Εταιρική Στρατηγική Αξιοποίησης της Τεχνητής Νοημοσύνης: Σχεδιασμός & Εφαρμογή

500

Εκρηκτική άνοδο εμφανίζει σε παγκόσμιο επίπεδο το ενδιαφέρον για την Τεχνητή Νοημοσύνη. Το ενδιαφέρον αυτό σχετίζεται αφενός με την κατανόηση του ορισμού της ως επιστημονικού πεδίου αλλά και με τους τρόπους βελτίωσης αξιοποίησης της. Στο άρθρο που ακολουθεί, οι Κωνσταντίνος Μώρος και Ηλίας Βυζάς της Ernst & Young καταγράφουν  τις τελευταίες εξελίξεις και τη δυναμική του ανερχόμενου αυτού επιστημονικού και επαγγελματικού πεδίων και των δυνητικών εφαρμογών του.

Τεχνητή Νοημοσύνη (ΤΝ) ένα επιστημονικό και επαγγελματικό πεδίο τεχνολογίας με αυξημένο ενδιαφέρον, καθώς η δημοτικότητα σχετικών αναζητήσεων στο διαδίκτυο τα τελευταία πέντε χρόνια έχει αυξηθεί σε παγκόσμιο επίπεδο κατά 132%, με περισσότερες από 470 εκατ. αναφορές. Το ενδιαφέρον αυτό σχετίζεται με την κατανόηση του ορισμού της ΤΝ και της εξέλιξής της, αλλά και με τις περαιτέρω προσπάθειες και τα επιτεύγματα της ακαδημαϊκής και επιχειρηματικής κοινότητας σχετικά με την εύρεση τρόπων βελτίωσης και αξιοποίησής της, με αποτέλεσμα να καταγράφονται 340 χιλ. κατοχυρωμένα διπλώματα ευρεσιτεχνίας ΤΝ και 1,6 εκατ. επιστημονικές δημοσιεύσεις μέχρι και το 2019 (1). Όπως είναι, λοιπόν, φυσικό, έχουν παρουσιαστεί πολλές διαφορετικές ερμηνείες για την ΤΝ, με την Ευρωπαϊκή Επιτροπή (2) να έχει πρόσφατα επικαιροποιήσει τον επίσημο ορισμό της και μια ομάδα εμπειρογνωμόνων της Επιτροπής (3) να έχει καθορίσει τις βασικές κατευθύνσεις αναφορικά με την ανάπτυξη, εγκατάσταση και χρήση συστημάτων ΤΝ, οι οποίες βασίζονται σε τέσσερις δεοντολογικές αρχές και επτά κύριες απαιτήσεις διασφάλισης αξιόπιστης ΤΝ, που πρέπει να αξιολογούνται.

Παράλληλα, σε ευρωπαϊκό επίπεδο, κατά την περίοδο 2018-2021, η Επιτροπή (4) θα επενδύσει σταδιακά περίπου 1,5 δις. ευρώ σε έρευνα και καινοτομία στις τεχνολογίες ΤΝ. Η επένδυση αυτή, αποσκοπεί στην ενίσχυση της θέσης της Ευρώπης στην επιστημονική γνώση, τη βιομηχανική ανάπτυξη, καθώς και την υποστήριξη εφαρμογών ΤΝ που συντελούν στην αντιμετώπιση προκλήσεων σε κλάδους όπως οι μεταφορές, η υγειονομική περίθαλψη, τα γεωργικά προϊόντα διατροφής και η μεταποίηση, με έμφαση στις μικρομεσαίες επιχειρήσεις, τις μη-τεχνολογικές εταιρείες, αλλά και τις δημόσιες διοικήσεις. Όμως, παρόλη την πρόοδο που καταγράφεται σε μακροοικονομικό επίπεδο, ένα βασικό συμπέρασμα που προκύπτει από πρόσφατες έρευνες που εστιάζουν στον επιχειρηματικό κόσμο, είναι πως ένα υψηλό ποσοστό εταιρειών δεν έχει ακόμα προσδιορίσει με σαφήνεια μια στρατηγική αξιοποίησης ΤΝ, η οποία να συμβάλει ουσιαστικά στην επίτευξη υφιστάμενων στρατηγικών στόχων και να συνάδει με το εταιρικό όραμα.

Σύμφωνα με πρόσφατη έρευνα της Gartner (5), το 37% των επιχειρήσεων δεν έχει διαμορφώσει ακόμα έναν ολοκληρωμένο στρατηγικό σχεδιασμό αξιοποίησης ΤΝ, ενώ το 35% δυσκολεύεται να εντοπίσει κατάλληλες περιπτώσεις χρήσης της. Παράλληλα, το 58% των εταιρειών που εφαρμόζουν πιλοτικές εφαρμογές συστημάτων ΤΝ αναφέρει πως χρειάστηκαν δύο ή περισσότερα χρόνια για να φτάσουν στη φάση της πιλοτικής εφαρμογής, ενώ μόνο το 28% αναφέρει πως ολοκλήρωσε το στάδιο σχεδιασμού πιλοτικής εφαρμογής κατά το πρώτο έτος. Επίσης, από την ίδια έρευνα προκύπτει ότι μέχρι το 2022, τα έργα που παρουσιάζουν υψηλό βαθμό διαφάνειας ως προς τον σχεδιασμό, την υλοποίηση και τον έλεγχο ενσωματωμένων συστημάτων ΤΝ, θα έχουν διπλάσιες πιθανότητες χρηματοδότησης από τις διοικήσεις των επιχειρήσεων. Το συμπέρασμα αυτό υποστηρίζεται και από μια πρόσφατη μελέτη της EY (6), όπου το 33% των ερωτηθέντων CEOs δηλώνουν πως η έλλειψη εμπιστοσύνης σε συστήματα ΤΝ είναι το βασικό εμπόδιο εφαρμογής τους, παρόλο που το 82% αναγνωρίζουν πως οι δραστηριότητες των επιχειρήσεών τους θα ανατραπούν σε σημαντικό βαθμό από την ΤΝ εντός των επόμενων τριών ετών. Εστιάζοντας στις εταιρείες που κατάφεραν να ολοκληρώσουν πιλοτικές εφαρμογές ΤΝ, από σχετική έρευνα (7) προκύπτει ότι οι βασικοί λόγοι χρήσης της, ήταν οι εξής: αντιμετώπιση κινδύνων ασφαλείας (44%), αυτοματοποίηση εργασιών (34%), κατανόηση και πρόβλεψη καταναλωτικής συμπεριφοράς (19%), χρηματιστηριακές αναλύσεις και συναλλαγές (17%), και αυτοματοποίηση εξυπηρέτησης πελατών (15%).

Βάσει των παραπάνω στοιχείων, εκτός του θέματος της εμπιστοσύνης – πάνω στο οποίο η EY έχει αναπτύξει την πλατφόρμα “Trusted AI”, η οποία λειτουργεί υποστηρικτικά στον εντοπισμό και την ελαχιστοποίηση κινδύνων εφαρμογής συστημάτων ΤΝ – διαφαίνεται η άμεση ανάγκη των εταιρειών, ανεξαρτήτως κλάδου, για ένα περίγραμμα στρατηγικού σχεδιασμού και υλοποίησης συστημάτων ΤΝ, στοχεύοντας σε έναν αναβαθμισμένο ρόλο της, όπου θα λειτουργεί ως κύριος μοχλός εταιρικής ανάπτυξης. Σε ένα τέτοιο περίγραμμα, η εταιρεία θα πρέπει πρωτίστως να προσδιορίσει: (1) συγκεκριμένες και στοχευμένες περιοχές δυνητικής αξιοποίησης ΤΝ, (2) προσδοκώμενα οφέλη (όπως απλοποίηση ή / και επιτάχυνση διαδικασιών, υψηλότερο κύκλο εργασιών, βελτιωμένη διαδικασία λήψης αποφάσεων και υψηλότερο επίπεδο εξατομικευμένων υπηρεσιών / προϊόντων) και (3) το υφιστάμενο επίπεδο ωριμότητας αξιοποίησης συστημάτων ΤΝ εσωτερικά, αλλά και από τον ανταγωνισμό. Στη συνέχεια, το επόμενο βήμα είναι η αξιολόγηση της δυνατότητας τεχνικής κάλυψης κάθε καταγεγραμμένης περιοχής από υφιστάμενα ώριμα συστήματα ΤΝ.

Αυτά κατηγοριοποιούνται στα τέσσερα παρακάτω πεδία:

1. Συστήματα Μηχανικής Μάθησης (Reinforced / Automated / Deep Machine Learning), τα οποία βασίζονται είτε σε ιστορικά δομημένα ή αδόμητα δεδομένα για να κατηγοριοποιήσουν ή / και να προβλέψουν με υψηλή ακρίβεια συγκεκριμένα στοιχεία, είτε σε πολλαπλές δοκιμές με συγκεκριμένο τρόπο «επιβράβευσης» ή «ποινής» του αλγοριθμικού αποτελέσματος, που καταλήγουν στη μεγιστοποίηση της «επιβράβευσης» και την επίτευξη ενός σύνθετου στόχου. Το συγκεκριμένο πεδίο ΤΝ αποτελεί το 33% όλων των κατοχυρωμένων διπλωμάτων ευρεσιτεχνίας ΤΝ1.

2. Συστήματα Ρομποτικής Αυτοματοποίησης Διεργασιών (Robotic Process Automation), τα οποία βασίζονται σε εξειδικευμένα λογισμικά όπου καταγράφονται τυποποιημένες επαναλαμβανόμενες διαδικασίες και, στη συνέχεια, αυτοματοποιούνται, αξιοποιώντας τις δυνατότητες παραμετροποίησης.

3. Συστήματα Αναγνώρισης και Επεξεργασίας Φυσικής Γλώσσας (Natural Language Processing), που βασίζονται στις αλληλεπιδράσεις μεταξύ ηλεκτρονικών υπολογιστών και ανθρώπινων φυσικών γλωσσών, με στόχο την κατανόηση και ανάλυση της γλώσσας σε προφορικό ή / και γραπτό λόγο και, σε αρκετές περιπτώσεις, τη βέλτιστη ηλεκτρονική ανταπόκριση, είτε σε επίπεδο περιεχομένου, είτε σε επίπεδο προσομοίωσης ανθρώπινης ομιλίας και γραφής.

4. Συστήματα Αναγνώρισης και Επεξεργασίας Ηλεκτρονικής Όρασης (Computer Vision), τα οποία βασίζονται σε λογισμικά που προσφέρουν τη δυνατότητα επεξεργασίας και ανάλυσης εικόνας ή βίντεο με τον ίδιο τρόπο που το κάνει η ανθρώπινη όραση, με στόχο την επιτυχημένη ολοκλήρωση εργασιών που την απαιτούν. Αξίζει να επισημανθεί πως το 49% όλων των κατοχυρωμένων διπλωμάτων ευρεσιτεχνίας ΤΝ σχετίζονται με το συγκεκριμένο πεδίο 1. Ως αποτέλεσμα αυτού του επίπεδου έρευνας και επένδυσης, το συγκεκριμένο πεδίο ΤΝ έχει γίνει επιχειρηματικά προσβάσιμο, αλλά και προσιτό.

Έχοντας προσδιορίσει τα πεδία ΤΝ που μπορούν να αξιοποιηθούν ανά περιοχή, η κάθε εταιρεία οφείλει να ορίσει τους τεχνικούς και οικονομικούς δείκτες που θα προσδιορίζουν το επίπεδο προόδου και απόδοσης κάθε πιλοτικής εφαρμογής ΤΝ, καθώς και τις κύριες προκλήσεις που πρόκειται να αντιμετωπίσει κατά τη διάρκεια σχεδιασμού και υλοποίησης αυτών των επιλεγμένων εφαρμογών. Από την εμπειρία μας σε σχετικά έργα, οι ενδεχόμενες προκλήσεις που πρέπει να ληφθούν υπόψη είναι: (1) η δομή των ομάδων σχεδιασμού και υλοποίησης των πιλοτικών εφαρμογών, (2) η εύρεση διαθέσιμου ανθρώπινου δυναμικού με τις απαιτούμενες δεξιότητες, (3) η εύρεση, κατάλληλη επεξεργασία και αξιοποίηση χρήσιμων δεδομένων, σύμφωνα και με τις ισχύουσες νομοθεσίες (π.χ. Γενικός Κανονισμός Προστασίας Δεδομένων, Δικαιώματα Πνευματικής Ιδιοκτησίας, κτλ.), (4) ο τρόπος αξιολόγησης των πιλοτικών εφαρμογών, και (5) η μέθοδος επέκτασής τους σε ευρύτερο φάσμα εργασιών ή περιοχών και ένταξής τους σε ένα χαρτοφυλάκιο έργων ΤΝ, για το όποιο απαιτείται συνεχής τεχνική συντήρηση, αναβάθμιση και οικονομική παρακολούθηση.

Το περίγραμμα της εταιρικής στρατηγικής αξιοποίησης ΤΝ που παρουσιάζουμε, συνοψίζεται στο παρακάτω σχεδιάγραμμα. Να σημειωθεί πως o βαθμός πληρότητας και εφαρμογής του, εξαρτάται από επιπρόσθετους παράγοντες, όπως το ευρύτερο μακροοικονομικό περιβάλλον στο οποίο δραστηριοποιείται μια εταιρεία, το επίπεδο ανταγωνισμού του κλάδου της, το επίπεδο ωριμότητας χρήσης νέων τεχνολογιών, κ.α. Παρόλα αυτά, μπορεί να χρησιμοποιηθεί ως μια αρχική βάση πάνω στην οποία μια εταιρεία μπορεί να προσδιορίσει τους κεντρικούς πυλώνες στρατηγικής αξιοποίησης ΤΝ, επικαιροποιώντας την καθώς αυξάνει την εμπειρία της στην εφαρμογή σχετικών συστημάτων. Σε κάθε περίπτωση, με δεδομένο το γεγονός πως απαιτούνται κατά μέσο όρο δυο χρόνια για τη δημιουργία αξιόπιστων και στρατηγικά χρήσιμων εταιρικών συστημάτων ΤΝ, όσο πιο γρήγορα μια εταιρεία ολοκληρώσει έναν αναλυτικό σχεδιασμό αξιοποίησής της, τόσο αυξάνει την πιθανότητα διαμόρφωσης ενός βιώσιμου ανταγωνιστικού πλεονεκτήματος που θα την ενδυναμώσει στην εποχή του ψηφιακού μετασχηματισμού που διανύουμε.

* Κωνσταντίνος Μώρος, Director στο Τμήμα Συμβουλευτικών Υπηρεσιών Βελτίωσης, Απόδοσης της ΕΥ Ελλάδας.

* Ηλίας Βυζάς, Εταίρος και Επικεφαλής Data και Analytics της ΕΥ Κεντρικής, Ανατολικής, Νοτιοανατολικής Ευρώπης και Κεντρικής Ασίας.

Σημειώσεις

1. «WIPO Technology Trends 2019: Artificial Intelligence». Geneva, World Intellectual Property Organization, 2019.

2. Ομάδα εμπειρογνωμόνων υψηλού επιπέδου για την τεχνητή νοημοσύνη. «Ορισμός της τεχνητής νοημοσύνης: Κύριες δυνατότητες και επιστημονικά πεδία». Ευρωπαϊκή Επιτροπή, Απρίλιος 2019.

3. Ομάδα εμπειρογνωμόνων υψηλού επιπέδου για την τεχνητή νοημοσύνη. «Κατευθυντήριες γραμμές δεοντολογίας για αξιόπιστη τεχνητή νοημοσύνη». Ευρωπαϊκή Επιτροπή, Απρίλιος 2019.

4. Ευρωπαϊκή Επιτροπή. «Τεχνητή νοημοσύνη για την Ευρώπη», Απρίλιος 2018.

5. Whit Andrews. «Build the AI Business Case: A CIO’s guide to building the strategy and business case to implement AI in the enterprise». Gartner, 2018.

6. «The AI race: barriers, opportunities and optimism». ΕΥ, March 2019.

7. Satya Ramaswamy. «How Companies Are Already Using AI». Harvard Business Review. April 14, 2017.

Πηγή: kathimerini.gr