Machine learning to obecnie jeden z najczęściej pojawiających się terminów w świecie technologicznym. I mimo, że koncepcja uczenia maszynowego jest znana od dawna, to dopiero rozwój technologiczny ostatnich lat spowodował, że zyskała ona na popularności i dzisiaj jest jednym z trendów, które zmieniają obraz współczesnego biznesu. Czy machine learning jest tylko dla dużych graczy? Nie. Jednak, żeby firma mogła w pełni wykorzystywać potencjał tej technologii, musi świadomie zmierzyć się z wyzwaniami jakie wiążą się z takim wdrożeniem.
Technologie nieustannie poddawane są procesom rozwojowym - od wynalezienia, przez wzbudzanie euforii, po stopniową komercjalizację. Dobrze obrazuje to model Gartnera ,,Hype Cycle for Emerging Technologies” (cykl szumu wokół technologii lub cykl dojrzałości technologii), który wyróżnia pięć faz przez które, zdaniem ekspertów instytutu, przechodzi każda nowa technologia w czasie swojego rozwoju. Najpierw mamy więc falę wznoszącą, czyli pierwsze informacje na temat technologii, badania, wdrożenia testowe, potem druga faza - dużo szumu oraz wielkie nadzieje i oczekiwania związane z technologią, tu mamy szerokie zainteresowanie ze strony prasy, pierwsze wdrożenia w firmach. Następnie ma miejsce trzecia faza - rozczarowania, wynikającego z pojawiających się ograniczeń danej technologii. Czwarta faza to naprawa tych ograniczeń i pojawiające się kolejne oczekiwania, zaś piąta faza to stabilizacja, faza dojrzała – czyli oczekiwania i możliwości są zbliżone, technologia osiąga pełną dojrzałość rynkową. W której fazie rozwoju jest teraz uczenie maszynowe? Według modelu cyklu szumu wokół technologii, jaki w 2017 roku zaprezentowała firma Gartner, machine learning znajduje się teraz w drugiej fazie rozwoju obok takich technologii jak m.in.: wirtualni asystenci, blockchain, autonomous driving (samochody autonomiczne), connected home (dom podłączony do internetu), czy cognitive computing.
- Technologie potrzebują różnej ilości czasu, żeby przesunąć się od fazy 1 do 5, jednym zajmuje to kilka lat, innym więcej niż 10. Doskonale widać to na przykładzie uczenia maszynowego, którego koncepcja jest znana od lat. Termin machine learning został zdefiniowany w 1959 r. przez Arthura Lee Samuel’a, a w drugiej fazie modelu Hype Cycle Gartnera pojawił się dopiero w 2015 roku i obecnie nadal się tam znajduje. Co ciekawe trzy lata temu uczenie maszynowe było nawet bliżej fazy trzeciej niż w 2017 roku. Dlaczego dopiero niedawno machine learning zyskał na popularności i zrobił się taki duży szum wokół tej technologii? Wiąże się z tym rozwój technologiczny, który z jednej strony wygenerował olbrzymią ilość danych, która codziennie jest tworzona, a którą biznes chciałby analizować w celu tworzenia nowych produktów i usług oraz optymalizowania swoich procesów biznesowych. Z drugiej strony, dzięki coraz większej mocy obliczeniowej oraz tańszych nośnikach do przechowywania danych możemy wykorzystywać możliwości uczenia maszynowego, aby z tej olbrzymiej ilości danych wyciągać potrzebne nam wnioski. Faza druga w cyklu wzrostu technologii oznacza, że jest to etap, gdzie ilość szumu rośnie, gdzie jest bardzo duże zainteresowanie możliwościami, a temat jest bardzo na topie. Oczekiwania często rosną znacznie szybciej niż biznes jest gotów je wykorzystać, co może spowodować przesunięcie się ku fazie trzeciej, gdzie następuje rozczarowanie wynikające z błędnego rozumienia możliwości. Obecnie jednak uczenie maszynowe to zdecydowanie trend mocno rozgrzewający biznes i nadal mający olbrzymi potencjał – mówi Jędrzej Fulara, CTO w Sparkbit.
Machine learning w biznesie
Pojawiają się coraz większe możliwości związane z wykorzystaniem machine learningu w biznesie. Człowiek nie jest wstanie poradzić sobie z natłokiem danych, których generuje się coraz więcej, dlatego to maszyna ma za zadanie je analizować i wyłuskać z nich te informacje, które są wstanie pomóc rozwijać się firmie. Co więcej dla algorytmów opartych na uczeniu maszynowym im więcej jakościowych danych tym lepiej. Według Deloitte, w roku 2018 wzrośnie wykorzystanie funkcji samouczenia się maszyn w średnich i dużych przedsiębiorstwach. Liczba wdrożeń i projektów pilotażowych opartych o tę technologię podwoi się w porównaniu z rokiem 2017, by ponownie dwukrotnie wzrosnąć do roku 2020.[1] Machine learning ułatwia firmom skupienie wysiłków na optymalizacji procesów, tworzeniu nowych dochodowych rozwiązań dostosowanych do potrzeb klientów, przy jednoczesnym zwiększeniu ich zadowolenia z produktu i całościowej obsługi. Wdrożenie w firmie systemów machine learning może też poprawić zaangażowanie pracowników, zwiększyć ich produktywność, dzięki odciążeniu ich pracy przez chociażby chatboty. W jakich obszarach obecnie najczęściej wykorzystywane jest uczenie maszynowe? Oto kilka przykładów:
· Finanse - automatyzacja procesów
Grupa banków w Australii i Nowej Zelandii, wdrożyła niemalże całkowitą automatyzację ponad 40 różnych procesów, w tym spłaty kredytów hipotecznych i tworzenia półrocznego audytu, zawierającego dane pobrane z kilkunastu różnych systemów, zyskując dzięki temu w niektórych obszarach nawet 30% oszczędności w skali roku. Branża finansowa wykorzystuje też uczenie maszynowe m.in. do wykrywania oszustów i zarządzania ryzykiem, oceny zdolności kredytowej, analizy i standaryzacji danych, wirtualnej obsługi klientów oraz ich profilowania.
· Obsługa klienta
Jest to jeden z najbardziej atrakcyjnych obszarów wykorzystania możliwości uczenia maszynowego w firmie, które dodatkowo stosunkowo łatwo wdrożyć. Korzyści? Obniżenie kosztów, poprawa jakości obsługi i usprawnienie jej, a z drugiej strony możliwość uniknięcia potencjalnych problemów. Już teraz wiele firm korzysta z chatbotów, analizuje historyczne dane z obsługi klienta, monitoruje ich aktywność w sieci, a na tej podstawie proponuje nowe produkty i usługi dostosowane do preferencji klienta.
● Logistyka – sprawny łańcuch dostaw
Dzięki kompleksowej analizie opartej o machine learning, nie tylko można ulepszyć system zamówień, zapewnić terminową dostępność produktu, zautomatyzować zarządzanie asortymentem oraz zasobami, ale też przewidywać potencjalne problemy z dostawą zanim jeszcze powstaną.
● Analiza danych w celu:
a. Przewidywania popytu i predykcji problemów/awarii
b. Rekomendacji produktów (marketing, reklamy), treści (np. Facebook, Netflix, Spotify)
c. Określenia poziomu lojalność klienta
d. Tworzenia nowych produktów i usług
● Medycyna – wsparcie w wykrywaniu chorób, roboty pomagające przeprowadzać operacje, projektowanie leków
● HR – usprawnienia procesu rekrutacji pracowników
Mimo coraz większej popularności machine learning, wciąż wiele firm nie wie jak odpowiednio wykorzystać jego możliwości w swoim rozwoju. Żeby wdrożyć uczenie maszynowe trzeba nie tylko posiadać odpowiednią infrastrukturę, wiedzę i dane, na których działamy, ale też mieć odpowiednio wykwalifikowany zespół, który jest w stanie zrealizować takie wdrożenie. Zanim zdecydujemy się na sięgnięcie po machine learning trzeba zrobić odpowiednią analizę, czy rzeczywiście dysponujemy odpowiednimi danymi. Wytrenowanie algorytmu może nie być możliwe, gdy będzie ich mało, nie będą reprezentatywne lub będą mocno zaszumione. Uczenie maszynowe nie naprawi danych, a jeśli ich jakość nie jest wystarczająca może to powodować problemy z jakością analizy i wniosków, które otrzymujemy w wyniku zastosowania algorytmu.
- Maszynowe uczenie znalazło zastosowanie w najnowocześniejszych systemach decyzyjnych. AI trafiło do banków, ubezpieczalni, administracji rządowej, szkolnictwa i prywatnych firm. Zastąpiła tam człowieka pod obietnicą wyższej wydajności. Decydując o przyznaniu kredytu, przyjęciu na uczelnię, cenie ubezpieczenia, czy nawet ryzyku kryminalnej recydywy. Chcielibyśmy więc, by swoje decyzje systemy takie podejmowały w sposób neutralny i sprawiedliwy. Tylko czy jest to możliwe? Odpowiedź na to pytanie nie jest w tym momencie łatwa. Z jednej strony bowiem musimy dostarczyć dużą liczbę odpowiedniej jakości danych, na których będziemy pracować, a często się zdarza, że takich nie mamy. Przykładowo na dzień dzisiejszy trudno jest przewidywać ryzyko wystąpienia trzęsienia ziemi czy tsunami za pomocą algorytmów uczenia maszynowego, ponieważ nie mamy wystarczająco dużo danych, na podstawie których maszyna mogłaby się uczyć. Kolejne pytanie jakie należałoby zadać brzmi ,,Czy człowiek, który przygotował ten pierwotny zbiór danych do nauki jest skuteczny?” Ten okres intensywnego rozwoju technik maszynowego uczenia, który mamy już za sobą pokazał, że sztuczna inteligencja czasem podejmuje decyzje, z którymi mamy niestety problemy. Dlaczego? Niewinni ludzie byli oznaczani jako terroryści, kierowcy tracili prawa jazdy, pracownicy byli zwalniani, CV kandydatów odrzucane – tylko dlatego, że AI źle ich oceniło. Zła zaś ocena wcale nie wynikała z błędów w oprogramowaniu, lecz z bardzo trudnych do namierzenia błędów w szkoleniu, przede wszystkim dostarczenia zbioru danych, który sam w sobie zawierał to, co nazywamy w statystyce błędem systematycznym doboru próby (selection bias). Czasem zdarza się też maszynowa dyskryminacja w przypadkach, gdy sztuczna inteligencja jest szkolona na niewystarczająco losowej próbce populacji, dochodzi do sytuacji, w której niektórzy członkowie tej populacji są rzadziej, a inni częściej włączani do zbioru danych. Gdy zachodzi generalizacja tej wyuczonej selekcji, w decyzjach sztucznej inteligencji będą odzwierciedlały się te błędy, bez świadomości, że decyzje były niesprawiedliwe – mówi Jędrzej Fulara, CTO w Sparkbit.
Uczenie maszynowe ma w sobie olbrzymi potencjał, ale trzeba je wdrażać w firmie mądrze. Złe zastosowanie machine learning może generować duże i w praktyce niepotrzebne koszty. Najpierw więc należy zrobić odpowiednią analizę czy w naszej firmie wdrożenie algorytmów uczenia maszynowego ma sens. Jeśli mamy odpowiednie dane, infrastrukturę i z biznesowego punktu widzenia istnieje możliwość, że w ten sposób nasze przedsiębiorstwo będzie się rozwijać, to jak najbardziej warto zainwestować w machine learning.
