Эту статью предоставила Пуджа Шах, старший юрист Avanta Ventures

Искусственный интеллект (ИИ) охватывает так много подсегментов и связанных рынков, что трудно обсуждать ИИ без обсуждения машинного обучения (МО), автоматизации или больших данных. Эта часть является второй в серии, посвященной этому более широкому пространству. В последнем отчете Avanta Insights обсуждалась основа, необходимая для построения стратегии ИИ — данные. В этой статье рассматривается более широкая экосистема ИИ/МО, некоторые из последних тенденций и проблемы, с которыми сталкиваются при внедрении ИИ, особенно на предприятиях.

По мере развития рынка и технологий ИИ ИИ проник во все отрасли и во все аспекты цепочки создания стоимости. Однако также стало ясно, что, несмотря на распространенность ИИ, все еще остаются серьезные проблемы и проблемы, которые необходимо преодолеть большинству предприятий, чтобы реализовать весь потенциал ИИ. Те немногие предприятия, которым удалось получить большую отдачу от инвестиций в ИИ и которые стали «подпитываться ИИ», сохранили гибкий подход к ИИ и инвестировали в правильные инструменты, ресурсы, надежную базу данных и своих сотрудников. Учитывая его ограничения, в обозримом будущем ИИ станет инструментом, который люди должны разумно применять, а это означает, что пользователи должны понимать на базовом уровне, что возможно, а что нет, и как определить правильный инструмент для своих нужд. При правильном использовании эффективность использования ИИ может помочь компаниям двигаться вперед быстрее и оказывать более значительное влияние.

Большие данные, искусственный интеллект, машинное обучение и автоматизация — все это часть одного большого мегатренда.

В начале 2010-х большой тенденцией были большие данные, за которыми последовал AI/ML. Совсем недавно автоматизация снова оказалась в центре внимания. Однако все они являются частью одного большого мегатренда: каждая компания становится компанией данных, а не только компанией-разработчиком программного обеспечения. Данные и искусственный интеллект внедряются во внутренние процессы и внешние приложения для аналитики и улучшения операций. Компании быстрее оформляют кредиты, отвечают клиентам с помощью чат-ботов круглосуточно и без выходных, активно прогнозируют отток клиентов, выявляют мошенничество и киберугрозы, а также отслеживают бизнес-показатели в режиме реального времени. Все эти инновации основаны на объединении больших данных и AI/ML. Хотя у каждой отрасли были свои пять минут славы и история происхождения, они развивались синхронно.

Несмотря на взросление экосистемы, новые категории стартапов продолжают появляться и расти

За последнее десятилетие экосистема созрела: лидеры рынка, такие как Databricks и DataRobot, привлекли масштабные венчурные инвестиции с многомиллиардной оценкой, а такие компании, как Snowflake, процветают на публичных рынках. Несмотря на присутствие этих гигантов ИИ/МО, остается еще много проблем, которые необходимо решить, чтобы сделать ИИ доступным, эффективным, масштабируемым, безопасным и производительным, о чем свидетельствует растущее число компаний, занимающихся ИИ/МО и большими данными, финансируемых венчурным капиталом. капиталисты.

Приведенная выше карта рынка ИИ представляет собой лишь часть пространства и игнорирует нюансы конкретных вертикальных ИИ-решений или подсегментов некоторых категорий, перечисленных выше. Даже ограничение анализа только категориями стартапов в жизненном цикле модели машинного обучения по-прежнему дает сложную карту рынка (см. следующее изображение).

В таком активном пространстве цикл ажиотажа вокруг трендов короток, поскольку новые категории создаются и быстро заполняются стартапами. Одной из областей, в которой венчурные капиталисты проявляют высокую активность и аппетит, является расширенный набор стартапов, которые ускоряют или обеспечивают эффективность перед развертыванием, например, во время обучения модели, разработки функций, обработки данных и очистки данных. Тенденция обусловлена ​​​​основной проблемой, заключающейся в том, что, несмотря на аппетит к эффективности и знаниям, основанным на AI / ML, многие проекты AI / ML и науки о данных продолжают терпят неудачу. В ходе опроса, проведенного в июне 2020 года, Международная корпорация данных (IDC) обнаружила, что 28% проектов искусственного интеллекта и машинного обучения терпят неудачу, а в отчете Gartner за 2019 год прогнозировалось, что, учитывая процент неудач проектов по науке о данных, только 20% аналитические идеи принесут реальные бизнес-результаты. Как обсуждалось в отчете Insights за прошлый квартал, наличие надежной, очищенной и хорошо управляемой базы данных является ключом к получению прибыли от корпоративных проектов AI/ML.

Еще одна тенденция, движимая некоторыми космическими гигантами, — функциональная консолидация. Такие компании, как Snowflake и Databricks, хотят стать горизонтальным универсальным решением для всех данных и ИИ. На приведенной выше карте рынка инструментов МО Databricks, Dataiku, H2O.ai и другие предлагают возможности по нескольким категориям в цепочке создания стоимости ML.

Однако, несмотря на широту их предложений, сложность и широта потребностей клиентов, а также постоянная разработка новых функций и возможностей, означает, что в обозримом будущем компании, вероятно, продолжат строить свои решения в области ИИ и данных, используя многочисленные поставщики точечных продуктов. Преуспевающие лучшие в своем классе компании AI/ML — это те, которые нацелены на очень конкретную проблему, но хорошо интегрируются в более крупный технологический стек AI/ML. По вертикали это новые компании, нацеленные на отраслевые проблемы с ИИ, такие как Tractable и Claim Genius, которые внедряют ИИ для ускорения и количественной оценки автовозвратов. По горизонтали это инструменты AI/ML или операционные компании, такие как Hightouch, компания, которая представляет собой решение для обратного ETL (извлечение, преобразование и загрузка), то есть она берет данные из хранилищ данных и помогает загрузить их в операционные системы (т. , CRM или платформы автоматизации маркетинга). Из-за сегодняшних ограничений ИИ эти узкие решения будут продолжать играть важную роль в краткосрочной и среднесрочной перспективе страховой отрасли.

Приложения ИИ в цепочке создания стоимости страхования

От дистрибуции до претензий и андеррайтинга — существует бесчисленное множество применений решений AI/ML в страховой отрасли. На приведенной ниже диаграмме показаны лишь несколько примеров использования и преимуществ использования ИИ в цепочке создания стоимости страхования:

За последние несколько лет страховые компании стали более грамотными и стали использовать искусственный интеллект. Тем не менее, предстоит еще много работы по использованию ИИ на предприятии и в цепочке создания стоимости страхования. Пробел в реализации характерен не только для страховой отрасли. Некоторые из вариантов использования, перечисленных на графике выше, более распространены и, если не уже, скоро станут основными в страховой отрасли. Другие, однако, сталкиваются с многочисленными проблемами.

Проблемы, стоящие перед экосистемой ИИ/МО и реализациями ИИ

Как упоминалось выше, пока компании пытаются внедрить ИИ во внутренние процессы, многие из этих проектов по-прежнему терпят неудачу. Часто коренные причины провала проектов ИИ связаны с проблемами создания и управления надежной инфраструктурой данных для поддержки аналитики и моделей, построенных на ее основе. Однако есть и другие проблемы в космосе:

Прозрачность/объяснимость и дефицит доверия

Большая часть ИИ, особенно глубокого обучения, страдает от так называемой проблемы «черного ящика». Входные и выходные данные известны, но пользователь не может определить, что произошло между ними, чтобы перейти от A (данные) к B (прогнозирование модели ИИ). Это особенно сложно в регулируемых отраслях, таких как страхование, где организации должны показать, почему принимаются определенные решения и что они этичны (т. е. объяснять, как определяются ставки и какие факторы используются для определения возможности страхования).

Объяснимый ИИ (XAI) — это набор инструментов и платформ, которые могут помочь пользователям понять результаты или выходные данные модели ИИ и то, как были определены результаты. Его часто рекламируют как решение проблемы доверия и «черного ящика». Хотя прозрачность для всех заинтересованных сторон и пользователей улучшит понимание моделей, она не решает всего. Знание того, почему результат плохой или предвзятый, не означает, что пользователи будут больше доверять ИИ, и не означает, что его можно реализовать как есть. Другие меры подотчетности, такие как регулярная проверка моделей, могут потребоваться для укрепления доверия и устранения присущих им предубеждений и недостатков.

Нехватка данных, конфиденциальность и безопасность

Даже если это не модель глубокого обучения, хорошая модель все равно требует большого объема обучающих данных для достижения целевой производительности. Доступ, очистка, нормализация и управление этими данными могут быть серьезной проблемой. Стартапы решают проблемы с данными с помощью инновационных подходов. Модели глубокого обучения некоторых стартапов умеют имитировать обучающие данные. Другие развивающиеся компании начали изучать возможность создания искусственных или синтетических наборов данных; однако они ограничены и по-прежнему подвержены смещению исходного набора данных.

Данные, которыми управляет компания, становятся все более важными, что приводит к проблемам, поскольку конкуренты пытаются получить доступ к новым данным. Как компании могут сотрудничать для обмена данными, чтобы увеличить общий пул данных партнеров, не разглашая при этом критически важную информацию? Как партнеры могут объединять данные, поддерживать безопасность и обеспечивать конфиденциальность личной и идентифицируемой информации? Проблемы с конфиденциальностью и безопасностью данных препятствуют реализации проектов искусственного интеллекта и машинного обучения, особенно в финансовой, страховой и медицинской отраслях.

Приемлемый порог неточности и искусственный интеллект не на «человеческом уровне».

Даже лучшие на сегодняшний день модели искусственного интеллекта могут уступать по точности и не всегда могут понять, как справляться с конкретными пограничными случаями так, как это может сделать человек. Важно определить порог неточности, который устраивает пользователей для любой конкретной проблемы. В результате варианты использования с низким уровнем риска и низкой стоимостью, как правило, реализуются быстрее и чаще, даже если ресурсы ИИ могли бы оказать более значительное влияние, если бы они применялись где-то еще.

Эта проблема связана как с проблемой данных, так и с проблемой объяснимости, упомянутой ранее. Организациям необходимо либо создавать лучшие и более точные модели, либо разрабатывать модели, которые позволят им лучше понять, как и когда модели не сработают.

Проблема предвзятости

Одна из причин, по которой организации обращаются к машинам и ИИ, заключается в том, чтобы исключить предвзятость при принятии решений. Однако, если данные и решения, на которых обучаются модели, предвзяты, предвзятость сохранится в модели. За исключением культурных или демографических предубеждений, которые являются более широкими и глубокими проблемами, данные также могут быть смещены в сторону предвзятых представлений о риске, включая предубеждения из-за ограниченных точек данных и контекста. Одним из способов преодоления предвзятости является обмен данными. Если организации могут объединять данные и обмениваться ими, они могут смягчить свои предвзятости при принятии решений.

Недостаток скорости, вычислительной мощности и высокая стоимость

Одним из ограничений для запуска и запуска моделей AI/ML является объем вычислительной мощности и время, необходимое для тестирования и настройки моделей. Для некоторых организаций существует дополнительная проблема, связанная с тем, насколько дорогостоящими могут быть модели построения из-за огромного размера и объема задействованных данных.

Из-за скорости и недостатка вычислительных мощностей запуск моделей иногда может занимать до трех месяцев. Некоторые стартапы начали решать эту проблему, например SymetryML, который абстрагирует наборы данных в статистические сводки, что приводит к повышению эффективности вычислений на порядки. Однако количество моделей, которые они могут ускорить, ограничено. Некоторые модели, особенно глубокое обучение или модели нейронных сетей, пытающиеся отражать поведение человеческого мозга, по своей конструкции требуют значительных вычислительных ресурсов. Они останутся таковыми до тех пор, пока не будет обнаружена или адаптирована вычислительная эффективность для лучшего удовлетворения потребностей моделей.

Фрагментированные инструменты

Как упоминалось ранее, большинство предприятий будут продолжать двигаться вперед, используя различные инструменты, а не подход «один набор решает все». В то время как лучший в своем классе подход к решению обеспечивает дополнительную функциональность и гибкость для решения проблем, одной из проблем, вытекающих из этого подхода, является необходимость найти инструменты, которые хорошо интегрируются друг с другом в единый процесс.

Грамотность в области данных и искусственного интеллекта

Способность предприятия реализовывать проекты AI/ML также в значительной степени зависит от способности всей организации, а не только специалистов по данным, понимать модели данных и работать с ними. По мере того, как AI/ML все больше внедряется в операции и аналитику, не только специалистам по обработке и анализу данных и специалистам по машинному обучению необходимо понимать модели и результаты. Все в организации, которые имеют дело с данными, должны стать грамотными в отношении данных и ИИ. Именно здесь общеорганизационное обучение, а также инструменты и структуры, такие как AI Project Canvas, могут помочь бизнес-подразделениям работать со своими специалистами по данным, чтобы лучше определить и определить, где и как использовать ИИ в организации. Это также обосновывает понимание сотрудниками того, что возможно, осуществимо и жизнеспособно, учитывая, где сегодня находится ИИ.

По причинам, перечисленным выше и другим, узкие вертикальные решения с отраслевой специализацией или горизонтальные решения с ограниченной сферой деятельности являются решениями, которые продолжают процветать. Как узкие, вертикальные приложения с поддержкой ИИ, так и решения горизонтальной инфраструктуры ИИ могут по-прежнему обеспечивать значительную организационную ценность. Однако вышеперечисленные проблемы показывают, что, несмотря на наличие зрелых игроков и «раскрутку» в течение более десяти лет, экосистема ИИ будет по-прежнему оставаться областью высокой активности и интереса для предприятий, а также венчурных капиталистов.

Как AI/ML повлияет на страховые компании?

Хотя сегодня ИИ не встроен во все внутренние процессы в цепочке создания стоимости страхования, он будет продолжать проникать в процессы по мере развития технологий и моделей. Быстрый рост и инновации на рынке ИИ/МО означают, что жесткий подход к реализации стратегии ИИ может привести к тому, что компания отстанет.

Реализовать весь потенциал ИИ означает иметь целенаправленный подход к выявлению и структурированию пилотных проектов внедрения ИИ, извлечению уроков и распространению их по всей организации. Уроки, извлеченные из неудачного или успешного проекта, могут помочь другому проекту быстрее реализоваться. Проекты будут продолжать терпеть неудачу по множеству причин, как обсуждалось выше, но это не должно удерживать нас от продолжения экспериментов и попыток лучше понять ИИ по мере того, как эта область продолжает развиваться. Став организацией, работающей на искусственном интеллекте, страховые компании могут предоставить своим сотрудникам инструменты и ресурсы, чтобы лучше и эффективнее обслуживать своих клиентов.