Άρθρο του Βασίλη Κάρδαρη, Διευθυντής, Συμβουλευτικό Τμήμα, KPMG  στο περιοδικό Netweek

Αργά αλλά αναπόφευκτα, η μηχανική μάθηση αρχίζει να επηρεάζει την καθημερινότητά μας. Από την χρήση ενός ψηφιακού βοηθού στο τηλέφωνό μας που μας βοηθά με την πρόγνωση του καιρού ή την καθημερινή μας μετακίνηση μέχρι τη χρήση chat bots και την εξατομίκευση των αγορών μας.

Ωστόσο, ενώ φαίνεται να έχουμε αγκαλιάσει τη μηχανική μάθηση στην καθημερινή μας ζωή, η κατανόηση και η αξιοποίηση των δυνατοτήτων της στον επαγγελματικό χώρο είναι ακόμα μια πρόκληση. Η επιθυμία υπάρχει, αλλά εξίσου υπάρχει και η δυσκολία να γίνουν πραγματικές αλλαγές σε παραγωγικό επίπεδο.

Πολλοί οργανισμοί καθυστερούν να κάνουν τις μετασχηματιστικές αλλαγές που θα χρειαστούν για τον μελλοντικό ψηφιακό μετασχηματισμό τους.

Η KPMG έχει εντοπίσει τέσσερις τάσεις που καταδεικνύουν πώς η μηχανική μάθηση αρχίζει να αποδίδει πραγματική αξία στον χώρο εργασίας.

Η άνοδος του ψηφιακού εξυπηρετητή θα μεταμορφώσει τον εργασιακό χώρο

Στο κοντινό μέλλον εκτιμάται ότι το 80% των επικοινωνιών μεταξύ επιχειρήσεων και πελατών θα πραγματοποιείται από software robots. Αυτά παράλληλα θα πραγματοποιούν εργασίες εσωτερικά στον οργανισμό βάσει της επικοινωνίας που έχουν με τον πελάτη για καλύτερη εξυπηρέτησή του. Αυτό θα προκαλέσει μεγάλη αλλαγή τόσο από πλευράς διαδικασιών όσο και από μελλοντικές ανάγκες σε προσωπικό. Οι οργανισμοί θα πρέπει να έχουν ένα σαφές όραμα και μια ισχυρή κουλτούρα, προκειμένου να σχεδιάσουν και να διαχειριστούν αποτελεσματικά μια τέτοια αλλαγή.

Η μηχανική μάθηση για τη μετατροπή δεδομένων σε προστιθέμενη αξία

Η αποτελεσματική παρακολούθηση μεγάλων όγκων πληροφορίας με σκοπό τη μεγαλύτερη προστιθέμενη αξία, η κατανόηση συγκεκριμένων τάσεων, προτύπων ή ακόμα και ο εντοπισμός ανωμαλιών και συμπεριφορών είναι αυτή τη στιγμή πεδία αρκετά ώριμα για την εφαρμογή της μηχανικής μάθησης.

Ψηφιοποίηση και εκμετάλλευση μη δομημένων εγγράφων

Η μηχανική μάθηση προσφέρει στους οργανισμούς την ευκαιρία να αποκτήσουν βαθιά γνώση μεγάλων όγκων μη δομημένων δεδομένων, να αυτοματοποιήσουν και να επιταχύνουν την ανάλυση τους. Παραδείγματα είναι ο κύκλος ζωής της διαχείρισης συμβάσεων ή τιμολογίων. Η αξιοποίηση των τεχνολογιών όπως Machine Learning(ML), Natural Language Processing(NLP) και Optical Character Recognition (OCR) για την εξαγωγή, σύγκριση και ανάλυση δεδομένων που είναι κλειδωμένα σε μη δομημένα έγγραφα αποδεικνύεται ότι προσθέτει τεράστια αξία. Ωστόσο, η αξιοποίηση αυτή θα πρέπει να πατάει σταθερά τόσο στις τεχνολογικές λύσεις όσο και στις επιχειρηματικές διαδικασίες.

Η μετατροπή μη δομημένων δεδομένων θα μετασχηματίσει την κανονιστική συμμόρφωση

Η αυξημένη κανονιστική συμμόρφωση είναι ένας τομέας στον οποίο η μηχανική μάθηση(ML) και η επεξεργασία / κατανόηση της φυσικής γλώσσας (NLP) αρχίζουν να αλλάζουν ριζικά το τοπίο των δεδομένων (ιδίως στους τομείς των χρηματοπιστωτικών υπηρεσιών). Η εφαρμογή τους συμβάλλει στην αύξηση της ταχύτητας και της αποτελεσματικότητας, στη διαχείριση κινδύνων και στη μείωση του φόρτου εργασίας.

Κάθε ένας από αυτούς τους τέσσερις τομείς παρέχει αξία σε έναν οργανισμό που επιδιώκει να αξιοποιήσει τη χρήση νέων τεχνολογιών στον ψηφιακό του μετασχηματισμό.