Авторы: Дэн Веллерс Тимо Эллиот Маркус Нога
Ведущие компании сегодня используют средства машинного обучения для автоматизации процессов принятия решений, и начинают экспериментировать с новыми подходами в использовании искусственного интеллекта (ИИ) для цифровых преобразований. Предполагается, что корпоративные инвестиции в искусственный интеллект утроятся в ближайшее время, и к 2025 году рынок будет оцениваться в 100 миллиардов долларов. Только в 2016 на венчурные инвестиции в машинное обучение было потрачено 5 миллиардов. В недавнем опросе 30% респондентов спрогнозировали, что ИИ будет самой большой инновацией в бизнес отрасли в ближайшие пять лет. Это, несомненно, окажет глубокое влияние на сферу труда.
Машинное обучение позволяет компаниям расширять рост и оптимизировать процессы, улучшая взаимодействие с работниками и повышая удовлетворенность клиентов. Вот некоторые конкретные примеры того, как ИИ и машинное обучение меняют труд уже сегодня.
Персонализация обслуживания клиентов
Потенциал улучшения обслуживания клиентов при одновременном снижении затрат – одна из самых интересных возможностей ИИ. Соединив воедино статистические данные, обработку естественного языка и алгоритмы, которые постоянно совершенствуются во взаимодействиях, компании предоставляют клиентам возможность задавать естественные вопросы и получать качественные ответы. Фактически 44% потребителей США уже предпочитают чатботы при обращении в компании. Представители службы поддержки клиентов могут вмешаться, чтобы обрабатывать исключения, при этом алгоритмы изучают их манеру поведения и пытаются копировать её в будущем.
Улучшение лояльности клиентов
Компании могут обрабатывать данные о клиентах, транзакциях и данных социальных настроений, чтобы идентифицировать клиентов, которые собираются отказаться от их услуг. В сочетании с данными о прибылях, это позволяет организациям оптимизировать стратегии «следующего наилучшего действия» и персонализировать комплексный опыт работы с клиентами. Например, молодые люди, которые отказываются от планов мобильного обслуживания, ранее купленные им родителями, часто переходят к другим операторам. Telcos может использовать машинное обучение, чтобы предвидеть это поведение и создавать индивидуальные предложения, основанные на шаблонах предпочтения человека, прежде чем их перехватят конкуренты.
Эффективная кадровая политика
В среднем через одну корпоративную вакансию проходит около 250 резюме, и более половины опрошенных рекрутеров говорят, что составление краткого списка квалифицированных кандидатов является самой сложной частью их работы. Программное обеспечение быстро просеивает тысячи резюме и в кратчайшие сроки выявляет тех, кто потенциально подходит компании, при этом не подвержено предвзятости.
Автоматизация финансов
ИИ может ускорить обработку исключений во многих финансовых процессах. Например, когда платеж получен без номера заказа, сотруднику приходится определять какому именно заказу соответствует платеж, и пытаться понять, что делать дальше. Контролируя существующие процессы и участвуя в распознавании различных ситуаций, ИИ значительно увеличивает количество счетов-фактур, которые могут быть сопоставлены автоматически. Это позволяет организациям сократить объем работы, переданной на аутсорсинг в центры обслуживания, и высвобождает персонал для планирования стратегических задач.
Измерение эффективности распространения бренда
Автоматизированные системы могут распознавать продукты, людей, логотипы и т. д. Распознавание изображений можно использовать для отслеживания позиции логотипов бренда, которые появляются в видеоматериале спортивного мероприятия, например, в баскетболе. Корпоративные спонсоры получают возможность анализ эффективности своих инвестиций, включая количество, продолжительность и размещение корпоративных логотипов.
Обнаружение мошенничества
Типичная организация ежегодно теряет 5% доходов от мошенничества. При построении моделей, основанных на истории транзакций, информации в социальной сети и других внешних источниках данных, алгоритмы машинного обучения могут использовать распознавание образов для выявления аномалий, исключений и потерь. Это помогает обнаруживать и предотвращать мошеннические транзакции в режиме реального времени даже для ранее неизвестных типов мошенничества. Они также могут обнаружить подозрительные схемы платежей между сетями лиц с перекрывающимися корпоративными связями. Этот тип «алгоритмической безопасности» применим к широкому спектру ситуаций, таких как кибербезопасность и уклонение от уплаты налогов.
Ранее прогнозирование необходимости сервисного обслуживания. Машинное обучение позволяет обнаруживать аномалии в температуре оси поезда, которые указывают, что он замерзнет в ближайшие несколько часов. Вместо того, чтобы сотни пассажиров застряли в сельской местности, ожидая дорогого ремонта, поезд может быть перенаправлен на техническое обслуживание до того, как случится неудача, а пассажиров можно заранее пересадить в другой состав.
Более эффективные цепи поставок
Машинное обучение позволяет осуществлять контекстный анализ данных логистики для прогнозирования и снижения рисков в цепочках поставок. Алгоритмы могут просеивать общественные социальные данные и новостные ленты на разных языках для обнаружения, например, пожара на удаленной фабрике, которая снабжает жизненно важными комплектующими автомобили.
Другие области, в которых можно будет широко использовать машинное обучение, включают в себя:
Планирование карьеры. Рекомендации могут помочь сотрудникам выбрать карьерные пути, которые приведут к высокой производительности, удовлетворенности и доходу.
Управление активами на основе спутников и спутников. Дроны, оснащенные камерами, могут выполнять регулярные внешние осмотры коммерческих структур, таких как мосты или самолеты, с автоматическим анализом изображений для обнаружения любых новых трещин или изменений поверхностей.
Анализ магазинной полки. Компания-производитель спортивных напитков может использовать машинный интеллект в сочетании с машинным зрением, чтобы увидеть, находятся ли её товары в магазине в обещанном месте, правильно ли расставлены, а этикетки обращены ли наружу.
Машинное обучение позволяет компаниям переосмыслить целые бизнес-процессы. Потенциал огромен. Именно поэтому поставщики программного обеспечения вкладывают значительные средства в добавление ИИ в свои существующие приложения и в создание сетевых решений.
Но у отрасли есть и проблемы. Наиболее важной является наличие большого количества высококачественных данных, которые можно использовать для обучения алгоритмов. Во многих организациях данные не находятся в одном месте или в пригодном для использования формате или содержат предвзятости, которые приведут к неправильным решениям. Чтобы подготовить ваше предприятие к будущему, следует для начала оценить существующие информационные системы и потоки данных, чтобы отличить области, которые готовы к автоматизации, от тех, где требуется больше инвестиций. Подумайте о назначении ответственного за сферу данных, чтобы обеспечить надлежащее управление ими как корпоративного актива.
Другая проблема заключается в определении приоритетов; с таким большим количеством возможностей может быть трудно понять, с чего начать. Чтобы облегчить эту задачу, поставщики программного обеспечения начинают предлагать настроенные решения, позволяющие работать в самых современных системах. Многие организации также внедряют центры повышения квалификации в сфереИИ для тесного сотрудничества с бизнес-отделами. Где бы вы ни начинали, важно связать проекты долгосрочной стратегией цифровых платформ, чтобы идти в ногу с инновациями.
Наконец, не стоит недооценивать культурные барьеры. Многие сотрудники беспокоятся о последствиях этой технологии для своих ролей. Для большинства это принесёт возможность сократить утомительные задачи и сделать больше, но очень важно, чтобы у сотрудников были стимулы для обеспечения успеха новых инициатив. Вы также должны тщательно подумать о клиентах. ИИ может увеличить эффективность получения данных, но важно не забывать и об удобстве клиента. Организации должны серьезно относиться к конфиденциальности. Они должны внедрять процедуры для проверки реальных эффектов любых автоматизированных систем, и не забывать о подстраховке.
Продолжающийся рост ИИ неизбежен, и автоматизация приходит на рабочее место с головокружительной скоростью. Сейчас речь идет не о том, должны ли руководители принять или отказаться от технологии, а о том, как быстро они могут это сделать. В то же время организациям необходимо задуматься о том, как они применяют ИИ, с полным пониманием преимуществ и недостатков, присущих этой технологии.
Оригинал: HBR
