Искусственный интеллект, аналитика и новые технологии

Выявление возможностей

Первая оценка определяет, какие сферы бизнеса могли бы извлечь наибольшую выгоду от использования когнитивных приложений. Как правило, ими являются те отделы компании, где знания, полученные на основе анализа данных или извлеченные из документов, нужны в первую очередь, но пока недоступны.

? Узкие места. В некоторых случаях нужда в когнитивном прогнозировании вызвана узким местом в потоке информации; знания существуют в компании, но не оптимально распределены. Это часто наблюдается в сфере здравоохранения, например когда знания «пылятся» в клиниках, департаментах или академических медицинских центрах.

? Проблемы масштабирования. В других случаях знания доступны, но процесс их использования занимает слишком много времени или является дорогостоящим для масштабирования. Это характерная ситуация для финансовой сферы. Именно поэтому многие инвестиционные и управляющие компании уже предлагают клиентам «робоконсультирование» на основе ИИ, которое представляет собой экономически эффективное руководство по рутинным финансовым вопросам.

В фармацевтической промышленности Pfizer решает проблему масштабирования, используя IBM Watson для ускорения кропотливого процесса иммуно-онкологических исследований в рамках нового подхода к лечению рака, который задействует иммунную систему самого организма. Цикл разработки иммуно-онкологических препаратов может занимать до 12 лет, прежде чем они выйдут на рынок. Комбинируя сведения из научной литературы с собственными данными, такими как лабораторные отчеты, Watson помогает исследователям выявлять взаимосвязи и находить скрытые закономерности, которые должны быстрее «научить» новое лекарство распознавать цели, а также ускорить комбинирование терапии с обучением и подбор пациентов для этого нового класса препаратов.

? Ненадлежащая мощность. Наконец, организация может собрать данных больше, чем возможно обработать с помощью людей или компьютеров. Например, компания может располагать огромными объемами данных о цифровом поведении потребителей, но не может понять, что они означают и как применить эту информацию в стратегическом планировании.

Для решения подобных проблем используется машинное обучение, ориентированное на такие группы задач, как таргетированная покупка цифровой рекламы или, в случае Cisco Systems и IBM, на создание десятков тысяч моделей потребительского поведения, чтобы определить, какие клиенты с какой вероятностью предпочтут те или иные товары.