Επιχειρηματική αναλυτική και τεχνητή νοημοσύνη στις σύγχρονες επιχειρήσεις
ΑΦΙΕΡΩΜΑ: Ανάπτυξη, Καινοτομία, Νέο Επιχειρείν
Της ΑΝΑΣΤΑΣΙΑΣ ΓΡΙΒΑ,
Επίκουρης Καθηγήτριας στα Επιχειρηματικά Πληροφοριακά Συστήματα, Διευθύντριας Μεταπτυχιακού Προγράμματος στην Επιχειρηματική Αναλυτική στο University of Galway (Ιρλανδία),
Διδάκτορος του Τμήματος Διοικητικής Επιστήμης και Τεχνολογίας του ΟΠΑ
Στην εποχή μας έχει συλλεχθεί ένας τεράστιος όγκος δεδομένων. Κάθε μέρα πάνω από 2,5 πεντάκις εκατομμύρια bytes δεδομένων συγκεντρώνονται από διαφορετικές πηγές, όπως αγορές σε ηλεκτρονικά και φυσικά καταστήματα, δεδομένα από μέσα κοινωνικής δικτύωσης, από το διαδίκτυο των πραγμάτων (internet of things) καθώς οι χρήστες κινούνται μέσα σε μια πόλη ή σε κτήρια ή ακόμα και στο σπίτι τους. Μάλιστα υπολογίζεται ότι μέχρι το 2030, ο αριθμός των IoT συσκευών θα φτάσει τα 25,44 δισ. ευρώ, κάτι που θα εκτοξεύσει τον όγκο των δεδομένων που παράγονται.
Πολλοί έχουν χαρακτηρίσει τα δεδομένα ως το «νέο πετρέλαιο» που θα είναι το καύσιμο που θα οδηγήσει τον 21ο αιώνα. Όμως δεν αρκεί μόνο αυτό. Όπως τo πετρέλαιο πρέπει να προετοιμαστεί και να εκμεταλλευτεί κατάλληλα για να μπορεί να γίνει καύσιμο, το ίδιο θα πρέπει να γίνει και με τα δεδομένα αυτά. Δεν αρκεί μόνο η επένδυση στο πως τα δεδομένα πρέπει να συλλεχθούν και να αποθηκευτούν, που ήταν είναι ένα από τα βασικά προβλήματα των τελευταίων δεκαετιών, αλλά πλέον κυρίως στο πώς θα επεξεργαστούν και έπειτα θα αναλυθούν για την εξαγωγή αξίας. Αυτό απαιτεί την εργασία σε τρεις τομείς, (Α) στην εκπαίδευση των στελεχών, (Β) στην εκπαίδευση των επιχειρήσεων στο να οδηγηθούν στην αυτοματοποίηση των αποφάσεων, (Γ) στην αντιμετώπιση των προκλήσεων από τη χρήση της τεχνητής νοημοσύνης.
Έρευνες δείχνουν ότι πάνω από το 70% των επιχειρήσεων δυσκολεύονται να βρουν στελέχη με δεξιότητες επιχειρηματικής αναλυτικής σε διαφορετικούς ρόλους
Σχετικά με την κατάλληλη εκπαίδευση στελεχών. Είναι λοιπόν αρχικά σημαντικό να γίνουν αντιληπτές οι δεξιότητες που απαιτούνται και η μετεκπαίδευση των στελεχών. Ένας σύγχρονος επιχειρηματικός αναλυτής δεν αρκεί να καταλαβαίνει από τεχνολογία και να ξέρει να χρησιμοποιεί αλγορίθμους μηχανικής μάθησης και επιχειρηματικής αναλυτικής. Πρέπει επίσης να μπορεί να θέτει τα σωστά επιχειρηματικά ερωτήματα, να έχει δημιουργικότητα, να μπορεί να απεικονίσει τα αποτελέσματα με ορθό τρόπο και να δρα σαν δημοσιογράφος και αφηγητής για να επικοινωνήσει τα αποτελέσματα της ανάλυσης με τέτοιο τρόπο ώστε τα στελέχη να αντιληφθούν την αξία και να μπορούν να μετασχηματίσουν τα αποτελέσματα σε αποφάσεις. Εδώ βέβαια θα πρέπει να γίνει σημειωθεί ότι κάποιες από αυτές τις δεξιότητες δεν είναι δεξιότητες που απαιτούνται μόνο για έναν επιχειρηματικό αναλυτή, αλλά οριζόντια σε όλα τα στελέχη, ώστε αφενός να μπορούν να επικοινωνούν με τέτοιες ομάδες και αφετέρου να χρησιμοποιούν τις δεξιότητες αυτές στα καθημερινά τους καθήκοντα. Έρευνες δείχνουν ότι πάνω από το 70% των επιχειρήσεων δυσκολεύονται να βρουν στελέχη με δεξιότητες επιχειρηματικής αναλυτικής σε διαφορετικούς ρόλους. Δεν είναι άλλωστε τυχαίο που τα τελευταία χρόνια έχουν αυξηθεί τα μαθήματα που προσφέρονται στις πλατφόρμες ασύγχρονης εκπαίδευσης σε επιχειρηματική αναλυτική για αρχάριους, data visualisation, data storytelling κ.λπ.
Πέραν της κατάλληλης εκπαίδευσης των στελεχών, πρέπει οι επιχειρήσεις ως ολότητες να προσαρμόσουν την κουλτούρα τους, για να ανέβουν στη σκάλα αξίας (analytics value escalator), όπως ορίζει η Gartner. Αυτό σημαίνει ότι πρέπει να αφοσιωθούν όχι μόνο στο τι έγινε στα δεδομένα (descriptive analytics) και γιατί (diagnostic analytics), αλλά στο τι θα γίνει στο μέλλον (predictive analytics) και πώς μπορούν να το ενισχύσουν ή αποτρέψουν (prescriptive analytics). Και πιο συγκεκριμένα να εξετάσουν πώς από τη στήριξη των αποφάσεων (decision support), μπορούν να οδηγηθούν στην αυτοματοποίηση των αποφάσεων (decision automation). Για παράδειγμα, δεν αρκεί μια επιχείρηση να χτίσει κάποιο μοντέλο για να προβλέψει ποιοι πελάτες της θα σταματήσουν να την επισκέπτονται τον επόμενο μήνα, αλλά θα πρέπει να συνδέσει τον κάθε πελάτη/ομάδα πελατών με αυτοματοποιημένες ενέργειες για να το αποτρέψει. Εδώ σαφώς αυτό που συμβάλλει σημαντικά είναι η Τεχνητή Νοημοσύνη (Artificial Intelligence- AI).
Τι είναι ένα «black-box»
Υπάρχουν αρκετές προκλήσεις για τη χρήση του ΑΙ, παρακάτω εστιάζουμε στις προκλήσεις που αφορούν στην ανάπτυξη των συστημάτων ΑΙ και την εξηγησιμότητα αυτών. Τα τελευταία χρόνια γίνεται λόγος για black boxes και explainable AI - XAI. Αρχικά, το «black-box» (μαύρο κουτί) είναι ένα σύστημα AI του οποίου οι διαδικασίες και οι λειτουργίες δεν αποκαλύπτονται στους τελικούς χρήστες του. Αυτό σημαίνει ότι οι χρήστες δε γνωρίζουν τη μέθοδο τεχνητής νοημοσύνης, ποια είναι τα δεδομένα που χρησιμοποιεί, πώς λειτουργεί ο αλγόριθμος κ.λπ. Ως αποτέλεσμα, δεν είναι εύκολο να κατανοήσει κάποιος τον τρόπο λήψης των αποφάσεων, τα αποτελέσματα, να διακρίνει μια καλή από μια κακή απόφαση κ.λπ. Λόγω αυτών των δυσκολιών που προκύπτουν διάφοροι ερευνητές έχουν επισημάνει τη σημασία της γνώσης του τι μαθαίνει το AI και γιατί, έτσι ώστε οι επαγγελματίες να μπορούν να παρεμβαίνουν και να το ελέγχουν. Αυτή η ανάγκη για διαφάνεια και κατανόηση των ΑΙ οδήγησε στην ανάπτυξη εξηγήσιμης τεχνητής νοημοσύνης (explainable AI - XAI).
Παρά την έλλειψη διαφάνειας και τις ανησυχίες που εγείρονται σχετικά με την εμπιστοσύνη που προκαλούνται από τα «black boxes» οι εταιρείες εξακολουθούν να τα δημιουργούν και επί του παρόντος υπάρχει μια συζήτηση για το αν πρέπει ή όχι. Ερευνητές ισχυρίζονται ότι η διαφάνεια και το XAI εμποδίζουν την απόδοση του AI. Μερικές φορές οι επαγγελματίες, όταν προσπαθούν να εξηγήσουν ένα AI μπορεί να αφήσουν πληροφορίες εκτός ώστε να κάνουν το σύστημα ευκολότερα ερμηνεύσιμο. Επίσης επικρατεί ο ισχυρισμός ότι αν και είναι στη φύση του ανθρώπου να μην εμπιστεύεται κάτι που δεν γνωρίζει ή δεν μπορεί να κατανοήσει, αυτό δεν θα πρέπει να επηρεάσει τον σχεδιασμό των συστημάτων ΑΙ.
Δεν υπάρχει κάποιος χρυσός κανόνας για το τι είναι καλό ή κακό. Πιο σημαντικό από όλα είναι να προωθηθεί η συνεργασία και να δημιουργηθούν συνέργειες μεταξύ συστημάτων τεχνητής νοημοσύνης και ανθρώπων. Ακόμα κι αν δεν είναι δυνατή η κατανόηση ενός «black box», είναι σημαντικό να δημιουργηθούν ΑΙ που έχουν την ικανότητα να διαπραγματεύονται με ανθρώπους. Τέλος, όσον αφορά το XAI, πράγματι υπάρχει αξία σε αυτό και συνίσταται η χρήση αλγορίθμων με χαρακτηριστικά επεξηγηματικότητας. Ωστόσο, η επεξήγηση δεν είναι απολύτως απαραίτητη για όλους τους τομείς. Για παράδειγμα, στον τομέα της υγείας θα πρέπει να γνωρίζουν οι ασθενείς πώς λειτουργεί ένα σύστημα ΑΙ, που χρησιμοποιεί την αναγνώριση εικόνας για την πρόβλεψη του COVID-19 προτού είναι διατεθειμένοι να το χρησιμοποιήσουν;
