Продолжение. Начало — здесь.

Технологии на стадии выхода на рынок

1) Дополненная аналитика (Augmented Analytics)

По определению агентства Gartner, «Augmented Analytics – это автоматизация получения инсайтов (полезной информации) из большого объёма данных при помощи обработки естественного языка NLP (Natural Language Processing) и машинного обучения».

В будущем, это будет основной движущаей силой в области аналитики, data science, платформ обработки данных и встроенной аналитики.

Дополненная аналитика использует, в основном, машинное обучение и искусственный интеллект для усовершенствования традиционных методов анализа данных, находя новые методы создания, развития и общего использования средств анализа данных. Применение дополненной аналитики в промышленности приведёт к тому, что компании смогут автоматизировать многие функции аналитики, такие как создание, анализ и построение моделей данных. Дополненная аналитика также даёт возможность значительно облегчить взаимодействие с данным и получение полезной информации из больших объёмов данных.

Дополненная аналитика также изменяет рабочие модели для бизнес-интеллекта BI (business-intelligence), который визуализирует различные наборы данных для менеджера, чтобы он мог быстрее принимать решения. Внедрение для этой цели машинного обучения, обработки естественного языка облегчает получение данных, очистку их от избыточных данных и нахождение корреляций в них. Более того, искусственный интеллект будет создавать визуализированные данные, в которых пользователи, наблюдая за этими визуализациями, могут быстрее найти взаимоотношения между различными данными.

С появлением дополненной аналитики (Augmented Analytics) изменилось даже определение Искусственного Интеллекта AI (Artificial Intelligence). Теперь AI часто расшифровывается как Augmented Intelligence – «Дополненный Интеллект».

Пояснить будущую пользу от дополненной аналитики можно на таком очень упрощённом примере. Многие современные автомобили сейчас оснащаются экраном дорожной статистики, на которых показывается удельный и средний расход топлива за поездку и другие полезные водителю параметры.

Предположим, что водитель заправляется на разных АЗС, где бензин стоит по разному и отличается по качеству. Водитель использует оплату топлива через облачный сервис не выходя из машины (например, Яндекс) и задался целью найти заправку, где предлагается наиболее качественный бензин, который позволяет получить максимальный пробег и снизить при этом расход топлива. Для этого, водитель регулярно записывает в блокнот данные с экрана статистики, и потом высчитывает, бензин с какой заправки ему лучше всего подходит.

Как это будет работать с дополненной аналитикой? Водитель голосом сможет спросить бортовой компьютер своей машины: «Сделай расчёт наименьшего удельного расхода топлива от всех АЗС за последние пять тысяч километров пробега». И бортовой компьютер с функцией дополненной аналитики, немного подумав, даст ответ: «Вам лучше всего использовать бензин с АЗС по адресу такому-то». Или что-то в этом роде.

Водитель здесь использовал дополненные интеллект с интерфейсом обработки естественного языка NLP. Голосом он фактически дал задание дополненной аналитике бортового компьютера создать новую модель данных.

Для розничной торговли это может использоваться такой сценарий. В торговом зале установлены видеокамеры, которые отслеживают потоки покупателей. Традиционная система видеоаналитики может построить т.н. «тепловую карту» движения посетителей по залу.

Дополненная аналитика может использовать данные с «тепловой карты», а также данные с кассовых аппаратов о продаже тех или иных товаров.

Администратор торгового зала в конце месяца может задать системе дополненной аналитики вопрос: «Покажи полку с наименьшим числом походов покупателей и дай рекомендацию, на какую полку переложить товар, чтобы его лучше покупали». Не надо звать специалиста по обработке данных, чтобы он составил корректный запрос по модели данных, и потом интерпретировал ответ системы бизнес-интеллекта BI. Augmented Intelligence при помощи NLP распознает смысл запроса менеджера зала, который, конечно же, не является специалистом по обработке данных, и даст ему нужный ответ.

Это, конечно, очень упрощённые и утилитарные сценарии, которые лишь иллюстрируют суть дополненной аналитики. Реальные сценарии могут быть гораздо сложнее.

Сценариев применения дополненной аналитики может быть очень много, как простых, так и очень сложных. Это весьма перспективное направление 4-й промышленной революции.

Следующая статья.