Mesterséges intelligencia használata a tervezésben és előrejelzésben
Egy nemzetközi gyorsétteremláncnál készítettek egy chatbotot, amely a toborzásban segít. Interjúztatja a pályázókat, majd javaslatot tesz, hogy kit érdemes felvenni és kit nem[1]. Nagyon sikeres megoldásnak tartják, mert a felvételi interjú időpontjának egyeztetése 3 napról 3 percre csökkent, az éttermek kétszer annyi jelentkezést fogadtak, a pályázók elégedettsége 99% fölött volt, a felvételi folyamathoz szükséges idő 60%-kal csökkent alig több mint egy év alatt, a menedzserek pedig heti 4-5 óra manuális munkát spóroltak meg.
De vajon a felsorolt KPI-ok a legfontosabbak-e?
Az esetleírás sajnos nem szól arról, hogy például hogyan változott a munkatársak teljesítménye és a fluktuáció. És nem szól arról sem, hogy a felvételiztető chatbot milyen adatokon tanult. Bizonyítható-e, hogy nem volt azokban bármiféle, a tanító adathalmazból, a historikus adatokból, döntésekből fakadó – faji, nemi, vallási stb. - elfogultság? Mert ha a korábbi felvételiztetőknek volt valamilyen elfogultságuk, akkor a robotnak is lesz. Nem derül ki, hogy az emberi felelősség hol jelenik meg a folyamatban, és az sem, hogy foglalkoztak-e a biztonsági kockázatokkal. Pedig ezek lényeges kérdések.
De ne szaladjunk ennyire előre! Toborzós példánkban generatív mesterséges intelligenciáról volt szó, de létezik prediktív mesterséges intelligencia is, és üzleti környezetben fontos, hogy különbséget tegyünk a kettő között.
A generatív AI alapvetően nem számokkal dolgozik, hanem szöveges tartalommal. A számok nyelvén a prediktív AI ért. Ezért a prediktív AI sokkal inkább mindennapos eszköze lehet a CFO-területen dolgozóknak, miközben a generatív AI-t is tudják használni. (A generatív és a prediktív AI jellemzőiről a teljesség igényét mellőzve lásd egyszerűsített illusztratív táblázatunkat.)
Milyen területeken hoz változást az AI?
A mesterséges intelligencia egyrészt átformálja az üzleti modelleket. Új árbevétel-forrásokat képes teremteni, új termékek, szolgáltatások kialakításában segít, illetve jobban személyre szabhatjuk vele a meglévőket. Emellett a gyorsabb piacra lépést is támogathatja.
Másrészt növelhető vele a hatásosság, a hatékonyság. Automatizálhatjuk az ismétlődő tevékenységeket, új következtetésekre, jobb meglátásokra juthatunk, ezáltal támogatva a döntéseket. De azért ez nem egyszerű, vannak kockáztok, hibalehetőségek.
Mikor nem működik az AI?
Nézzük meg, milyen tipikus buktatókat kell elkerülnünk!
Gyakori, hogy túlzott mértékben foglalkozunk alkalmazási esetek felkutatásával. Tulajdonképpen önmagáért csináljuk, legyen minél több esetünk, bár lehet, hogy ezek számunkra nem is relevánsak[3]. Ennek az ellenkezője is hiba lehet: nincsenek számunkra üzletileg releváns eseteink[4], nincs miből tanulnunk, mert például nem ismerjük azokat az eszközöket, amelyek segítenek nekünk az esetek felkutatásában.
Előfordul, hogy „nem tudjuk, milyen célból szeretnénk” AI-t használni, pontosabban nincsenek a stratégiai céljainkhoz igazítva az AI alkalmazási esetek[5]. Pedig fontos, hogy legyen stratégiánk, működési modellünk, és a mesterséges intelligenciával ezt támogassuk.
Mint minden más projektnél, itt is fontos, hogy a felsővezetők támogassák, legyen változáskezelés. Ha nem teszik, az AI-projektünk eleve kudarcra van ítélve. Ennek fő oka, hogy egy AI rendszer lehet bármennyire pontos, ha nem alakul ki vezetői bizalom, hogy ez a döntéstámogatást segítheti, akkor mindig felül lesz vezérelve[6].
Ha nincsenek jó adataink, ha az adataink nincsenek jól strukturálva, vagy ha strukturálatlan adatokról beszélünk tisztítva, címkézve, akkor aligha fogunk sikeres megoldásokra jutni. Ezek a modellek az adatstratégia és az adatkormányzás (data governance) hiánya, a digitális infrastruktúrák fejletlensége esetén könnyedén zátonyra futhatnak, ugyanis egy tanuló modell legfeljebb annyira lesz jó, mint a tanrendszer, tananyag, amin kiképezzük (de egy nem tanuló, szakértői rendszer is elbukik rossz adatminőség esetén).
Hiányozhat a„proof of concept”, vagyis nem teszteljük az eset működőképességét, rögtön „big-bang” koncepcióban gondolkozunk, vagy éppen a PoC csapdájában maradunk: valamit megcsinálunk, kicsiben jól működik, és azt gondoljuk, hogy azt használjuk majd a teljes szervezetre. Nem tesszük bele azt a plusz energiát, amit például egy adattárház-összeköttetés, egy jó felhasználói interface, egy szükséges továbbfejlesztés jelent. Ezáltal romlik a minőség, a bizalom nem alakul ki, vagy elveszik, ami miatt aztán a modell gyakran elhal. Pont az a minimális plusz hiányzik, ami azt eredményezi, hogy hosszú távon, fenntartható módon tudjuk használni a modellünket.
Mi van, ha működik az AI?
A GenAI a CFO-terület folyamataiban releváns lehet, de különösen a prediktív AI kombinációjával, amit egy projektpéldán mutatunk meg.
Ügyfeleink azzal a problémával szembesültek, hogy a saját tényadataikon alapuló KPI-alapú dashboardjaik nem feltétlen szolgálják a teljes irányítási modellt, mert hiányzik az a fajta piaci kitekintés, ami csak szövegben, vagy fejben van meg náluk (pl. versenytársi vagy piaci események, technológiai trendek, diszrupciók, innovációk). Ez az a helyzet, amikor nem strukturált szöveges információból kell számokat előállítani, és ezt beépíteni a stratégiai tervezésbe, a célkijelölésbe. Ezért készítettünk egy olyan üzletiradar-megoldást, ami generatív AI segítségével mintegy 200 ezer hírportál anyagait szkennelve figyeli, hogy melyek azok a kulcsszavak, trendek, amelyek meghatározott környezetben előfordulnak. Így előre láthatjuk, hogy melyek azok a zajok, melyek azok a gyenge jelzések, amelyek adott esetben egy innovációt, egy új felhasználási lehetőséget mutatnak. Ennek része a versenytársfigyelés: milyen pozitív vagy negatív vélemények jelennek meg a cikkekben a versenytársakkal kapcsolatban, hol erősödik például egy versenytárs technológiai megoldása.
Mondhatjuk, hogy az üzleti radar által begyűjtött tudás a kollégák fejében is létezik, és ezt workshopokon felszínre lehet hozni. Az eszközünk annyival tud többet, hogy számot készít a szövegekből. Továbbá ezt összekötöttük egy olyan prediktív algoritmussal, amely jelzi, hogy ügyfelünk vevői milyen arányban használnak egy bizonyos technológiát (pl. szilárd cellás akkumulátorok), és ez ránk, mint beszállítókra milyen hatással lesz. Ezt a modellt ugyanakkor nem csak kereslet-előrejelzésre lehet használni, hanem különböző kockázati szcenáriók bekövetkezésének valószínűségi becslésére és figyelésére is, miáltal proaktívabban tudunk készülni üzleti akciókkal (pl. alternatív beszállítási láncok felépítése).
Szerző: Ádám Gábor, partner
A cikk a szerzőnek a 36. Budapesti Menedzsment és Controlling Fórumon elhangzott előadását foglalja össze.
[2] Szigorúan tekintve a mintázatfelismerés nem prediktív funkció, hanem deskriptív, azonban ezen mintázatok felismerése nagyban segíti a prediktív modellek működését akár, mint magyarázó tényezők (pl. szegmens vezérelt kampány konverzió előrejelzés).
[3] Tipikusan előforduló jelenség a központosított laboratórium jellegű adattudós szervezeti felállás alkalmazása esetén.
[4] Például amikor az üzleti területek nincsenek tisztában a lehetséges eszközkészlettel, technológiákkal. Az adatvagyon alapjainak kiépítése nem történik megfelelően.
[5] Például jól működő agilis HR business partnering rendszerre ráengedünk egy HR chatbotot, és ezzel elvesztjük a bizalmat a területek közt, miközben a fő prioritás a munkatársi megtartás növelése lenne.
[6] A változáskezelésnek ezért kiemelt hangsúlyt kell szentelni: a bizalom felépítéséhez idő kell, és átmenet. Nem mindegy, hogyan változik a felelősségi rendszer, a döntési folyamatok, a kommunikációs utak stb.
