Принятие решений имеет решающее значение для успеха любой организации, поскольку оно напрямую влияет на способность компании достигать своих целей. По данным McKinsey, более половины руководителей высшего звена тратят более 30% своего времени на принятие решений. Это подчеркивает важность принятия решений на самом высоком уровне организации. Однако такое же количество руководителей высшего звена считает, что только 50% времени, затрачиваемого на принятие решений, продуктивно, а это означает, что значительная часть их времени тратится на неэффективное принятие решений. Это не только пустая трата времени, но и приводит к принятию неверных решений и в конечном итоге может нанести вред организации.

Системы поддержки принятия решений в бизнесе

Размер рынка систем поддержки принятия решений (СППР) варьируется в зависимости от источника и конкретного рассматриваемого подсегмента СППР. Однако в целом ожидается, что мировой рынок DSS будет расти значительными темпами в ближайшие годы.

Согласно отчету MarketsandMarkets, ожидается, что размер мирового рынка DSS вырастет с 11,6 млрд долларов США в 2021 году до 21,1 млрд долларов США к 2026 году при среднегодовом темпе роста 12,3% в течение прогнозируемого периода. Рынок обусловлен растущей потребностью в принятии решений на основе данных, растущим внедрением инструментов аналитики и бизнес-аналитики, а также растущим использованием больших данных и Интернета вещей в различных отраслях.

В другом отчете Research and Markets оценивается размер мирового рынка DSS в 12,5 млрд долларов США в 2020 году, и ожидается, что совокупный годовой темп роста (CAGR) составит 11,9% в период с 2021 по 2028 год.

Что касается сегмента, ожидается, что сегмент расширенной аналитики будет расти с самым высоким среднегодовым темпом роста в течение прогнозируемого периода. Растущая потребность в расширенной аналитике для получения действенной информации и растущее внедрение аналитики больших данных являются одними из факторов, стимулирующих рост этого сегмента. Еще один сегмент с быстрым расширением рынка — военные. Мой товарищ по команде показывает интересную точку зрения на ИИ в современной войне и роль систем поддержки принятия решений.

Что такое системы поддержки принятия решений?

Система поддержки принятия решений (DSS) — это инструмент, который помогает людям принимать решения, предоставляя им соответствующую информацию, аналитику и возможности моделирования. DSS используется в различных условиях, таких как управление компанией, правительство, здравоохранение и военные операции. Вот несколько примеров из разных отраслей:

  • Личные финансы: помогает людям принимать обоснованные решения об управлении своими деньгами, например о составлении бюджета и планировании инвестиций.
  • Здравоохранение —помогает врачам и другим медицинским работникам ставить диагнозы, выбирать методы лечения и управлять уходом за пациентами.
  • Розничная торговля: помогает розничным продавцам анализировать данные о продажах и принимать решения об управлении запасами, ценообразовании и рекламных акциях.
  • Транспорт — помогает оптимизировать маршруты и графики общественного транспорта, грузовых автомобилей и других видов транспорта.
  • Управление чрезвычайными ситуациями — помогает управлять ресурсами и реагировать на чрезвычайные ситуации и стихийные бедствия.

Одно распространенное заблуждение о системе поддержки принятия решений состоит в том, что это компьютерная программа. Ранние DSS полностью полагались на людей, а не на технологии. Они полагались на человеческий опыт, правила и эвристику для поддержки принятия решений. Такой DSS может быть таким же простым, как контрольный список или блок-схема, которая направляет лицо, принимающее решение, в процессе.

Одним из примеров DSS с участием человека является система поддержки принятия решений по смягчению последствий стихийных бедствий на раннем этапе. Эта система представляет собой набор руководств, контрольных списков и процедур, которым следуют аварийно-спасательные службы при реагировании на стихийные бедствия, такие как ураганы, землетрясения или наводнения. Это помогает аварийно-спасательным службам быстро выявлять потенциальные опасности, расставлять приоритеты и принимать решения об эвакуации, спасении и восстановительных работах.

Строительные блоки DSS

Система поддержки принятия решений состоит из трех основных групп компонентов, включая базу знаний, модель и пользовательский интерфейс.

  1. База знаний. База знаний является основой DSS и содержит все соответствующие данные, информацию и знания, необходимые DSS для принятия решений. Реализация современной базы знаний поддерживает хранение как структурированных, так и неструктурированных данных. Он включает данные из различных источников, таких как базы данных, электронные таблицы, потоки данных и внешние API. Кроме того, анализ моделей, моделирование и обратная связь с пользователями представляют собой форму данных, и поэтому база знаний хранит их для будущих улучшений системы.
  2. Модель. Модель является частью DSS, которая обрабатывает и анализирует данные из базы знаний. Модель может быть простой системой, основанной на правилах, или сложным алгоритмом машинного обучения. Помимо анализа данных, модели создают симуляции, выявляют тенденции, шаблоны и идеи, а также дают рекомендации. Из-за необходимости обрабатывать огромные объемы данных мы используем современные архитектуры данных.
  3. Пользовательский интерфейс. Пользовательский интерфейс — это часть DSS, взаимодействующая с пользователем. Это позволяет пользователю получить доступ к базе знаний и модели. Цель пользовательского интерфейса DSS — позволить пользователям полностью сосредоточиться на принятии решений, предоставляя при этом все необходимые данные, результаты моделирования и рекомендации. Это означает, что проектирование удобного и простого в использовании является одним из ключевых моментов для разработчиков DSS. Пользовательский интерфейс системы поддержки принятия решений может быть графическим, например веб-приложением или мобильным приложением. На данный момент это самый распространенный вариант. Однако не у каждого пользователя есть огромный экран для чтения всех графиков и данных. Новейшие тенденции в UX для моделей ИИ следуют более широкому использованию голосовых чат-ботов и пользовательских интерфейсов на основе AR/VR. Оба эти варианта предлагают интересный и удобный способ взаимодействия с DSS. Кроме того, производители современных СХД вкладывают средства в персонализацию на основе потребностей, предпочтений и задач пользователей.

Преимущества ИИ

Обработка неструктурированных данных

Использование компьютерного зрения (CV) и обработки естественного языка (NLP) в системах поддержки принятия решений значительно улучшает их возможности, позволяя им обрабатывать и анализировать огромные объемы неструктурированных данных. CV помогает анализировать визуальные данные, такие как изображения и видео, в то время как NLP фокусируется на анализе текстовых данных, таких как сообщения в социальных сетях и отзывы клиентов. Это позволяет DSS получать информацию из самых разных источников, которые в противном случае было бы трудно или невозможно обработать.

Самосовершенствование

Использование обучения с подкреплением (RL) в системах поддержки принятия решений значительно улучшает их возможности, позволяя им учиться на собственном опыте и со временем улучшать процесс принятия решений. RL — это тип машинного обучения, который фокусируется на обучении моделей принятию решений на основе вознаграждений или наказаний. Примером в обрабатывающей промышленности является умная фабрика, где DSS помогает оптимизировать процессы производства. RL позволяет самосовершенствоваться на основе прошлых показателей успеха и обратной связи с завода, что приводит к более эффективному принятию решений. Со временем система учится на своем опыте и становится более точной и эффективной. Это приводит к улучшению качества продукции, стоимости производства и эффективности.

Многозадачное обучение

Модели многозадачного обучения (MTL) полезны для систем поддержки принятия решений, поскольку они позволяют моделям учиться на нескольких задачах одновременно. Такие модели могут обобщать аналогичные или перекрывающиеся задачи, что повышает производительность системы при выполнении новых и неизвестных задач. Особенно когда сбор данных для каждой отдельной задачи является сложным или нерентабельным, модели MTL помогают повторно использовать уже полученные и очищенные данные. Дополнительным преимуществом моделей MTL является то, что они повышают надежность DSS за счет обучения из нескольких источников данных. В свою очередь, это повышает точность решений, даже если некоторые данные отсутствуют или ненадежны.

Пользовательский интерфейс

Чат-боты с большими языковыми моделями в системах поддержки принятия решений меняют способ взаимодействия пользователей с системами по всему миру. В настоящее время использование только графических интерфейсов слишком ограничивает возможности. Обработка естественного языка (NLP) продвигается вперед, используя естественный язык, чтобы запрашивать информацию в контексте, находящемся в руках людей. Еще одним примером изменений в области пользовательских интерфейсов является взаимодействие с пользователем на основе виртуальной или дополненной реальности. Генеративно-состязательные сети (GAN) создают реалистичные симуляции, которые обеспечивают пользователям более захватывающий и интерактивный опыт. Полностью используя эти новые способы взаимодействия, DSS становятся более доступными и удобными для пользователя.

Краткое содержание

Системы поддержки принятия решений на основе искусственного интеллекта присутствуют в нашей повседневной жизни. От здравоохранения и финансов до транспорта и розничной торговли DSS помогают организациям принимать более обоснованные решения. С развитием ИИ возможности DSS постоянно улучшаются. Такие методы, как компьютерное зрение, обработка естественного языка, обучение с подкреплением и трансформеры, расширяют возможности DSS. ИИ революционизирует дизайн DSS, позволяя ему обрабатывать больше типов данных, таких как изображения и видео, извлекать важную информацию из текстов и предоставлять новые методы взаимодействия с DSS. Все большее число компаний используют чат-боты с моделями больших языков в качестве пользовательских интерфейсов, добиваясь более плавного и удобного взаимодействия с DSS.

Однако самой большой проблемой для людей является эффективное использование этих мощных инструментов в наших интересах. Поскольку DSS продолжают становиться все более распространенными, для отдельных лиц и организаций важно понимать, как их использовать эффективно и с соблюдением этических норм. Это включает в себя понимание ограничений систем и обеспечение того, чтобы системы были прозрачными, объяснимыми и справедливыми. Таким образом, мы в полной мере используем возможности DSS для принятия более обоснованных и эффективных решений и улучшения нашей жизни и общества.

Для получения дополнительной информации следуйте за мной на: