Dans la seconde partie d'un blog en deux parties, vous apprendrez comment les entreprises utilisent avec succès l'intelligence artificielle et comment tirer parti de ces nouvelles fonctionnalités.
L'ajout de l'intelligence artificielle (AI) et de la machine L'apprentissage (ML) des systèmes ouvre de nouvelles possibilités de reprise des processus métier. Dans le passé, l'apprentissage automatique (ML) devait être codé manuellement et câblé; si un changement d'algorithme était nécessaire, le processus devait s'arrêter et être réécrit.
Aujourd'hui, le codage est plus facile et les algorithmes ML sont disponibles en tant que service ou API. Intégrer des technologies intelligentes comme AI et ML dans les systèmes d'entreprise rend ces processus plus intelligents et peut prendre en charge des tâches répétitives qui prenaient auparavant des heures et les exécutaient en quelques minutes. Et à mesure que les systèmes deviennent plus intelligents, il est beaucoup plus facile de les intégrer numériquement au moyen de données, de l'automatisation des processus robotisés (RPA) et de l'apprentissage automatique. Comme pour chaque innovation technologique, cela ouvre la voie à une approche de gestion différente, à travers l’application de la technologie et de nouveaux paradigmes de services, pour relever le défi d’améliorer les performances de l’entreprise; comment créer l'entreprise intelligente .
Afin de créer une entreprise intelligente en réalité, les écosystèmes des entreprises devront évoluer, et les modèles d’entreprise doivent continuer à évoluer. Prenons l'exemple de nouveaux modèles commerciaux pour l'assurance automobile basée sur le covoiturage et l'utilisation. Comme l’a envisagé une entreprise comme Lyft ou Uber, les processus automatisés ne sont pas seulement une accélération des processus, ils ont également pour but d’ajouter de la flexibilité au service global tout en modifiant le modèle économique de la propriété ou de la relation de travail. sont accomplies par une combinaison de tâches d'automatisation et manuelles. Les tâches manuelles nécessitent une intervention ou des décisions humaines, et les pièces transparentes sont automatisées. Les connexions entre les tâches manuelles et automatisées peuvent avoir des faiblesses et nécessitent souvent beaucoup de travail et de temps.
Par exemple, dans le secteur manufacturier, en raison des changements géopolitiques et des accords commerciaux changeants, Ils doivent donc trouver et trouver rapidement différents fournisseurs pour approvisionner leurs composants en quelques semaines, de sorte que leur production ne s'arrête pas ou affecte leur marge. Généralement, ce processus de recherche et d’évaluation était un processus unique qui prendrait des mois, mais la rapidité n’est pas la seule considération; Il s’agit également d’accroître la flexibilité de mon entreprise dans un monde en mutation.
Ce type de défis justifie une analyse approfondie des processus métier existants pouvant contenir des vulnérabilités ou des liens faibles. Il faut en particulier examiner les zones qui touchent leurs clients. Puis-je supprimer une étape et éliminer une tâche répétitive avec l'intelligence artificielle? C'est le début de la manière dont IA et ML peuvent prendre en charge les décisions humaines.
La «promesse de Moonshot» est une idée fausse stratégique selon laquelle AI et ML sont pour des choses qui résoudront des problèmes géants et contribueront à une perturbation complète de l'industrie.
Prenez l'application Uber. Il n’a pas changé de trajet en taxi; au contraire, cela simplifiait le processus. Les consommateurs n'attendaient pas un nouveau processus de taxi mais étaient vraiment heureux quand Uber a créé une application pour:
- Invoquer un taxi
- Montrez-nous où il était
- Facilitez le paiement sans délai
sort de l'ancien processus et infuse un peu de ML. En fait, contrairement à la «promesse imminente» de la nouvelle technologie, la plupart des gens veulent faire les mêmes choses qu’ils ont toujours faites, plus rapidement, moins cher et avec beaucoup plus de données.
avant les employés
Bien que cela semble contre-intuitif, les employeurs seront probablement plus touchés par l'IA que par les employés en raison des différences de compétitivité qu'il offre – mais ils devront apporter des modifications pour en profiter. Aux États-Unis, 22% des entreprises ayant publié un rapport annuel au cours des derniers mois ont alloué une partie de leurs bénéfices à AI.
Selon une étude récente menée conjointement par SAP et The Economist Intelligent Unité sur l'adoption de l'IA, les organisations qui font le plus avec l'apprentissage automatique (les «apprenants rapides») ont connu une croissance moyenne de 43% supérieure à celles qui n'ont pas encore commencé à utiliser l'AI et le ML. Utiliser la nouvelle technologie n'est pas une recette pour réussir, tout comme posséder un voilier ne signifie pas que vous gagnerez la course.
Bien qu'AI devienne le cœur de la stratégie commerciale, la gouvernance des données reste un obstacle persistant. Ici, le leadership est essentiel, et les principales organisations estiment que la première étape d'un parcours réussi d'AI consiste à améliorer la gestion des données. Quel que soit l'algorithme, les mauvaises données d'entraînement limiteront l'efficacité de l'IA et de la ML. La transparence, la qualité des données, la propriété et la gouvernance font toute la différence pour le succès de l'IA et du ML.
Après tout, les nouvelles technologies nécessitent de nouvelles règles. Nous avons besoin de principes de conception axés sur la transparence quant à la manière dont l'IA est parvenue à la réponse et sur la résolution proactive des dilemmes réglementaires et éthiques. Nous devons savoir: qui va faire attention à la gestion des données? Comment AI parvient-elle à cette décision? Qui a formé le système? Quelles sont les données à la base? Quelle est la confiance de l'IA dans la qualité et la pertinence des données? Ai-je confiance dans cette décision?
Innover pour réussir
Une approche intelligente consiste à prendre un problème métier spécifique à un client, à trouver les éléments de ce problème qui sont communs à tout le secteur, puis à définir les éléments d'un problème. méthodologie et les technologies utilisées pour résoudre ce problème. Les emballer et les rendre disponibles en tant que kits d'innovation sectoriels ou les intégrer à d'autres applications aide les autres clients à relever plus facilement les défis communs.
Les solutions métier doivent fournir des technologies intelligentes pour améliorer les résultats. Une solution d'entreprise composée d'une pile technologique pré-orchestrée, activée par les meilleures pratiques et les plans de processus, peut résoudre les problèmes métier et compléter les processus de base et les tâches que les personnes gèrent chaque jour. Pour les processus difficiles à terminer, de nouvelles technologies comme ML et AI peuvent les automatiser.
Quelques exigences clés:
- Avez-vous les données de formation ou les exemples commerciaux pour former votre IA & ML? 19659013] Pouvez-vous vous permettre de mettre votre temps à la disposition de vos meilleurs experts en processus métier pour former le ML dans votre sauce secrète ou comment vous faites les choses?
- La stratégie est-elle claire et axée sur le renforcement des connaissances dans l'entreprise? L'objectif devrait être de mettre en œuvre des initiatives de ML plutôt que dans des unités commerciales ou des fonctions individuelles.
Exploitation de la conception
Les meilleures pratiques en matière de conception reposent sur une approche extérieure créer des idées et accélérer les nouvelles innovations technologiques sur le marché. Il s’agit d’innovation ouverte et de développement rapide. Alors que d'autres processus d'innovation prennent de deux à quatre ans, la réflexion sur la conception peut produire des résultats en quelques semaines avec moins de risques. L'équilibre risque-récompense est fortement orienté vers la récompense, les participants pouvant sortir d'un atelier de réflexion conceptuelle avec des concepts éprouvés prouvant que leur temps et leur argent n'ont pas été gaspillés.
Une étude de cas
- et une société minière au Brésil, une réflexion sur la conception appliquée pour améliorer l'entretien et l'exploitation de la mine. Après avoir suivi le processus de réflexion, l'équipe a identifié le problème de la réduction du nombre de demandes d'achat rejetées par les techniciens de service.
- En quatre semaines seulement, Vale a conçu une solution centrée sur l'utilisateur optimisant les processus d'achat, de réquisition et de maintenance. , en réduisant le taux de rejet de 86% en utilisant un prototype basé sur l'apprentissage automatique.
Au cours de la dernière année, nous avons vu comment l'approche conceptuelle et les meilleures pratiques du secteur sont la clé du succès dans la fabrication, l'énergie et les ressources naturelles. et industries de consommation. Quelques exemples récents de succès:
- Réduire le nombre de fois que les clients ont besoin d'appeler une ligne d'assistance pour résoudre les problèmes car les technologies peuvent désormais s'auto-analyser et résoudre les problèmes
- Réduire les temps d'arrêt de 40% guérir les échecs
- Diminution des coûts allant jusqu'à 68% en intégrant l'IA et l'informatique en nuage au cours du processus de fabrication
- Augmenter la rétention des employés à l'aide de l'analyse et de la ML
les composants que les organisations peuvent utiliser car ils réduisent directement le travail répétitif et prennent en charge le levage lourd. Certains, comme le rapport d'apprentissage automatique apprennent déjà à tirer parti de leurs premières initiatives qui introduisent le langage ML dans leurs processus. D'autres créent de nouveaux modèles commerciaux et améliorent les opérations avec l'analyse prédictive IoT, blockchain ou .
Il est temps que toutes les organisations réfléchissent à la manière dont l'intelligence artificielle et l'apprentissage automatique s'intègrent dans une stratégie de transformation numérique. 19659003] Si vous souhaitez appliquer AI, ML ou l'une des autres technologies intelligentes, commencez à préparer et à affiner votre stratégie avec SAP Leonardo et la conception.
Suivez Marc sur Twitter pour suivre toutes les dernières nouvelles concernant l'innovation numérique, la réflexion sur le design et SAP Leonardo.
Sources
- Shoshana Zuboff (1988). À l'ère de la machine intelligente: l'avenir du travail et du pouvoir . New York: Basic.
- Bernard Burnes et Philip Jackson (2011). Succès et échec du changement organisationnel: une exploration du rôle des valeurs. Journal of Change Management 11: 2, 133-162.
- EIU & SAP (2018). Tirer le meilleur parti de l'apprentissage automatique: 5 leçons des apprenants rapides .
- Marc Teerlink (2018). Intelligence artificielle: mythes, faits et perturbations numériques n. Keynote de la conférence TNW.
- Marc Teerlink (2018). SAP Leonardo: le leadership, c'est l'action .
- Marc Teerlink (2018) L'étude sur l'apprentissage automatique manque de clarté stratégique
<! – Commentaires ->
Source link