Szacunki Deloitte wskazują, że w 2021 wydatki przedsiębiorstw na projekty z zakresu sztucznej inteligencji (AI) i machine learning (ML) wyniosą 57 miliardów dolarów – cztery razy więcej niż w 2017 roku. Projekty AI/ ML stają się codziennością, nie tylko wśród liderów innowacji.
Dzięki cyfryzacji procesów biznesowych organizacje dysponują coraz większą ilością danych, które z kolei mogą zostać wykorzystane do automatyzowania pracy przez modele machine learning. Tym samym możliwe jest ograniczenie wydatków w takich obszarach jak:
- Koszty utrzymania, między innymi dzięki redukcji zużycia mediów
- Koszty ludzkie, poprzez automatyzację zadań
- Koszty surowcowe, poprzez automatyzację i uszczelnienie kontroli jakości
- Koszty sprzętu/ maszyn, dzięki zautomatyzowanym systemom kontroli stanu i utrzymania
- Koszty działalności, takie jak marketing i sprzedaż
Firmy coraz częściej dostrzegają te możliwości. Dowodem na to są zarówno działania przedsiębiorstw realizowane własnymi siłami, jak i rozwój całego ekosystemu firm oferujących produkty oparte o tę technologię oraz wsparcie we wdrażaniu jej.
1. Redukcja kosztów utrzymania i zużycia mediów
Wraz z rosnącą komplikacją systemu, nadzór nad nim staje się coraz większym wyzwaniem. Przykładem może być chłodzenie dużych serwerowni. Pod względem zużywanej energii i generowanego CO2 sektor ICT (technologie komunikacyjne, w tym telekomunikacja oraz usługi informatyczne) dorównał już liniom lotniczym i odpowiada za 2 proc. światowych emisji. Aby zmniejszyć wydatki na energię elektryczną firma Google zdecydowała się powierzyć sztucznej inteligencji zarządzanie energią w swoich serwerowniach. Model, dzięki dokładnemu „nauczeniu się” struktury data center, zredukował koszt chłodzenia o 40 %. Odbyło się to bez konieczności instalowania nowych komponentów – wystarczyło opracowanie nowego oprogramowania wykorzystującego sztuczną inteligencję. Docelowo system ma być stosowany we wszystkich serwerowniach Google. Rozwiązaniem zainteresował się również brytyjski dostawca energii National Grid.
2. Redukcja kosztów ludzkich dzięki automatyzacji
Dzięki machine learning możliwe jest automatyzowanie powtarzalnych, często czasochłonnych zajęć i przekierowanie zespołu do zadań przynoszących większe zyski. Dla międzynarodowej firmy badawczej Nielsen firma deepsense.ai przygotowała program, który pozwala znaleźć, odczytać i zapisać w bazie danych skład produktu tylko i wyłącznie na podstawie zdjęcia jego opakowania. Skróciło to czas pracy z kilku minut poświęconych na ręczne przepisanie składu z etykietki, do kilku sekund, które zajmuje zrobienie zdjęcia. A w skali firmy zatrudniającej 46 tysięcy ludzi, zaoszczędzenie choćby pięciu minut dziennie przez połowę z nich przekłada się na 314 etatów każdego dnia.
3. Predictive maintenance 4.0 – optymalizacja kosztów utrzymania maszyn
Każda awaria sprzętu wiąże się zarówno z kosztami naprawy, jak i przestojami w produkcji. Z tego względu biznes poszukuje narzędzi, które pozwalają przewidzieć awariom oraz im zapobiegać. Jedno z rozwiązań opracowanych przez deepsense.ai, przygotowane dla firmy z sektora produkcyjnego, opiera się na wykorzystaniu danych z czujników zamontowanych na maszynach. Dzięki analizie i odczytywaniu sygnałów możliwe jest wychwycenie sygnałów o nadchodzącej awarii nawet dwa tygodnie przed jej wystąpieniem.
Innym przykładem predictive maintenance może być działanie firmy OneWatt, która bada dźwięki wydawane przez maszyny przemysłowe. Dzięki sztucznej inteligencji możliwe jest wychwycenie nawet niesłyszalnych dla człowieka zmian w odgłosach maszyny, które mogą świadczyć o nadchodzącej awarii.
4. Kontrola jakości – mniej błędów dzięki machine learning
W wielu branżach kontrola jakości wiąże się z ogromnymi wydatkami. W przypadku producentów półprzewodników odpowiada ona za nawet 30 % kosztów. Zautomatyzowanie tego procesu poprzez narzędzia rozpoznające obraz dzięki ML pozwala zwiększyć odsetek wykrytych wad nawet o 90 procent. W przeciwieństwie do zautomatyzowanych systemów, systemy wizyjne oparte o uczenie maszynowe mogą się cały czas rozwijać i dostosowywać do nowych specyfikacji produktów.
Tą drogą podąża firma Fujitsu. Zadaniem wdrożonego systemu jest nie tylko wyłapywanie wadliwych produktów, ale również przygotowywanie do zautomatyzowanego montażu na następnym etapie produkcji. Poprzez zastosowanie uczenia maszynowego jest w stanie automatycznie rozpoznać część produkowanej maszyny (oraz ocenić jej zgodność z normami) w ponad 97 % przypadków.
5. Potęga danych w sprzedaży i marketingu
ML jest w stanie przetwarzać zbiory danych szybciej i skuteczniej niż nawet najbardziej biegli analitycy. Tym samym pozwala bieżąco analizować, co dzieje się na przykład w systemie sprzedażowym lub transakcyjnym przedsiębiorstwa. Daje to możliwość bieżącego monitorowania aktywności klientów, na przykład na potrzeby badania lojalności klientów – jedynie 1 na 26 klientów wyraża swoje niezadowolenie zanim odejdzie do konkurencji. Dzięki ML możliwe jest wychwycenie wzorca zachowania niezadowolonego klienta i zareagowanie z wyprzedzeniem.
Efektywniejsze wykorzystanie posiadanych danych przynosi korzyści nie tylko biznesowi, ale także służy całemu społeczeństwu. Rozwiązanie opracowane przez deepsense.ai dla policji w Portland w stanie Oregon daje możliwość przewidywania, w których częściach miasta dojdzie do przestępstwa, co pozwala lepiej zarządzać patrolami policyjnymi.
ML w praktyce
Dzięki zastosowaniu machine learning przedsiębiorstwa mają coraz więcej możliwości szukania oszczędności oraz dodatkowych przychodów. Zadaniem sztucznej inteligencji jest wspomaganie ludzi w czynnościach, które w normalnych warunkach by ich przerastały ze względu na stopień komplikacji. ML pozwala również automatyzować czynności, które mimo powtarzalności i schematyczności wymagają maksymalnego skupienia, przez co wydajność pracowników przy nich szybko spada. Dzięki zastosowaniu sztucznej inteligencji ludzie mogą skuteczniej wykonywać swoją pracę i poświęcić więcej energii na działania przynoszące największą wartość.
