Как использовать объяснимый искусственный интеллект для принятия более эффективных бизнес-решений

Выход за рамки «черного ящика»: преобразование сложных результатов моделирования в действенные организационные стратегии.

Делиться

Я работал с бесчисленным количеством организаций, которые окружены таким количеством данных, что не знают, что с ними делать. Показатели поступают со всех сторон: от количества посещений веб-сайта до показов рекламы и коэффициентов конверсии. И всё же решения по-прежнему принимаются на основе догадок. Проблема не в недостатке данных; проблема в том, что одних данных недостаточно для понимания, и уж точно не для действий. Настоящая трансформация происходит тогда, когда эта информация структурирована, интерпретирована и используется для ясного и уверенного управления бизнесом. Разумное использование ИИ и передовой аналитики может это обеспечить.

Но что же на самом деле означает ИИ? По сути, искусственный интеллект — это не одна программа, приложение или робот. Это система, состоящая из множества программ, способных собирать исторические данные, распознавать закономерности, использовать эти закономерности для прогнозирования будущего и отображать результаты конечному пользователю. Создание подобной системы — это командная работа, где каждая роль вносит свой вклад в один из этапов процесса. Давайте рассмотрим каждый этап системы, увидим, как они взаимосвязаны, и узнаем, что каждый этап позволяет принимать реальные решения:

Сбор данных: собирайте релевантные сигналы от продуктов, пользователей, операций и каналов. Определите, что именно следует записывать, как часто и с какой степенью детализации. Сохраняйте идентификаторы, чтобы события можно было связывать во времени.

Подготовка данных: очистка, стандартизация и объединение источников. Исправление тегов, обработка пропущенных значений и создание надежных признаков, которые будет использовать модель. Документирование определений данных и проверок качества.

Создание модели: Обучите модель, которая предсказывает интересующий результат. Проверьте точность, калибровку и зафиксируйте допущения. Выберите подход, который обеспечивает баланс между производительностью и ясностью.

Прогнозирование результатов: Примените модель к текущим записям, чтобы получить вероятности и ожидаемые значения. Сгруппируйте прогнозы по временному периоду или объекту, которым вы планируете управлять.

Пользовательский интерфейс: Предоставляйте аналитические данные там, где работают люди. Наглядно отображайте факторы, тенденции и рекомендуемые действия. Упростите процесс задавания вопросов, запуска сценариев и экспорта результатов.

Фиксация результатов: Запишите фактические результаты и исходные данные, которые к ним привели. Передайте полученные данные модели, чтобы она могла учиться на основе вновь собранных данных.

От разговорных агентов, таких как ChatGPT, до беспилотных автомобилей и систем подбора контента на платформах социальных сетей, базовая система искусственного интеллекта остается удивительно стабильной. Каждая из них собирает данные, обрабатывает их внутри, строит модели и делает прогнозы. Эти прогнозы предоставляются пользователям через привычные интерфейсы, а результаты, в свою очередь, возвращаются в систему в виде новых данных. Цикл продолжается.

Несмотря на схожую анатомию, эти системы созданы для разных целей. Для автономного транспортного средства недопустима двусмысленность. Система должна мгновенно и безошибочно обнаруживать препятствия и избегать их. Руководство пользователя не требуется, необходима лишь механическая безупречность. Аналогично, алгоритму, лежащему в основе ленты социальных сетей, не нужно объяснять, почему он выбрал тот или иной пост; ему достаточно лишь заставить пользователя продолжать прокрутку.

Эти модели созданы для обеспечения высокой точности в больших масштабах. Нейронные сети, лежащие в их основе, работают в условиях высокой сложности и обучаются на миллиардах точек данных. Однако их внутреннее устройство в значительной степени непостижимо. Мы называем их «черными ящиками», потому что даже их создатели не могут полностью объяснить, как делаются отдельные прогнозы. И для многих приложений такая непрозрачность приемлема. Результаты важнее обоснования.

Но не всегда.

Объяснимый ИИ

В бизнесе, и особенно в электронной коммерции и розничной торговле, вопрос « почему» так же важен, как и вопрос « что ». Знание того, насколько вероятно, что клиент совершит покупку, полезно. Знание того, почему этот клиент совершит покупку, имеет решающее значение. Если модель не может объяснить свои рассуждения, то бизнес не сможет учиться, адаптироваться и оптимизироваться. Понимание без интерпретации — это информация без влияния. Именно здесь на сцену выходит объяснимый ИИ. Объяснимый ИИ отказывается прятаться за сложностью. Он создан не только для прогнозирования результатов, но и для выявления сил, стоящих за этими результатами. В мире, где доверие нужно заслужить, а стратегические действия имеют важное значение, интерпретируемость становится конкурентным преимуществом.

Объяснимый искусственный интеллект основан на алгоритмах, которые обеспечивают целенаправленный баланс между точностью и прозрачностью. Эти модели часто немного менее сложны, чем их аналоги на основе нейронных сетей, но они предлагают важный компромисс: возможность заглянуть внутрь машины. С помощью правильных инструментов можно увидеть, какие характеристики повлияли на прогноз, в какой степени и в каком направлении. Внезапно черный ящик превращается в прозрачный.

Такой уровень понимания особенно полезен для руководителей предприятий, стремящихся ответить на практические и актуальные вопросы. Рассмотрим компанию электронной коммерции с высоким трафиком на сайте, но низкими показателями конверсии. Вот некоторые вопросы, которые я слышал много раз:

• Кто из покупателей с наибольшей/наименее вероятно совершит покупку?
• Какие этапы воронки продаж приводят к оттоку клиентов?
• Чем отличается покупательское поведение в зависимости от канала, региона или устройства?
• Какие товары повышают вероятность покупки?

Это не гипотетические вопросы. Это реальные проблемы с измеримыми ответами, выявленные с помощью объяснимых моделей. И они приводят к реальным действиям. Перенаправление рекламных расходов, перепроектирование целевых страниц, приоритизация высокоэффективных продуктов. Каждое полученное понимание становится шагом в правильном направлении. Четкие выводы отвечают на самые часто задаваемые владельцами вопросы: какие каналы важны, какие страницы убеждают и какие действия приведут к росту доходов в этом квартале.

Вывод 1: Вероятность покупки вашего продукта покупателями из Калифорнии на 10% выше, чем покупателями из любого другого штата.

Действие 1: Активизировать маркетинговые усилия в Калифорнии.

Вывод 2: Клиенты, попавшие на сайт через органический поиск, с большей вероятностью совершат покупку, чем те, кто попал на сайт через цифровую рекламу.

Действие 2: Ресурсы, затраченные на SEO, более ценны, чем ресурсы, затраченные на рекламу.

Вывод 3: Вероятность совершения покупки покупателями, посетившими страницу товара X, на 20% выше.

Действие 3: Переработать дизайн сайта, чтобы разместить этот популярный продукт на главной странице.

Эти закономерности часто остаются скрытыми от владельца бизнеса. Но, когда их обнаруживают, я вижу, как они преобразуют работу организации. Количественная оценка факторов, влияющих на вероятность покупки, приводит к гораздо более уверенным и эффективным решениям. В этом и заключается суть принятия решений, основанных на данных.

Механизмы смысла

Чтобы доверять прогнозам, необходимо понимать, почему цифры меняются. Передовые аналитические методы помогают объяснить модели, отвечая на наиболее важные вопросы о данных, используемых в этих моделях.

Какие факторы наиболее важны: Мы хотим понять важность признаков во всем наборе данных. Для этого мы ранжируем переменные по их вкладу в прогнозирование и фокусируемся на наиболее значимых факторах.

Как изменяются вероятности: Мы хотим увидеть, как прогнозируемая вероятность изменяется при изменении одного фактора. Для этого мы анализируем среднюю прогнозируемую вероятность при различных значениях этого фактора и выявляем пороговые значения или нелинейные эффекты.

Почему это предсказание сбылось: Мы хотим объяснить конкретное предсказание. Мы делаем это, присваивая части оценки каждому входному параметру, чтобы показать, какие факторы повлияли на ее повышение или понижение.

Что может изменить результат: Мы хотим узнать, какие корректировки окажут существенное влияние на вероятность. Для этого мы моделируем небольшие, реалистичные изменения входных данных и измеряем новый прогноз, а затем выявляем те немногие, которые окажут наибольшее воздействие.

Вместе эти методы шаг за шагом, функция за функцией, раскрывают логику модели. Однако собрать всю историю воедино все еще может быть непросто. Задача специалиста по анализу данных — интерпретировать результаты модели и сопоставить их с экспертными знаниями в предметной области, чтобы построить окончательный нарратив. Именно здесь мастерство имеет значение. Я обнаружил, что лучшие объяснения получаются не просто благодаря запуску лучших алгоритмов, а благодаря пониманию того, на какие вопросы на самом деле пытается ответить бизнес.

Полученные данные — это только начало.

Объяснимый искусственный интеллект создает мост между технической сложностью и ясностью для бизнеса. Он обеспечивает согласованность действий. Он обеспечивает прозрачность без ущерба для производительности. И самое главное, он дает руководителям бизнеса возможность не просто знать, но и действовать.

Но понимание ситуации — это не конечная цель, а отправная точка. Как только компания узнает, что движет покупательским поведением, у нее появляется множество способов использовать эту информацию для принятия обоснованных бизнес-решений. Вот несколько примеров:

Прогнозы

Вашему бизнесу необходимо планировать наперед, и прогнозирование дает вам для этого возможность. Оно помогает оценить ожидаемый доход за определенный период времени, используя реальные данные, а не предположения. Для этого вы начинаете с модели вероятности покупки. Затем умножаете вероятность совершения покупки каждым посетителем на ожидаемое количество сессий. Это даст вам общую оценку.

Сценарии «Что если»

Вы составили прогноз, отслеживаете результаты и определили, что работает, а что нет. Но теперь вы хотите задать новый вопрос: а что, если?

Что, если вы удвоите расходы на рекламу? Что, если вы прекратите выпуск продукта? Что, если рекламная кампания станет вирусной? Это решения с реальными последствиями; и сценарии «что если» позволяют изучить их, прежде чем принимать решение. Эти симуляции позволяют оценить, как могут измениться результаты, если вы выберете другой путь. Это отличный инструмент для владельца бизнеса, позволяющий увидеть потенциальное влияние решения до его реализации.

Профили клиентов

Не все клиенты ведут себя одинаково. Некоторые быстро просматривают товары и уходят. Другие возвращаются снова и снова. Одни приходят из социальных сетей, другие — из рекламы. Прогноз показывает, что может произойти, но чтобы понять, почему, нужно разобраться, кто стоит за каждым действием. Вам необходима сегментация клиентов.

Профилирование клиентов помогает компании понять, какие типы людей посещают ваш магазин. Выявляя закономерности в их поведении и предпочтениях, компания может принимать более эффективные решения.

Заключение

Владелец бизнеса — смелое и непокорное существо. Этот тип людей обладает невиданной ни в чем не сравнимой целеустремленностью и амбициями, хотя чаще всего ими руководит слепое суждение. Шекспир был непреклонным исследователем английского языка, Моцарт изучал музыку так, как мало кто, и даже современные спортсмены проводят часы, просматривая видеозаписи и изучая соперников каждую неделю. Они получают информацию, понимают ее и выполняют задачи, основываясь на этих знаниях. Именно так они становятся лучше. И все же я видел немало блестящих людей, принимающих решения, основываясь исключительно на интуиции. Не потому, что они не ценят данные, а потому, что имеющиеся у них данные не подсказывают им, что делать дальше.

Выявляя закономерности, прогнозируя результаты и определяя, какие действия оказывают наибольшее влияние, системы искусственного интеллекта помогают владельцу бизнеса видеть ситуацию яснее, чем когда-либо прежде. Цель состоит не просто в получении аналитических данных, а в понимании того, как они могут сделать бизнес более успешным.

Это и есть принятие решений на основе реальных данных.

Источник: towardsdatascience.com