Свод знаний по управлению бизнес-процессами: BPM CBOK 4.0

● цепочки создания ценности и цепи поставок, которые становятся более глобальными, взаимосвязанными и сфокусированными на микросегментах;

● бизнес-правила, которые быстро меняются в связи с необходимостью идти в ногу с конкурентами, потребностями и предпочтениями клиентов;

● точное прогнозирование и планирование ограниченных ресурсов для оптимизации конкурирующих проектов/инвестиций и бизнес-показателей;

● необходимость повышать качество продукции и качество обслуживания клиентов при одновременном снижении затрат.

Во многих отношениях ИИ, машинное обучение и глубокое обучение превосходят обычное программирование и традиционный статистический анализ:

● Для достижения целевого результата знание бизнес-правил в действительности совсем не обязательно – достаточно просто обучить машину на примерах входных и выходных данных.

● Если бизнес-правила изменились таким образом, что те же самые входные данные больше не приводят к тем же самым результатам, то машину не надо перепрограммировать – достаточно просто переобучить, сократив тем самым время реакции и избавив людей от необходимости переучиваться.

● По сравнению с традиционным статистическим анализом, модели ИИ, машинного обучения и глубокого обучения строятся относительно быстро, что дает возможность быстро подбирать модель методом проб и ошибок.

Тем, кто хочет познакомиться с технологиями искусственного интеллекта поближе, мы рекомендуем установить один из пакетов глубокого обучения, изучить прилагаемую документацию и поэкспериментировать на тестовых образцах. Рекомендуемая литература:

● Neural Networks and Deep Learning, Michael Nielsen;

● A Brief Introduction to Neural Networks, David Kriesel;

● Deep Learning, Yoshua Bengio, Ian Goodfellow, Aaron Courville;

● A Course in Machine Learning, Hal Daumé III;

● The TensorFlow Playground, Daniel Smilkov, Shan Carter;

● Stanford CS class CS231n Convolutional Neural Networks for Visual Recognition.

8.3.2.1. Искусственный интеллект и бизнес-аналитика

В отличие от бизнес-аналитики (Business Intelligence, BI), которая описывает и диагностирует прошедшие события, ИИ, машинное обучение и глубокое обучение пытаются предсказать будущие события и предложить способы воздействия на эти вероятности. На следующем рисунке показан прогресс в направлении предсказательной аналитики на основе ИИ, машинного обучения и глубокого обучения.

Проблема этих методов в том, что все они в настоящее время основаны на статистическом прогнозировании, которое содержит элемент ошибки, как показано на следующем рисунке.

Разница между бизнес-аналитикой, статистикой и ИИ сформулирована ниже.

● Бизнес-аналитика традиционно ориентирована на запросы и опирается на аналитиков, выявляющих закономерности (например, какие клиенты самые прибыльные, почему они самые прибыльные и какие характеристики, такие как возраст или профессия, их отличают).

● Статистика также полагается на аналитиков, изучающих свойства (или структуру) данных, чтобы установить распределение данных, но ее отличает математическая строгость при экстраполяции (например, есть ли в реальности разница между потребительскими сегментами, обнаруженная в выборке).

● ИИ, машинное обучение и глубокое обучение полагаются на алгоритмы (а не на аналитиков), которые самостоятельно находят закономерности в данных, позволяющие давать прогнозы и рекомендации.

Хотя и статистическое моделирование, и машинное обучение используются для моделирования бизнес-сценариев, между ними есть некоторые существенные различия [Hartanto 2019].

Некоторые дополнительные отличия: