革新

エンタープライズの出発点：データサイエンスと人工知能

急速に拡大している人工知能とデータサイエンスの分野は、その可能性を引き出すことを望んでいる企業にとって、気の遠くなるような選択肢のリストを提示します。機械学習、ディープラーニング、自然言語処理、ニューラルネットワーク、ロボットプロセスの自動化、その他多くの難解なバリエーションが見出しやホワイトペーパーに掲載されています。

奇跡的な計算能力を提供するという最前線で、これらのテクノロジーは、経営幹部にそれらを採用するか、またはそうするものによってすぐに彼らの会社が打ち負かされるのを見つけるように促します。選択した少数の企業の場合 AIに専念する部門全体、そのようなテクノロジーをユースケースに合わせて調整することは日常業務です。しかし、大多数の人にとって、どこから始めればよいかを知ることはそれほど簡単ではありません。

この記事では、ApeeScapeの幹部が、一般的なビジネスニーズへの人工知能関連ソリューションの実用化についての見解を共有しています。

ペドロノゲイラ、機械学習とデータサイエンスのスペシャリストは、新参企業にさわやかなニュースを提供します。最初のソリューションは、多くの場合、シンプルで、比較的低コストで、経済的に付加的です。 ApeeScape Enterpriseチームは、Nogueiraの視点を補完するものとして、ロボットプロセス自動化の最近の傾向に焦点を当てています。これは、企業が日常的なワークフローを合理化するのに役立ちます。

ロボットプロセス自動化とAI：さまざまなタスクのためのツール

Nogueiraが共有するアドバイスを組み立てるには、Robotic Process Automation（RPA）とArtificial Intelligence（AI）の違いと、それぞれのアプローチが処理に最適なデータの種類を理解することが役立ちます。

RPAとAIは、実行するジョブによって異なります。ソフトウェアロボットであるRPAは、組立ラインの作業員や機械が実行するタスクと同様の反復タスクに優れています。逆に、AIは構造化されていない環境に最適であり、人間の判断と意思決定の基本となる分析能力を再現します。

定義上、2つのアプローチも異なります。業界の専門家で構成される国際組織であるIEEEStandards Associationは、それらを定義します次のように：

RPA：ビジネスルールと事前定義されたアクティビティを使用して、プロセス、アクティビティ、トランザクション、およびタスクの組み合わせの自律実行を完了する、事前構成されたソフトウェア。

AI：認知自動化、機械学習（ML）、推論、仮説の生成と分析、自然言語処理、意図的なアルゴリズムの突然変異の組み合わせにより、人間の能力以上の洞察と分析を生み出します。

RPAは通常、AIのサブセットと見なされ、反復的なルーチンを対象としています。重要な違いは、RPAは学習しないのに対し、AIは自己修正でき、さまざまな環境入力に応じてそのアクティビティを変更できることです。

その結果、RPAは高度に構造化されたデータに最適ですが、AIは非構造化データまたは半構造化データを処理します。以下に要約する2種類のデータの違いは、スプレッドシートデータベースを構築したことのある人なら誰でも簡単に理解できます。

このようなスプレッドシートにきちんと収まるデータ（顧客の連絡先情報など）は構造化されています。自然言語など、適合しないデータは構造化されていません。これらのデータ型の違いを理解することは、特定のビジネスケースに適したAIの形式を理解するために重要です。

ビジネスプロセスの自動化によるブロックと取り組み

ほとんどの企業にとって、AIを活用するための最も簡単でリスクの少ない出発点は、ビジネスプロセスの自動化です。インテリジェンスをほとんど必要とせず、場合によっては人間の努力を必要としない日常的なタスクで構成されているこのようなプロセスは、人間の関与を排除または大幅に削減するテクノロジーへの投資を正当化します。企業と従業員は、次の3つの異なる方法で利益を得る立場にあります。

従業員は、より価値の高いタスクと問題解決に力を注いでいます。
企業は、最小限の継続的な運用コストからプラスのROIを実現します。
ヒューマンエラーがないため、プロセス品質が向上します。

RPAは、保険業界で複数のワークストリームを推進します

すでに次のような単純な内部手順を合理化している企業の場合費用の償還、より複雑な機会は、高いROIの可能性を秘めています。たとえば、保険業界では、保険見積もりの生成と保険金請求の処理がRPAの完璧なユースケースを示しています。

Linuxはどの言語で書かれていますか

保険会社は、保険を引き受ける際に、リスクと報酬のバランスを取る必要があります。基本的に、平均して正味現在価値保険料の額は保険金の額を超えている必要があります。保険会社は、引受時にこの方程式のリスク要素を推定し、将来の負債のタイミングと規模を予測するのに役立ちます。

引受は歴史的に手動プロセスであり、その分析要件はアクチュアリー。今、そのような仕事はますます増えています自動的に実行そして、リスクをより正確に予測するために新しいデータソースを利用するデータサイエンティストの監督の下で。たとえば、自動車業界では、保険会社は過去に特定のドライバーの過去の保険金請求の記録である損失履歴を評価していました。保険会社は、ドライバーのクレジットスコアをリスク分析に組み込み始めました。これは、高いスコアが安全運転と正の相関関係にあり、それに応じて損失が少ないことを認識しています。

引受の例を振り返って、ノゲイラ氏は「企業がAIが必要だと考えるとき、実際にはデータサイエンティストが必要になることがよくあります」と述べています。

ノゲイラにとって、保険の見積もりプロセスは、専門家レベルと個人レベルの両方で非常によく知られています。保険業界でプロジェクトの経験を持つデータサイエンティストであり、最近ポルトガルをツアーしたオートバイ愛好家である彼は、ドライバーや住宅所有者が関係する可能性のある逸話を共有しています。「頻繁に行うオートバイを変更する必要がある場合は、一連の保険会社にオンラインでアクセスし、オンラインアンケートを通じて私のデータを共有してください。」

送信されると、データは「バックエンドのどこかに存在し、1つまたは複数のモデルに従ってリスクプロファイルを分析し、見積もりを提供するモデル」に入ります。そのような見積もりを受け取るのにかかる数秒で、すべての分析は自動的に行われ、データの外れ値の場合にのみ人間の介入によって上書きされます。

自動化はまた、保険顧客のライフサイクル、特に請求プロセス中のダウンストリームワークフローを推進します。保険の顧客が請求を提出すると、保険会社は請求を全額支払うか、部分的に支払うか、拒否するかを決定します。このプロセスには、保険の顧客やサービスプロバイダー、たとえば医療の場合は病院、自動車の場合は修理店など、複数の外部関係者が関与することがよくあります。

混合整数計画法とは

自動車業界では、クレームの裁定は、車両の損傷の確認、修理費用の決定、修理店の選択、および修理の支払いに依存します。修理の見積もりでは、写真が請求プロセスで重要な役割を果たします。損害査定人は、修理が行われる前と後の両方で、ワークショップと同様に、破壊された車両の写真を撮ります。これらの写真は、損傷、修理、および償還の根拠の証拠を提供します。

歴史的に、これらの写真は人々によって独占的に解釈されていましたが、現在、画像認識ソフトウェアとルールベースの自動化重要な情報を損害査定人に提供し、より迅速な修理と補償を可能にします。

データサイエンスが主力であり、データサイエンティストが推進力です

ノゲイラ氏によると、企業は「簡単に自動化できるものと、人間の意思決定者にエスカレーションする必要があるものを定義する」必要があります。自動化を検討しているプロセスについて、彼は続けます。「最初にデータを見て、ルールを理解します」。

彼はデータサイエンスとAIの分野が融合していることを認めていますが、ビジネスの解決のためにノゲイラは2つを描写しています。

「データサイエンスは、現実世界のシナリオと一般的なビジネスニーズに適用されるAIです。それは、データを理解し、管理し、すぐに利用できるようにし、処理しやすくし、最終的には企業の利害関係者による意思決定のガイドと関係があります。」

このような作業は、多くの場合、異種のデータセットをクリーンアップして照合し（簡単な作業ではありません）、ロジスティック回帰などの統計分析を適用して、より良い予測と意思決定を推進することになります。

対照的に、AIははるかに研究指向であり、非構造化データ分析に適しています。「非常に複雑なプロジェクトを想像してみてください。たとえば、歩行パターン、CCTVビデオ、感覚データに基づいてスーパーマーケットに来る人の数を決定するモデルを構築しようとするなど、多くの不確実性があります。」

最終的に、このモデルは、人々がどのように買い物をし、何を求め、どのように製品を相互に配置するかを予測し、フロアプランを最適化して利益を最大化する可能性があります。このような「青空」プロジェクトが成功した場合、小売業者にとって間違いなく価値がありますが、複数の専門家のチームが必要であり、データサイエンスベースのイニシアチブの倍数が簡単にかかる可能性があります。小売業の場合、企業は予測モデルの最も重要なコンポーネントの1つまたはいくつかに焦点を当てる場合があります。たとえば、徒歩の交通量や運用コストに関連する営業時間の最適化などです。

データサイエンス機能を構築するための重要な出発点は、適切なタイプと数の人材を採用することです。幸いなことに、ノゲイラ氏によると、ほとんどの企業は、「一般的な自動化の多くを実行するために、スーパーエキスパート開発者の大規模なチームを必要としません。特に、 APIとSDK 利用可能です。」

このような既成のテクノロジーは強力なツールを提供しますが、それらを右手で使用することが重要です。ここで、ノゲイラは注意を促します。「これらのツールは実際には問題になる可能性があります。多くの人が、理解していないために、本来あるべきではない方法でツールを使用しているからです。」

危険性は「データモデルの過剰適合」にあると彼は指摘します。これは、可能性の全範囲を説明しない方法でモデルをデータに適用することから生じます。このような過剰なトレーニングは、「これまでに見たことのない状況では、モデルがうまく一般化されず、データに対して誤った決定を下す可能性があるため、ビジネスに非常にコストがかかる可能性があります」と彼は警告します。

このような落とし穴を避けるために、ノゲイラは企業に経験豊富なデータサイエンティストを雇うことを勧めています。顧客データまたは運用データの価値を解き放つことを目指すすべての企業は、「統計を十分に把握し、ユースケースと価値がビジネスのどこにあるかを理解するのに十分なビジネス洞察力を備えた人を必要とします」。資格の観点から、堅実なデータサイエンティストは通常、数学または統計の少なくともBS、コーディングの強力な能力を持っており、データサイエンスが最も影響を与えることができる場所を決定するためにビジネスユースケースを分析できます。

別れの考え

データサイエンスはリスク/報酬の観点から説得力のある出発点を提示しますが、AIテクノロジーのより広い展望も探求する価値があります。企業の幹部は、データサイエンスを、AIに関する社内の会話を開始するための結集点と見なす必要があります。

彼らはビジネスプロセスの自動化でサクセスストーリーを実現するので、おそらく代替AIテクノロジーにより適した、より挑戦的なユースケースを含むように範囲を拡大することを検討する必要があります。以降の記事では、Insightsがより広範なAIランドスケープを探求し、エグゼクティブが間違いなく強力なリターンを提供する分野をナビゲートするのを支援します。