MIT Technology Review Insights: Οι αναλύσεις δεδομένων που βασίζονται σε τεχνητή νοημοσύνη επιτρέπουν την επιχειρηματική πληροφόρηση

Θυμάστε να αγοράζετε μουσική σε CD; Ή ακόμα και βινύλιο; Από την πλευρά των καταναλωτών, η στροφή στις υπηρεσίες ροής παρέχει μια απεριόριστη επιλογή περιεχομένου στο οποίο μπορούμε να έχουμε πρόσβαση σε όλες τις συσκευές μας. Για τη μουσική βιομηχανία, δημιουργεί τεράστιες ευκαιρίες συλλογής, ανάλυσης και δημιουργίας εσόδων δεδομένων σχετικά με τις ακουστικές μας συνήθειες.

Αυτή ήταν η οδηγία που δόθηκε στον SK Sharma το 2016, όταν προσλήφθηκε ως επικεφαλής ανάλυσης και τεχνητής νοημοσύνης από την Ingrooves Music Group, η οποία παρέχει παγκόσμια διανομή μουσικής και μάρκετινγκ σε indie καλλιτέχνες. «Η ιδέα είναι», λέει, «σε μια πολύ γεμάτη μουσική αγορά, πώς μπορούμε να κάνουμε ορισμένα είδη περιεχομένου, ιδιαίτερα σε σχέση με τους indie καλλιτέχνες, να ξεχωρίζουν». Η χρήση των δεδομένων αφοσίωσης είναι «η ουσία της επιχείρησής μας», λέει η Sharma, «και αυτό είναι που απαιτεί τη χρήση προγνωστικών αναλυτικών στοιχείων και την πραγματική δυνατότητα να χρησιμοποιούμε συνετά τις πληροφορίες που έχουμε».

Για τον Sharma, αυτό σήμαινε να ξεκινήσω από το μηδέν, να συγκεντρώσω μια ομάδα επιστημόνων δεδομένων και να χτίσω έναν αγωγό τεχνητής νοημοσύνης. Στη συνέχεια, ο Sharma και η ομάδα του δημιούργησαν μια «έξυπνη πλατφόρμα κοινού» που βάζει διαφημίσεις που διαφημίζουν την τελευταία κυκλοφορία ενός καλλιτέχνη μπροστά σε ακροατές που είναι πιο πιθανό να αλληλεπιδράσουν με αυτόν τον καλλιτέχνη. Η μουσική βιομηχανία μπορεί να μην είναι η πρώτη επιχειρηματική περίπτωση που έρχεται στο μυαλό για την τεχνητή νοημοσύνη και την ανάλυση δεδομένων. Ωστόσο, η ανάλυση δεδομένων που βασίζεται στην τεχνητή νοημοσύνη μπορεί να έχει μεταμορφωτικό αντίκτυπο σε οποιονδήποτε κλάδο και σε ένα ευρύ φάσμα περιπτώσεων χρήσης.

Γιατί οι εταιρείες χρειάζονται προηγμένες αναλύσεις δεδομένων

Οι περισσότεροι οργανισμοί σήμερα πνίγονται στα δεδομένα. Το συλλέγουν για ρυθμιστικούς λόγους και λόγους συμμόρφωσης και αρχειοθετούν επιπλέον δεδομένα με την προσδοκία ότι κάποια μέρα θα είναι χρήσιμο.

Εκείνη η μέρα έφτασε. Ή, όπως το θέτει ο Jason Hardy, παγκόσμιος CTO της Hitachi Vantara, οι εταιρείες περνούν μια «αχα στιγμή» – συνειδητοποιώντας ότι τα αναλυτικά δεδομένα που βασίζονται σε τεχνητή νοημοσύνη μπορούν να προσφέρουν πραγματική επιχειρηματική αξία από τα δεδομένα που συλλέγουν που παρέχουν ανταγωνιστικό πλεονέκτημα. Και προσθέτει, «Παραδοσιακά, οι εταιρείες έλεγαν: “Απλώς αρχειοθετήστε το και θα καταλάβουμε τι να το κάνουμε αργότερα”. Αυτό μετατράπηκε σε ένα «Όχι, αυτό μας επηρεάζει πραγματικά τώρα. πρέπει να είμαστε σε θέση να διαβάζουμε αυτά τα δεδομένα σε πραγματικό χρόνο και να τα επεξεργαζόμαστε και να συμπεράνουμε αντίθετα.»

Αυτό έχει γίνει πραγματικότητα σε όλους τους κλάδους. Στην κατασκευή, τα καλύτερα αναλυτικά στοιχεία μπορούν να βελτιώσουν την απόδοση, να μειώσουν τα απόβλητα και να αυξήσουν την αποδοτικότητα. Σε επιχειρήσεις που εστιάζουν στους καταναλωτές, η τεχνητή νοημοσύνη μπορεί να ανιχνεύσει τις συναισθηματικές αντιδράσεις των πελατών σε συγκεκριμένες τοποθετήσεις προϊόντων ή να μετρήσει την ικανοποίηση από την εξυπηρέτηση πελατών. Σε βιομηχανίες που βασίζονται σε μια αλυσίδα εφοδιασμού, η τεχνητή νοημοσύνη μπορεί να προβλέψει και να μετριάσει τα σφάλματα στην αλυσίδα εφοδιασμού προτού εμφανιστούν.

Ο Χάρντι προσθέτει, «Βλέπουμε πελάτες που λένε, «Πρέπει να πηδήξω σε αυτήν την τεχνητή νοημοσύνη. Πρέπει να το καταλάβω αυτό. Χρειάζομαι μια πλατφόρμα για να με βοηθήσει να το κάνω αυτό, είτε είναι στο cloud είτε on-prem είτε σε συνδυασμό και των δύο.”

Δυστυχώς, οι περισσότεροι οργανισμοί δεν ξέρουν από πού να ξεκινήσουν. Ο Hardy λέει ότι τα στελέχη του C-level του λένε: «Θέλουμε να χρησιμοποιήσουμε AI και μηχανική μάθηση. Θέλουμε να χρησιμοποιήσουμε τα δεδομένα μας. Θέλουμε να δημιουργήσουμε αξία από αυτό. Στην πραγματικότητα δεν ξέρουμε πώς. Δεν ξέρουμε καν την ερώτηση που προσπαθούμε να απαντήσουμε».