29 мая 2019 г.

Пример практического применения функционала платформы Maana Q

Производительность труда благодаря новым технологиям в среднем повысилась в 5 раз за последние 45 лет. При этом сотрудники компаний признаются, что им регулярно не хватает времени для креативного решения задач. На помощь приходит искусственный интеллект (ИИ). О его возможностях в области управления знаниями для бизнеса поговорим в этой статье.

Текущие изменения в бизнес-среде влияют на работу внутри компаний и непосредственно на персонал. Например, сегодня нужно выстраивать процессы управления профессиональными и корпоративными знаниями с учетом роботизации, Adaptive Workforce (быстро адаптирующихся кадров) и внедрять соответствующие инструменты для коллаборации, обмена опытом, накопления корпоративного знания и т.д.

Управление знаниями

Механизм получения знаний, в том числе — корпоративных, описывается, например, пирамидой DIWK (Data, Information, Knowledge, Wisdom). То есть, в начале процесса вы работаете с данными. Это может быть набор символов, некие изображения или нечто другое, смысл чего исходно вам не известен (представьте ребёнка, которому первый раз показывают буквы; студента на первой паре по комплексному исчислению). Данные подвергаются обработке и переходят в информацию.

Информация от данных отличается упорядоченностью, на этом этапе вы уже понимаете, с чем имеете дело. Происходит осознание информации, в результате получаются знания.

Ключевым отличием знаний от информации является понимание, как можно применить или воспользоваться этими знаниями на практике. Применяя знания, вы накапливаете опыт, расширяете представление о применимости знаний. Ценность знаний растёт с глубиной, позволяя принимать лучшие решения.

С корпоративной точки зрения выделяются три ступени («эры») развития управления знаниями.

Первая эра: определенные знания

Зарождение первых форм и практик управления знаниями — в основной массе представляет собой управление данными и документами. В этот период создавались большие базы данных. С ростом их объёма росла сложность работы с этими базами, эффективность падала, а знания стагнировали.

Вторая эра: Экспериментальные знания

Когда базы стали объёмными, в них накопилось большое количество неактуальных знаний, поиск стал затруднителен. Новое видение гласило, что знания носят динамический характер и со временем устаревают. Фокус смещается с накопления знаний в «одной большой копилке» на горизонтальное распространение знаний.

Появились передовые инструменты и решения управления знаниями, способствующие постоянному обучению и регулярному обновлению базы данных. Такие формы коммуникации, как Q&A форумы, позволяли сотрудникам получать и делиться конкретными знаниями.

Третья эра: Коллективные знания

Организации пытаются создать единую платформу управления знаниями. Фокус — на создание новых знаний за счёт открытия вертикального обмена.

Ключевой сдвиг между тремя эрами можно описать так: от парадигмы «Знания — сила» к «Сила — в распространении знаний».

Внутри организаций можно выделить 5 основных этапов жизненного цикла управления знаниями:

  1. Происходит анализ знаний, необходимых для выполнения задачи
  2. Сбор релевантных знаний, методик и опыта
  3. Сортировка и классификация собранных знаний
  4. Внесение знаний в корпоративную память
  5. Извлечение знаний для решения задач, генерации новых идей

Роль и возможности ИИ

При традиционном подходе к работе с данными требуются усилия со стороны пользователя: нужно точно формулировать запрос, указать различные параметры, и даже выбрать репозиторий поиска. На выходе пользователь видит выдачу, с которой он должен производить дальнейшую работу — при отсутствии нужной информации изменять формулировку и повторять поиск. При этом старый запрос уже «забыт», а новый обрабатывается без учета истории поиска.

При когнитивном поиске с использованием ИИ, усилия перекладываются с пользователя на машину. Пользователю еще на этапе запроса будет предложена первичная трактовка, дополненные варианты формулировок ответа. В выдаче машина выведет наиболее релевантный запросу материал. Шаги действий пользователя сокращаются, ему не нужно отсматривать всю выдачу, открывать файлы, листать.

Для эффективной работы со знаниями создаются бизнес-приложения, которые значительно упрощают человеческие затраты на обработку, и высвобождают время для сложных креативных задач.

Грамотная адаптация управления знаниями позволяет снизить время, которое тратят сотрудники на поиск информации — так, дублирование задач падает на 27%. Высвобожденное время и силы позволяют на 40% увеличить развитие новых процессов и услуг.

Быстрее, чем думали все

Важно отметить, что сама идея использовать ИИ в области управления знаниями появилась более 25 лет назад, но возможность технически реализовать когнитивную платформу с реальными полезными эффектами мы получили совсем недавно. Ещё в 2016 году прогнозировалось, что полное замещение человека машиной станет возможным через 125 лет. Понадобилось всего 3 года, чтобы значительно скорректировать прогнозы, так как стало понятно, что это наступит гораздо быстрее.

Так, в 2014 году Ник Бостром предсказывал, что понадобится десять лет, чтобы компьютер превзошел человека в древней китайской игре Го. Но Google Deep Mind осуществил это уже в марте 2016 года

Компания Lexus сняла рекламный ролик, сценарий к которому придумал ИИ, основываясь на анализе всех других роликов по этой тематике. Реклама рассказывает историю мастера, который выпускает новый автомобиль и проводит тест. В решающий момент включается автоматическая система экстренного торможения автомобиля — поворот сюжета, который, как определил ИИ, продемонстрирует ценность и эффективность встроенной технологии в новинке.

На текущий день существуют действующие комплексные платформы управления корпоративными знаниями. Разработкой таких платформ занимаются Transversal, ThirdEye, Maana. Компания ThirdEye базируют свои решения на основе IBM Watson. Maana реализует собственные решения в партнерстве с Accenture и Microsoft.

Рассмотрим пример практического применения функционала платформы Maana Q.

Задача и решение

Клиентом являлась крупная энергетическая компания из Fortune 50. В своей деятельности она использует рыночных аналитиков для прогнозирования спроса, предложения и цен на сжиженный природный газ (СПГ).

Компания торгует на 10+ рынках ликвидного природного газа. Чтобы определить спрос и цены для каждого рынка, аналитики полагались на громоздкую ручную агрегацию данных. Собирая данные из различных внешних источников, они выполняли трудоемкий анализ с использованием сложных электронных таблиц. В результате анализ занимал огромное количество времени и не использовал все рыночные данные, такие как цены на акции, данные о политической ситуации и правила торговли сырьевыми товарами.

Компания хотела увеличить доход путем точного прогнозирования спроса, предложения и цен для каждого конкретного рынка. Для этого им нужен был более эффективный способ, позволяющий аналитикам рынка выполнять анализ всех возможных сценариев с учетом полного набора внешних факторов, таких как погода, государственная политика, макроэкономические прогнозы и многое другое.

Используя платформу знаний Maana, было создано приложение, которое позволяет в интерактивном режиме исследовать спрос, предложение и цены с использованием внутренних данных из разных хранилищ, а также рыночных данных в режиме реального времени для всех крупных рынков СПГ.

Платформа знаний Maana значительно ускорила процесс работы, позволяя заказчику выполнять анализ сценариев для каждого географического рынка, в каждом месяце и с учетом атрибутов поставщика.

Теперь аналитики могут точно прогнозировать спрос на каждом рынке и использовать эту информацию для оптимизации цен. Используя приложение, они могут принимать более эффективные и оперативные бизнес-решения.

Источник: Антон Кучма, руководитель практики новых технологий компании Accenture Russia