Znacie to uczucie, kiedy wyjeżdżacie na wakacje i tuż po odjechaniu sprzed swojego domu zaczynacie się zastanawiać, czy przypadkiem o czymś nie zapomnieliście? Albo stojąc już w kolejce do kasy w supermarkecie, zachodzicie w głowę, czy nie mieliście kupić czegoś jeszcze? Tego rodzaju rozterek można uniknąć, tworząc z wyprzedzeniem checklisty. Umieszczamy na nich spis potrzebnych produktów albo tego, co powinniśmy ze sobą zabrać, wybierając się w podróż.
Stworzenie checklisty to w końcu proste rozwiązanie, które da nam spokój i pewność, że wszystko pójdzie zgodnie z planem.
Ta technika sprawdza się nie tylko w realizacji prostych, codziennych zadań, takich jak zakupy. Wyobraźmy sobie, co by było, gdybyśmy chcieli wyruszyć w dużo trudniejszą i bardziej wymagającą podróż.
A jeśli to miałaby być wyprawa, w którą zabierzemy nasze towarzystwo ubezpieczeń? Gdybyśmy chcieli wybrać się na pogranicze biznesu i nauki, gdybyśmy chcieli do naszej organizacji wprowadzić sztuczną inteligencję, to jak wtedy wyglądałaby taka lista kontrolna?
Świadomość
Co musi się znaleźć na czele naszej listy? Uważam, że najważniejsze jest słowo „świadomość”. W erze mody na sztuczną inteligencję musimy mieć pewność, że kluczowi interesariusze biznesowi i techniczni zdają sobie sprawę z tego, czym jest machine learning (czyli mniej popularne określenie sztucznej inteligencji).
Trzeba zrozumienia, jakie są silne, a jakie słabe strony algorytmów. I świadomości tego, że w Data Science słowo „science” nie jest przez przypadek. Uczenie maszynowe to nie magia. Wiele modeli nigdy nie będzie nadawało się do użycia, ponieważ nie będą dość skuteczne. I to nie jest niczyja wina. Czasem w danych nie ma odpowiednich wzorców, aby algorytm mógł się ich nauczyć.
Musimy więc od początku brać pod uwagę ryzyko porażki. Wkalkulujmy je w uzasadnienie biznesowe, bo z drugiej strony mamy dla równowagi ogromne możliwości zwiększania rentowności, marży czy innych kluczowych wskaźników biznesowych, jakie daje nam AI.
Dane
Jeśli już mamy świadomość, na jaką wyprawę się udajemy, potrzebujemy mieć pewność, że posiadamy zapas paliwa. Paliwem algorytmów sztucznej inteligencji są dane. Ale tu pojawiają się trzy kluczowe aspekty.
Po pierwsze ilość, bo algorytmy są bardzo łakome. To w ostatnich czasach Big Data, zarówno w branży ubezpieczeniowej, jak i w innych, przestało być problemem. Danych mamy często aż nadto. I tutaj pojawia się drugi ważny aspekt.
Algorytmy potrzebują danych przetworzonych do postaci analitycznej. Nie wystarczy tylko prowizorycznie połączyć ze sobą dane z kilku źródeł i skleić je na szybko. Tu potrzeba całego procesu, który z tych surowych danych podzielonych na różne systemy stworzy jedno spójne i analitycznie przetworzone źródło, zdatne dla algorytmów machine learning.
Mówiąc o danych, nie możemy zapomnieć o temacie ich jakości, czyli trzecim kluczowym aspekcie. W dużym uproszczeniu możemy założyć, że model machine learning będzie tak skuteczny, jak dobrej jakości dane otrzyma. Innymi słowy, jeżeli na wejściu dane będą miały śmieciową wartość, to i podejmowane na wyjściu z modelu będą takiej samej, kiepskiej jakości.
Zespół
Wyprawa na szczyty sztucznej inteligencji wymaga skompletowania odpowiedniego zespołu. W jego skład muszą wchodzić minimum cztery profile ekspertów.
Pierwszy z nich to analityk data science, którego zadaniem jest zrozumienie procesów biznesowych oraz danych, a potem przekazanie tej wiedzy reszcie zespołu.
Drugą osobą w zespole jest inżynier danych, który odpowiada za przygotowanie danych do postaci analitycznej oraz zapewnienie ich jakości.
Trzecim ekspertem jest programista data science. To do niego należy dobór i uczenie modelu machine learning, który finalnie będzie rozwiązywał postawione przed zespołem zadanie.
Ostatnim członkiem zespołu jest architekt środowisk machine learning. Jego zadaniem będzie przygotowanie…
Architektura
…architektury. Co ciekawe, ten obszar, choć wcale nie najtrudniejszy, sprawia organizacjom wiele problemów. Dlaczego? Ponieważ zwyczajnie się go pomija. I nie mówimy tutaj tylko o polskim rynku, ale generalnie wypracowywanie dobrych praktyk w zakresie budowy środowisk produkcyjnych dla modeli machine learning jest we wczesnej fazie standaryzacji.
Mamy model, to odpalmy go po prostu na serwerze. Jednak na potrzeby sztucznej inteligencji niezbędne jest zaprojektowanie i budowa środowiska IT pozwalającego na uruchomienie i korzystanie z przygotowanych modeli. Z racji ich złożoności i cyklicznej potrzeby ich wykorzystywania i uczenia potrzebne jest środowisko zdolne zarówno do szybkiego skalowania się, jak i do powrotu do małej skali, żeby nie generować niepotrzebnych kosztów.
Z drugiej strony modelowi należy dostarczyć dane wejściowe, odebrać wynik, obsłużyć ewentualne błędy, zapisać sposób zachowania się modelu w logach. Innymi słowy, zaopiekować się nim trochę jak małym dzieckiem, próbującym umieścić klocki o odpowiednim kształcie w sorterze.
Proces
Na końcu listy kontrolnej najciekawszy smaczek, a w zasadzie pytanie: Czy procesy biznesowe w naszym towarzystwie ubezpieczeniowym pozwolą na wykorzystanie algorytmów sztucznej inteligencji? Jeśli nie, to tym gorzej dla tych procesów. Trzeba wziąć pod uwagę, że dotychczasowe procesy, systemy IT czy sposób pracy ludzi w momencie zastosowania sztucznej inteligencji zapewne będą musiały ulec zmianie.
Takie wybory, czy zachować istniejący proces biznesowy, jednocześnie ograniczając skuteczność modelu lub wręcz uniemożliwiając jego użycie, zdarzają się dziś dość często. Warto wykrywać tego typu dylematy na jak najwcześniejszym etapie projektu, żeby ograniczyć ryzyko późniejszej katastrofy.
Decyzja
Moim zdaniem rola sztucznej inteligencji, rozumianej jako modele wspierające ludzi w podejmowaniu trudnych decyzji lub wręcz zastępujące ich w procesie dokonywania całej masy dużo prostszych wyborów, będzie rosła bardzo szybko.
Dlaczego? Ponieważ w biznesie decyzje chcemy podejmować na podstawie informacji, jakie uzyskujemy z otoczenia. Problem w tym, że danych, które musimy przetworzyć w informacje, jest coraz więcej, a nasze możliwości i czas wcale się nie zwiększają. I tu algorytmy machine learning mogą nam bardzo pomóc.
Z drugiej strony minął już czas pierwszego zachłyśnięcia się sztuczną inteligencją. Coraz lepiej znamy jej możliwości i ograniczenia. Dlatego zachęcam do zainteresowania się tym tematem już teraz. I nie zapomnijcie zabrać ze sobą listy kontrolnej. Pomoże wam w uniknięciu niepotrzebnego stresu i sprawi, że wszystko pójdzie zgodnie z planem.
Łukasz Nienartowicz
Britenet
