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.
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.
Czasem biznes nie zdaje sobie sprawy, na co pozwala sztuczna inteligencja, a jakie ma ograniczenia. Automatyzacja klasyczna, regułowa, bazuje bardziej na algorytmach niż na sztucznej inteligencji – jej silnikiem są dane ustrukturalizowane dobrej jakości. Dotyczy procesów stosunkowo prostych, nieoperacyjnych, o charakterze masowym, najlepiej stabilnych w czasie – wspomagających pracowników. Dlatego najłatwiej zacząć od samej automatyzacji procesów wykorzystując najpierw narzędzia RPA, potem dokładając platformy low-code/no-code i zarządzanie API.
Prof. Andrzej Sobczak, wykładowca Szkoły Głównej Handlowej, specjalizujący się w zagadnieniach automatyki i robotyzacji |
These Stories on CIONET Poland
No Comments Yet
Let us know what you think