اتوماسیون فرایند و هوش مداوم از جمله گرایشهای هوش مصنوعی است که باید در سال 2021 بیش از پیش مورد مطالعه قرار گیرد زیرا سازمانها از این مطالعات استفاده میکنند تا کارآمدتر و چابک تر شوند. بیماری همهگیر COVID-19 اهمیت تصمیم گیری مبتنی بر داده را در تمام سطوح سازمانی در سال 2020 افزایش داد و مطمئنا این روند تحلیلی در سال 2021 ادامه پیدا میکند تا دامنه هوش تجاری را گسترش دهد.
قبل از همهگیری، بسیاری از سازمانها تجزیه و تحلیلهای هوش مصنوعی را به عنوان یک کار لوکس ارزیابی میکردند. اما هنگامی که COVID-19 در مارس 2020 شروع به گسترش کرد اساساً اقتصاد محلی متوقف شد. نیاز به یافتن راهکارها، مدیریت زنجیرههای تأمین و حتی یافتن راههای جدید تجارت از طریق تجزیه و تحلیل بسیار مهم شد.
سازمانهایی که درگذشته تحولات دیجیتالی را آغاز کرده بودند، روند کار را تسریع کردند و سرانجام بسیاری از کمپانیها که هنوز فرهنگ داده محور را شروع نکرده بودند، این نیاز را درک کردند. Sudheesh Nair، مدیر عامل شرکت تولید سیستم تجزیه و تحلیل ThoughtSpot، گفت : “من فکر میکنم سال 2020 باعث شد بسیاری از مردم متوجه شوند که سفر به دنیای دیجیتال کند نخواهد شد. جهان دیجیتال قرار نیست به همان جایی که قبل از همهگیری قرار داشت بازگردد و این امید بخش است.”
بنابراین روند تحلیلی که به عقیده تحلیلگران و مدیران در سال 2021 از اهمیت بالاتری برخوردار خواهد بود، تغییراتی است که طی چند سال گذشته آغاز شده، اما این پروسه به دلیل همهگیری در سال 2020 تسریع شده است.
هوش مستمر
COVID-19 نیاز به تجزیه و تحلیل دادهها در لحظه را بیش از پیش نمایان کرد. سازمانهای بهداشتی برای مقاوم شدن در برابر موج احتمالی باید بدانند که ویروس چگونه و از کجا در حال گسترش است. دولتهای محلی برای تصمیمگیری در مورد اقتصاد باید خطرات موجود در شهرداریهای خود را بدانند و شرکتها باید بدانند که مشتریان آنها هنوز هم به دنبال خدمات آنها هستند یا نه. گزارشهای سه ماهه و ماهانه که بسیاری قبلاً به آن اعتماد کرده بودند، ناگهان کاملا بیمعنی شدند.
دادههای شرکتی که در ماه فوریه یا مارس جمعآوری شده بودند، در ماه آوریل یا مه (فروردین و اردیبهشت) سال 2020 معنایی نداشتند، زیرا به صورت ناگهانی فقط تعداد کمی از افراد و اکثر آنها هم برای تهیه غذا به صورت شخصی از خانه خارج میشدند. دادههای جمعآوری شده در تابستان و هنگامی که موارد COVID-19 کم بود و گرمای هوا سبب شده تا برخی از مشاغل خاص اجازه باز بودن داشته باشند، در پاییز و زمانی که هوا سرد شده و شیوع ویروس افزایش مییابد هیچ کاربردی ندارند.
در چنین شرایطی سازمانها باید بدانند که پنج دقیقه پیش چه اتفاقی افتاده است و بررسی دادههای 5 ماه پیش ثمری برای آنها ندارد و دادههای سالانه نیز کاملاً به درد نخور خواهد بود زیرا اطلاعات آن 12 ماه پیش و قبل از همه گیری جمعآوری شده است. هوش مستمر در سال 2020 به مسئلهای حیاتی تبدیل شد و در سال 2021 از جمله روندهای مهم تحلیل خواهد بود.
دن سامر، مدیر ارشد اطلاعات بازار جهانی در Qlik، گفت: “از زمان بروز همهگیری ما شاهد افزایش نیاز به دادههای به موقع و به روز هستیم. آنچه در گذشته اهمیت داشته امروزه معمولاً بسیار کهنه است. به عنوان مثال پیشبینیهای سه ماهه کسب و کار اکنون زودگذر و متغیر هستند.” کیمبرلی نوالا، مشاور استراتژیک هوش مصنوعی در SAS، گفت: “این همهگیری ضعف در تکیه بر دادههای تاریخی و الگوهای به ظاهر قابل پیشبینی را نشان میدهد.”
در نتیجه، سازمانها بیشتر به دادههای زمان حال اعتماد خواهند کرد. وی افزود: “در سال 2021، سازمانها سرمایهگذاری در تیمهای تجزیه و تحلیل سنتی را کاهش داده و روشهای مناسبتر برای کشف و تجزیه و تحلیل سریع دادهها را تقویت میکنند.” این تجزیه و تحلیل سریع دادهها میتواند با ارسال هشدارها، سازمانهای مراقبت بهداشتی را قادر به دانستن شروع یک جهش کند و سبب شود تا آنها سریعتر آماده شوند. هشدارها همچنین میتوانند مشکلات زنجیره تامین شرکتها را در مورد تغییر در رفتار مشتری آگاه کنند.
بر اساس این هشدارها، سازمانها میتوانند به سرعت هرگونه تغییر را تشخیص دهند و نسبت زمان که باید به انتظار برای ارائه نتایج گزارشهای ماهانه یا سه ماهه مینشستند، خیلی زودتر از آنچه که ممکن است واکنش نشان دهند. سامر گفت: “زیرساختها و برنامههای کاربردی موجود است و این انتقال تدریجی به هوش مستمر را امکانپذیر میکند. هوش مستمر عامل بزرگی در کمک به شرکتهای پیشگام خواهد بود.”
خودکارسازی فرایندها
هوش مستمر این پتانسیل را دارد تا با کارآیی بیشتر سازمانها را قادر به جلوگیری از ضرر و افزایش درآمد کند. تجزیه و تحلیل زمانی وظیفه پیشگامانه بخشهای فناوری اطلاعات بود و اکنون ابزارهای مدیریت داده قادر به انجام خودکار کارهایی هستند که هفتهها و ماهها برای کارمندان بخش تجزیه و تحلیل داده طول میکشید. ابزارها میتوانند دادهها را به صورت خودکار در منابع داده بارگیری کنند و پس از اجرای همه تحولات و سازماندهیهای لازم عملیات را برای کاوش دادهها انجام دهند.
در نتیجهی اتوماسیون فرایندها، تجزیه و تحلیل دادهها خیلی سریعتر از زمانی که بشر همه کارهای آمادهسازی دادهها را دستی انجام میداد، اجرا میشوند. در همین حال، زمان آن دسته از انسانهایی که فرایند پرزحمت مدیریت داده را بر عهده داشتند آزاد میشوند تا مدلها را ایجاد کنند و کارهای دیگری را انجام دهند که از تجزیه و تحلیل دادهها تهیه شدهاند.
سامر گفت: “واکنش سریع بسیار مهم شده و فرایندهای تجاری در مرکز آن هستند. مدیریت فرآیند کسب و کار از دههها قبل وجود داشته است. چیز جدید این است که ما میتوانیم نه تنها آن را مدلسازی کنیم بلکه فرآیند را از طریق فناوریهایی مانند فرآیند اتوماسیون رباتیک به صورت خودکار استخراج و بهینه کنیم.”
فراتر از آمادهسازی دادهها، اکنون ابزارها به طور خودکار شاخصهای کلیدی عملکرد را برای تغییرات و سایر مشکلات احتمالی رصد میکنند و سازمانها را از واکنش دیرهنگام به شرایط متغیر نجات میدهند.
کوین پتری، معاون تحقیق در گروه اکرسون گفت: “ابزارهای جدید، مشاهده دادهها و تمام مسائلی که وجود دارند مانند نظارت، شناسایی، پیشبینی و … را حل میکنند. این راهحلها به ایجاد خطوط داده سریعتر و قابل اطمینانتر کمک میکند. مهندسان امنیت سایت، مهندسان سیستم عاملها، مهندسین داده و معماران، بدون ذکر صاحبان مشاغلی که در خدمت آنها هستند همه و همه سود خواهند برد.
اتوماسیون حتی این پتانسیل را دارد که مصرف داده را آسانتر کند. در حالی که دانشمندان و تحلیلگران داده از مهارت کافی برای تفسیر دادهها و تصمیمگیریهای مبتنی بر داده برخوردارند، اکثر کارمندان علم تفسیر دادهها و تصمیمگیریهای مهم خود را بر مبنای آن قرار ندادهاند. ابزارهای هوشمند میتوانند دادهها را به صورت خودکار تجزیه و تحلیل کرده و روایتی راجع به دادهها به زبان طبیعی ایجاد کنند.
گلن ربیع، مدیر عامل و بنیانگذار Yellowfin در این خصوص گفت: “رابطهای کاربری ساده جدید به کاربران تجاری امکان میدهند تا با رویکردی هدایت پذیرتر با دادهها ارتباط برقرار کنند و به آنها این امکان را میدهد تا با حداقل مهارت تحلیلی، زمان فرایند را کاهش دهند.”
تکامل هوش مصنوعی
هوش افزوده (مستمر)، در زیرمجموعه هوش مصنوعی قرار میگیرد و روندی است که هوش تجاری را فراتر از تجسم دادهها، به همان چیزی تبدیل میکند که بسیاری آن را نسل سوم تجزیه و تحلیل میدانند. در حال حاضر برخی از سیستم عاملها قادر به تجزیه و تحلیل دادهها هستند. در عین حال نیاز به نوشتن دقیق کدها برای توسعه برنامهها توسط ابزارهای توسعه و پیشرفت در پردازش زبان طبیعی (NLP) باعث شده که کاربران تجاری بدون داشتن سابقه در علوم داده بتوانند دادهها را تجزیه و تحلیل کرده و با آنها درگیر شوند.
ویژگیهای هوش مصنوعی در سال 2021 به بهبود خود ادامه میدهند و به ویژه پردازش زبان طبیعی (NLP) امکان گسترش دامنه تجزیه و تحلیل را برای کاربران به ارمغان خواهد آورد. پردازش زبان طبیعی (NLP) به نوعی از سالها قبل وجود داشته، اما به دلیل پیچیدگی زبانها همواره با محدودیت مواجه شده است. در سراسر جهان، بیش از 5000 زبان وجود دارد، اما حتی در زبانهایی که بیشترین کاربرد را دارند کلماتی وجود دارند که دارای صدای یکسان هستند اما معانی مختلفی دارند، برخی کلمات دیکته مشابهی اما دارای معانی مختلف هستند و کلماتی هستند که معنی یکسانی دارند اما هیچ ارتباط بصری و شنیداری با یکدیگر ندارند.
فناوری NLP در حال پیشرفت و گسترش کارآیی خود است. مایک لئونه، تحلیلگر ارشد گروه استراتژی، گفت: “زبان طبیعی شروع به انقلابی در نحوه یادگیری و تعامل مردم با دادهها کرده است.” به عنوان مثال سیستم عاملها اکنون میتوانند دادهها را جستجو و نتایج را برای توضیح به زبان ساده تهیه کنند. طبق گفته لئونه، پردازش زبان طبیعی (NLP) هنوز به طور گسترده پذیرفته نشده است.
وی گفت: “پذیرش و استفاده از زبان طبیعی در مراحل اولیه است. در حالی که سازمانها به دنبال روشهایی هستند تا همه کاربران را قادر به استفاده بهتر از دادهها کنند، انتظار میرود که پیشرفت زبان طبیعی در سال آینده بسیار افزایشی باشد.” اما فراتر از خود فناوری، انتظار میرود هوش مصنوعی در سال 2021 به روشهای دیگری به سمت بلوغ حرکت کند و پتری پیشبینی میکند که سازمانهای توسعه دهنده هوش مصنوعی در سال 2021 شروع به کسب درآمد از آن کنند.
شرکتها برای بهینه سازی تجارت خود به مدلهای هوش مصنوعی نیاز دارند، اما همه توانایی تولید مدلهای خود را ندارند. تعداد کسانی که توانایی تولید مدلهای هوش مصنوعی را دارند در حال افزایش است و آنها به دنبال راههایی برای کسب سود از تواناییهای خود هستند. پتری گفت: “این عرضه و تقاضا میتواند تعادل خود را در بازارهای هوش مصنوعی پیدا كند و به شركتها و افراد كمك میكند تا مدلهای هوش مصنوعی خود را برای کسب سود معامله كنند. مدیران مشاغل میتوانند مدلها را پیدا کرده و خریداری کنند، دانشمندان داده میتوانند آنها را ایجاد کرده و بفروشند و توسعهدهندگان میتوانند آنها را با هم ادغام کنند.”
در عین حال پیشبینی میشود که مقررات جدید دولت آمریکا، که انتظار میرود در سالهای آینده تدوین شود، باعث پذیرش بیشتر هوش مصنوعی شود. عدم وجود مقررات باعث شده كه سازمانها از این ویژگیهای جدید به دلیل جلوگیری از نقض قوانین و حفظ حریم خصوصی با ترس استفاده کنند. نوالا گفت: “مقررات نوظهور برای عادیسازی و متناسب سازی خطر تا حدودی از پذیرش هوش مصنوعی پشتیبانی میکنند. این قوانین سازمانها را قادر میسازد تا با اطمینان بیشتری از این سیستمها استفاده کنند.”
وی افزود، اما آنها باید توجه داشته باشند که ممکن است مقررات در مناطق مختلف متفاوت باشد. در چند سال گذشته سواد تجزیه و تحلیل دادهها روند رو به رشدی داشته و انتظار میرود که در سال 2021 اهمیت و پذیرش آنها افزایش چشمگیری داشته باشد. امروزه ابزارهای مختلفی وجود دارند که تفسیر خودکار دادهها را انجام میدهند و کاربران بیشتری را قادر به کار با دادهها میکنند، اما همواره محدودیتهایی دارند. معمولا هدف آنها اطلاعرسانی در مورد تصمیمگیریها است و در واقع هرگز خودشان تصمیمگیری نمیکنند.
بنابراین سواد دادهها همچنان بخش جداییناپذیر در فرآیند تصمیمگیری است و سواد دادهها هرگز بیشتر از حال حاضر که دادهها به طور مداوم به دلیل بیماری همهگیر در حال تغییر هستند مهم نبودهاند.
افزایش تسلط بر دادهها در سازمانها یک امر حیاتی است و هرگز ارسال گزارشهای بیشتر یا اختصاص یک شخص برای تجزیه و تحلیل پاسخی به این مشکل نیست. علم دادهها برای سازمانهای مراقبت بهداشتی که اکنون با افزایش سرعت بیماری سر و کار دارند بسیار مهم است زیرا موارد COVID-19 پس از فروکش در تابستان در فصل سرما دوباره افزایش مییابد.
علم تجزیه و تحلیل برای تصمیم گیری آژانسهای دولتی برای تعطیلی مجدد بخشهایی از اقتصاد و برای شرکتها که در مورد نحوه فعالیت خود تصمیم میگیرند بسیار مهم است. امسال یک سال مهم در دنیای تجزیه و تحلیل دادهها خواهد بود. زمانی که افزایش تسلط بر دادهها در یک سازمان کاملا ضروری است، ضرورتی که در سال 2021 به شدت افزایش خواهد یافت.