Сегодняшние ведущие организации используют инструменты на основе машинного обучения для автоматизации процессов принятия решений и начинают экспериментировать с более продвинутым использованием искусственного интеллекта (ИИ) для цифровой трансформации. По прогнозам, в 2017 году корпоративные инвестиции в искусственный интеллект увеличатся втрое, а к 2025 году рынок достигнет 100 миллиардов долларов. Только в прошлом году венчурные инвестиции в машинное обучение составили 5 миллиардов долларов. В недавнем опросе 30% респондентов предсказали, что ИИ станет самым большим прорывом в их отрасли в ближайшие пять лет. Это, без сомнения, окажет глубокое влияние на рабочие места.
Машинное обучение позволяет компаниям ускорить рост выручки и оптимизировать процессы, повышая вовлеченность сотрудников и повышая удовлетворенность клиентов. Вот несколько конкретных примеров того, как ИИ и машинное обучение сегодня создают ценность для компаний:

Персонализация обслуживания клиентов. Потенциал улучшения обслуживания клиентов при одновременном снижении затрат делает эту область одной из самых захватывающих возможностей. Сочетая исторические данные обслуживания клиентов, обработку естественного языка и алгоритмы, которые постоянно учатся на основе взаимодействий, клиенты могут задавать вопросы и получать высококачественные ответы. Фактически, 44% потребителей в США уже предпочитают чат-ботов людям для общения с клиентами. Представители службы поддержки могут вмешиваться для обработки исключений, а алгоритмы оглядываются через их плечи, чтобы узнать, что делать в следующий раз.

Повышение лояльности и удержания клиентов. Компании могут собирать данные о действиях клиентов, транзакциях и социальных настроениях, чтобы выявлять клиентов, которые рискуют уйти. В сочетании с данными о прибыльности это позволяет организациям оптимизировать стратегии «следующего наилучшего действия» и персонализировать комплексное обслуживание клиентов. Например, молодые люди, отказывающиеся от планов мобильных телефонов своих родителей, часто переходят к другим операторам связи. Телекоммуникационные компании могут использовать машинное обучение, чтобы предвидеть такое поведение и делать индивидуальные предложения на основе индивидуальных моделей использования, прежде чем они перейдут к конкурентам.

Найм правильных людей. Корпоративные вакансии требуют около 250 резюме на каждого, и более половины опрошенных рекрутеров говорят, что отбор квалифицированных кандидатов является самой сложной частью их работы. Программное обеспечение быстро просматривает тысячи заявлений о приеме на работу и отбирает кандидатов, обладающих полномочиями, которые с наибольшей вероятностью добьются успеха в компании. Необходимо проявлять осторожность, чтобы не усиливать какие-либо человеческие предубеждения, подразумеваемые при предыдущем приеме на работу. Но программное обеспечение также может бороться с человеческой предвзятостью, автоматически помечая необъективные формулировки в описаниях вакансий, выявляя высококвалифицированных кандидатов, которые могли быть упущены из виду, потому что они не соответствовали традиционным ожиданиям.

Автоматизация финансов. ИИ может ускорить «обработку исключений» во многих финансовых процессах. Например, когда платеж получен без номера заказа, человек должен разобраться, какому заказу соответствует платеж, и определить, что делать с любым превышением или недостачей. Отслеживая существующие процессы и учась распознавать различные ситуации, ИИ значительно увеличивает количество счетов, которые могут быть сопоставлены автоматически. Это позволяет организациям сократить объем работы, отдаваемой на аутсорсинг в сервисные центры, и освобождает финансовый персонал, чтобы сосредоточиться на стратегических задачах.

Измерение узнаваемости бренда. Автоматизированные программы могут распознавать продукты, людей, логотипы и многое другое. Например, расширенное распознавание изображений можно использовать для отслеживания положения логотипов брендов, которые появляются на видеозаписи спортивного мероприятия, например баскетбольного матча. Корпоративные спонсоры могут увидеть окупаемость своих спонсорских инвестиций с подробным анализом, включая количество, продолжительность и размещение корпоративных логотипов.
Обнаружение мошенничества. Типичная организация ежегодно теряет 5% доходов из-за мошенничества. Создавая модели на основе исторических транзакций, информации из социальных сетей и других внешних источников данных, алгоритмы машинного обучения могут использовать распознавание образов для выявления аномалий, исключений и выбросов. Это помогает обнаруживать и предотвращать мошеннические транзакции в режиме реального времени, даже для ранее неизвестных видов мошенничества. Например, банки могут использовать исторические данные о транзакциях для создания алгоритмов, распознающих мошенническое поведение. Они также могут обнаруживать подозрительные схемы платежей и переводов между сетями физических лиц с пересекающимися корпоративными связями. Этот тип «алгоритмической безопасности» применим к широкому кругу ситуаций, таких как кибербезопасность и уклонение от уплаты налогов.
Прогностическое обслуживание. Машинное обучение позволяет обнаруживать аномалии температуры оси поезда, указывающие на то, что она замерзнет в ближайшие несколько часов. Вместо того, чтобы сотни пассажиров застряли в сельской местности в ожидании дорогостоящего ремонта, поезд можно перевести на техническое обслуживание до того, как он выйдет из строя, а пассажиров пересадить на другой поезд.

Более гладкие цепочки поставок. Машинное обучение позволяет проводить контекстный анализ логистических данных для прогнозирования и снижения рисков цепочки поставок. Алгоритмы могут просеивать общедоступные социальные данные и новостные ленты на нескольких языках, чтобы обнаруживать, например, пожар на удаленном заводе, производящем жизненно важные шарикоподшипники, которые используются в автомобильной трансмиссии.
Другие области, в которых вскоре может появиться искусственный интеллект обычно используемые включают:

Планирование карьеры. Рекомендации могут помочь сотрудникам выбрать карьерный путь, который приведет к высокой производительности, удовлетворенности и удержанию. Если человек с инженерным образованием хочет когда-нибудь возглавить подразделение, какое дополнительное образование и опыт работы он должен получить и в каком порядке?

Управление активами с помощью дронов и спутников. Дроны, оснащенные камерами, могут выполнять регулярные внешние осмотры коммерческих сооружений, таких как мосты или самолеты, с автоматическим анализом изображений для обнаружения новых трещин или изменений поверхностей.

Анализ розничной полки. Компания по производству спортивных напитков может использовать машинный интеллект в сочетании с машинным зрением, чтобы увидеть, находятся ли витрины в магазине в обещанном месте, правильно ли заполнены полки продуктами и этикетки продуктов обращены наружу.

Машинное обучение позволяет компании переосмыслить сквозные бизнес-процессы с помощью цифрового интеллекта. Потенциал огромен. Вот почему поставщики программного обеспечения вкладывают значительные средства в добавление ИИ к своим существующим приложениям и в создание новых решений.

Но есть препятствия, которые нужно преодолеть. Наиболее важным является наличие большого количества высококачественных данных, которые можно использовать для обучения алгоритмов. Во многих организациях данные не хранятся в одном месте или в пригодном для использования формате, либо они содержат предвзятость, которая приводит к неправильным решениям. Чтобы подготовить свое предприятие к будущему, первым шагом является оценка существующих информационных систем и потоков данных, чтобы отличить области, которые готовы к автоматизации, от тех, где требуются дополнительные инвестиции. Рассмотрите возможность назначения директора по данным для обеспечения надлежащего управления данными как корпоративным активом.

Другая проблема — расстановка приоритетов; с таким количеством возможностей может быть трудно понять, с чего начать. Чтобы облегчить это бремя, поставщики программного обеспечения начинают предлагать готовые готовые решения с передовыми технологиями машинного обучения. Многие организации также внедряют центры передового опыта ИИ для тесного сотрудничества с бизнес-подразделениями. С чего бы вы ни начинали, важно связать проекты с долгосрочной стратегией цифровой платформы, чтобы избежать разъединения островков инноваций.

Наконец, не стоит недооценивать культурные барьеры. Многие сотрудники беспокоятся о последствиях всех этих технологий для своих ролей. Для большинства это будет возможность сократить утомительные задачи и сделать больше, но крайне важно, чтобы у сотрудников были стимулы для обеспечения успеха новых инициатив в области машинного обучения. Вам также придется тщательно подумать о клиентах. ИИ может расширить возможности получения информации из данных о клиентах — возможно, за пределами того, что клиенты чувствуют себя комфортно. Организации должны серьезно относиться к конфиденциальности, а использование компьютеров для принятия важных решений требует тщательного управления. Они должны внедрить процедуры для проверки реального воздействия любых автоматизированных систем, и в рамках этих процессов всегда должны быть средства защиты и обходные пути. Системы ИИ, которые используют данные о людях, должны включать информированное согласие.

Продолжающийся рост ИИ неизбежен, и он продвигается на рабочие места с головокружительной скоростью. Вопрос сейчас не в том, должны ли менеджеры исследовать внедрение ИИ, а в том, как быстро они могут это сделать. В то же время организациям необходимо задуматься о том, как они применяют ИИ в своих организациях, с полным пониманием преимуществ и недостатков, присущих этой технологии.
Источник статьи: https://hbr.org /2017/05/8-способов-машинного-обучения-это-улучшение-рабочих-процессов-компаний