Генеральный директор Edge Platforms, EdgeVerve Systems Limited.
Успешные и инновационные предприятия хорошо связаны. Они отличаются способностью грамотно подготавливать и использовать внешние данные. Искусственный интеллект (ИИ) способен улучшить источники, процессы и рабочие процедуры, делая хорошо управляемое предприятие более крепким, быстрым и конкурентоспособным.
Возможность получать доступ к данным от клиентов, поставщиков и других заинтересованных сторон является хорошим показателем способности организации принимать правильные решения. Ориентация на внешние данные, согласно авторам отчета McKinsey о инновационных компаниях, менее уязвима к предвзятостям и внутренней политике, а также позволяет быстро корректировать стратегии, приоритеты в области исследований и другие инициативы.
Примененные с умом информационные технологии могут улучшить процесс принятия решений и минимизировать издержки. Наличие правильной инфраструктуры данных дает возможность компании “разрушать (или как минимум прорывать) градирни”, как выразились в McKinsey. Вам нужны интегрированные сетевые подключения, более структурированные данные и платформа или основа, способная объединять рабочие процессы, задачи и аналитику. Все это может быть обогащено благодаря ИИ.
Интеграция данных – это сложное уравнение. В начале предприятия используют множество интерфейсов прикладного программирования (API), обычно связанных с коннекторами, для связи с источниками данных. Управление этими наборами – вызов. Один из способов это сделать – через краудсорсинг, обеспечивая повторное использование и адаптацию возможностей.
Многие из наших клиентов уже знакомы с возможностями майнинга задач роботизированной автоматизации процессов (RPA) и алгоритмов искусственного интеллекта/машинного обучения (ML). Но вы также можете использовать ИИ для создания и управления вашей инфраструктурой API.
Одним из новейших случаев использования генеративного ИИ (GenAI) является разработка, оптимизация и защита API. Такие развертывания могут в свою очередь запускать благоприятный цикл: упрощение существующих стеков API, что упрощает принятие решения о применении большего количества ИИ. Другим предпосылкой для использования данных является обеспечение их хорошей структурированности.
Связанное предприятие имеет дело с двумя типами данных. Существует структурированные (и полуструктурированные) данные, генерируемые машинами, которые могут поступать через коннекторы, управляемые API, с решениями управления отношениями с клиентами (CRM), платформами планирования предприятия (ERP) и другими основными системами ведения записей. Также существует намного больший объем неструктурированных данных, которые в основном созданы людьми.
Каждый день в крупные компании поступает или генерируется огромный объем запросов, жалоб, претензий, отчетов, выписок, переписки и многое другое. Все это вместе может составлять до 90% всех предприятий данных, по данным одного отчета IDC.
Использование этой первичной информации вовремя требует анализа информации (часто зарытой в градирнях) и ее структурирования в удобные форматы. Это было большой проблемой для управляющих данными в предприятиях. В этом отношении обработка естественного языка (NLP) и ИИ пришли вовремя. Эти автоматизированные инструменты могут преобразовать массив текста с помощью нескольких техник, включая:
• Быстрое распознавание сущностей: идентификация, сортировка и ранжирование именованных частей информации.
• Маркировка частей речи: назначение грамматической категории каждому слову.
• Семантический анализ: интерпретация правильного контекста слов с множеством значений.
• Извлечение ключевых слов: извлечение репрезентативных слов, выражающих ключевые аспекты содержания.
• Матрицы частотности: представление совместного появления лингвистических единиц.
• Анализ тональности: оценка текста на положительное, отрицательное или нейтральное отношение.
С помощью RPA, сценариев автоматизации и API вы можете создавать конвейеры данных. Одним из результатов является прямая обработка, которая может быть полезна для быстро обрабатываемых и высокотехнологичных процессов в приложениях от финансов до здравоохранения. Но новые задачи, связанные с улучшенным ИИ, который также может усилить существующие основные процессы обработки данных, требуют большего количества компонентов и подготовки. Например:
• Словари данных для определения структурированных данных, на которых начинается обучение модели GenAI, и менее структурированных данных, которые добавляют контекст.
• Каталоги данных для предоставления широкой и глубокой информации.
• Новые архитектуры данных (например, озера данных) для создания лучших решений хранения и форматов.
• Ручная обработка для создания контроля качества.
• Инженерия данных для преобразования данных в функции, которые увеличивают предсказательную способность системы.
Для интеграции активов данных, конвейеров и других компонентов организации обращаются к данным в виде тканей. Тут снова может помочь ИИ, например, генерация кода, построение моделей или визуализация результатов. Будь то самостоятельно или работая с поставщиком, целью должна быть общая платформа, которая объединяет задачи, работы, процессы, документы и информацию из базовых и партнерских систем.
Гонка началась. Компании, которые эффективно соединяются со всеми источниками данных, делают неструктурированные данные более удобными для использования и объединяют свою инфраструктуру данных, имеют преимущества, такие как меньше градирень, больше гибкости и большего разума. Расширенный ИИ может помочь достичь этих преимуществ.
Помимо рассмотренных выше трех случаев, ИИ расширяет возможности того, что возможно. Если вы изучаете расширенный ИИ, начните с очистки ваших коннекторов, сбора более структурированных данных и начала создания улучшенной данных. В хорошо связанном предприятии ИИ может обеспечить получение этих выгод и предоставить вашему персоналу данные и контекстные идеи в реальном времени, ключевые задатки для инноваций, гибкости и конкурентоспособности.
Forbes Business Council – ведущая организация по росту и сетевому маркетингу для владельцев бизнеса и лидеров. Подхожу ли я?
