Сегодня в специальной колонке коворкинга MULTISPACE речь пойдет о машинном реинжиниринге – эффективном способе автоматизировать бизнес, используя машинное обучение. Хотя это направление появилось совсем недавно, некоторые компании уже успели получить ошеломляющие результаты. Как сообщает Harvard Business Review, изучение 168 компаний, использующих эту практику, показало двухкратное увеличение скорости всех бизнес-процессов, а некоторые организации, и вовсе, сообщают об ускорении в 10 и более раз.
Как же использовать на практике машинный реинжиниринг?
Несколько примеров:
1. Сканирование данных
По мере внедрения цифровых технологий, компании получают возможность внедрять всё более и более трудоёмкие задачи, связанные с сортировкой собираемой информации. Это постоянно увеличивающийся поток информации в совершенно разных форматах, который вынуждает человека делать большое число операций для того, чтобы совершить даже небольшой шаг...
Что же делают технологи для упрощения этих задач?
Анализ видео.
Компания Clarifai из Нью-Йорка использует машинное обучение для поиска и распознавания объектов, людей или сюжетов на видео. Программа делает это в разы быстрее, чем человек. Например, 3-5 минутный ролик ей под силу проанализировать всего за 10 секунд. Технология может распознавать типы людей на видео, к примеру, определить в ролике альпинистов. Это очень полезная опция для рекламщиков, так как она позволит понять, как можно более эффективно подбирать рекламные объявления под видео. Такая технология может быть полезна для режиссеров и видео-редакторов при поиске новых путей организации видео-коллекций и редактировании отснятого материала.
(Фото: коворкинг MULTISPACE)
Распознавание изображений
MetaMind из Силиконовой долины предлагает сервис под названием HealthMind, который использует компьютерные технологии для анализа рентгеновских снимков мозга, глаз, легких. Компьютерный анализ и алгоритм прогнозирования баз данных, HealthMind способны обнаруживать наличие воспаления и опухоли на ранних стадиях болезни. Как результат, врачи меньше времени тратят на интерпретацию снимков и больше - на консультирование пациентов.
Документирование и ввод данных
Машины могут исполнять трудоёмкие задачи ведения документации и ввода данных, тем самым, позволяя работникам умственного труда посвятить больше времени решению высокоуровневых задач. Например, британский стартап Arria помогает автоматически генерировать отчёты в разных областях: от здравоохранения и финансов до нефтегазовой промышленности. Технология учится писать отчёты путём сканирования уже существующих документов и определения отношений между понятиями. Затем, программа изучает входящие данные для создания новых отчётов. С помощью Arria было обнаружено, что изменение процесса документооборота может повысить эффективность работников интеллектуального труда на 25%. К примеру, инженеры, использовавшие Arria на написании отчётов сэкономили более 40 часов за месяц.
2. Изучение инсайтов
Увеличение потоков информации используемых в рабочем процессе, существенно увеличивает время, необходимое на их понимание и принятие необходимых решений. Это можно лицезреть в биржевой торговле, маркетинге, производстве, где увеличение количества данных затрудняет поиск самой актуальной и важной информации. Использование “машинного ума” позволяет быстрее и легче извлекать самое ценное из громадных объемов данных. Исследования показывают, что передовые компании пользуются автоматизированным анализом данных для, по меньшей мере, четырёх видов задач.
Мониторинг рынка
Dataminr из Нью Йорка использует различные виды индикаторов для поиска в сети твитов, которые бы содержали информацию, необходимую биржевым трейдерам. Dataminr следит за распространением информации в сети и из этого делает вывод об её значимости и актуальности. Затем программа отправляет это сообщение трейдеру, для которого даже трёхминутное преимущество может обеспечить немалую прибыль. Dataminr также используют службы новостей, для того, чтобы оперативно отслеживать события и делать репортажи как можно быстрее.
Моделирование прогнозов
SailThru, также разработка нью-йоркцев, помогает маркетологам более эффективно таргетировать email-рассылки, на основании анализа электронной почты и пользовательских данных. SailThru “запоминает” интересы пользователя, например велоспорт или скалолазание, и покупательское поведение. Затем программа предсказывает, кто из пользователей будет совершать покупку, и когда лучше отправлять письмо пользователю для большей эффективности. Клиент сервиса, компания-производитель одежды The Clymb, зафиксировали увеличение роста выручки от email-продаж на 12%, и возрастание общего количества закупок по электронной почте на 8% за 90 дней использования SailThru. Объединив персонализацию и прогнозирование, The Clymb достигли +175% конверсии на тысячу отправленных писем, а также сокращение отписки от рассылки на 72%.
Причинно-следственный анализ
Sight Machine, компания из Сан-Франциско, предоставляющая услуги промышленной аналитики, помогает своим клиентам решать сложные вопросы контроля качества. Одной из проблем, с которыми сталкиваются клиенты Sight Machine, является интерпретирование предупреждающих оповещений. На больших производственных площадках, одна проблема способна вызвать тысячи тревожных сигналов от различных типов датчиков по всей производственной линии. Программное обеспечение Sight Machine использует машинное обучение, для определения закономерностей возникновения предупреждений и помогает инженерам выявить те, которые представляют основную причину проблемы.
(Фото: коворкинг MULTISPACE)
Диагностика проблем
Машинный реинжиниринг также способен помочь в обнаружении трудноуловимых закономерностей потока данных. Примером этому может послужить уже знакомая нам Sight Machine. На основании изучения условий и действий, которые привели к проблеме, технология помогает инженерам определить вероятные причины возникновения неполадок. Это позволяет технологам предвидеть и предотвратить возникновение проблемных ситуаций. Для одного из клиентов, внедрявшего роботизированную производственную линию, диагностические решения Sight Machine способствовало уменьшению простоя линии на 50%, а также увеличению производительности на 25% всего за один месяц. Этот показатель куда лучше, чем 1-2% улучшение производительности у компаний-конкурентов, не использовавших Sight Machine.
Это лишь первые шаги в использовании машинного реинжиниринга. Можно ожидать, что в дальнейшем будут известны другие, не менее впечатляющие примеры в бизнесе и производстве. Уже сейчас становится понятным, что эти технологии имеют огромный потенциал для управления постоянно возрастающей массой данных, и тем самым помогают обойти узкие места, с которыми сталкиваются современные организации. Человеческий труд должен становиться более рациональным и эффективным и это позволит усовершенствовать рабочий процесс на всех уровнях.
Если данные - это путь вперёд, то реинжиниринг - автомобиль, прокладывающий этот путь.
