Spot to aplikacja, dzięki której pracownicy mogą zgłaszać do działu HR wrażliwe problemy tj. molestowanie seksualne, dyskryminacja czy prześladowanie w pracy. Bardzo często okazuje się, że poszkodowany nie chce zgłaszać tego typu sytuacji, ze względu na wstyd lub lęk przed zemstą. Dzięki temu rozwiązaniu ofiara pozostaje anonimowa, a problem nie zostaje zamieciony pod dywan.
Rozwiązanie
Spot to chatbot, któremu pracownicy mogą zgłosić wystąpienie wrażliwego problemu. Bot zbiera informacje od osoby zgłaszającej o to, kiedy i gdzie doszło do incydentu, kto to zrobił i czy byli jacyś świadkowie. Odpowiedzi mogą być anonimowe lub zawierać nazwiska. Zespół firmy Shaw przechowuje informacje w swoim systemie przez 30 dni, na wypadek gdyby ofiara wróciła z problemem. Rozmowa z chatbot’em trwa około 10 minut, a następnie jej treść wysyłana jest automatycznie do odpowiedniego działku w firmie, w formacie PDF.
Chatbot przeprowadza z osobą zgłaszającą zdarzenie tzw. „wywiad kognitywny. Według Julii Shaw, jednej z założycieli startup’u, w tego typu wrażliwych sytuacjach istotne jest, aby wiedzieć „o co nie pytać”, ponieważ subiektywne komentarze mogą doprowadzić pracownika do przemyślenia lub błędnej interpretacji incydentu. Podstawą rzetelnego wywiadu poznawczego jest zadawanie praktycznych i neutralnych pytań – wyjaśnia Shaw. Co więcej, pracownicy mogą również czuć się bardziej komfortowo podczas rozmowy z botem, ze względu na zapewnioną anonimowość.
Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
Wyniki
Po około trzech tygodniach od uruchomienia Spot, około 220 osób rozmawiało z nim o swoich doświadczeniach, a ponad 3000 odwiedziło witrynę TalkToSpot.
Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:
Chatbot’y, czyli programy komputerowe, których zadaniem jest prowadzenie konwersacji replikujących zachowania ludzkie, oparte są na zautomatyzowanych regułach, mechanizmach przetwarzania języka naturalnego (NLP) i uczeniu maszynowym (ML).
W dzisiejszych czasach Klienci wymagają szybkiej obsługi i nie chcą czekać na rozwiązanie problemu kilka dni, godzin, a czasem nawet minut – wymagają uzyskania odpowiedzi natychmiast. Według badań przeprowadzonych w jednej z europejskich firm telekomunikacyjnych przez Accenture, chatbot był w stanie poprawnie odpowiedzieć na 82% wszystkich zapytań Klientów, a wynik ten został osiągnięty już po pięciu tygodniach szkolenia chatbot’a. Co więcej, główną ich zaletą jest to, że są dostępne 24/7 i odpowiadają na zapytania Klientów szybciej niż ludzie. Chatbot’y usprawniają komunikację z Klientem, ale również zwiększają wydajność operacyjną i przynoszą oszczędności firmom. Według danych podanych w raporcie Deloitte, chatbot może zredukować koszty serwisu od 15 do nawet 90% w zależności od pełnionej funkcji. Należy zaznaczyć, że technologa ta jest jednak najbardziej efektywna w specyficznych, dokładnie zdefiniowanych obszarach. Skuteczność chatbot’a jest zdecydowanie gorsza, w przypadku konwersacji na uniwersalne tematy.
Wsparcie klienta
Na podstawie danych podanych przez Business Insider, chatbot’y najchętniej wykorzystywane są jako pierwsza linia wsparcie Klientów. Spośród ankietowanych 67% organizacji używało chatbot’a do obsługi Klienta w 2016r. Pomimo, że korzystanie z chatbot’ów staje się coraz popularniejsze to 56% konsumentów nadal preferuje pomoc człowieka. Według danych IBM, każdego roku zgłaszanych jest 265 miliardów zapytań do obsługi klienta, a ich obsługa kosztuje firmy aż $1,3mld. Chatboty mogą znacznie obniżyć te koszty, dzięki transformacji przestarzałej, nieefektywnej technologii na sztuczną inteligencję.
Chatboty mogą pomóc firmom zaoszczędzić na kosztach obsługi klienta, przyspieszając czas reakcji i odpowiadając na nawet 80% rutynowych pytań. Według danych IBM chatbot może zmniejszyć koszty utrzymywania serwisu aż o 30%. Według badania przeprowadzonego przez Deloitte, 56% firm z branży multimediów i technologii planuje w najbliższej przyszłości zainwestować w sztuczną inteligencję w Contact Center. Podczas wywiadów z menedżerami z ponad 450 międzybranżowych centrów kontaktowych, 33% procent stwierdziło, że planuje w najbliższej przyszłości zainwestować w chatboty do obsługi Klientów.
Najwyższym priorytetem dla tych inwestycji byłaby poprawa doświadczeń międzykanałowych. Wdrożenie chatbot’ów umożliwiłoby również firmom indywidualną interakcję z nieograniczoną liczbą Klientów, w sposób spersonalizowany i wydajny, oraz skalowanie zarówno w górę jak i dół zgodnie z zapotrzebowaniem i potrzebami biznesowymi.
Jeśli chciałbyś zapisać się do naszego newslettera, zapraszam:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
Asystent głosowy
W ostatnich czasach bardzo popularne stały się rozwiązania asystentów głosowych. Do najpopularniejszych zaliczamy Siri (Apple), Asystent Google (Google), Cortana (Microsoft) oraz Alexa (Amazon). Jak pokazują statystyki Google, 20% wszystkich zapytań wyszukiwarce Google odbywa się za pomocą poleceń głosowych. Według Quoracreative, Google Home odpowiada poprawnie aż na 81% zapytań. Nieco gorzej radzi sobie Amazon Echo, ze skutecznością wynoszącą 64%. Według badań przeprowadzonych przez Capgemini, między 2017 a 2019 rokiem nastąpił wzrost wykorzystania asystentów głosowych przez dotychczasowych konsumentów do różnych celów, w tym do zakupów produktów spożywczych czy domowych (wzrost z 35% do 53%), interakcji z obsługą klienta po zakupie (wzrost z 37 % do 52%) oraz dokonywania płatności za produkty lub usługi (wzrost z 28% do 48%). Raport wykazał również, że konsumenci coraz częściej chwalą zdolność asystentów konwersacyjnych do zapewniania lepszych wrażeń. W 2017 roku 61% konsumentów wyraziło zadowolenie z używania głosowego asystenta osobistego, takiego jak Asystent Google lub Siri na swoich smartfonach; liczba ta wzrosła do 72% w 2019r.
Przyszłość chatbotów
Badania przeprowadzone przez Business Insider wskazują, że do 2024r. wartość rynku chatbot’ów będzie wynosiła $9,4mld, czyli wzrośnie aż o $6,8mld w porównaniu z rokiem 2019! Szacuje się, że CADGR w regionie Azji i Pacyfiku wynosi 9%, w Ameryce Północnej 31,2%, zaś w Europie 30,4% CAGR. Prognozy pokazują, że chatbot’y w segmencie obsługi Klienta będą najszybciej rozwijającym się segmentem rynku w latach 2019-2026 z CAGR na poziomie 31,6%.
Business Insider Intelligence szacuje, że nawet 73% zadań administracyjnych opieki zdrowotnej może zostać zautomatyzowanych przez sztuczną inteligencję, a wykorzystanie chatbot’ów może przynosić oszczędności sektorom opieki zdrowotnej, bankowości i handlu detalicznego $11mld rocznie do 2023rPodsumowując, chatbot’y stają się głównym nurtem różnych funkcji biznesowych i aplikacji konsumenckich. Automatyzacja wzmocni swoje korzenie i przezwycięży wszystkie wyzwania związane z chatbot’ami, przed którymi obecnie stoją firmy. Dogłębne zrozumienie wymagań biznesowych i odpowiednie wdrożenie botów znacznie wpłynie na doświadczenia Klientów.
Jeśli podoba Ci się ten artykuł, myślę, że może Ci się również spodobać:
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:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
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:
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:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
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”
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:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
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:
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:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
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:
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:
Witaj
Już prawie się zapisałeś, sprawdź mail i potwierdź subskrypcję.
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:
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.
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:
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:
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.
