Site icon Blog ARC Optimizer

Une étude sur l'apprentissage automatique met en évidence l'absence de clarté stratégique


Dans cette première série en deux parties, vous découvrirez l'intelligence artificielle et l'apprentissage automatique, les faux pas courants, les critères de réussite et la manière de tirer parti de ces nouvelles capacités.

Il y a quelques années L'apprentissage automatique était pratiquement inconnu de la presse geek; maintenant, elle a dépassé les limites de l’agenda stratégique. En fait, dans une étude récente de SAP et de l'Economist Intelligence Unit, « Tirer le meilleur parti de l'apprentissage automatique: 5 leçons apprises rapidement », 68% des entreprises interrogées utilisent le machine learning sous une forme ou une autre; parmi les entreprises d’achat, c’est environ 65%. Ces entreprises sont sur la voie de l’automatisation.

Shoshana Zuboff, psychologue sociale et professeure à Harvard, a déclaré: «Tout ce qui peut être automatisé devrait être automatisé». of Work and Power », New York: Basic, 1988.) Le point de vue de Zuboff est particulièrement vrai pour ce que nous appelons les« travailleurs du savoir ». Les travailleurs du savoir prennent généralement des décisions tactiques, comme prolonger la période de garantie, déterminer les niveaux de réapprovisionnement lorsque les ratios de stocks baissent soudainement et se concentrer sur les opportunités les plus susceptibles de mener à la conquête d’un nouveau client. nous pouvons voir un ajustement évident de l'apprentissage automatique dans le cadre de l'intelligence artificielle en collaboration avec la prise de décision humaine. Aujourd'hui, les décisions et les différentes étapes qu'elles impliquent sont constamment ajustées en fonction de la disponibilité, des données et des algorithmes en temps réel. Les informations sous-jacentes pour ces travailleurs du savoir sont plus facilement accessibles, à partir de points de données qui alimentent ces processus.

«L'intelligence artificielle n'est pas une chose mais une orchestration d'un ensemble de technologies intégrées qui augmentent ou automatisent tâche complète d'un spécialiste ou d'un travailleur du savoir professionnel. »

Ces nouvelles données créent des raccourcis qui génèrent transformation (processus) numérique ce qui crée une nouvelle valeur. L'intelligence artificielle (IA) aidera à répondre aux questions sur les données. Et lorsque l'IA utilise l'apprentissage automatique (ML), cela signifie que le logiciel n'a pas besoin d'être continuellement mis à jour ou reprogrammé. ML fonctionne en tangence avec l'IA pour appliquer les changements en fonction de l'apprentissage continu obtenu à partir de points de données mis à jour. En fait, une compréhension cruciale est que les données changent tout, en particulier l’automatisation.

Avant de continuer, il est essentiel de partager la définition de l’IA. Pour mémoire, l'IA n'est pas une technologie «unique». C’est une connaissance des processus, ou une combinaison de différentes techniques, technologies, outils et ensembles de données de formation. Think ML, blockchain, intelligence de données, Big Data IoT analyse prédictive automatisation de processus et flux d'interface utilisateur conversationnelle. Une bonne définition de l'IA est «l'orchestration d'un ensemble de technologies à base de connaissances qui, utilisées ensemble, augmentent ou automatisent une tâche complète de spécialiste ou de travailleur du savoir professionnel».

Les techniques peuvent être utilisées pour que la machine prenne des décisions ou fournisse des recommandations fortes pour des actions. C’est pourquoi nous pouvons affirmer qu’une bonne partie (disons 50%) des processus opérationnels seront entièrement automatisés au cours des trois prochaines années. Une fois les processus existants automatisés, de nouveaux processus seront créés au fur et à mesure que nous passerons d'un monde axé sur les processus à un monde axé sur les données. Sur la base des informations fournies par les données, les entreprises créeront de nouveaux processus, réaménageront les processus existants et numériseront l'expérience des processus.

Par exemple, pensez aux clients qui achètent des produits. Autrefois, c'était un processus assez linéaire. Je vois une annonce, je vais dans un magasin, je fais un achat. Aujourd'hui, la recherche et les achats peuvent être complètement distincts d'une décision d'achat. L'augmentation du contenu social a changé notre façon de magasiner et laisse la décision d'achat à un niveau de prix.

Comment pouvons-nous résoudre ce problème? Dans l’ensemble des technologies, l’apprentissage automatique peut être le point de départ le plus fort, suivi des bots conversationnels, surtout si vous voulez conquérir le marché de la génération Y, car les études montrent que le dialogue, le social et la messagerie La pire façon est d'essayer de les appeler.

La question se pose, comme pour tout changement fondamental axé sur une nouvelle technologie: «Où commence-t-on avec l'apprentissage automatique et est-ce rentable?»

en avance sur l'apprentissage automatique

Récemment, SAP et l'Economist Intelligence Unit ont publié un premier rapport sur le blanchiment d'argent. La bonne nouvelle est que ML mène à des revenus et à des profits au sein des entreprises et leur donne un avantage concurrentiel. Dans « Tirer le meilleur parti de l'apprentissage automatique: 5 leçons des apprenants rapides », les premiers utilisateurs, que les auteurs appellent «apprenants rapides», obtiennent de meilleurs résultats commerciaux:

  • % de croissance du chiffre d'affaires) comme principal avantage de ML
  • 36% implémentent la fonction ML dans les fonctions de développement client et de développement de produits, telles que centre de contact, marketing, informatique et R & D
  • 41% à des niveaux plus élevés de satisfaction de la clientèle

Il est clair que, sur la base de ces chiffres solides, la ML a un impact sur les utilisateurs précoces, et ils voient la ML comme une longue queue. Cliff Justice, responsable des solutions d’innovation et d’entreprise chez KPMG et l’un des participants, est même allé jusqu’à dire: «L’IA et l’apprentissage automatique ont un impact beaucoup plus important sur le modèle économique que toutes les perturbations constatées. nos vies. »

Apprentissage automatique: trois critères à faible coût pour les fruits

  • L'apprentissage automatique nécessite beaucoup de données de haute qualité. Dans la plupart des organisations, ces données se trouvent dans des applications métier existantes telles que la finance, la logistique et les ventes. Les données de ces systèmes ont déjà été collectées, nettoyées et stockées sur une longue période. De nombreuses données sont donc disponibles pour créer des modèles prédictifs utiles et utiles.
  • L'apprentissage automatique fonctionne de manière optimale lorsqu'il existe une décision bien définie. faites, des milliers de fois par jour et en utilisant un petit nombre de variables, et où les erreurs sont claires et peuvent être rapidement corrigées pour améliorer encore l'algorithme.
  • L'apprentissage automatique est plus facile à implémenter

L'un des aspects les plus remarquables (et décourageant) des efforts de changement organisationnel est toutefois leur faible taux de réussite. Des preuves substantielles montrent qu'environ 70% de toutes les catégories d'initiatives de changement échouent.

Selon un article de 2011 publié dans le Journal of Change Management la raison principale de ces échecs est le manque d'alignement. entre le système de valeurs de l'intervention de changement et des membres d'une organisation subissant le changement. La clarté stratégique semble être le facteur de différenciation.

En approfondissant la recherche sur le rapport ML, ce qui est particulièrement intéressant, ce sont les écarts entre les apprenants rapides et les autres. Une différence frappante concerne le «manque de clarté de la stratégie». Il y a un écart de 10 points lié à la clarté stratégique par rapport à un simple écart de deux points pour l'expertise interne en IA et en ML. Il est intéressant de noter que la technologie est moins problématique que la stratégie.

Ceux qui affichent un niveau de clarté stratégique plus élevé semblent également mieux informés et ont des attentes plus réalistes quant aux possibilités, aux avantages et aux limites de la technologie.

plus profondément dans les systèmes de croyance des apprenants rapides, nous constatons qu'ils ont compris très tôt que l'apprentissage automatique fonctionnait mieux lorsqu'il y avait une décision bien définie à prendre des milliers de fois par jour en utilisant un petit nombre de variables et peut être rapidement corrigé pour améliorer encore l'algorithme. Par exemple, «Lequel de ces paiements bancaires correspond à cette facture?» Est beaucoup plus facile à mettre en œuvre en utilisant ML que «Comment pouvons-nous améliorer les taux de survie à long terme du cancer du poumon? «L'apprentissage automatique: trois critères de faible poids des fruits», ci-dessus.

Fait intéressant, le changement n'endommage pas toujours les structures préexistantes. Une mauvaise croyance est que l'IA automatisera l'économie et mettra les gens au chômage. La réalité est que, historiquement, le changement technologique a initialement diminué, mais a par la suite stimulé l'emploi et le niveau de vie en permettant l'émergence de nouvelles industries et de nouveaux secteurs. Pensez à la façon dont Internet a créé de nouveaux emplois.

AI est à son meilleur lorsqu'une décision peut être automatiquement automatisée ou améliorée pour prendre en charge un processus changement. Malheureusement, la plupart des avertissements désastreux de pertes d’emploi confondent l’IA avec l’automatisation et éclipsent le plus grand avantage de l’IA: l’augmentation de l’IA, une combinaison d’intelligence humaine et d’intelligence artificielle où les deux se complètent. L'augmentation de l'IA permettra aux employés de devenir plus humains dans les processus de service et d'utiliser leurs talents pour créer de la valeur (voir «Exemples de tâches automatisables» ci-dessous). Le rapport souligne cette tendance, en décrivant la vitesse à laquelle les apprenants recyclent les employés pour se concentrer davantage sur les tâches à valeur ajoutée au sein de leur organisation lorsque leurs tâches professionnelles sont remplacées par l'apprentissage automatique.

Exemples de tâches automatisées par intelligence artificielle et apprentissage automatique

  • Extraction de données de paiement ou de commande pertinentes à partir de factures, formulaires ou e-mails non structurés (noms de produits, montant, devise, bénéficiaire, adresse, etc.)
  • Classement des transactions pour conformité fiscale
  • Calcul de la durée optimale entre les inventaires physiques pour s'assurer qu'elle est conforme aux systèmes automatisés
  • Acheminement des demandes de service client vers les équipes les plus appropriées [19659015] Comparaison de nouveaux documents réglementaires avec des descriptions de processus ou de produits, classification et mise en évidence de la nature, des changements et de l'impact
  • Redlining, ou comparer deux contrats ou plus entre eux et identifier des termes et conditions contradictoires ou contradictoires

Comme l’a dit un propriétaire d’hôtel lorsque son équipe de la réception a été soulagée de questions telles que «Quel est le mot de passe WiFi? : «L’IA aide les humains à être plus humains, l’IA rend l’humanité à l’entreprise.» ML ne fait pas son travail, mais plutôt les humains doivent décider quand ils doivent faire le travail. Ceci est un excellent exemple de la composante humaine de ML et de l’importance de la créativité lorsque ML est en jeu.

En d’autres termes, laisse les robots se dérouler et les humains pensent ! Reconditionnez les employés qui ont des tâches déplacées par apprentissage automatique pour apprendre des tâches à valeur ajoutée au sein de leur organisation.

«Nous pensons que si les hommes ont le talent d’inventer de nouvelles machines qui mettent les hommes au chômage, ils ont le talent retour au travail. »- John F. Kennedy

En savoir plus

Embrace AI, ML, analyse avancée blockchain et d'autres technologies émergentes pour résoudre des problèmes spécifiques problèmes commerciaux avant qu'ils ne soient emballés pour les non-adoptants précoces pour se procurer plus tard. Obtenez les informations dont vous avez besoin en téléchargeant l'étude de l'Economist Intelligence Unit, « Tirer le meilleur parti de l'apprentissage automatique: 5 leçons des apprenants rapides », sponsorisée par SAP. Et explorez SAP Leonardo conçu pour permettre aux entreprises de tirer parti des technologies émergentes et de les fusionner avec leurs données métiers pour innover plus rapidement et transformer leur activité plus rapidement, avec moins de risques.

<! – – Commentaires ->




Source link
Quitter la version mobile