Cofnijmy się o 30 lat, a więc do czasów, gdy systemy średniej klasy i IBM Mainframes były zastępowane przez sieci komputerowe. Co wydarzyło się technologicznie w ciągu ostatnich trzech dekad i jaką rolę odgrywa dziś sztuczna inteligencja (AI) opowiemy w tym artykule.

Co do zasady, wszystkie rodzaje systemów raportowania lub AI składają się z trzech komponentów:

1. Sposób gromadzenia danych, który w świecie analityki biznesowej nazywany jest "ETL" (ekstrakcja, transformacja i ładowanie danych). Oznacza to, że dane są pobierane ze źródeł, czyszczone i formatowane w taki sposób, aby łatwiej było je edytować
2. Sposób przetwarzania danych: nieprzetworzone dane są analizowane i przekształcane na istotne informacje
3. I wreszcie, sposób na wizualizację danych oraz generowanie informacji o działaniach: na papierze, na stronach internetowych lub w aplikacjach mobilnych - ale także jako impulsy sterujące i zautomatyzowane decyzje, na przykład dotyczące zatwierdzania kredytów lub wykluczania wadliwego produktu z kolejki podczas produkcji żywności

Gromadzenie danych

30 lat temu przechowywanie danych było bardzo kosztowne. W związku z tym trzeba było dobrze sobie przemyśleć, jakie dane należy przechowywać i w jaki sposób, a przede wszystkim jak długo. Dane były przechowywane w formie ustrukturyzowanych plików bądź tabel i składały się wyłącznie z cyfr i liter. 

Dziś mówimy o „big data“. Koszt przestrzeni dyskowej znacznie spadł, co pozwoliło na przechowywanie baz danych w pamięci RAM.  W celu zabezpieczenia informacji, dane są zapisywane na dyskach twardych lub dyskach SSD. Nie ma również ograniczeń co do rodzaju danych: głos, obrazy, wideo i inne sygnały audio mogą być przetwarzane bez żadnych problemów. Nie jest już również tak, że najpierw pozyskujemy dane, następnie je przechowujemy i pobieramy później w celu ich przetworzenia. Zamiast tego pozyskiwanie i przetwarzanie danych odbywa się teraz jednocześnie, co jest powszechnie znane jako "strumieniowe przesyłanie danych".

Nasze rozwiązanie dla stanowisk dyspozytorskich CSB Linecontrol pokazuje możliwości, jakie otwierają się w odniesieniu do procesów w przemyśle spożywczym. Rozwiązanie to umożliwia na przykład bezpośrednią integrację maszyn pakujących. Status i wydajność maszyn można analizować w czasie rzeczywistym, a komunikaty o usterkach mogą być inicjowane bezpośrednio w module serwisowym - nawet zanim operator zauważy, że coś jest nie tak.

Edycja danych

Na początku raportowanie SQL było czymś dla działu IT. Tylko kilka osób z odpowiednim przeszkoleniem posiadało niezbędną wiedzę w zakresie przetwarzania informacji. Zmieniło się to drastycznie wraz z pojawieniem się MS Excel. Wszechobecne narzędzie do raportowania można teraz znaleźć na prawie każdym komputerze. Nagle każdy użytkownik mógł tworzyć własne analizy. Często zadawane dziś pytania to:

• Jak mogę zastąpić arkusz kalkulacyjny Excel przez system?
• Jak mogę wyeksportować dane z arkusza Excel do systemu?

Ta demokratyzacja analiz doprowadziła do zmian, na które zareagowaliśmy, projektując narzędzia SSM. Edytory te umożliwiły klientom tworzenie własnych analiz. Dwadzieścia lat temu poszliśmy o krok dalej: integrując Pythona z naszym systemem ERP, stworzyliśmy podstawę do przeprowadzania zaawansowanych analiz według indywidualnych preferencji naszych klientów.

Do dziś używamy Pythona w naszym systemie, a Anaconda dopiero niedawno została dodana do pakietu instalacyjnego. Nie bez powodu: Python i R to wiodące języki programowania w dziedzinie uczenia maszynowego i sztucznej inteligencji. Nawet rozwiązania AI w chmurze, takie jak Google Tensorflow lub AzureML, mogą być w razie potrzeby zintegrowane bezpośrednio.

Uczenie maszynowe jest nadal w dużej mierze kontrolowane przez ludzi. Człowiek wybiera algorytm, taki jak regresja do planowania, grupowanie w celu określenia podobieństw lub klasyfikacja prognoz binarnych. Dało to początek modułom do bardziej nienadzorowanego uczenia się, w których człowiek nie musi już rozumieć, jak działa algorytm, a komputer uczy się na podstawie reguł i celów. Jednym z przykładów, który trafił na pierwsze strony gazet na całym świecie był AlphaGo firmy Google. Ten program sztucznej inteligencji nauczył się grać w grę Go lepiej niż człowiek i nikt nie może zrozumieć, w jaki sposób program doszedł do podjętych decyzji. W tym przypadku poprzez tak zwane "uczenie przez wzmacnianie".

W naszym własnym dziale AI używamy obecnie uczenia maszynowego do przetwarzania strumieniowych filmów wideo, które są wykorzystywane do m. in. do rozpoznawania zawartości pojemników. Aktualnie trudność polega nie tyle na zdefiniowaniu metod rozwiązania AI, co raczej na zdefiniowaniu celu. Chociaż ludzie nadal stanowią punkt odniesienia, coraz częściej spotykamy się z przypadkami, w których maszyny przewyższają ludzi pod względem precyzji i dokładności.

Prezentacja danych

W przeszłości trzeba było zadowolić się drukowanymi znakami na papierze, aby znaleźć informacje. Wszystko to ewoluowało jednak w kierunku graficznych analiz danych, najpierw na papierze, a później na ekranach komputerów. Rozwiązania BI w dużej mierze zautomatyzowały prezentację informacji pod względem klarowności odczytu, umożliwiając użytkownikowi przetwarzanie danych przy użyciu wycinków danych, filtrów i znaczników - z prędkością, z jaką użytkownik może myśleć.

Kultura oparta na danych

Kiedy ludzie zaczęli pracować z danymi, wszystko się zmieniło. W początkowej fazie, oparte na danych informacje nadal wymagały weryfikacji ze strony ludzi. Niektórzy z naszych klientów rozpoczęli następnie podróż w kierunku kultury opartej na danych: decyzje nie były i nie są już podejmowane w oparciu o instynkt. Gdy potrzebowali więcej informacji, do systemu dodawano więcej danych: maszyny zostały zintegrowane z istniejącymi procesami, a nowe procesy i moduły zostały zdigitalizowane w celu uzyskania większej ilości wartościowych informacji. Spowodowało to iteracyjny cykl gromadzenia, przetwarzania i wizualizacji. Z uwagi na to, że nasi klienci przez lata przechowywali wiele swoich danych historycznych, teraz mogą je  stosunkowo łatwo wykorzystywać i rozszerzać w aplikacjach uczenia maszynowego.

Maszyny stopniowo przejmują kontrolę

Wszystkie przedsiębiorstwa znajdują się dziś w pewnym punkcie na drodze do AI. Łączy je dążenie do posiadania większej ilości użytecznych informacji. Gdy tylko osiągną punkt, w którym maszyny dostarczają dokładniejszych i bardziej precyzyjnych informacji do działania niż ludzie, maszyny przejmą kontrolę nad procesami i będą w stanie podejmować zautomatyzowane decyzje. Ilość i rodzaj danych nie stanowią już ograniczenia - granice leżą wyłącznie w ludzkiej wyobraźni.