Data science

Sự trỗi dậy của Cyborgs: Sử dụng AI / ML để nâng cao trí thông minh của con người (Phần 1)

Nhấp để tìm hiểu thêm về tác giả Assaf Egozi. Các tổ chức hiện đại có ngày càng nhiều “nhà phân tích dữ liệu công dân”. Những cá nhân này nắm giữ nhiều vị trí trong doanh nghiệp, từ vai trò điều hành và kinh doanh cho đến các vai trò phân tích dữ liệu, kinh doanh, hoạt động, tiếp thị và bán hàng. Họ làm việc trên một loạt các chức năng, cố gắng cải thiện thông tin chi tiết về sản phẩm hoặc dịch vụ của tổ chức, hiểu rõ hơn các yêu cầu của khách hàng, xác định các mối đe dọa cạnh tranh và cơ hội thị trường, tối ưu hóa nguồn lực hoặc thúc đẩy hiệu quả quy trình khác. Nhưng có một điểm chung là nhu cầu sử dụng dữ liệu như một phần cốt lõi của quy trình kinh doanh và quy trình ra quyết định của họ. Để thực hiện công việc của mình một cách hiệu quả, những nhà phân tích này cần có môi trường hoạt động phù hợp. Hiểu biết về doanh nghiệp là rất quan trọng. Điều đó thường có nghĩa là chúng được nhúng trong các đơn vị kinh doanh cụ thể thay vì được tổ chức thành các nhóm tập trung. Điều này cung cấp cho họ những hiểu biết sâu sắc hơn về những thách thức mà mỗi đơn vị phải đối mặt, cũng như “làn da trong trò chơi” khi giải quyết những thách thức đó. Ngoài việc phát triển sự hiểu biết chi tiết về các thách thức kinh doanh, họ cũng cần được hỗ trợ bởi thông tin và công cụ phù hợp. Trong khi hầu hết các nhà phân tích có năng lực cao với các con số và thông thạo ít nhất là các dạng cơ bản của phân tích thống kê, họ hầu hết không phải là nhà công nghệ hay nhà khoa học dữ liệu. Thay vì viết mã, chúng thường thoải mái hơn với các ứng dụng phân tích dữ liệu thân thiện với người dùng như bảng tính và công cụ trực quan hóa. Phần lớn, những ứng dụng tương đối đơn giản này đã phục vụ chúng tốt trong vài thập kỷ qua. Tuy nhiên, trong khi bảng tính và các công cụ BI tiếp tục phục vụ một chức năng quan trọng, các nhà phân tích ngày càng gặp phải những hạn chế mà chỉ có thể giải quyết bằng thế hệ công cụ phân tích mới. Nhu cầu về AI / ML là gì? Thuật ngữ “dữ liệu lớn” có thể không còn được thổi phồng nữa, nhưng đó không phải là do tốc độ tăng trưởng dữ liệu đã giảm đi. Thay vào đó, vụ lở dữ liệu đang diễn ra đơn giản đã trở thành bình thường mới. Với lượng dữ liệu ngày càng đa dạng được tạo ra từ nhiều nguồn hơn, với tốc độ nhanh hơn và với khối lượng lớn hơn, các tổ chức cần phải mở rộng khả năng thu thập, xử lý và phân tích dữ liệu đó. AI / ML cung cấp những khả năng to lớn trong từng lĩnh vực đó. Các mô hình học máy là lý tưởng để nhanh chóng giải thích dữ liệu trong thời gian thực (giải quyết dữ liệu “vận tốc”), xử lý dữ liệu phi cấu trúc (xử lý dữ liệu “đa dạng”) và mở rộng quy mô để phát hiện các mẫu, phát hiện các ngoại lệ hoặc tạo dự đoán trên các tập dữ liệu rất lớn (xử lý dữ liệu “âm lượng”). Thực tế là các thuật toán AI / ML đặc biệt thành thạo trong việc xử lý tốc độ, khối lượng và nhiều loại dữ liệu có sẵn cho các nhà phân tích hiện đại, trong khi các phương pháp tiếp cận và ứng dụng truyền thống gặp khó khăn, là một trong những động lực lớn nhất cho việc áp dụng AI / ML. Vượt qua các rào cản đối với việc áp dụng Mặc dù AI / ML mang lại nhiều hứa hẹn, nhưng có một trở ngại lớn đối với việc áp dụng rộng rãi ở cấp độ nhà phân tích: Hầu hết các cá nhân chỉ đơn giản là không có các kỹ năng cần thiết để phát triển các thuật toán từ đầu. Chúng ta cũng không nên mong đợi họ. Các nhà phân tích được thuê vì sự nhạy bén trong kinh doanh, hiểu biết về dữ liệu và kỹ năng giao tiếp, chứ không phải vì khả năng viết mã của họ. Do đó, việc các nhà phân tích áp dụng AI / ML cần được hỗ trợ bởi một nền tảng được thiết kế đặc biệt cho việc sử dụng của họ, chứ không phải bằng cách cố gắng ép buộc họ trở thành nhà khoa học dữ liệu. Một nền tảng như vậy sẽ cần những gì? Về cốt lõi, nó cần cung cấp bốn khả năng chính: (a) tích hợp đơn giản với các nguồn dữ liệu đầu vào; (b) một bộ sưu tập đa dạng các khối phân tích và làm giàu dữ liệu đặt trước; (c) khả năng kết nối các khối thành quy trình làm việc dữ liệu tùy chỉnh; và (d) một công cụ tự động hóa để cho phép chạy dữ liệu theo lịch trình. Điều gì về một bảng tính tích hợp hoặc thành phần trực quan hóa? Hầu hết các nhà phân tích thực sự thích tiếp tục sử dụng bảng tính và công cụ trực quan hóa của riêng họ, và vì vậy thay vì tạo một công cụ BI mới, giải pháp AI chỉ nên cho phép tích hợp đơn giản với các giải pháp hiện có. Tương tự, nhiều tổ chức đã đầu tư vào kho dữ liệu và / hoặc hồ dữ liệu để tổng hợp dữ liệu doanh nghiệp, do đó, khả năng dễ dàng làm việc với các kho dữ liệu hiện có cũng là chìa khóa. Một trở ngại tiềm tàng khác đối với việc áp dụng AI / ML là lo sợ rằng những công nghệ này sẽ thay thế công việc. Theo nghĩa đó, điều quan trọng cần lưu ý là mục tiêu của AI / ML không nên thay thế vai trò của các nhà phân tích mà là để nâng cao khả năng của họ. Một số doanh nghiệp lầm tưởng rằng vai trò chính của AI là cung cấp các phân tích theo quy định, về cơ bản là thay thế người trong vòng. Điều này không thể được xa hơn từ sự thật. Mặc dù phân tích mô tả chắc chắn có thể được sử dụng khi thích hợp, hầu hết các quy trình kinh doanh nên tận dụng phân tích mô tả và dự đoán để giúp các nhà phân tích tổng hợp khối lượng dữ liệu, để các chuyên gia con người đưa ra các khuyến nghị cuối cùng. Trí tuệ nâng cao cho các nhà phân tích thế hệ tiếp theo Các nhà phân tích lý tưởng nên xem AI / ML như một phần mở rộng của bộ não của chính họ. Định nghĩa trên Wikipedia về cyborg là “một sinh vật có… khả năng được nâng cao do sự tích hợp của một số thành phần hoặc công nghệ nhân tạo”. Theo định nghĩa đó, các nhà phân tích đã là cyborg trong nhiều thế hệ. Các bảng tính từ lâu đã nâng cao khả năng xử lý số của chúng tôi, cho phép chúng tôi xây dựng các mô hình một cách nhanh chóng và dễ dàng. Nhưng gần đây chúng ngày càng gặp nhiều hạn chế. AI / ML có tiềm năng to lớn để nâng cao hơn nữa vai trò của công nghệ trong phân tích kinh doanh. Nhưng để làm như vậy một cách hiệu quả, nó phải dễ sử dụng, cho phép điều phối các đường ống dữ liệu / phân tích và tích hợp với các công cụ hiện có. Với những điều kiện được đáp ứng, AI / ML hứa hẹn sẽ mở ra vô số trường hợp sử dụng mới. Trong một bài blog tiếp theo, chúng ta sẽ khám phá các trường hợp sử dụng đó một cách chi tiết hơn.

  • Trang chủ
  • CRM
  • Email doanh nghiệp
  • Email marketing
  • Marketing News
  • Marketing tổng thể
  • SEO
  • Thiết kế Website
  • Web Hosting
  • Chatbot
  • Data science
  • Back to top button