Data science

Rise of the Cyborgs: การใช้ AI/ML เพื่อเพิ่มพูนความฉลาดของมนุษย์ (ตอนที่ 1)

คลิกเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับผู้เขียน Assaf Egozi องค์กรสมัยใหม่มี “นักวิเคราะห์ข้อมูลพลเมือง” เพิ่มขึ้นเรื่อยๆ บุคคลเหล่านี้มีตำแหน่งที่หลากหลายในองค์กร ตั้งแต่บทบาทผู้บริหารและธุรกิจ ไปจนถึงบทบาทด้านข้อมูล ธุรกิจ การดำเนินงาน การตลาด และนักวิเคราะห์การขาย พวกเขาทำงานในหลากหลายฟังก์ชัน มุ่งมั่นที่จะปรับปรุงข้อมูลเชิงลึกเกี่ยวกับผลิตภัณฑ์หรือบริการขององค์กร เข้าใจความต้องการของลูกค้ามากขึ้น ระบุภัยคุกคามในการแข่งขันและโอกาสทางการตลาด เพิ่มประสิทธิภาพทรัพยากร หรือขับเคลื่อนประสิทธิภาพของกระบวนการอื่นๆ แต่สิ่งหนึ่งที่พวกเขามีเหมือนกันคือความต้องการใช้ข้อมูลเป็นส่วนหลักของเวิร์กโฟลว์ทางธุรกิจและกระบวนการตัดสินใจ นักวิเคราะห์เหล่านี้จำเป็นต้องมีสภาพแวดล้อมการทำงานที่เหมาะสมเพื่อให้ทำงานได้อย่างมีประสิทธิภาพ การทำความเข้าใจธุรกิจเป็นสิ่งสำคัญ ซึ่งโดยทั่วไปหมายถึงการฝังตัวภายในหน่วยธุรกิจเฉพาะ แทนที่จะจัดเป็นทีมแบบรวมศูนย์ สิ่งนี้ทำให้พวกเขาได้รับข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับความท้าทายที่แต่ละยูนิตต้องเผชิญ เช่นเดียวกับ “สกินในเกม” เมื่อต้องรับมือกับความท้าทายเหล่านั้น นอกเหนือจากการพัฒนาความเข้าใจโดยละเอียดเกี่ยวกับความท้าทายทางธุรกิจแล้ว พวกเขายังต้องได้รับการสนับสนุนจากข้อมูลและเครื่องมือที่ถูกต้องอีกด้วย ในขณะที่นักวิเคราะห์ส่วนใหญ่มีความสามารถสูงในด้านตัวเลขและมีความเชี่ยวชาญอย่างน้อยในรูปแบบพื้นฐานของการวิเคราะห์ทางสถิติ แต่ส่วนใหญ่ไม่ใช่นักเทคโนโลยีหรือนักวิทยาศาสตร์ด้านข้อมูล แทนที่จะเขียนโค้ด พวกเขามักจะสะดวกกับแอปพลิเคชันการวิเคราะห์ข้อมูลที่เป็นมิตรต่อผู้ใช้ เช่น สเปรดชีตและเครื่องมือสร้างภาพ โดยส่วนใหญ่แล้ว แอปพลิเคชั่นที่ค่อนข้างง่ายเหล่านี้ใช้งานได้ดีในช่วงสองสามทศวรรษที่ผ่านมา อย่างไรก็ตาม ในขณะที่สเปรดชีตและเครื่องมือ BI ยังคงทำหน้าที่สำคัญต่อไป นักวิเคราะห์กำลังเผชิญกับข้อจำกัดที่สามารถแก้ไขได้ด้วยเครื่องมือวิเคราะห์รุ่นใหม่เท่านั้น อะไรเป็นปัจจัยขับเคลื่อนความต้องการ AI/ML? คำว่า “ข้อมูลขนาดใหญ่” อาจไม่ถูกสะกดจิตอีกต่อไป แต่นั่นไม่ใช่เพราะการเติบโตของข้อมูลลดลง แต่การล่มสลายของข้อมูลอย่างต่อเนื่องได้กลายเป็นเรื่องปกติใหม่ ด้วยข้อมูลที่หลากหลายมากขึ้นเรื่อยๆ ที่สร้างขึ้นจากแหล่งต่างๆ มากขึ้น ด้วยความเร็วที่เร็วขึ้น และในปริมาณที่มากขึ้น องค์กรจำเป็นต้องปรับขนาดความสามารถในการรวบรวม ประมวลผล และวิเคราะห์ข้อมูลนั้น AI/ML มีความสามารถมากมายในแต่ละด้าน โมเดลแมชชีนเลิร์นนิงเหมาะอย่างยิ่งสำหรับการตีความข้อมูลอย่างรวดเร็วในแบบเรียลไทม์ (ระบุถึง “ความเร็ว”) ของข้อมูล ประมวลผลข้อมูลที่ไม่มีโครงสร้าง (ระบุข้อมูล “ความหลากหลาย”) และปรับขนาดเพื่อระบุรูปแบบ ตรวจจับค่าผิดปกติ หรือสร้างการคาดการณ์ในชุดข้อมูลขนาดใหญ่มาก (ระบุข้อมูล “ปริมาณ”). ความจริงที่ว่าอัลกอริธึม AI/ML นั้นเชี่ยวชาญเป็นพิเศษในการประมวลผลความเร็ว ปริมาณ และความหลากหลายของข้อมูลที่มีให้สำหรับนักวิเคราะห์สมัยใหม่ ในขณะที่วิธีการและแอปพลิเคชันแบบเดิมๆ ต่อสู้ดิ้นรน เป็นหนึ่งในปัจจัยขับเคลื่อนที่ใหญ่ที่สุดสำหรับการปรับใช้ AI/ML การเอาชนะอุปสรรคต่อการยอมรับ แม้ว่า AI/ML จะให้คำมั่นสัญญาที่ดี แต่ก็มีอุปสรรคสำคัญประการหนึ่งต่อการนำไปใช้อย่างกว้างขวางในระดับนักวิเคราะห์: บุคคลส่วนใหญ่ไม่มีทักษะที่จำเป็นในการพัฒนาอัลกอริธึมตั้งแต่เริ่มต้น เราไม่ควรคาดหวังให้พวกเขา นักวิเคราะห์ได้รับการว่าจ้างจากความเฉียบแหลมทางธุรกิจ ความฉลาดในข้อมูล และทักษะในการสื่อสาร ไม่ใช่เพราะความสามารถในการเขียนโค้ด ดังนั้น การนำ AI/ML มาใช้โดยนักวิเคราะห์จึงจำเป็นต้องได้รับการสนับสนุนจากแพลตฟอร์มที่ออกแบบมาโดยเฉพาะสำหรับการใช้งาน ไม่ใช่โดยการพยายามบังคับให้พวกเขาเป็นนักวิทยาศาสตร์ด้านข้อมูล แพลตฟอร์มดังกล่าวต้องการอะไร? แกนหลักจะต้องนำเสนอความสามารถหลักสี่ประการ: (ก) การรวมอย่างง่ายกับแหล่งข้อมูลอินพุต; (b) ชุดข้อมูลเสริมและบล็อกการวิเคราะห์ที่ตั้งไว้ล่วงหน้าจำนวนมาก (c) ความสามารถในการเชื่อมต่อบล็อคเข้ากับเวิร์กโฟลว์ข้อมูลที่กำหนดเอง และ (d) เอ็นจิ้นการทำงานอัตโนมัติเพื่ออนุญาตให้รันข้อมูลตามกำหนดการ แล้วสเปรดชีตแบบบูรณาการหรือองค์ประกอบการแสดงภาพล่ะ นักวิเคราะห์ส่วนใหญ่ต้องการใช้สเปรดชีตและเครื่องมือสร้างภาพของตนเองต่อไป แทนที่จะสร้างเครื่องมือ BI ใหม่ โซลูชัน AI ควรอนุญาตให้รวมเข้ากับโซลูชันที่มีอยู่ได้อย่างง่ายดาย ในทำนองเดียวกัน หลายองค์กรจะลงทุนในคลังข้อมูลและ/หรือ Data Lake เพื่อรวมข้อมูลขององค์กรแล้ว ดังนั้นความสามารถในการทำงานกับที่เก็บข้อมูลที่มีอยู่ก็เป็นสิ่งสำคัญเช่นกัน อุปสรรคที่อาจเกิดขึ้นอีกประการหนึ่งในการนำ AI/ML มาใช้คือความกลัวว่าเทคโนโลยีเหล่านี้จะเข้ามาแทนที่งาน ในแง่นั้น เป็นสิ่งสำคัญที่จะต้องทราบว่าเป้าหมายของ AI/ML ไม่ควรที่จะมาแทนที่บทบาทของนักวิเคราะห์ แต่ควรเพิ่มพูนความสามารถของพวกเขา องค์กรบางแห่งเข้าใจผิดคิดว่าบทบาทหลักของ AI คือการจัดเตรียมการวิเคราะห์เชิงกำหนด ซึ่งแทนที่บุคคลในวง นี้ไม่สามารถเพิ่มเติมจากความจริง แม้ว่าการวิเคราะห์แบบกำหนดเงื่อนไขจะสามารถใช้ได้อย่างแน่นอนตามความเหมาะสม กระบวนการทางธุรกิจส่วนใหญ่ควรใช้การวิเคราะห์เชิงพรรณนาและการวิเคราะห์เชิงคาดการณ์ เพื่อช่วยนักวิเคราะห์ในการสังเคราะห์ข้อมูลจำนวนมาก โดยปล่อยให้ผู้เชี่ยวชาญที่เป็นมนุษย์สรุปคำแนะนำขั้นสุดท้าย Enhanced Intelligence for Next-Gen Analysts นักวิเคราะห์ควรมองว่า AI/ML เป็นส่วนขยายของสมองของพวกเขาเอง คำจำกัดความของ Wikipedia ของไซบอร์กคือ “สิ่งมีชีวิตที่มี … ความสามารถที่เพิ่มขึ้นเนื่องจากการรวมส่วนประกอบหรือเทคโนโลยีเทียมบางอย่างเข้าด้วยกัน” ตามคำจำกัดความนั้น นักวิเคราะห์เป็นไซบอร์กมาหลายชั่วอายุคนแล้ว สเปรดชีตได้พัฒนาความสามารถในการประมวลผลเชิงตัวเลขมาเป็นเวลานาน ทำให้เราสร้างแบบจำลองได้อย่างรวดเร็วและง่ายดาย แต่เมื่อเร็ว ๆ นี้พวกเขามีข้อจำกัดมากขึ้น AI/ML มีศักยภาพที่ดีในการเพิ่มบทบาทของเทคโนโลยีในการวิเคราะห์ธุรกิจต่อไป แต่การจะทำเช่นนั้นได้อย่างมีประสิทธิภาพ ต้องใช้งานง่าย เปิดใช้งานการประสานข้อมูล/ไปป์ไลน์การวิเคราะห์ และผสานรวมกับเครื่องมือที่มีอยู่ เมื่อตรงตามเงื่อนไขเหล่านี้ AI/ML สัญญาว่าจะเปิดกรณีการใช้งานใหม่ๆ มากมาย ในบล็อกโพสต์ติดตามผล เราจะสำรวจกรณีการใช้งานเหล่านั้นโดยละเอียดยิ่งขึ้น

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button