów płynnych, w których przedsiębiorca zostaje zastąpiony maszyną.” – komentuje Santiago Braje, Global Head of Credit Trading

Chociaż narzędzie nie zastępuje roli tradera, to dane, które są mu przedstawiane w sposób przejrzysty i intuicyjny, znacząco usprawniają jego pracę.

Pierwsze wyniki testów Katany na biurach rynków wschodzących w Londynie, pokazują szybsze decyzje cenowe dla aż 90% transakcji oraz redukcję kosztów handlu o 25%. Co więcej, handlowcy są w stanie czterokrotnie częściej oferować swoim Klientom najlepszą cenę.

Dalszy rozwój

Katana jest wynikiem intensywnych badań i rozwoju zespołu ING Financial Markets Global Credit Trading w Londynie oraz zespołu Wholesale Banking Advanced Analytics, którzy będą nadal współpracować nad nowymi funkcjami w celu aktualizacji narzędzia i dalszej poprawy wyników handlowców.

DEFINICJA – Analiza predykcyjna

Analiza predykcyjna to zaawansowana technika analityczna, która wykorzystuje dane historyczne do odkrywania spostrzeżeń w czasie rzeczywistym i przewidywania przyszłych wydarzeń.
Analiza predykcyjna spotyka się na styku analizy statystycznej i sztuczną inteligencją.

Autorzy: Arek Skuza, Marta Musińska

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

Zawsze będę miły…zawsze

Doświadczam w amerykańskich innowacjach czegoś odwrotnego niż czasami czyta się w historiach o WeWork czy PayPal. Powszechną uprzejmość.

Arek it is so great to meet you.

Arek thank you for giving me the opportunity to speak to you.

i tak dalej.

Grałem kiedyś w koszykówkę i podszedł do mnie kolega i powiedział. „Twoje rzuty są świetne, jeśli nie masz nic przeciwko to pokażę Ci jeszcze kilka fajnych rzutów”.

Otrzymuję maile kończące się czymś takim „Arek, Twój wkład pomógł nam osiągnąć to i to”

Amerykanie nauczyli mnie bycia wdzięcznym za coś zwykłego. W ten sposób rozmowy i dyskusje o tym co trudne i nieprzewidywalne, jak innowacje, jest bardzo przyjemne.

Stitch Fix – współpraca człowieka ze sztuczną inteligencją – Seria 10 Case Studies

PHOTO FROM WWW.STITCHFIX.COM

Model biznesowy

Stitch Fix pokazuje jak współpraca człowieka ze sztuczną inteligencją może idealnie działać. Sitch Fix to amerykańska firma z branży modowej, oferująca wysyłkę spersonalizowanych stylizacji do domu Klienta. Dzięki platformie Stitch Fix Klienci nie muszą wychodzić z domu, aby kupić dopasowane do swoich preferencji i rozmiaru ubrania, a to wszystko zasługa połączenia sztucznej inteligencji i stylistów.
Usługi dostarczania spersonalizowanej stylizacji online był kwitnącą niszą jeszcze przed pandemią, z dużym potencjałem wzrostu. Oczekiwano, że popyt wzrośnie z 25,2% do 40,3% w 2024r. Pandemia szybko jednak przyspieszyła rozwój handlu internetowego o kilka lat. Trend ten przynosi korzyści Stitch Fix pomimo, że praca i spędzanie dużej ilości czasu w domu nie zachęcają Konsumentów do kupowania nowych ubrań. Podczas gdy Stitch Fix odnotował 9% spadek przychodów w drugim kwartale 2020r., to warto jednak zwrócić uwagę, że sprzedaż detaliczna odzieży spadła aż o 80% w tym samym okresie.

Rozwiązanie

Podstawową metodologią Stitch Fix jest współpraca stylistów ze sztuczną inteligencją. Rozwiązanie opiera się na generowaniu
rekomendacji za pomocą algorytmów operujących na danych ustrukturyzowanych, a następnie modyfikacji zaproponowanych stylizacji przez profesjonalnych stylistów, których wiedza i doświadczenie nie zostały jeszcze odzwierciedlona w zbiorze danych.

W efekcie Klient otrzymuje 5 najlepiej dopasowanych produktów.
Rozwiązanie Stitch Fix oparte jest na algorytmach genetycznych. Proponowany system projektowania jest tak ukształtowany, aby naśladować procesy, które stanowią podstawę stochastycznych metod optymalizacji.

Algorytm genetyczny pozwala znaleźć najlepsze rozwiązania problemów w oparciu o teorię doboru naturalnego i biologii ewolucyjnej (algorytm genetyczny wykorzystuje techniki takie jak selekcja, mutacja, dziedziczenie i rekombinacja). Algorytmy genetyczne są bardzo skuteczne w przeszukiwaniu dużych i złożonych zestawów danych.

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Ciągły rozwój

Stitch Fix wykorzystuje praktyczne doświadczenie projektantów mody do oceny efektywności wybranych stylizacji przez inteligentny algorytm. Wybór pięciu propozycji dla każdego Klienta integruje zdolności maszyn i ludzi – maszyny wybierają nowe projekty, które są następnie oceniane przez projektantów. Dzięki takiemu rozwiązaniu algorytm nieustannie uczy się, a kolejne propozycje stylizacji dla Klientów są lepiej dopasowane do ich preferencji.

Stitch Fix otrzymuje ogromne ilości danych od swoich Klientów – nie tylko na temat ich personalnych preferencji, ale również o cechach ubrań tj. rzeczywisty rozmiar, kolor czy fason. Dane te nieustannie wykorzystywane są do udoskonalania systemu.

Model biznesowy Stitch Fix zapobiega również gromadzeniu się zapasów ubrań, dzięki ciągłemu prognozowaniu popytu. Z biegiem czasu, gdy coraz więcej ubrań będzie przechowywanych w magazynach np. w wyniku zwrotów od Klientów, algorytmy predykcyjne udoskonalą się i dostarczą firmie cennej wiedzy, dzięki której Stitch Fix będzie wiedziało, kiedy i które towary powinny być na stanie magazynu w przyszłości. Jest to idealny przykład firmy pokazującej jak współpraca człowieka ze sztuczną inteligencją może przynieść korzyści dla firmy.

Autorzy: Arek Skuza, Marta Musińska

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment

Jak Adobe wykorzystał AI do obsługi 22 000 pracowników zdalnych? – Seria 10 Case Studies

Jak Adobe wykorzystał AI?

Problem

Kiedy w marcu w całych Stanach Zjednoczonych rozpoczęła się kwarantanna spowodowana przez COVID-19, zespół Adobe musiał zmierzyć się z rzeczywistością – biznes nie mógł pracować jak zawsze. W ciągu zaledwie jednego weekendu firma musiała przenieść swoją globalną siłę roboczą, liczącą ponad 22 000 osób, do pracy zdalnej. Istniejące procesy biznesowe nie były przygotowane na nagłą zmianę. Klienci, pracownicy i partnerzy – wielu pracujących w domu – nie mogli czekać dniami na rozwiązanie technicznych problemów. Adobe szybko zdało sobie sprawę, że jedynym sposobem na zaspokojenie potrzeb pracowników jest całkowita zmiana sposobu działania wsparcia IT. AI jest kluczowe w współczesnym świecie.

Rozwiązanie AI

W pierwszym kroku zespół Adobe uruchomił globalny kanał na Slack, który połączył organizację IT i całą społeczność pracowników. Dział pomocy technicznej działający 24/7 na całym świecie zapewniał wsparcie w nowym kanale, podczas gdy reszta działu IT została skierowana do rozwiązywania już zarejestrowanych zdarzeń.

Następnie, Adobe zbudował framework i interfejsy na Slack, po czym szybko zdał sobie sprawę, że te same pytania i problemy pojawiają się bardzo często.

Nowy kanał na Slack został oparty na uczeniu maszynowym, a do jego obsługi wykorzystano technologię przetwarzania języka naturalnego (NLP).

AI w Adobe używa techniki klasyfikacji opartej na sztucznej sieci neuronowej do przypisywania zgłoszeń do odpowiednich klas lub obsługi kolejek. Na podstawie przewidywanej klasyfikacji, zgłoszenie jest automatycznie przypisywane do odpowiedniej kolejki pomocy technicznej.

„Koncentrując się na najczęstszych i najistotniejszych problemach, postanowiliśmy zoptymalizować nasze wsparcie dla tych najczęściej występujących.”

Przetwarzanie języka naturalnego (NLP) to gałąź sztucznej inteligencji, która pomaga komputerom rozumieć, interpretować i manipulować ludzkim językiem. NLP czerpie z wielu dyscyplin, w tym informatyki i lingwistyki komputerowej, dążąc do wypełnienia luki między komunikacją międzyludzką a zrozumieniem komputera.

Sztuczna sieć neuronowa (SSN) to element systemu komputerowego zaprojektowanego do symulacji sposobu, w jaki ludzki mózg analizuje i przetwarza informacje. Jest podstawą sztucznej inteligencji (AI) i rozwiązuje problemy, które okazałyby się niemożliwe lub trudne według standardów ludzkich lub statystycznych. SSN mają możliwości samouczenia się, które pozwalają im uzyskiwać lepsze wyniki, gdy dostępnych jest więcej danych.

Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:

.

Jasne wyniki – zadowoleni pracownicy

Wyniki były niezwykłe. Od czasu uruchomienia projektu, zautomatyzowany system odpowiedział na ponad 3000 zapytań i nastąpiła znaczna poprawa w najbardziej krytycznych obszarach. Dzięki mechanizmowi routingu, opartemu na deep learning i NLP, 38% ticket’ów jest teraz automatycznie kierowana do właściwego działu IT w ciągu zaledwie sześciu minut.

Dalszy rozwój firmy i wdrożenia AI

Zespół Adobe nieustannie poprawia wskaźniki odpowiedzi, stale przeglądając wcześniejsze rozmowy w kanale Slack i identyfikując słowa kluczowe. Dzięki temu silnik oparty na regułach jest stale rozwijany, a oznaczając dane z poprzednich rozmów, NLP uczy się lepszego dopasowywania zgłoszeń i przeglądania konwersacji w celu zidentyfikowania najważniejszych problemów i tworzenia nowych odpowiedzi botów. Co dwa tygodnie model sieci neuronowej bota jest odświeżany, dodając nowe dane z rozwiązanych biletów do zestawu szkoleniowego. Pomaga to nie tylko zidentyfikować nowe lub zmienione wzorce routingu, ale także umożliwia modelowi ponowne uczenie się i unikanie błędów w kolejnych zgłoszeniach.
Innym obszarem, któremu przygląda się Adobe, jest automatyzacja procesów biznesowych (RPA). Firma eksperymentuje i ocenia nowe sposoby wykorzystania technologii RPA, w celu zwiększenia doświadczenia pracowników.

„W miarę jak będziemy przenosić dodatkowe funkcje na AI i chatboty, będziemy skupiać się na kilku podstawowych kwestiach – po pierwsze, badamy, gdzie zwrot z inwestycji wynika z technologii – biorąc pod uwagę liczby i wskaźniki.”

„AI i chatboty stały się nową „komplementarną” siłą roboczą w Adobe. Technologia ta usprawnia to, co nasze zespoły mogą zrobić i sprawia, że praca jest jeszcze bardziej wydajna.

Badania branżowe wspierają to podejście. W raporcie PwC z 2017 r. stwierdzono, że 72% kadry kierowniczej w firmach uważa, że zastosowanie AI przynosi korzyści biznesowe.

„Deep learning to proces, w którym komputer uczy się wykonywania zadań naturalnych dla ludzkiego mózgu, takich jak rozpoznawanie mowy, identyfikowanie obrazów lub tworzenie prognoz. Zamiast organizować dane i wykonywać szereg zdefiniowanych równań, w przypadku deep learning komputer zbiera podstawowe parametry dotyczące danych i przygotowuje się do samodzielnego uczenia, poprzez rozpoznawanie wzorców z zastosowaniem wielu warstw przetwarzania.”

Autorzy: Arek Skuza, Marta Musińska

Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:

  1. Inicjatywy cyfrowe IKEA
  2. Sztuczna inteligencja w innowacjach w handlu detalicznym – Amazon
  3. Best AI companies to consider for investment