Как имитационное моделирование может помочь бизнесу?

За последние пару лет появилось множество новых применений имитационному моделированию: от цифровых двойников, дающих представление о текущей производительности, до продвинутых интеллектуальных симуляторов, оценивающих будущие сценарии. 

И даже запаздывающие компании успели вскочить на подножку набирающего скорость поезда ИИ-симуляции. По данным исследования PWC «2022 AI Business Survey», 96% респондентов заявили, что планируют использовать имитационное моделирование с помощью ИИ в этом году. При этом 57% из тех, кого считают лидерами в области ИИ, планируют использовать эту технологию для прогнозирования рыночных условий, а 54% лидеров собираются использовать симуляции для помощи в финансовом планировании, разработки стратегий продаж и маркетинга, а также для оптимизаций цепочек поставок и операций.

ИИ-симуляции являются мощной технологией. Она может гораздо больше, чем просто предоставлять подробную информацию о текущей производительности в режиме реального времени. Она может увеличить скорость и помочь снизить риск ваших будущих операций. Благодаря параллельному моделированию огромного количества сценариев, имитационные модели позволяют быстро спрогнозировать вероятные события и «проиграть» управленческие действия в виртуальном мире, не принимая на себя никаких рисков в мире реальном. Например, если вы объедините моделирование поведения поставщиков, клиентов, конкурентов с прогнозами погоды, вы сможете лучше прогнозировать динамику цен или сбои в цепочке поставок и заранее иметь план действий для преодоления сложностей.

У ИИ долгое время была серьезная проблема с точки зрения бизнеса: недостаточная окупаемость инвестиций. Компании создавали модели ИИ, которые работали, но не давали ответы на нужные бизнес-проблемы. Этот недостаток становится все более существенным по мере того, как компании переходят от «скучного ИИ» — с его зачастую привлекательной отдачей с момента внедрения — к более сложным сценариям использования. Чем сложнее задача, тем важнее, чтобы руководители компаний направляли свои инициативы в области ИИ на решение правильных проблем. Одной из главных причин затруднений в этой области является проблема измерения или даже выявления рентабельности инвестиций в ИИ. Как, например, количественно оценить ценность оптимального стратегического решения? Или как определить точную цену того сбоя в цепи поставок, который так и не произошел, потому что модели ИИ предупредили вас заранее? 

Благодаря новым методам оценки компании теперь все чаще могут ответить на эти и другие вопросы. Они могут фиксировать не только «твердую» отдачу, например, повышение производительности, и «твердые» затраты, например, расходы на новое оборудование. Они также могут отражать «мягкие» результаты, такие как улучшение условий труда сотрудников, и «мягкие» затраты, такие как увеличение спроса на услуги специалистов в области ИИ. Целостный подход к ИИ, который способствует распространению этой технологии, обмену мнениями и передовым опытом, облегчает прогнозирование окупаемости инвестиций в новые применения ИИ. В процессе работы над измерением и увеличением окупаемости инвестиций в ИИ вы также можете воспользоваться преимуществами самого ИИ: его симуляции могут принимать во внимание неопределенность, которая окружает разработки в области ИИ, помогая лучше распределять ресурсы.

Такое пристальное внимание к возможностям ИИ-симуляторов для бизнеса неудивительно, рассказал в интервью изданию VentureBeat Ананд Рао, директор консультационной практики PWC в США.

«Несколько лет назад некоторые из них были невозможны из-за недостаточной вычислительной мощности или недостаточного количества данных, — пояснил он: Но теперь можно моделировать миллионы клиентов, включая детали  их механизма принятия решений. И теперь можно получать ощутимые результаты, которые позволяют быстро изменять ваши продукты и услуги под новые условия или точнее нацеливать их на новые сегменты клиентов.»

Тем не менее, по словам Рао, хотя он и не удивлен тем, что увеличилось число респондентов, использующих или планирующих использовать имитационные модели ИИ, он поражен тем, насколько сильно оно выросло.

«Пандемия кардинально изменила ситуацию, — предположил он: Моделирование с помощью цифровых двойников и другие имитационные модели ИИ работают особенно хорошо, когда у вас нет большого количества исторических данных или когда степень неопределенности происходящего вокруг просто зашкаливает. А именно так и обстояли дела в начале пандемии.»

Рао предлагает три ключевых направления работы, двигаясь по которым можно превратить имитационное моделирование из игрушки руководства в надежный инструмент, который будет приносить пользу всем сотрудникам компании.

Во-первых, нужно объединять усилия бизнесменов и технических специалистов.

«Специалистов по моделированию, которые, как правило, имеют инженерное образование, необходимо объединить с экспертами по изучению данных, а также с  бизнес-лидерами. Для правильного моделирования необходимо и понимать бизнес, и знать, как строить сложные модели с помощью конкретных инструментов и методов», — уверен он.

Во-вторых, необходимо сделать моделирование частью общей технологической платформы предприятия. По словам Рао, интегрировав ИИ с облаком и добавив цифровых двойников к доступному сотрудниками инструментарию, организации могут эффективно использовать возможности ИИ для создания имитационных моделей, имеющих отношение к бизнесу.

«Технологии, которые получали широкое распространение до последнего времени, были в основном сосредоточены вокруг машинного и глубокого обучения, а не на моделировании, — сказал он: Моделирование было, как правило, нишевой областью, которую использовали некоторые инженеры, но оно никогда не было частью общей технологической платформы. Теперь компании хотят получить возможность моделирования в рамках моего ИТ-стека, иметь способы получения данных из всех существующих хранилищ, подключать их к системе Salesforce и ей подобным, чтобы это стало частью процесса принятия решений.»

В-третьих, не стоит стесняться пользоваться синтетическими данными. Имитационные модели могут создавать данные для обучения моделей машинного обучения, в тех случаях, когда настоящих данных недостаточно. Например, симуляции могут создавать изображения лиц под разными углами, с различными уровнями контрастности и яркости для моделей распознавания лиц. Кроме того, синтетические данные могут быть уточнены в дальнейшем.

«Вы можете начать с имеющихся у вас данных о клиентах и обогатить их синтетическими данными, — предлагает Рао: По мере того, как вы собираете всё больше данных из реального мира, вы можете пересматривать синтетические данные, делать их гораздо более разнообразными и правдоподобными.»