Автоматизированное машинное обучение и улучшенное управление правилами определяют будущее автоматизации принятия решений ☝

Клиенты хотят быстро получить доступ к цифровым технологиям, а компании хотят сократить расходы, что делает автоматизацию решений очевидным выбором для дальновидных предприятий. Однако автоматизация критически важных и объемных решений исторически оказалась сложной задачей.

Традиционные подходы к автоматизации принятия решений требовали много времени для внедрения и управления. Использование технологий для замены человеческого суждения имеет очевидные преимущества, но большинству организаций, особенно малых и средних предприятий, исторически не хватало значительного технического и статистического опыта, необходимого для преобразования оценочных процессов в кодифицированные бизнес-правила и модели прогнозирования.

В результате образовался большой разрыв в возможностях между «имущими» и «неимущими». Крупные предприятия получили значительные преимущества благодаря инвестициям в данные и науку о принятии решений, особенно в сферах с интенсивным использованием данных, таких как страхование, банковское дело и розничная торговля, оставив позади малые предприятия.

Мой коллега Джош недавно обсуждал, как Автоматическое машинное обучение (AutoML) выравнивает игровое поле между крупными и небольшими компаниями. Я хотел развить этот фрагмент, исследуя историю автоматизации принятия решений и , как компании используют последние достижения в области машинного обучения, облачных вычислений и фреймворков взаимодействия с пользователем, чтобы определять будущее принятия решений.

Прошлое = жестко запрограммированная логика принятия решений

С момента изобретения первых компьютеров люди программируют в них логику принятия решений. В бизнес-контексте этот процесс обычно выглядит примерно так:

  • Менеджер определяет решение об автоматизации и поручает работу аналитику
  • Аналитик создает правила принятия решений и рабочие процессы (часто в виде электронной таблицы), которые затем передаются ИТ-команде.
  • ИТ-команда «жестко кодирует» логику непосредственно в проприетарные бизнес-приложения, которые выполняют решение.

Это кажется простым, но на практике большинству компаний требуется несколько месяцев или даже лет, чтобы перейти от концепции к запуску. Кодирование логики принятия решений - сложная задача, ее реализация требует много времени и требует нескольких итераций для тестирования, выявления и исправления проблем. Вовлечено множество сторон, бизнес-требования часто теряются при переводе между командами, и никто не может видеть весь процесс. К тому времени, когда автоматизация готова к выпуску, требования менялись несколько раз, и все были разочарованы.

Проблемы не заканчиваются на начальном этапе внедрения. После того, как логика развернута, будущие корректировки затруднены, поскольку каждое изменение требует аналогичного процесса планирования, реализации, тестирования и развертывания. Проблема с логикой «жесткого кодирования» состоит в том, что он часто превращается в запутанный беспорядок кода, который находится в нескольких системах, которыми управляют разные команды. Лишь немногие люди полностью понимают, как это работает, и когда эти люди уходят из компании, знания теряются. Я работал над очень болезненными проектами, и нам пришлось потратить месяцы, на понимание того, как сложная логика принятия решений работает в нескольких системах, просто чтобы мы могли внести несколько небольших изменений без неожиданных последствий.

Логика «если-то-то-то» также очень ограничивает. Он отлично подходит для решений, которые следуют простым и понятным шаблонам, однако он плохо масштабируется для сложных решений, на которые влияет множество факторов. Например, использование жестко запрограммированной логики принятия решений для точного прогнозирования требований к запасам для розничного продавца практически невозможно, поскольку необходимо учитывать очень много переменных.

К счастью, несколько лет назад некоторые умные люди придумали отличное решение для решения этих проблем - системы управления правилами.

Настоящее = Системы управления правилами

Системы управления правилами - это технологические платформы, которые позволяют пользователям управлять правилами и процессами принятия решений. Обычно они состоят из среды разработки (где управляются правила) и механизма принятия решений (который выполняет решения).

Ранние системы управления правилами все еще требовали кодирования, однако это было сделано в более контролируемой среде. Логика для данного решения была централизована в платформе управления правилами, и любой, кто мог читать язык программирования (например, Java), мог понять процесс принятия решения. Внедрение по-прежнему занимало много времени и, как правило, требовало координации нескольких групп, однако процесс развертывания был упрощен, а постоянные изменения вносить намного проще.

В последние годы такие компании, как DigiFi, продвинули концепцию управления правилами на шаг вперед, создав платформы, которые не требуют какого-либо кодирования, а вместо этого предоставляют визуальные инструменты для реализации сложной логики принятия решений и управления ею. Это революционизирует то, как компании могут автоматизировать решения, потому что теперь «деловые люди» могут реализовать и развернуть логику (или, по крайней мере, прочитать и понять ее!). Поскольку кодирование не требуется, внедрение происходит быстро - работа, реализация которой раньше занимала месяцы, а тестирование часто может быть завершено за несколько дней. Кроме того, новейшие платформы управления правилами включают в себя всесторонние возможности тестирования и развертывания, что позволяет пользователям быстро выполнять итерацию перед внесением изменений на производственном уровне.

Системы управления правилами решают многие проблемы, с которыми компании сталкиваются при автоматизации процессов принятия решений, однако нам требуется дополнительный инструмент - предиктивная аналитика - для автоматизации решений там, где невозможно создать логику, основанную на правилах.

Будущее = автоматизированное машинное обучение

Системы управления правилами являются мощными, но они по-прежнему требуют возможности кодифицировать логику и правила, необходимые для принятия решения. На практике это очень ограничивающее требование.

Важные бизнес-решения часто бывают сложными. Например, когда страховая компания принимает решение о выпуске полиса, ей необходимо учитывать сразу сотни переменных. Сводить сложные решения к набору правил может оказаться непрактичным, что является основной причиной того, почему во многих компаниях критические решения по-прежнему основываются на человеческом суждении.

Прогнозные модели помогают решить эту проблему. Вместо того, чтобы определять конкретные правила человеку, можно использовать статистические инструменты для построения прогнозных моделей. Обычно это лучший вариант для решений, на которые влияет множество факторов. Однако для создания этих моделей обычно требуется значительный опыт, а у большинства компаний нет доступа к необходимым техническим ресурсам.

Автоматизированное машинное обучение (или AutoML) устраняет этот пробел. Идея проста - предоставить необработанные исторические данные, а AutoML учится на предыдущих наблюдениях, чтобы обучить модель, которая может генерировать будущие прогнозы. Если вы хотите предсказать, кто не выплатит кредит, просто загрузите исторические данные и * вуаля * - у вас есть прогностическая модель, которая может спрогнозировать вероятность дефолта!

Хорошие новости - появился AutoML. Чтобы сделать это реальностью, потребовалось несколько серьезных достижений, включая облачные вычисления, глубокое обучение и широкое сообщество разработчиков ПО с открытым исходным кодом, которое делает базовые инструменты широко доступными (например, TensorFlow, scikit-learn). Такие компании, как DigiFi, сейчас работают над тем, чтобы автоматическое машинное обучение стало широко доступным для предприятий любого размера.

Заключение

Не существует универсального ответа на вопрос автоматизации принятия решений. В некоторых ситуациях требуется машинное обучение, в других требуется управление правилами, для многих требуется и то, и другое, а некоторые более простые решения по-прежнему лучше всего принимаются с помощью жестко запрограммированной логики. Замечательная новость заключается в том, что автоматизировать сложные процессы принятия решений становится все проще и проще, что принесет пользу обоим предприятиям любого размера.

Первоначально опубликовано на сайте digifi.io 10 октября 2018 г.