ავტომატიზაცია კრიტიკულია თქვენი ბიზნესისთვის

ავტომატიზაცია არის გასაღები დიდი, მდგრადი უპირატესობის გასახსნელად ფირმებში სხვადასხვა სექტორში.

დიდი მონაცემები შეიძლება იყოს დიდი არაფერი სტრატეგიული ავტომატიზაციის მიდგომის გარეშე.

ერთის მხრივ, ჩვენ ვიმყოფებით ინფორმაციის სიმდიდრის უპრეცედენტო მოცულობით, ყველაფერზე, დაწყებული აღჭურვილობის მუშაობით და დამთავრებული სოციალური მედიის ქცევით (გლობალური მოქალაქის ნახევარზე მეტი სოციალურ მედიაშია). მაგრამ გააზრებული ავტომატიზაციის გარეშე - მანქანებისა და ალგორითმების გამოყენება ხელმისაწვდომი მონაცემების დასამუშავებლად, დამუშავებისა და ანალიზისთვის - თქვენი ბიზნესი დაკარგავს დიდ პოტენციურ შესაძლებლობებს.

კარგად გაკეთებული, ავტომატიზაცია გარდაქმნის „მკვდარ“ დიდ მონაცემებს ცოცხალ, სუნთქვის რესურსად, რომელიც შეგიძლიათ გამოიყენოთ ღირებულების გასაძლიერებლად. ამიტომ გასაკვირი არ არის, რომ ბევრი ბიზნესი მიზნად ისახავს ყველაფრის ავტომატიზაცია, რაც შეიძლება ავტომატიზირებული იყოსროგორც ახლახან თქვა Google-ის ერთ-ერთმა მაღალჩინოსანმა.

იმისთვის, რომ დაგეხმაროთ თქვენი ბიზნესის კონტექსტში ავტომატიზაციაზე ფიქრში, მე წარმოგიდგენთ სამ ძირითად გზას, თუ როგორ გეხმარებათ ამ ტექნოლოგიაზე ორიენტირებული აქტივობა შექმნათ ღირებულება.

პირველი, რაც ავტომატიზაციაში დაგეხმარებათ არის ფუნქციის მოპოვება, ან ინფორმაციის კრიტიკული ნემსების ამოღება მონაცემთა მასიური თივის გროვიდან. წარმოიდგინეთ, რომ თქვენმა ორგანიზაციამ უნდა განიხილოს პატენტის განაცხადები ინფორმაციისთვის კონკრეტულ ტექნოლოგიაზე და მათთან. შესაძლოა ათასობით ან ათიათასობით აპლიკაციას უყურებთ, თითოეული 30 ან მეტ გვერდს მოიცავს, მილიონობით და მილიონობით სიტყვისთვის. მაგრამ ამ სიტყვებისა და პატენტებს შორის ურთიერთკავშირის მხოლოდ მცირე ნაწილს აქვს მნიშვნელობა, მაგალითად, რაზეა დამოკიდებული დაპატენტებული ტექნოლოგია ან გამომგონებლების კვალიფიკაცია და წარსული პატენტები.

ასე რომ, ეს ამოცანა, ისევე როგორც ბევრი ბიზნეს დომენში, მოიცავს ძალიან მცირე სიგნალის და ხმაურის თანაფარდობას და მოითხოვს ათასობით ადამიანს საათების ხელით შესრულებას - რაღაც ძალიან ძვირი და დროში აკრძალული. მაგრამ მანქანურ სწავლაზე დაფუძნებული ალგორითმი შეიძლება იყოს მომზადებული, რათა შედარებით სწრაფად გამოიტანოს საჭირო ძირითადი ინფორმაცია, რაც დაზოგავს მნიშვნელოვან დროსა და ძალისხმევას. უფრო მეტიც, თქვით, რომ მომავალში გინდოდათ მოძებნოთ პატენტების იგივე ნაკრები ან დაკავშირებული, მაგრამ განსხვავებული ინფორმაცია, როგორიცაა პატენტის განმცხადებელი გუნდის ზომა. თქვენ შეგიძლიათ მარტივად გადააპროგრამოთ ან გადაამზადოთ ალგორითმი ამ ამოცანის შესასრულებლად, მასშტაბის ეკონომიის მოპოვებით და თქვენი საწყისი ინვესტიციიდან უფრო დიდი ანაზღაურება.

მეორე, ავტომატიზაცია ეხმარება მონაცემთა შემოწმება და გასუფთავება. მონაცემთა ნაკრები ხშირად საჭიროებს მუშაობას. არის შეცდომები და დაკარგული მნიშვნელობები, ანომალიები და ზოგჯერ მიკერძოების მტკიცებულება. მაგალითად, თუ ალგორითმი გაწვრთნილი იყო კანონდამრღვევთა მახასიათებლების დასადგენად, მაგრამ გამოიყენებს მონაცემებს მხოლოდ დამნაშავეების შესახებ, რომლებიც დაიჭირეს, ალგორითმი იქნება მიკერძოებული, რადგან მას აკლია მონაცემები დამნაშავეების შესახებ, რომლებიც არ იყვნენ დატყვევებული - განსაკუთრებული პრობლემაა თეთრი საყელოს დანაშაულისთვის, რომელიც მიდრეკილია. არასაკმარისი მოხსენება. ისევ და ისევ, პოტენციური საკითხების ამ დიდი მოცულობის შემოწმება და მოგვარება ძალიან ბევრია ხელით გასაკეთებლად. მაგრამ ავტომატიზაცია საშუალებას იძლევა სწრაფად გამოიყენოს ინსტრუმენტები ტესტირებისა და გაწმენდისთვის, რაც კვლავ დაზოგავს დროს ღირებულების შექმნისას.

მესამე, და ეს არის დიდი, ავტომატიზაცია არის ანალიტიკის მამოძრავებელი ძრავა. გუშინდელი უბრალო რეგრესიული ანალიზი გახდა დღევანდელი კლასტერული და შემთხვევითი ტყეები, რომლებიც უზრუნველყოფილია მანქანური სწავლით, იქნება ეს პროდუქტის მომხმარებლების გასაგებად, მომავალი თვის გაყიდვების პროგნოზირებისთვის, მარაგის ოპტიმიზაციის მიზნით, ან ახალი სარეკლამო კამპანიის გავლენის პროგნოზირებისთვის. მანქანაზე დაფუძნებული ავტომატიზაცია არა მხოლოდ საშუალებას გაძლევთ რეგულარულად გაიმეოროთ სტანდარტიზებული ანალიტიკური პროცესები დაბალ ფასად, არამედ ასევე შეგიძლიათ შეამჩნიოთ არაწრფივი შაბლონები, რომლებსაც ჩვენ ადამიანებს არ შეგვიძლია.

მაგალითად, ჩემმა ლაბორატორიამ შეისწავლა 5 მილიონზე მეტი პატენტი ალგორითმზე დაფუძნებული ანალიზების გამოყენებით, რათა გვენახა, შეგვეძლო თუ არა ვიწინასწარმეტყველოთ ინოვაციური მომავალი ტექნოლოგიების დებიუტი მათი პატენტის განაცხადის ინფორმაციის საფუძველზე. ჩვენ ვივარაუდეთ, რომ მანქანა აპლიკაციის მონაცემებიდან ამოიცნობს მომავალ დარტყმის პატენტებს, თუ გამოგონებას ექნება დამოუკიდებელი, „სასწაულის მსგავსი“ შესაძლებლობები ან იდეები. საბოლოო ჯამში, ალგორითმმა იპოვა მომავლის პოტენციური პატენტები მაღალი სიზუსტით, მაგრამ არა ისე, როგორც ჩვენ ადამიანები წარმოვიდგენდით. ანუ, ალგორითმმა არ გამოავლინა მომავალი დარტყმის პატენტი მისი დამოუკიდებელი შესაძლებლობებიდან გამომდინარე; უფრო სწორად, მან დაადგინა დარტყმული პატენტები იმის მიხედვით, იყო თუ არა ისინი ა კასეტური შვილობილი პატენტები, რომლებსაც ერთად შეეძლოთ კონკრეტული პრობლემების გადაჭრა კომბინაციით, რომელთა გადაჭრა არც ერთ პატენტს არ შეეძლო დამოუკიდებლად.

მაგალითად, ულტრაბგერითი ტექნოლოგიამ დიდი გავლენა მოახდინა ჯანდაცვაზე პირველად გამოქვეყნებიდან რამდენიმე წლის შემდეგ, რაც საშუალებას აძლევდა არაინვაზიურ ვიზუალიზაციას და მკურნალობას ისეთი ფიზიკური მდგომარეობის, როგორიცაა თირკმლის ქვები და ზოგიერთი კიბოც კი. მაგრამ ეს პროგრესი შეუძლებელი იქნებოდა ძირითადი ტექნოლოგიის მიღმა მცირე მასშტაბის გამოგონებების გარეშე - აპლიკატორები, სტატიკური შემცირების პროცესები, სპეციალიზებული სამედიცინო ბალიშები და დამჭერები, რომლებიც შემუშავებული იყო ულტრაბგერითი ტექნოლოგიისგან დამოუკიდებლად, მაგრამ მნიშვნელოვანია მისი წარმატებული გამოყენებისთვის მედიცინაში. ჩვენმა ავტომატიზებულმა ანალიზმა საიმედოდ აღიარა დაკავშირებული პატენტების კლასტერების არსებობა 5 მილიონზე მეტ პატენტში ჯანმრთელობის პროდუქტებიდან გოლფის ბურთის უახლეს ტექნოლოგიამდე და რომ ეს კლასტერები იყო დაკავშირებული იმ ალბათობასთან, რომ მათში არსებული პატენტები გახდნენ ხვალინდელი დომინანტური ტექნოლოგიები. დასკვნა ადრე არ იყო დაფასებული.

ჩემი ჩრდილო-დასავლეთის კოლეგა ანდრია პაპაქრისტო გამოიყენა მსგავსი ანალიტიკა ამის საჩვენებლად პოლიციის კორუფცია ჩიკაგოში მომდინარეობს არა რამდენიმე „ცუდი ვაშლის“ ოფიცრისგან, არამედ დაკავშირებული პოლიციის ქსელიდან, რომელიც მოქმედებს არაკეთილსინდისიერად; მისი ნამუშევარი ასეთი საკითხების ადრეული გამოვლენის საშუალებას იძლევა.

ვიმედოვნებ, რომ ნათლად გავამჟღავნე ავტომატიზაციის ორმხრივი გამაძლიერებელი უპირატესობები და როგორ დაგეხმარებათ ის მონაცემების დიდ, მდგრად მნიშვნელობად გარდაქმნაში. მართლაც, რაც მეტი მონაცემი გაქვთ, მით მეტი გჭირდებათ ავტომატიზაცია; მას შემდეგ რაც გექნებათ ძლიერი ავტომატიზაციის შესაძლებლობები, შეგიძლიათ შეაგროვოთ და გამოიყენოთ კიდევ უფრო მეტი მონაცემები და ციკლი გაგრძელდება.

დასკვნა: ავტომატიზაცია მზარდი კრიტიკული შესაძლებლობაა და შესაძლოა გადამწყვეტი იყოს თქვენი ბიზნესის ახლო და გრძელვადიან პერსპექტივაში. მაგრამ მნიშვნელოვანია გვესმოდეს, თუ როგორ განაპირობებს ის ღირებულებას და გადადგათ ნაბიჯები მისი რეალური უარყოფითი მხარეების შესამცირებლად, თქვენი კომპანიისა და ფართო საზოგადოების საკეთილდღეოდ, რომელშიც ის მუშაობს.

ამ სტატიის მეორე ნაწილში მე განვიხილავ ავტომატიზაციის სამ მთავარ ნაკლოვანებას - ახსნადობას, გამჭვირვალობას და ღირებულებას - და როგორ მოვაგვაროთ ისინი.