Вісім шляхів, як машинне навчання вдосконалить робочі процеси компаній

Реалізація навчання машин

Роботизація та машинне навчання дозволяє компаніям прискорити зростання, оптимізувати процеси, одночасно вдосконалити взаємодію працівників та підвищити рівень задоволеності клієнтів. Ось деякі конкретні приклади того, як штучний інтелект створює цінність в компаніях:

1. Персоналізація при обслуговуванні клієнтів. Покращення обслуговування клієнтів при одночасному зниженні витрат є дуже цікавою перспективою для компаній. Поєднання архівних даних про обслуговування клієнтів, обробки натуральної мови та алгоритмів, які проходять постійний процес навчання за рахунок інтерактивних діалогів, дозволяє клієнтам отримувати якісні відповіді на поставлені запитання. Фактично, 44% споживачів США вже зараз віддають перевагу спілкуванню з чатботами для вирішення багатьох питань в сервісних центрах. Представники служби підтримки втручаються в ці процеси лише в певних екстраординарних випадках, коли чатбот не може вирішити проблему. Тим часом, машинні алгоритми ретельно аналізують ці виняткові випадки, щоб дізнатися, що робити наступного разу.

2. Підвищення лояльності та збереження клієнтів. Компанії зможуть аналізувати інформацію щодо дій клієнтів, операцій та даних про соціальні настрої, щоб визначити клієнтів, які з великою вірогідністю полишать компанію. У поєднанні з даними про прибуток від конкретного клієнта це дозволяє організаціям виконати кроки на упередження. Наприклад, молодь, що отримала власний телефон замість мобільних телефонів своїх батьків, часто підключається до інших операторів. Телекомкомпанії можуть використовувати машинне навчання, щоб передбачити таку поведінку та підготувати індивідуальні пропозиції для подібних абонентів.

3. Допомога HR-менеджерам у пошуку робітників. Корпоративні HR-менеджери вимушені переглядати сотні резюме та відбирати з них ті, що найбільш кваліфіковані. Більше половини опитаних рекрутерів кажуть, що такий відбір є найбільш складною частиною роботи. Спеціальне програмне забезпечення здатне швидко перебирати тисячі заяв від кандидатів та виокремлювати найбільш цікаві для компанії.

4. Автоматизація фінансових операцій. Штучний інтелект може прискорити «обробку проблем» у багатьох фінансових процесах. Наприклад, коли платіж отримується без номера замовлення працівник має розібратися, яке замовлення відповідає цьому платежу і визначити, що робити з будь-яким надлишком або дефіцитом товару. Але МН може аналізувати всі замовлення та надходження коштів, знаходити відповідність між ними. Це дозволяє організаціям вивільнити персонал фінансового відділу від рутинних операцій та зосередитися на стратегічних завданнях.

5. Оцінка ефективності рекламних кампаній. Автоматизовані системи здатні розпізнавати фірмові продукти компанії, її логотипи, співробітників тощо. Функція розширеного розпізнавання зображень може використовуватися для відстеження логотипів брендів, які з’являються, наприклад, у спортивних трансляціях футбольних чи тенісних матчів. В результаті, якщо компанія було спонсором спортивної команди чи окремого поєдинку вона зможе отримати інформацію про віддачу від спонсорських інвестицій з детальним аналізом, включаючи кількість, тривалість показів та розміщення корпоративних логотипів.

6. Виявлення шахрайства. Типова організація втрачає до 5% свого обороту з причини шахрайства. За рахунок розробки моделі на базі архівних транзакцій, інформації в соціальних мережах та інших зовнішніх джерел даних, алгоритми машинного навчання можуть використовувати цю інформацію для виявлення різних аномалій. Це допомагає виявляти та запобігати шахрайським операціям у режимі реального часу, навіть для раніше невідомих видів шахрайства. Наприклад, банки можуть використовувати архівні дані транзакцій для побудови алгоритмів, що детектують шахрайську поведінку. Вони також можуть виявити підозрілі схеми здійснення платежів та переказів між мережами фізичних осіб. Цей тип «алгоритмічної безпеки» може застосовуватися до широкого кола ситуацій, таких як кібербезпека та ухилення від сплати податків.

7. Упереджувальний ремонт. Окрім вищезгаданих переваг, машинне навчання здатне слідкувати за технічним станом різних пристроїв. Наприклад, спеціальна система може відслідковувати температурні аномалії в поїзді, які вказують на високу вірогідність того, що він поламається протягом найближчих кількох годин. Таким чином, поїзд може бути направлений на обслуговування ще до того, як він вийде з ладу, а пасажири вчасно зроблять пересадку на інший рухомий склад.

8. Безпечні ланцюги доставки. Машинне навчання та штучний інтелект робить можливим контекстний аналіз логістичних даних для прогнозування та пом’якшення ризиків ланцюжка постачання. Спеціальні аналітичні системи можуть переглядати публічні соціальні дані та канали новин на декількох мовах, щоб виявити, наприклад, пожежу на фабриці в іншій країні, яка постачає критично важливі запчастини для виробництва у вашій компанії.

Машинне навчання в перспективі

Втім, можна передбачити багато інших областей, в яких найближчим часом будуть використані засоби штучного інтелекту. Серед них:

• Планування кар’єри. Рекомендації від систем штучного інтелекту здатні допомогти працівникам обирати найбільш перспективні шляхи кар’єрного розвитку. Якщо людина з інженерною освітою забажає коли-небудь керувати відділом, то яку додаткову освіту та досвід роботи вона повинна отримати, в якому порядку?

• Контроль за інфраструктурою. Дрони, що обладнані високоякісними відео- та фотокамерами, можуть виконувати регулярні зовнішні огляди об’єктів інфраструктури, таких як мости та греблі, з метою автоматичного виявлення будь-яких нових тріщин або зміни поверхонь. В поєднанні з супутниковими даними, аналіз із застосуванням машинного навчання підвищить безпеку стратегічних об’єктів.

• Аналіз ринку роздрібної торгівлі. Постачальники продуктів харчування можуть використовувати камери спостереження в супермаркетах та машинний інтелект в комплексі з машинним зором, щоб відслідковувати, чи є в супермакетах фірмові стенди з їхнім товаром в обіцяному місці, чи полички належним чином укомплектовані товаром, чи етикетки на продукті повернуті назовні тощо.

Перешкоди на шляху МН

Машинне навчання має величезний потенціал. Ось чому постачальники програмного забезпечення вкладають великі кошти в розробку таких технологій. Але на цьому шляху є чимало перешкод. Головним завдання є підготовка високоякісних даних, які можна буде використовувати для створення алгоритмів. У багатьох організаціях такі дані розпорошені по різним файловим сховищам та базам даних, або зберігаються у форматах, які доволі важко обробити. Ще однією проблемою є визначення пріоритетів, адже при такій кількості можливостей важко визначити, з чого почати. Щоб полегшити це завдання, розробники пропонують заздалегідь конфігуровані рішення, які дозволяють використовувати найсучасніші технології машинного навчання з коробки.

Не варто недооцінювати культурні бар’єри. Багатьох співробітників турбує питання, яким чином штучний інтелект вплине на їхню роботу. Для більшості, скоріш за все, це стане можливістю скоротити рутинні робочі процеси та виконувати більше творчої роботи. Втім, важливо, щоб працівники мали стимули для інтеграції машинного інтелекту в бізнес-процеси компанії. Крім того, треба пам’ятати про клієнтів. Машинні системи можуть занадто сильно заглибитися в аналітику конфіденційних даних, і це не всім сподобається. Необхідно поважати право замовника на приватність, тому іноді доведеться навіть отримувати згоду споживачів на обробку таких даних.

Зростання ролі штучного інтелекту неминуче, він розвивається із запаморочливою швидкістю. Тому питання полягає не в тому, чи слід менеджерам впроваджувати МН, а лише в тому, наскільки швидко це треба робити. У той же час, потрібно ретельно проаналізувати всі переваги та недоліки цієї технології у відношенні до власного бізнесу.

За матеріалами "8 Ways Machine Learning Is Improving Companies’ Work Processes", HBR.

Ілюстрація: Depositphotos.com