Technologie wykorzystujące sztuczną inteligencję coraz powszechniej goszczą w organizacjach, szczególnie w obszarach związanych z analityką i automatyzacją. Obszary te różnią się na tyle, że wymagają nieco odrębnych zestawów umiejętności. Wspólnie z przedstawicielami społeczności CIONET spróbowaliśmy je zidentyfikować.

Obszar analityki danych wymaga rozwiniętych kompetencji technologicznych, w tym znajomości języków programowania i umiejętności tworzenia modeli analitycznych. Z kolei automatyzacja to obszar bardziej procesowy, bliższy biznesowi. Z wykorzystaniem sztucznej inteligencji można zoptymalizować funkcjonowanie obu tych obszarów – w pierwszym wypadku poprzez wsparcie procesów decyzyjnych, w drugim – szukając rozwiązań poprawiających wydajność.

O tych zagadnieniach rozmawialiśmy w gronie ekspertów i przedstawicieli społeczności CIONET Polska w trakcie spotkania „AI w analityce i automatyzacji: razem czy osobno?”, zorganizowanego
we współpracy z firmą SAP. To już drugie takie wydarzenie w ostatnim czasie – po marcowym, warszawskim, tym razem naszych gości zaprosiliśmy do Poznania.

Sztuczna inteligencja a analityka danych
Doświadczeniami z wdrażaniem rozwiązań AI w obszarze analityki podzielił się Karim Sylla, dyrektor centrum analiz biznesowych w Żabka Polska. Już z samej racji posiadania rozległej sieci ok. 8,3 tys. placówek rozsianych na terenie całego kraju można o firmie powiedzieć, że stoi danymi. Ale naprawdę ciekawe jest to, co z tymi danymi się dzieje.

„AI pomaga odpowiadać na pytania, dlaczego coś się stało, co się stanie i co powinniśmy zrobić” – mówi przedstawiciel Żabki i przytacza konkretne business case’y, realizowane w ramach wsparcia procesów decyzyjnych.

Przykładowo, firma szacuje wpływ czynników pogodowych na dynamikę sprzedaży w danym sklepie, oceniany jest też wpływ promocji na wyniki sprzedaży. To wiedza przydatna m.in. kontrolerom finansowym. Z kolei menedżer ekspansji chętnie pozna szacunkowy obrót nowej placówki po 12 miesiącach funkcjonowania, otwartej we wskazanej lokalizacji. W tym wypadku AI wspiera w podejmowaniu decyzji inwestycyjnych.

Odpowiedź na pytanie "co powinniśmy robić?" to już typowe rekomendacje dla użytkowników wewnętrznych i zewnętrznych. Menedżer ds. rozwoju dowie się, jaki typ sklepu najlepiej wybrać dla danej lokalizacji (asortyment dla segmentu dużego ruchu czy spożywczy?). A franczyzobiorcom sztuczna inteligencja może zasugerować, ile powinni zamówić sztuk poszczególnych produktów na następny tydzień.

Wdrażaniem sztucznej inteligencji w analityce zajmują się w Żabce specjaliści z różnych dziedzin, o różnym przekroju umiejętności, w tym: data scientists, inżynierowie uczenia maszynowego, architekci rozwiązań ML oraz tzw. citizen data scientists.

Naukowcy ds. danych, jak wyjaśnia Karim Sylla, odpowiadają w Żabce za budowę modeli uczenia maszynowego. Osoba na takim stanowisku musi mieć doświadczenie w transformacji danych i dobrze orientować się w technologiach związanych z przetwarzaniem danych, np. hurtowniach. Ponieważ musi budować modele uczenia maszynowego, testować je i wybierać najbardziej dopasowany do oczekiwanego wyniku, wymagana jest umiejętność programowania, najczęściej w językach Python bądź R.

Zadaniem inżynierów ds. uczenia maszynowego jest operacjonalizacja modeli ML.

Wdrażając projekty na skalę kilku tys. sklepów, działające w czasie rzeczywistym, musimy zadbać, by modele uczenia maszynowego poprawnie funkcjonowały w środowisku produkcyjnym. Trzeba zapewnić dopływ danych i stabilność – zwraca uwagę Karim Sylla.

Po stronie biznesu narosło sporo mitów na temat automatyzacji. Jeden z nich to taki, że automatyzacja biznesowa może obejmować tylko procesy ustandaryzowane, cyfrowe, z przejrzystym zestawem reguł, uporządkowaną strukturą i – co najważniejsze – brakiem etapu decyzyjnego – mówi Szremski.

Na tej zasadzie wspomniany wcześniej proces przetwarzania deklaracji zamówień udało się, rzecz jasna, zautomatyzować, nawet mimo takich problemów jak różne druki zamówień czy brak klasyfikacji wiadomości na poziomie skrzynki poczty elektronicznej. „Wystarczyło” zastosować mechanizm przekierowywania maili do narzędzia do interpretacji języka, zwracającego informację klasyfikacyjną w połączeniu z tzw. form recognizerem oraz modelami uczenia maszynowego do ekstrakcji danych – wszystko spięte z systemem zakupowym.

Skuteczność rozwiązania wynosi 85%.

Nie zamykamy się nawet na zmiany w systemach core, jeżeli okaże się, że to najlepsza droga. Ważne, by patrzeć na procesy digitalizacyjne całościowo, a nie czekać na informację zwrotną od klienta, czego chce, dostarczając mu to bezrefleksyjnie, choć nie wiadomo, czy tego naprawdę potrzebuje i co mu to przyniesie – podkreślił Wojciech Szremski.