Автор: Трейси Гашер, директор практики по работе с данными и аналитикой, KPMG в США

Медленно, но верно машинное обучение начинает влиять на нашу повседневную жизнь. Оно делает многие вещи проще, например, домашний ассистент, которого вы просите проверить прогноз погоды, или ваш «умный» автомобиль, которому вы передаете часть функций по планированию своего ежедневного маршрута (или даже по вождению).

Несмотря на то что мы научились пользоваться машинным обучением в домашних условиях, понимание и принятие его потенциала на предприятии остается сложной задачей. Судя по опыту работы с клиентами, можно сказать, что они стремятся его применять, проводят определенные эксперименты, но сталкиваются с трудностями при внедрении реальных изменений. Многие организации пока не проводят трансформационных изменений на основе машинного обучения, которые будут необходимы для достижения успеха в ближайшие годы.

Однако все-такие компании в целом начинают делать шаги по направлению к будущим переменам и трансформации. Предлагаем вашему вниманию четыре текущие тенденции, которые показывают, как машинное обучение приносит реальную пользу на рабочем месте.

Извлечение пользы из данных, содержащихся в документах

По данным нескольких исследований, почти 80% данных типичной организации не структурированы (это касается в основном электронных сообщений и документов) . А ведь в этом массиве данных содержится крайне важная информация. Как правило, единственный способ сделать такие данные полезными – их прочтение и обработка персоналом. Поскольку объем данных весьма значительный, а их использование связано с существенными трудозатратами, организации могут обработать лишь небольшую часть из имеющихся данных вручную – как правило, это самая основная информация, которая необходима для соблюдения требований регулирующих органов.

Более строгое соблюдение нормативно-правовых требований – это сфера, в которой машинное обучение и обработка/понимание естественного языка кардинально меняют ситуацию с данными (особенно в секторе финансовых услуг и медико-биологической промышленности). При таком применении машинное обучение помогает повышать оперативность и эффективность соблюдения установленных требований, управлять рисками и снижать регулятивную нагрузку. Помимо соблюдения нормативно-правовых требований, существует огромный нераскрытый потенциал в области обработки текстов, который предлагает возможности оперативного и подробного анализа большого объема неструктурированных данных, например, о клиентах и контрактах.

Планирование включает не только автоматизацию

Руководители предприятий хотят увидеть, как машинное обучение может повысить уровень автоматизации. Однако было бы ошибкой ограничить потенциал машинного обучения на предприятии исключительно повышением уровня автоматизации. Он полностью раскрывается, когда применяется к данным, которые сложно обработать с использованием возможностей человека или традиционных методов анализа. Многие процессы связаны с такими объемными, сложными и динамичными данными, что для их понимания необходимо именно машинное обучение или даже продвинутые методы машинного обучения. Процессы, при которых компании отслеживают значительные объемы данных для определения конкретных тенденций и шаблонов с целью выявления отклонений от нормы или мошеннических действий, уже готовы к применению машинного обучения. Оно может использоваться для противодействия легализации доходов, полученных преступным путем, утечке выручки, сегментации клиентов и т.д. Именно в этих сферах машинное обучение позволяет выявить информацию, которую невозможно было выяснить раньше, значительно быстрее и эффективнее, чем при традиционных подходах.

Активное использование машинного обучения

Согласно оценкам, к 2020 году приблизительно 80% диалогов между компанией и клиентами будет проводиться с использованием ЭВМ или бота . Это будет иметь серьезные последствия для всех организаций с точки зрения, как бизнес-процессов, так и будущих потребностей в персонале. Руководителям необходимо иметь четкое представление и развитую корпоративную культуру, чтобы осуществлять эффективное планирование и управлять таким переходом к интеллектуальному взаимодействию с использованием ЭВМ.

Приведу пример одной компании из сектора финансовых услуг, с которой мы недавно работали. Традиционно компания взаимодействовала с клиентами исключительно через своих сотрудников. Однако сейчас данная организация планирует автоматизировать до 75% такой работы. Можно предположить, что такое кардинальное изменение может подорвать корпоративную культуру компании в результате большого количества сокращений. Однако изучив текучесть персонала колл-центра, компания осознала, что может реализовать свою стратегию автоматизации с использованием машинного обучения в течение определенного периода времени, не уволив ни одного сотрудника и снизив при этом риск профессионального выгорания (что является постоянной проблемой колл-центров) у тех сотрудников, которых оставили на рабочих местах.

Некоторые компании сектора финансовых услуг используют голосовые технологии машинного обучения для создания виртуальных ассистентов с глубокими знаниями в области финансового планирования и прогнозирования, в то время как другие организации экспериментируют с голосовыми технологиями при документировании материалов заседаний совета директоров – ведут протокол с функцией поиска по записи на основании участия каждого отдельного члена совета директоров.

Масштабирование стратегии машинного обучения

Машинное обучение позволяет организациям формировать глубокое понимание больших объемов неструктурированных данных, автоматизировать и ускорять текущие процессы бизнес-анализа, а также оптимизировать и обеспечивать более высокую степень согласованности при взаимодействии с клиентами. Однако организации смогут получить преимущества только при условии наличия стратегии, применимой к различным бизнес-процессам и подразделениям и согласованной с общей стратегией бизнеса.

Очень часто организации подходят к машинному обучению, имея набор технологий и алгоритмов, разработанных в соответствии с их индивидуальными требованиями. В итоге они остаются с несовместимыми и не масштабируемыми решениями. Это не та технология, которую можно приобрести в готовом виде, как программное обеспечение. Ее необходимо выстроить и разработать таким образом, чтобы она предоставляла аналитическую информацию и обеспечивала понимание ситуации на повторяемой и масштабируемой основе. В связи с этим компаниями следует перестать рассматривать машинное обучение как отдельные и изолированные технологии, а, наоборот, согласовать его с деятельностью компании в целом. Это становится возможным благодаря построению архитектуры машинного обучения на предприятии, а также стратегии, которая позволит решить широкий спектр вопросов и воспользоваться возможностями бизнеса в целом, а не отдельных его частей.

Например, фирмы – члены сети KPMG уже знакомы с меняющими условиями и используют машинное обучение как при работе с клиентами, так и в своих внутренних процессах. Платформа KPMG Ignite (платформа искусственного интеллекта и портфель возможностей) направлена именно на достижение такого результата путем применения подхода на основе модулей и компонентов в сочетании с передовым открытым и поддерживаемым поставщиком функционалом для создания масштабируемой платформы машинного обучения. Платформа KPMG Ignite также использует официальную структуру управления, чтобы возможности развития машинного обучения были основаны на принципах создания стоимости для клиента и имели стандартную систему развития для обеспечения согласованности при разработке решений без ограничения инноваций.

Каждая из перечисленных четырех сфер создает стоимость для организации, стремящейся к дальнейшему развитию с помощью машинного обучения и к постепенному повышению эффективности, что может оказаться поистине трансформационным явлением. Машинное обучение пришло всерьез и надолго, поэтому уже сейчас стоит пользоваться его преимуществами в определенных сферах, чтобы в будущем применить их в полном объеме.

The biggest data challenges that you might not even know you have
2018:2018: The Year of the Chatbot