Kolejny okres rewolucji technologicznej to era sztucznej inteligencji i analityki danych

Liczba tworzonych danych gwałtownie rośnie od ponad dekady. Przyczyniły się do tego wszelkie inteligentne urządzenia i elektroniczne gadżety – jak na przykład smartfony czy wearables. Według raportu IDC „Worldwide Global DataSphere Forecast” w 2025 roku na świecie będzie już 180 zettabajtów danych. Każdego roku ilość gromadzonych danych na serwerach rośnie o ok. 23%. Dane nieustrukturyzowane lub niebędące częścią baz, takie jak luźne pliki, PDF-y, zdjęcia i klipy wideo, zgodnie z analizami Forbes, stanowią prawie 90% rocznie wytwarzanych danych z tempem wzrostu 55-65% każdego roku. Ich liczba podwaja się więc co 11 miesięcy, a organizacje mają coraz większe trudności z wydobyciem wartości z gromadzonych danych.

Dane pozyskane, ale niewykorzystane

Urządzenia, które nosimy ze sobą (lub na sobie), szczególnie smartfony, znają nasze wzorce zachowań, zainteresowania, cechy wyglądu, stan fizyczny, a dzięki pewnym aplikacjom także nasze samopoczucie. Nie wspominając o wyborach zakupowych, miejscach w których bywamy, czy sposobie spędzania wolnego czasu. Smartfon przechowuje nasze wiadomości, np. Apple, przetrzymuje już usunięte wiadomości przez pewien czas, przy czym nie jest on określony.

Mimo takiej ilości szczegółów z życia setek milionów ludzi, wciąż istnieje problem z efektywnym wykorzystaniem zgromadzonych danych, w sposób mądry i korzystny dla różnych organizacji. Jednak pozyskiwane dane to nie tylko informacje o ludziach, ich cechach i zwyczajach. Analiza dużych ilości rekordów to także (a może przede wszystkim) możliwość odkrywania w danych pewnych prawidłowości, pozwalających zrozumieć zależności, których nawet doświadczony analityk może nie dostrzec ze względu na ograniczenia w przetwarzaniu – chodzi np. o korelacje, które nie zawsze są oczywiste.

Zebrane, ale nieprzeanalizowane dane są jak niewykorzystana szansa. W posiadanych bazach mogą kryć się informacje ważne i potrzebne do rozwoju firm czy innych podmiotów lub odpowiedzi na nurtujące pytania i zagadnienia. Organizacje zastanawiają się, jak zabrać się za analizę posiadanych informacji, gdyż dopiero rozpoczynamy erę zaawansowanej analityki, a skuteczne narzędzia powoli wchodzą na rynek. Przykładem nowoczesnych technologii służących do zgłębiania danych oraz ich analizowania są Data Mining¸ Advanced Analytics oraz Predictive Analytics. Czym są dokładnie?

• Data Mining to proces analityczny, przeznaczony do badania dużych zasobów danych (zazwyczaj powiązanych z zagadnieniami gospodarczymi lub rynkowymi) w poszukiwaniu regularnych wzorców oraz systematycznych współzależności pomiędzy zmiennymi, a następnie do oceny wyników poprzez zastosowanie wykrytych wzorców do nowych podzbiorów danych.
• Advanced Analytics jest z kolei metodologią analizy danych, która wykorzystuje modelowanie, algorytmy uczenia maszynowego, głębokie uczenie, automatyzację procesów biznesowych i inne metody statystyczne do analizy informacji biznesowych z różnych źródeł danych.
• W ramach Predictive Analytics dokonuje się przewidywań dotyczących przyszłych wyników przy użyciu danych historycznych w połączeniu z modelowaniem statystycznym, technikami eksploracji danych i uczeniem maszynowym. Firmy stosują analitykę predykcyjną, aby znaleźć wzorce w tych danych w celu identyfikacji zagrożeń i możliwości.

Analityka i AI – przyszłość, bez której nie ma postępu

Sztuczna inteligencja, uczenie maszynowe oraz analityka danych to technologie, które dla wielu branż staną się wyznacznikiem, wręcz must-have, ich rozwoju. W handlu detalicznym, szczególnie w e-commerce, analiza danych już od dawna pomaga w identyfikacji potrzeb i preferencji klientów. To właśnie dzięki AI nastąpił gwałtowny rozwój handlu konwersacyjnego. Czaty, boty czy wreszcie voiceboty, które wykorzystują popularność Siri i Amazon Alexa, to technologie, które będą miały ogromny wpływ na dalszy rozwój rynku e-commerce.

Analizy predykcyjne wspierają z kolei sprzedawców w zrozumieniu jakie produkty będą najbardziej atrakcyjne dla klientów w danym czasie, np. w okresie wakacyjnym lub świątecznym. Zaawansowane algorytmy w ogromnym stopniu wpłynęły na strategie cenowe oraz na to, jak sprzedawcy je wykorzystują, aby zoptymalizować zakupy online. Badają m.in. dane historyczne, czynniki rynkowe, konkurencję oraz zachowania, a na tej podstawie – sugerują ceny produktów.

Personalizacja i unikalne doświadczenie klienta to dziś nieodzowny atrybut firm dbających o konsumenta i chcących przyciągnąć go wyjątkową ofertą lub obsługą. Przykładem w pełni spersonalizowanej aplikacji mobilnej jest sprzedawca online wina Simply Wine. Korzystając z technologii uczenia maszynowego, całe strony są przebudowywane dla użytkownika w dowolnym momencie. W rezultacie klienci czują się tak, jakby mieli do czynienia z prawdziwym sommelierem, który nawiguje i pomaga im przy wyborze wina.

Także w logistyce i łańcuchach dostaw sztuczna inteligencja i analityka od lat pomagają w identyfikacji słabych punktów i usprawnieniu procesów biznesowych, takich jak zarządzanie poziomem zapasów, planowanie produkcji oraz prognozowanie wzrostu sprzedaży, co pomaga zoptymalizować przestrzeń magazynową, monitorować stany magazynowe lub koordynować dostawy w czasie rzeczywistym. Z czasem pojawiają się jednak nowe wyzwania, dziś jest nim m.in. optymalizacja śladu węglowego, która staje się coraz ważniejszym wskaźnikiem, będącym elementem polityki ESG. Ślad węglowy oblicza się dzisiaj dla coraz większej liczby produktów, a nawet usług. Zeroemisyjne chcą być hotele, restauracje czy lotniska, jak np. lotnisko w Stuttgarcie, które dzięki analityce wyliczać będzie footprint samolotów, rozplanuje instalację paneli fotowoltaicznych czy zoptymalizuje zużycie energii elektrycznej. Neutralność klimatyczna stała się ważnym trendem nawet w branżach takich jak eventowa – firma, organizując wielką konferencję lub targi może zadbać o redukcję śladu węglowego takiego wydarzenia np. poprzez optymalizację logistyki lub gospodarkę odpadami.

W dziedzinie cyberbezpieczeństwa, sztuczna inteligencja i analityka umożliwiają wykrywanie nieprawidłowości w systemach informatycznych, automatyczne wyłapywanie zagrożeń i zapobieganie cyberatakom. Za pomocą Advanced i Predictive Analytics można identyfikować i eliminować polityki związane z nadużyciami. Cybersecurity to ogromny obszar, którego skuteczność bazuje na zaawansowanych algorytmach. Ma zasadnicze znaczenie dla funkcjonowania firm, organizacji, instytucji oraz całych państw. Najbardziej zaawansowany w dziedzinie walki z cyberatakami Izrael przeznacza ogromne środki na startupy pracujące nad rozwiązaniami wykorzystującymi AI w służbie obronności terytorium – ten 9 milionowy kraj zajmuje trzecie miejsce na świecie w ogólnej liczbie startupów AI.

Google i Microsoft ogłosiły plany rozwoju systemów wyszukiwania wspomaganego sztuczną inteligencją, co będzie stanowić początek walki o dominację na tej płaszczyźnie. Właściwie trudno dziś wskazać branżę, która nie docenia znaczenia AI. Sztuczna inteligencja ma wpływ na każdy sektor – począwszy od rolnictwa, gdzie pomaga monitorować i przewidywać prognozę oraz zjawiska pogodowe, przez medycynę – zastosowań jest tu niemal nieograniczona liczba, istnieją już np. algorytmy wspierające lekarzy w realizacji procesu in vitro. AI przyczynia się też do zmian na rynku pracy lub rewolucji w mediach, które już dziś sięgają po technologię ChatGPT. W erze big data organizacje, które wykorzystują nowoczesne technologie analityczne, będą przygotowane do skutecznego łagodzenia pojawiających się zagrożeń, przyspieszania innowacji, obniżania kosztów i optymalizacji wyników biznesowych. Dzięki właściwym rozwiązaniom do zarządzania danymi, przedsiębiorstwa mogą wyjść poza tradycyjną działalność i uwolnić wartość swoich danych.