A mesterséges intelligencia (Artificial Intelligence, AI) olyan szerteágazó téma és annyi különféle lehetőséget rejt, hogy érdemes csak azokra a területekre összpontosítani, amelyek a legnagyobb haszonnal kecsegtetnek a vállalatok számára. Hiszen nem tudunk egyszerre mindennel foglalkozni, és ez igaz az IFS kutatás-fejlesztési részlegére is. Mely területekre érdemes koncentrálni? Mely területeken képes az IFS a leginkább növelni termékei értékét az AI technológia alkalmazásával?
Az előző bejegyzésben már megállapítottuk, hogy az általános vagy emberi intelligenciától jelenleg elég távol van a gépi, és bár ez változhat a jövőben, még hosszú az út odáig. Az a technológia, ami manapság segítségére lehet a vállalatoknak, nem igazán nevezhető AI-nak. Az IFS mindig is igyekezett pragmatikusan és gyakorlatiasan megközelíteni a dolgokat. Ezért, amire az IFS fókuszál, azt úgy nevezi, hogy specifikus intelligencia. Az IFS is arra törekszik, hogy megtanítsa a számítógépeket okosabban elvégezni bizonyos feladatokat annál, mint ahogy mi emberek tudnánk, de csak igen szűk, speciális felhasználási területeken.
Az IFS úgy tekint az AI-ra, mint eszközre a cél eléréséhez, nem pedig, mint magára a célra. Az IFS szerint a lényeg, hogy a technológia segítségével jobb megoldásokat tudjon nyújtani az ügyfeleknek. Az AI technológia segítségével a felhasználók kisebb erőfeszítéssel több értéket teremthetnek, hatékonyabban végezhetik munkájukat, és az így felszabaduló kapacitásaikat a valóban értékteremtő feladatok elvégzésénél hasznosíthatják.
Az IFS három területre összpontosítja az AI-val kapcsolatos fejlesztéseit, mert úgy véli, hogy ezek azok, amelyek a leginkább hozzájárulnak ahhoz, hogy jobb megoldásokat nyújthassanak az ügyfeleknek.
- Ember-gép interakció
- Prediktív karbantartás és szerviz
- Automatizálás
Lássuk egy kicsit részletesebben ezt a három területet!
1. Ember-gép interakció
Ismét hangsúlyozzuk, hogy nem Neoról, a Mátrix rabjáról beszélünk, hanem arról, hogy miként tudjuk jobbá tenni az üzleti alkalmazások kezelhetőségét a mindennapi munkában a felhasználói élmény fokozása érdekében. Számos területen adódik erre lehetőség az olyan technológiák felhasználása révén, mint például a chatbotok, vagy a számítógépes képfeldolgozás.
Vegyük példaként a chatbotok IFS termékekben való alkalmazását. Két módon képzelhető el a chatbotok használata az IFS termékek esetében. A két mód között a fő különbséget az jelenti, hogy egy külső felhasználó, például egy ügyfél nézőpontjába helyezkedünk-e, vagy egy belső felhasználóéba, például egy munkatárséba, aki könnyebben szeretne hozzáférni az üzleti alkalmazáshoz.
Miután az IFS elhatárolta ezt a két felhasználási módot, két ezekhez kapcsolódó megoldást vett fel a termékportfoliójába. Az IFS Customer Engagement az olyan ügyfelekre összpontosít, akik kapcsolatot vesznek fel egy céggel valamilyen célból, az IFS Aurena Bot pedig az IFS felhasználóknak nyújt párbeszédalapú felhasználói felületet.
2. Prediktív karbantartás és szerviz
Az adatok nagy tömegű feldolgozásánál és elemzésénél gyors változások zajlanak az előrejelzési módszerek terén. Már számos figyelemreméltó sikertörténetről is hallani. Ezekre egy példa, amikor egy vállalat a marketing kampányok hatására megnövekedett munkaerő-szükségletét jelzi előre.
Ugyanakkor, ha létezik olyan terület, amelyre az IFS igazán fókuszálni kíván, mert rövid távon itt tudnak ügyfelei a legtöbb előnyre szert tenni, az a prediktív karbantartás és szerviz. A dolog lényege a meghibásodások, a karbantartási és szervizigények IoT által szolgáltatott adatok, valamint gépi tanulás felhasználása révén történő hatékonyabb előrejelzése.
Hagyományosan sok eszközt naptárvezérelt ütemezés szerint tartanak karban. Néhány fejlettebb iparágban már régóta áttértek a felhasználás vagy állapot alapú karbantartásra. Például a repülőgép hajtóműveket már sok éve repült órák vagy ciklusok alapján tartják karban. Manapság az IoT fejlődésével ez más iparágak számára is valósággá válhat. Mivel az IoT érzékelők nagy mennyiségű adatot gyűjtenek az eszközökről, megvan a lehetőségünk, hogy áttérjünk a prediktív karbantartásra és szervizre.
Az IFS IoT Business Connector gépi tanulási képességeket tartalmaz egyedi algoritmusok és modellek fejlesztéséhez meghatározott felhasználási módokhoz vagy IFS termékekhez. Ezen kívül könnyedén integrálható más fejlesztőktől származó adatgyűjtő eszközökkel, amelyeket például a berendezések gyártója biztosít.
3. Automatizálás
A harmadik, talán legérdekesebb terület az automatizálás. Az IFS is fejleszt olyan üzleti alkalmazásokat, amelyek segítik az automatizálási folyamatokat. Bár, manapság sok minden automatizált, mégis rengeteg döntést emberek hoznak meg, ami nem baj, de sokszor növelhető az automatizálás mértéke üzleti szabályok segítségével. Például, ha a beszerzési rendelés értéke alacsonyabb egy adott összegnél, akkor automatikusan jóváhagyható.
Az üzleti szabályoknak azonban vannak hátrányai. Először is a lehetséges összetettség korlátozó tényező, másodszor pedig az üzleti szabályok nem változnak dinamikusan az idő múlásával. Ezért az automatizálás fejlődésében a következő logikus lépés az AI segítségével öntanuló modellel kezelni az összetettséget és a dinamikus változást.
Az intelligens automatizálással kapcsolatban három területre koncentrál az IFS:
i. Rendellenesség észlelés
A rendellenesség észlelés lényege, hogy riasztja a felhasználót, és felhívja a figyelmét olyan összefüggésekre, amelyekre egyébként valószínűleg nem figyelt volna fel. Például megjeleníti az öt olyan számlát, amelyeket a legnagyobb valószínűséggel nem fizetnek ki időben, vagy a tíz olyan munkarendelést, amelyeknél a legnagyobb a kockázata, hogy nem sikerül időben teljesíteni őket. Az előnyök a nagy mennyiségű adat kezelésének képességében és az olyan összefüggések feltárhatóságában rejlik, amelyeket emberek nem ismernének fel.
ii. Egyedi tranzakciók
Ezek után a következő lépés az egyszeri, egyedi döntések vagy tranzakciók automatizálása. Az összefüggéseket feltáró algoritmusok segítségével elkezdhetünk döntéseket automatizálni a döntések helyességének valószínűsége alapján. Eleinte csak felajánlja a döntést az alkalmazás, majd az algoritmusok megbízhatóságának és a döntések minőségének javulásával eljuthatunk a tömeges automatizálásig.
Vegyük példaként a költségelszámolások jóváhagyását! Abban a pillanatban, hogy egy munkatárs rögzíti a költségelszámolását, egy gépi tanulást alkalmazó modell segítségével megjósolható a költségelszámolás helyességének valószínűsége és az automatikusan jóváhagyható vagy továbbítható a vezetőnek. Így lehetővé tehetjük a felhasználók számára, hogy azokra a feladatokra koncentráljanak, amelyek esetében, mint emberek értéket tudnak teremteni, ahelyett, hogy az emberi intelligenciát nem igénylő, ismétlődő tevékenységekre fordítanák az idejüket.
iii. Optimalizálás
Optimalizáláskor például egy összetett, számos változóval és bemenő adattal jellemezhető helyzetben optimális stratégiát alkot a megoldás a döntések meghozatalához. Az optimalizálás számos területen szerephez jut az ellátási lánctól kezdve a gyártáson át a terepi szervizig.
Egy tökéletes példa, ahogy az IFS tervező, ütemező és optimalizáló megoldása már 12 éve készíti a terepi szervizmérnökök optimális ütemezését olyan AI képességek segítségével, mint a neurális hálózatok.
Szemléltetésképpen, hogy mennyire bonyolult lehet egy ilyen feladat: Egy átlagos terepi szerviz ütemezésnek több lehetséges változata (10179) lehet, mint egy sakkjátszmának (10128) vagy gójátszmának (10170), miközben a legnagyobb IFS ügyfélnek akár 100 000 tevékenységet és 10 000 erőforrást kell tudnia kezelni, amelyek optimális ütemezése egy ember számára teljesíthetetlen feladat.
Az AI az IFS szemszögéből
A bejegyzésben igyekeztünk megvilágítani, hogy milyen AI-val kapcsolatos fejlesztési stratégiát követ az IFS, valamint, hogy egyáltalán miként kell elképzelni a mesterséges intelligencia alkalmazását az IFS termékek esetében. Az IFS tehát az ember-gép interakcióra, a prediktív karbantartásra és szervizre, valamint az automatizálásra fókuszál. Azonban ennél is fontosabb, hogy lehetővé teszi az ügyfelek, a felhasználók számára, hogy felkészültebben, hatékonyabban végezhessék munkájukat a jövőben, mint ahogyan jelenleg képesek erre, mindezt olyan módon, ahogy azt az IFS-től megszoktuk: pragmatikusan, gyakorlatiasan, az ügyfelek valós igényeit szem előtt tartva.
