Transformacja procesu podejmowania decyzji przy wykorzystaniu sztucznej inteligencji

Decision Analysis Services (DAS) to niezależna firma świadcząca profesjonalne usługi doradcze. Oferujemy wsparcie klientom na całym świecie w sektorach energetyki, obronnym, administracji publicznej, ochrony zdrowia oraz transportu. Specjalizujemy się w łączeniu strategii z realizacją operacyjną.

DAS wspiera działalność badawczą poprzez finansowanie doktorantów i studentów studiów magisterskich, którzy wykorzystują narzędzia sztucznej inteligencji (AI) i uczenia maszynowego (ML) do analizy danych i wspierania decydentów w podejmowaniu świadomych decyzji. W połączeniu z pracami prowadzonymi w naszym Innovation Lab, pozwala nam to skutecznie wykorzystywać oraz integrować najnowsze osiągnięcia w zakresie AI, ML i data science w projektach realizowanych dla naszych klientów.

W dzisiejszym dynamicznym, cyfrowym świecie rozwój i wdrażanie procesów cyfrowych zrewolucjonizowały sposób funkcjonowania firm. Choć procesy te generują ogromne ilości danych, ich potencjał wykracza daleko poza pierwotne cele operacyjne. Wykorzystując podejścia z zakresu data science – takie jak budowa kompleksowych modeli systemowych, analityka predykcyjna czy analiza tekstu – możliwe jest odblokowanie pełnej wartości danych posiadanych przez organizację.

Systemy wspomagania decyzji stanowią kluczowe narzędzie dla organizacji. Obejmują one różnorodne technologie i procedury, których celem jest dostarczanie informacji i rekomendacji wspierających procesy decyzyjne. Najczęściej odbywa się to poprzez przekształcanie dużych zbiorów danych w przystępne formaty, identyfikację kluczowych trendów i wzorców oraz ich prezentację w postaci interaktywnych dashboardów i raportów.
Wiele z obecnie stosowanych systemów, mimo że skutecznie prezentuje i analizuje dane, często nie posiada funkcji proaktywnego działania ani zdolności predykcyjnych. Ten deficyt podkreśla rosnącą potrzebę wdrażania innowacyjnych technologii, które pozwolą w pełni wykorzystać potencjał danych dostępnych w organizacji.

W niniejszym artykule omawiamy, w jaki sposób podejścia data science, takie jak sztuczna inteligencja (AI), mogą wykorzystywać dane generowane przez różnorodne procesy cyfrowe do zrewolucjonizowania systemów wspomagania decyzji.

W ostatnim czasie obserwujemy dynamiczny rozwój metod wspierających wykorzystanie danych w procesach decyzyjnych, w tym narzędzi do tworzenia dashboardów, takich jak Power BI czy Qlik. Rozwiązania te skutecznie ukazują wartość analizy danych, generując wizualizacje, statystyki oraz kluczowe wskaźniki efektywności, które umożliwiają lepsze zrozumienie danych, a tym samym – systemów, które te dane odzwierciedlają.
Pomimo tych zalet, narzędzia tego typu mają ograniczony zakres funkcjonalny – oferują analizę danych, lecz nie zapewniają proaktywnych ani predykcyjnych funkcji wspomagania decyzji, które są coraz częściej oczekiwane przez organizacje poszukujące przewagi informacyjnej.

Innowacyjne technologie, takie jak sztuczna inteligencja (AI), uczenie maszynowe oraz data science, stają się przełomowym elementem w rozwoju systemów wspomagania decyzji. Metody te pozwalają odkrywać ukryte wzorce, trendy i korelacje, a dzięki zdolności do uczenia się na podstawie nowych danych – dynamicznie dostosowują się i doskonalą w czasie. Wykorzystanie ich potencjału umożliwia transformację systemów decyzyjnych w narzędzia proaktywne, zdolne do przewidywania przyszłych zjawisk, ograniczania ryzyk oraz identyfikowania i wykorzystywania pojawiających się szans.

Uczenie maszynowe (ML) to forma AI, która wykorzystuje dane i algorytmy, aby umożliwić systemom AI naśladowanie ludzkiego sposobu uczenia się i stopniowe doskonalenie się w czasie. ML ma potencjał, by wywrzeć istotny wpływ na wiele systemów wspomagania decyzji – przykładowo w obszarze przetwarzania sygnałów.

Przetwarzanie sygnałów polega na konwersji i transformacji danych w taki sposób, aby możliwe było dostrzeżenie wzorców, trendów oraz anomalii, które są trudne lub wręcz niemożliwe do wykrycia w drodze ręcznej analizy. Obecnie stosowane metody analizy danych sygnałowych – takich jak dane z czujników w postaci szeregów czasowych – ograniczają się zazwyczaj do statystyk opisowych i wizualizacji, co istotnie zawęża możliwości interpretacyjne.
Techniki uczenia maszynowego pozwalają znacznie rozszerzyć zakres tej analizy, wykorzystując dane historyczne do prognozowania przyszłych zdarzeń. Oferują one funkcje takie jak przewidywanie trendów, wykrywanie ukrytych wzorców oraz identyfikacja przyczyn zjawisk będących przedmiotem analizy. Przykładowo, mogą służyć do przewidywania usterek w systemach inżynieryjnych i wspierać operatorów w optymalizacji harmonogramów konserwacyjnych. Uzyskany dzięki temu wgląd umożliwia znacznie pełniejsze zrozumienie działania systemu, co z kolei przekłada się na trafniejsze decyzje operacyjne.

Co więcej, w przypadku gdy dane z przetwarzania sygnałów są gromadzone przez systemy, techniki wykrywania anomalii mogą identyfikować wzorce lub zdarzenia odbiegające od normy. Może to być proces nadzorowany – oparty na wcześniejszych przykładach zidentyfikowanych anomalii – lub nienadzorowany, polegający na wyznaczeniu typowych zachowań na podstawie dużych zbiorów danych i wykrywaniu odstępstw od tych wzorców.
Takie podejście może przynieść znaczące korzyści, m.in. w identyfikacji rzadkich zdarzeń niepożądanych – na przykład w procesie wytwarzania energii – czy też w rozpoznawaniu markerów zdrowotnych podczas przesiewowych badań klinicznych, by wymienić tylko kilka możliwych zastosowań.

Tekst niestrukturyzowany stanowi kolejne, niezwykle wartościowe źródło danych, jednak ze względu na swoją złożoną naturę jego analiza bywa trudna. W tym kontekście pomocne może okazać się rozwijające się podejście z zakresu uczenia maszynowego – przetwarzanie języka naturalnego (Natural Language Processing, NLP). NLP umożliwia maszynom rozumienie, interpretację i generowanie języka naturalnego, takiego jak tekst. Do kluczowych funkcji NLP należą m.in. automatyczne streszczanie treści, ekstrakcja encji (np. nazw, dat, lokalizacji) oraz wyszukiwanie podobieństw semantycznych.
Umiejętności te pozwalają przekształcić surowe dane tekstowe w gotowe do analizy informacje, które można zintegrować z istniejącymi systemami wspomagania decyzji. W rezultacie NLP może znacząco wzmocnić procesy decyzyjne wszędzie tam, gdzie gromadzone są duże ilości tekstu – np. w zarządzaniu ryzykiem, przygotowywaniu dokumentacji bezpieczeństwa czy raportowaniu incydentów.

Python – najczęściej wykorzystywany język programowania wśród specjalistów data science – może być z łatwością integrowany z wieloma platformami wspomagania decyzji za pośrednictwem interfejsów API lub poprzez skrypty uruchamiane na danych przed ich załadowaniem do narzędzi typu dashboard. Oznacza to, że wiele innowacyjnych technik omówionych w tym artykule można bezproblemowo wdrożyć w ramach już istniejących systemów wspomagania decyzji, znacząco je wzmacniając bez konieczności ponoszenia kosztów związanych z budową zupełnie nowych narzędzi.