Desatero tipů, jak začít s rozhodovací inteligencí

Úspěšné strategie rozhodovací inteligence však vyžadují porozumění tomu, jak jsou přijímána organizační rozhodnutí, a také závazek hodnotit výsledky a řídit a zlepšovat rozhodovací proces pomocí zpětné vazby.

„Není to technologie,“ říká analytik Gartneru Erick Brethenoux. „Je to disciplína vytvořená z mnoha různých technologií.“

Rozhodovací inteligence je podle analytické společnosti jedním z hlavních strategických technologických trendů pro rok 2022, přičemž se očekává, že více než třetina velkých organizací bude tuto disciplínu praktikovat už do roku 2023.

Tento trend přichází v době, kdy organizace potřebují činit rozhodnutí rychleji než kdy jindy – a v dosud nevídaném měřítku. Rozhodovací inteligence pomáhá poskytovat automatizovaný způsob rozhodování, což může společnostem pomoci zůstat konkurenceschopnými a splnit požadavky trhu, říká Brethenoux.

To však vyžaduje hluboké porozumění rozhodovacímu procesu, rizikům a výhodám pramenícím z každého rozhodnutí, přijatelné míře chyb a schopnosti odhadnout, jak moc byste si měli být jisti v jakémkoli rozhodnutí, které nabízejí vaše automatizované rozhodovací procesy.

Zde je několik tipů, které vám s tím vším pomohou.

1. Začněte s tím nejdostupnějším

Pomáhá začít s procesem, který je extrémně dobře definovaný, s nízkým rizikem a má velkou sbírku příkladů. Mnoho společností má takové procesy již zavedené a ne všechny jsou ještě plně automatizované.

Společnosti, které jsou příliš zaneprázdněné každodenním životem, si nemusejí všimnout, že tyto příležitosti promeškají, říká Ray Wang, hlavní analytik a zakladatel společnosti Constellation Research. „Pak se začnou divit, proč si konkurenti vedou lépe, ale v době, kdy se zapojí, už bude příliš pozdě.“

I když je proces již automatizován, přidání dalších faktorů do rozhodovacího enginu může zlepšit přesnost, říká. „Čím více atributů máte, tím je pravděpodobnější, že tyto věci spolu nekorelují,“ říká.

Rozhodnutí o hodnocení rizik lze například zlepšit zvážením denní doby nebo polohy uživatele.

Klíčovým přínosem však je, že rozhodovací inteligence není jednorázový a hotový proces. Svůj přístup musíte neustále vylepšovat na základě zpětné vazby.

2. Nechte se vést i novými daty

Čím častěji se proces opakuje a čím jasnější jsou výsledky, tím více příležitostí bude mít společnost ke zlepšení.

Například LexisNexis používá svůj produkt ThreatMetrix k přijímání 300 milionů rozhodnutí souvisejících s podvody denně, ale tato rozhodnutí nejsou 100% dokonalá.

„Jsme ve spektru přijímání mnoha rozhodnutí v rámci obrovského souboru dat, která nejsou život ohrožující, pokud je uděláme špatně,“ říká Matthias Baumhof, technický ředitel společnosti LexisNexis Risk Solutions. „Nabízejí však zákazníkům obrovskou hodnotu, pokud je na 99 % uvedeme správně.“

LexisNexis používá algoritmy strojového učení k třídění transakcí do profilů chování, aby bylo možné předpovědět, zda je některá konkrétní transakce podvodná nebo podezřelá. K dispozici jsou historická data pro počáteční tréninkovou sadu i probíhající školení.

„Pokud se po několika dnech potvrdí, že současná transakce je podvodná, a oni nám to sdělí, můžeme se z potvrzeného podvodného chování poučit,“ říká s tím, že pro každého, kdo chce co nejlépe využít rozhodovací informace s tím, jak se mění vzorce chování. „Určité množství učení je vždy běžné. Pokud se neučíte, ve skutečnosti zaostáváte.“

3. Vylaďte své algoritmy

Bodování rizika tradičně zahrnovalo řadu rozhodnutí if-then. Pokud by transakce přesáhla určitou částku nebo byla mimo domovskou oblast uživatele nebo s novým obchodníkem, byla by označena ke kontrole. Ale s tím, jak se rozhodnutí komplikují, je pro systémy „if-then“ těžké udržet krok.

„I když zákazníci léta ladili svá pravidla s analytiky podvodů, kteří znají tento prostor, přicházíme s modely strojového učení a překonáváme je,“ říká Baumhof. „Ale můžete je provozovat paralelně a získat to nejlepší z obou světů.“

Pište pro CIO Business World

Máte dobré nápady, máte co říct? Chcete se podělit o své znalosti se čtenáři CIO BW?

Je tu ideální příležitost. V redakci neustále hledáme externí autory, kteří rozšíří náš záběr. Nabízíme možnost publikací zajímavých článků nejen na webu, ale také v našem tištěném magazínu. Pokud máte zájem, ozvěte se šéfredaktorovi na e-mail: radan.dolejs@iinfo.cz

Současné systémy strojového učení se mohou rozhodovat stejně rychle jako tradiční systémy založené na pravidlech. Ale před šesti lety, kdy LexisNexis začal investovat do strojového učení jako náhrady za systémy založené na pravidlech, začala společnost s lineárním regresním modelem. Příkladem lineárního podvodného vztahu může být to, že čím dále od domova je nákup uskutečněn, tím je pravděpodobnější, že se jedná o podvod.

Ale tento přístup se ukázal jako příliš jednoduchý, neschopný odhalit nelineární vztahy, které nejdou hladce jedním směrem. Například transakce, které jsou neobvykle malé, mohou být známkou podvodu, kdy zločinci testují číslo karty nebo účtu, aby se ujistili, že to funguje. Za tímto účelem se společnost obrátila na gradientní strojové učení.

„Udělali jsme nejlepší pokroky se stromy zvyšujícími sklon,“ říká Baumhof. „Poskytuje vysokou přesnost s krátkou latencí.“

Tento nový přístup byl testován v průběhu minulého roku a bude uveden do výroby ve druhém čtvrtletí tohoto roku, říká. Společnost dále plánuje prozkoumat nové technologie, jako je hluboké učení, říká Baumhof. „To je rozhodně něco na našem radaru, abychom zjistili, zda mohou porazit současné modely, které máme.“

Takže kromě začlenění nových dat do vaší strategie rozhodování může také přehodnocení základních algoritmů pomoci zvýšit kvalitu vašich výsledků.

4. Rozšiřte komplexní procesy — zejména pro sběr dat

Když jsou rozhodovací kroky méně jasné, výsledky nejasnější nebo existuje větší riziko chybných rozhodnutí, inteligentní systémy nemusejí být schopny nahradit veškeré rozhodování, ale mohou ho rozšířit.

Například LexisNexis používá strojové učení k analýze soudních dokumentů, říká Baumhof, a poznamenává, že by například obhajobu mohlo být nutné napsat konkrétním způsobem, aby získala pozitivní reakci od určitých soudců.

Nebo při analýze smluv se třetími stranami, které namísto milionů relevantních příkladů pro školení mohou nabídnout pouze tisíce nebo stovky příkladů. V těchto případech by vám „strojové učení dalo jen návrh,“ říká. „Ale lidská bytost by udělala jeho konečnou verzi.“

Automatizační složka rozhodovací inteligence může přijít během fáze shromažďování dat při rozhodování, zdůrazňuje Wang z Constellation. Nemusí přicházet s konečnými závěry a může být použita také k vytváření zpráv nebo generování trendů a korelací.

Starý způsob ručního shromažďování dat a vytváření zpráv dnes není dobrý nápad, říká Wang. „Chcete ty informace ve strojovém měřítku a hned teď.“

5. Oddělte to dobré od šťastného

U menších souborů dat může být velmi obtížné určit, zda bylo rozhodnutí dobré, ale díky pouhému štěstí vedlo ke špatnému výsledku. Nebo pokud bylo rozhodnutí špatné, ale zasáhlo štěstí a věci se stejně vydařily.

„Kvalita výsledků a kvalita rozhodnutí nejsou totéž,“ říká Amaresh Tripathy, globální lídr v oblasti analytiky ve společnosti Genpact. „Někdy máte skvělou sadu karet a děláte správná rozhodnutí, ale stále prohráváte.“

Bohužel, pokud jde o komplikovaná a málo častá rozhodnutí, podniky obvykle nemají mechanismy, jak to měřit. Ale řešení tohoto problému není o technologii, říká Tripathy.

„Prvním krokem je formalizovat rozhodovací proces v organizaci a teprve potom můžete přemýšlet o přidání softwaru na podporu tohoto procesu,“ říká.

Shromáždit výsledky těchto rozhodnutí a propojit je zpět s rozhodovacím procesem je však náročné. Společnosti v marketingovém prostoru jsou v tomto právě teď nejšikovnější, říká Tripathy. „Pravidelně provádějí A-B testování, mění barvy a fonty,“ říká. „Nebo změní položky menu. Hodně testují.“

V biologických vědách jde podobný proces do objevování léků a vývoje vakcín, dodává. I v oblasti lidských zdrojů mohou firmy zkoumat své rozhodovací procesy a dívat se na výsledky.

„S náborem lidí jsou výsledky relativně jasné,“ říká. „Můžete vidět výkony zaměstnanců. Nejtěžší část podnikání je, když výsledky nejsou příliš jasné.“

6. Dejte si pozor na zaujatá data

Rozhodnutí jsou jen tak dobrá, jak dobrá jsou data, na kterých jsou založena. Pokud je historie společnosti problematická, pak může tréninková sada založená na této historii zdědit stejné problémy.

Například společnost, která v minulosti najímala pouze bílé muže se vzděláním Ivy League, by mohla skončit se systémem doporučení pro nábor, který doporučuje pouze bílé muže s tituly Ivy League. Ale to je jen část příběhu.

Lidé jsou také ze své podstaty zaujatí, říká Brad Stone, CIO ve společnosti Booz Allen Hamilton. A budou hledat data, která podporují jejich předsudky. „Pokud si myslíme, že potřebujeme více náborářů, najdeme data, která prokážou, že potřebujeme více náborářů,“ říká. „A pokud si myslíme, že potřebujeme více lidí z obchodních operací, můžeme najít data, která to také podporují.“

A když se lidé dívají na data, dívají se na ně optikou svých zkušeností s nimi, říká, což může vést k chybným závěrům. „Zejména pandemie nás naučila, že nemůžete věřit jen minulosti, abyste předpověděli budoucnost,“ říká.

Řešením je podle něj poskytnout správné mantinely pro rozhodování. „Úspěšné podniky a mise budoucnosti se budou moci poučit z minulosti a zároveň zvládnout tuto zaujatost,“ říká.

7. Jestliže AI funguje, důvěřujte AI

Někdy popírají doporučení založená na datech veškeré instinkty, a nepochopení toho, jak technologie funguje, může společnost vrátit o roky zpět.

Michael Feindt, strategický poradce a zakladatel společnosti Blue Yonder, technologické společnosti pro řízení dodavatelského řetězce, viděl, že mnoho společností se snaží přijmout, že jejich instinkty nemusí být přesné. Například objednávání čerstvých potravin v obchodě s potravinami je funkce asymetrických nákladů, říká. Pokud je toho málo, budou zákazníci zklamáni, ale pokud je toho moc, jídlo se zkazí. Náklady nejsou stejné.

Stejný princip vstupuje do hry s jakýmkoli produktem s omezenou životností, jako je sezónní móda v oděvním průmyslu, protože lidský mozek není napojen na správný výpočet rizik.

Například jeden německý řetězec obchodních domů, se kterým Feindt spolupracoval, začal používat umělou inteligenci pro své objednávky před šesti nebo sedmi lety – a po třech letech ji přestal používat. „Zaměstnanci i vrcholní manažeři tomu nerozuměli,“ říká. „Manažeři nejsou matematici. Jsou přesvědčeni, že mají pravdu, protože to tak vždy dělali.“

Každý rok o Vánocích tedy vedoucí prodejen panikaří při pomyšlení, že nemají dostatek produktů. „A nakupují jako čert," říká. „Dva týdny před Vánocemi generální ředitel říká: ‚Musíme mít více masa a více sušenek. Objednejte více, objednejte více. Cokoli si chcete objednat, přidejte 50 %.‘ Software už ví, že jsou Vánoce. To je přesně to, kde je AI velmi dobrá. Dokáže tyto věci předvídat. Ale kvůli strachu, že nemají dost, přidávají 50 %. A po Vánocích těch 50 % vyhodí. Stálo je to více než milion eur.“

Řešením je podle něj mít alespoň jednu osobu zapojenou do těchto druhů rozhodnutí, která rozumí tomu, jak analytika funguje, alespoň jednu kvalitní osobu, která má důvěru vedení.

8. Používejte syntetická data

V některých případech lze nedostatek trénovacích dat kompenzovat syntetickými daty.

Syntetická data, což jsou uměle generované informace, které jsou přesně modelovány pro použití namísto skutečných historických dat, mohou poskytnout systémům strojového učení více paliva pro fungování. Jejich použití může společnostem umožnit aplikovat automatizovanou inteligenci na mnohem více případů, říká Brethenoux z Gartneru.

Může také umožnit společnostem trénovat na události černé labutě nebo neobvyklé scénáře. „Syntetická data se stávají jednou z technik, které nám pomáhají,“ říká.

Podle analytičky Gartner Svetlany Sicularové bude do roku 2024 60 % dat používaných pro vývoj AI a analytických řešení generováno synteticky, oproti 1 % v roce 2021.

9. Použijte stolní cvičení k simulaci různých výsledků

V mnoha situacích je správné rozhodnutí nemožné, protože na výsledek má nepřiměřený vliv příliš mnoho vnějších faktorů. Nová vlna pandemie, další tanker uvízlý v kanálu, regionální sucho, vypuknutí války – cokoli z toho může mít dramatický dopad na podnikání, ale je to naprosto nepředvídatelné.

To neznamená, že by společnosti byly bezmocné. Místo toho mohou spouštět simulace a připravit je na více scénářů. A mohou shromažďovat všechna data, aby mohli učinit co nejinformovanější rozhodnutí.

Existuje však omezení toho, jak daleko vás data a analýzy mohou zavést. „Podílel jsem se na mnoha akvizičních rozhodnutích,“ říká Brethenoux z Gartneru. „Někdy se generální ředitelé do dohody  zamilují. Je to zábavné a vzrušující. A někdy zapomínají na základní principy.“

S velkými rozhodnutími ale vstupuje do hry spousta faktorů, říká. Jedním z těchto faktorů by mohlo být, zda generální ředitel dokáže shromáždit lidi proti všem předpokladům. „Někdy jsou vizionáři,“ říká. „Přimějí to k fungování čistě díky charismatu, což nemá nic společného s hodnotou obchodu. Pokud je on nebo ona takovým člověkem, můžeme data ignorovat, protože generální ředitel může zajistit, aby to fungovalo.“

10. Začněte v malém a učte se

Důležité je považovat rozhodovací inteligenci za životaschopnou možnost a otestovat ji. „Můžete začít v malém,“ říká Brethenoux ze společnosti Gartner. „Ve skutečnosti již mnoho společností rozhodovací inteligenci realizuje, aniž by to nazývalo rozhodovací inteligencí.“

To zahrnuje on-line prodejce, kteří mají například doporučovací nástroje. Ale ne vždy využívají všech perspektiv, které vyžaduje rozhodovací inteligence, říká.

„Když lidé jednají na základě doporučení, dojde k transakci,“ říká. „Ale když nekupují, jen velmi málo organizací to analyzuje. Neanalyzují transakce, které se nedějí. Ale proč lidé nenakoupili? Byl to špatný produkt, špatná cena, špatný čas?“

S myšlením rozhodovací inteligence by měly být analyzovány i tyto netransakce, říká.

„Dnes můžete dělat rozhodovací inteligenci,“ říká Brethenoux. „Stačí přidat trochu ke své investici a něco udělat.“