title background

Статьи / Новые инструменты AI делают BI умнее и гораздо полезнее

21.11.2018 г., перевод статьи Maria Korolov

Демократизация науки о данных: то, что раньше занимало месяцы подготовки специалистов по работе с данными, скоро может быть собрано за несколько дней продвинутыми бизнес-пользователями.


Машинное обучение и искуственный интеллект

Компании, которые хотят внедрить на предприятиях машинное обучение для анализа данных, несколько неожиданно встречаются со своим старым другом. Системы бизнес-аналитики, в основном предназначенные для анализа прошлой деятельности, дооснащаются искусственным интеллектом, чтобы добавить прогностические функции в их возможности отчетности.

Symphony Post Acute Network – одна из таких организаций. Медицинская компания, которая имеет 5000 мест в 28 медицинских учреждениях в штате Иллинойс, Индиана и Висконсин, хотела использовать искусственный интеллект и машинное обучение для улучшения ухода за 80 000 пациентами в год, восстанавливающихся после процедур, таких как операция на колене или лечение диализом. Например, частые обращения пациента в центры медицинского обслуживания могут быть индикатором того, что он особенно подвержен риску опасных падений и поэтому требует дополнительных мер предосторожности.

Поиск таких индикаторов, которые могут быть отдельными точками данных или тонкими шаблонами данных, является идеальным вариантом использования для машинного обучения. Но создание моделей – это непростая работа.

«Меня засыпали вопросами о прогнозировании, – говорит Натан Патрик Тейлор, директор по науке о данных и аналитике в Symphony Post Acute Network. – Но даже если я бы тратил каждую минуту своей жизни на создание моделей машинного обучения, я не смог бы успеть сделать все это».

Таким образом, компания наняла еще двух специалистов по данным. «И они обходились недешево, – говорит Тейлор. – Но мы все равно не получали нужного результата. Это было очень сложно и дорого».

Два года назад Symphony начала искать коммерческие альтернативы, продавцов, у которых уже были готовые модели машинного обучения. Теперь компания берет данные, уже собранные в хранилище данных, отправляет их через облачные AI-механизмы от своего поставщика DataRobot, и результаты каждые четыре часа возвращаются в информационные панели Microsoft PowerBI. «Сразу же я получил то что нужно, мой ИТ-директор получил то что нужно, и мы были просто поражены, – говорит Тейлор, – и это было похоже на волшебство».

Сегодня 240 врачей и медсестер получают прогнозы и рекомендации прямо на своих панелях PowerBI, к которым они могут получить доступ через планшеты и смартфоны. Так, например, пациенты с более высоким риском падения автоматически помечаются значком лестницы. Пациенты с высоким риском повторной госпитализации отмечаются значком скорой помощи.

Внедрение AI в BI

Тейлор говорит, что частота повторного поступления имеет большое значение для Symphony. Больницы и страховые компании смотрят на ставки реадмиссии, и каждая реадмиссия в конечном итоге обходится компании в 13 500 долларов. «А это значительная сумма денег», – говорит он.

Чтобы выяснить, были ли прогнозы DataRobot полезны или нет, Symphony первоначально развернула каналы DataRobot только для некоторых своих объектов и провела шестимесячное исследование, чтобы узнать, есть ли разница в коэффициентах реадмиссии. «Если вы смогли переместить его на 1 процент – это уже хороший показатель», – говорит он.

«И показатели действительно улучшились, – говорит Тейлор, – с 21 процента до 18,8 процента. Это значительное улучшение. Именно он убедило нашего генерального директора».

Сегодня компания начинает использовать такой же подход при рассмотрении договоров со страховыми организациями. «Если мы неправильно выставляем счета за услуги – то это деньги выброшенные на ветер», – рассуждает он.

Первоначальная установка заняла около 20 часов и включала подключение каналов данных и настройку моделей обучения. Теперь, если кто-то захочет получать новые типы прогнозов, совершенно новая модель обучения занимает от 6 до 8 часов настройки и распространяется в течение трех рабочих дней.

Кроме того, существующие модели могут быть переобучены в любое время. Например, могут измениться правила или медицинский персонал может начать использовать новые процедуры. Помимо этого, модель может со временем дрейфовать. Тейлор перенастраивает модели каждые три месяца, или когда происходят серьезные изменения в политике. Если изменения были большими, то модель обучения, возможно, потребуется обучать именно на данных, поступающих после вступления в силу новых политик.

По его словам, для управления системой больше не требуется высококвалифицированный специалист по данным, но требуется тот, кто обладает базовыми знаниями в области статистики. В Symphony компания также использует язык программирования R для настройки модели.

DataRobot поддерживает Python «из коробки». По словам Колина Приста, директора по маркетингу DataRobot, клиенты, которые используют другие языки, могут легко использовать любой язык интерфейса Rest API для вызова API DataRobot Rest, включая Java, C#, SAS, JavaScript и Visual Basic.

Следующим шагом AI является самообслуживание

«AI стал общедоступным», – говорит Борис Эвельсон, вице-президент и главный аналитик Forrester Research.

«До недавнего времени для написания кода требовался специалист по данным. Сегодня, с помощью этих систем бизнес-аналитики, я могу указать несколько точек данных, выбрать переменную, которую я хочу предсказать, например, склонность клиента к покупке – и эти прогностические модели будут автоматически сгенерированы».
– Борис Эвельсон, вице-президент и главный аналитик Forrester Research

Он говорит, что то, что раньше занимало месяцы работы специалистов в области науки о данных, теперь может быть собрано воедино за несколько дней кем угодно, кто может разобраться с данными и работать в Excel.

«Маркетологи используют это для прогнозирования и поведения по отношению к клиенту, бизнес-менеджеры – для поиска и прогнозирования риска, а поставщики – для просмотра и оптимизации логистики», – говорит он.

Согласно недавнему обзору Forrester, усовершенствование работы с данными, аналитикой или аналитическими платформами, является одним из трех лучших вариантов использования технологий искусственного интеллекта. И все крупные поставщики BI, включая IBM, Oracle и Microsoft, работают в этой области.

А если 8 часов, для того чтобы создать новую модель машинного обучения, все еще кажется «слишком долгим», – следует учитывать, что более простые варианты уже на подходе. Скоро пользователи смогут автоматически получать рекомендации и наиболее распространенные типы прогнозов, пользоваться встроенным распознаванием образов и обработкой естественного языка, поскольку Gartner предсказывает, что получение информации на естественном языке и искусственный интеллект будут стандартной функцией 90 процентов современных платформ бизнес-аналитики в течение следующих двух лет.

Оснащение BI для текстового и визуального анализа

«Обработка естественного языка позволит пользователям задавать простые вопросы человеческим языком в тот момент, когда им нужна информация», – говорит Брюс Моллой, генеральный директор SpringBoard.ai.

«Я думаю, что это естественная эволюция. Чем уже домен и чем более релевантные данные доступны платформе, тем проще поставщику будет добавить возможности искусственного интеллекта».
– Брюс Моллой, генеральный директор SpringBoard.ai

Толчок к искусственному интеллекту обеспечивается за счет увеличения вычислительной мощности, интеллектуальных алгоритмов, облачных вычислений и стандартных интерфейсов. Например, DataRobot использует как облачные вычисления, так и стандартные API-интерфейсы Rest, что позволяет ему поддерживать бизнес-аналитические системы Trifacta, Alteryx и Domino Data Labs в дополнение к PowerBI, Tableau, Qlik, Excel, R Shiny и многим другим панелям инструментов.

«Существует много информации, сохраненной в неструктурированных форматах данных, которая может привести к полезным выводам и прогнозам, – говорит Джош Саттон, глобальный руководитель отдела данных и искусственного интеллекта консалтинговой фирмы Publicis.Sapient. – И это не только текстовые сообщения».

«Один из крупнейших источников неструктурированных данных, который является источником бизнес-аналитики, – это визуальные образы, – утверждает Саттон. Например, отделы маркетинга могли бы извлечь выгоду из анализа того, как их клиенты взаимодействуют с продуктами на основе фотографий, которыми они делятся в социальных сетях».

Выход за рамки описательной аналитики

«Но прогнозы и идеи – это всего лишь первый шаг к тому, что AI может добавить к панелям бизнес-аналитики», – говорит Дэвид Шубмель, директор по исследованиям в области когнитивных и искусственных интеллектуальных систем в International Data. Панели мониторинга, работающие на AI, могут также давать советы или предлагать конкретные действия, которые пользователи должны выполнять в будущем, или даже предлагать выполнить эти действия для пользователей.

«Если число продаж падает, AI предскажет, как это может отразиться в дальнейшем, и что вы должны сделать с этим сейчас», – говорит он.

Это делает BI гораздо более ценным.

«Я думаю, именно поэтому так много людей применяют подобные инструменты. Например, Salesforce только что сделала громкое заявление о том, что прогнозы ее Einstein недавно превысили более миллиарда прогнозов в день в рамках прогнозной аналитики, помогающей людям находить новый бизнес, выявлять новые интересы, создавать возможности, ориентированные на действия. Я думаю, что это показатель того, что люди хотят больше, чем просто описательная бизнес-аналитика. Но мы все еще находимся на очень ранней стадии развития. Когда-нибудь в течение следующих двух-трех лет мы, вероятно, достигнем полной зрелости. Люди только начинают понимать, каковы возможности искусственного интеллекта и машинного обучения».
– Дэвид Шубмель, директор по исследованиям в области когнитивных и искусственных интеллектуальных систем в International Data

«В частности, AI все еще не имеет здравого смысла», – утверждает Румман Чоудхури, старший директор и глобальный лидер по ответственному искусственному интеллекту в Accenture.

«Мы все еще живем в мире ограниченного AI. Даже если на конкретной платформе есть модель AI, встроенная и готовая к работе, пользователь все же должен понимать данные, которые используются, и их актуальность по отношению к рассматриваемому вопросу. Вы должны убедиться, что они подходит для вывода, который, по вашему мнению, вы получаете. И я не знаю, сможем ли мы полностью заменить человеческое суждение в некоторых из этих областей. Также я не знаю, сможем ли мы полностью автоматизировать принятие реальных решений, даже если мы это сделаем».
– Румман Чоудхури, старший директор и глобальный лидер по ответственному искусственному интеллекту в Accenture.