Компании используют программное обеспечение, чтобы автоматизировать больше решений и дополнить некоторые человеческие решения, но многие из них склонны отдавать предпочтение ИИ, в частности машинному обучению, а не традиционным подходам. В результате в большинстве ИТ-портфелей решения машинного обучения становятся повсеместными даже там, где простые методы, такие как бизнес-правила, будут работать намного лучше.
Когнитивные вычисления прошли долгий путь, но все еще имеют несколько серьезных проблем. Например, хотя его стоимость значительно снизилась, обслуживание систем когнитивных вычислений по-прежнему остается дорогостоящим делом. Проекты машинного обучения также более рискованны, чем традиционные реализации. Что наиболее важно, проекты ML генерируют относительно значительный объем технического долга.
Поэтому организациям следует сначала попытаться решить проблемы, чтобы найти благоприятные компромиссы между затратами, выгодами и рисками, а не принимать ML в качестве выбора по умолчанию. Они должны знать, когда использовать традиционное программирование и где развертывать машинное обучение для решения своих сложных бизнес-задач. Для этого они должны задавать себе хорошо продуманные вопросы. Одним из таких вопросов может быть:
«Чтобы решить конкретную бизнес-проблему, какая правда была бы приемлемой или желательной? Буквальный или статистический
Если ответ на этот вопрос БУКВАЛЬНАЯ ПРАВДА, то BRMS (система управления бизнес-правилами) или любой другой аналогичный традиционный метод, такой как операторы IF ELSE, безоговорочно превзойдут ML. Когнитивные вычисления должны быть предпочтительной платформой, если СТАТИСТИЧЕСКАЯ ИСТИНА является приемлемым решением, а буквальная истина не существует как решение проблемы.
Буквальная правда:
Проблемы бизнеса, на которые влияют законы, правила, положения и деловая политика или которые определяются ими, эффективно решаются путем нахождения буквальной истины. Компании медицинского страхования, например, не хотели бы проверять льготы на основе статистической достоверности или решений, основанных на ОД, им нужно было бы точно знать право застрахованных лиц. Точно так же функции HR (человеческих ресурсов), которые строго регулируются корпоративными политиками, такими как C&B (компенсация и льготы), также не являются сильными кандидатами для развертывания на основе ML. Кроме того, бизнес-логику для пополнения определенных медицинских принадлежностей, таких как инсулин и тест-полоски для определения уровня сахара в крови, имеет больше смысла кодировать в правилах, а не встраивать в алгоритмы машинного обучения.
Статистическая правда:
Прогнозирование, классификация и рекомендации связанных бизнес-задач не могут быть решены со 100% точностью. Для них статистическая правда обычно является приемлемым решением. Таким образом, традиционные подходы здесь с большей вероятностью потерпят неудачу, чем решения на основе машинного обучения. Компании BFSI (банковские, финансовые и страховые услуги), например, не хотели бы, чтобы бизнес-правила помечали мошеннические транзакции. Точно так же интернет-магазинам будет очень тяжело, если они попытаются запустить свои механизмы рекомендаций, основанные на операторах IF и ELSE.
Другими словами, бизнес-правила отлично подходят для решения бизнес-задач, которые можно решить с уверенностью (100 % точности), тогда как машинное обучение — это проверенная технология управления неопределенностью (вероятностью). Таким образом, вопрос: «Чтобы решить конкретную бизнес-проблему, какая истина была бы приемлемой или желательной?» Буквальный или статистический», также можно перефразировать так:
«Можно ли бизнес-проблему превратить в задачу прогнозирования? “
Если ответ ДА, тогда внедрите машинное обучение, иначе изучите другие альтернативы, если не бизнес-правила.
Короче говоря, заблуждение о том, что вероятностные технологии (ML или глубокое обучение) могут превзойти детерминированные технологии (правила или традиционное компьютерное программирование) практически во всех сценариях, просто неверно. Предприятия должны следить за завышенными ожиданиями и бояться упустить ценность ИИ, чтобы избежать поспешных и плохо продуманных решений, когда речь идет о выборе ИИ/МО вместо традиционных подходов. Чтобы лучше принимать решения, они должны стремиться узнать, какая конкретная технология подходит для их целей — возможно, лучший способ сделать это — задавать вопросы.
Узнайте больше о силе задавания вопросов на всем пути внедрения ИИ:
Присылайте мне свои мысли, вопросы, наблюдения и прогнозы, нажав «Добавить комментарий» к этому сообщению. Различные точки зрения всегда приветствуются, не стесняйтесь их публиковать.
Спасибо, что прочитали мой пост. Я регулярно пишу о новейших цифровых технологиях и инициативах цифровой трансформации. Чтобы читать мои будущие публикации, просто нажмите «Подписаться». Не стесняйтесь связаться со мной, а также.
Кроме того, вы можете узнать больше о передовых цифровых технологиях в статье Искусственный интеллект: звезда цифровой галактики: исследование цифровых изменений, инноваций и экономических преобразований. Он наполнен примерами из реальной жизни и призван служить учебником для упрощения и объяснения концепций, реализаций и последствий цифровой галактики на базе ИИ.
О Амите Асаве
Амит Асава — специалист по стратегическому бизнесу и цифровым технологиям и консультант. Он помогает предприятиям повышать эффективность своего бизнеса, ища, оценивая и внедряя технологические достижения. Он имеет большой опыт внедрения ИТ, цифровой оптимизации, преобразований и модернизации, включая системную интеграцию, реинжиниринг бизнес-процессов и управление организационными изменениями.
Примечание: это личное мнение автора. Этот контент не был прочитан или одобрен нынешним или бывшим работодателем до его публикации и не отражает их позиции, стратегии или мнения.
