Искусственный интеллект: может ли он помочь в кризисе COVID-19?

Часть 3

Эта статья является третьей из серии из трех частей, в которой делается попытка оценить возможности искусственного интеллекта с учетом текущей пандемии коронавируса.

Covid-19 и путь к выздоровлению

Экономисты и рыночные аналитики расходятся во мнениях относительно того, когда именно экономика, как ожидается, вернется к нормальному поведению. Хотя недавние стимулы для стимулирования экономики, вероятно, помогут, учитывая карантин и социальное дистанцирование, необходимые для смягчения последствий распространения, до любого восстановления осталось не менее 3–4 месяцев. На момент публикации примерно 1/3 населения США находится под мерами по предоставлению убежища на дому.

Учитывая такое драматическое влияние на повседневную жизнь, предприятиям необходимо думать об этом с трех точек зрения:

  • Как аналитика может поддерживать принятие решений в краткосрочной перспективе в нынешнем состоянии высокой неопределенности?
  • Когда повседневная жизнь начинает возвращаться к нормальному состоянию, как следует восстановить существующие аналитические растворы, как раньше, или они потребуют какой-либо калибровки?
  • Как в далеком будущем, когда все воздействие COVID-19 будет смягчено, как аналитические системы должны обрабатывать данные за этот период? Следует ли считать их периодом с длительными выбросами и исключать их или следует как-то обрабатывать данные за этот период, чтобы их можно было использовать в будущем?

Моделирование в зоне неопределенности:

Большинство моделей AI / ML, которые созданы для поддержки принятия решений в устойчивой среде, полагаются на долгую историю данных. В эти беспрецедентные времена история буквально не является индикатором текущего состояния. Еще один потенциальный недостаток моделей устойчивого состояния - их неспособность четко улавливать более свежие тенденции. Чтобы справиться с быстро меняющейся ситуацией, в которой мы сейчас находимся, аналитические модели должны быть достаточно проворными, чтобы улавливать последние тенденции, возникающие на основе данных, и прогнозировать на их основе на ближайшую перспективу. Модели машинного обучения, такие как ансамблевые модели, могут эффективно фиксировать как долгосрочные, так и краткосрочные тенденции в одной модели. Эти модели можно откалибровать, чтобы они лучше реагировали на последние тенденции. Одним из разумных решений в это неопределенное время было бы объединение результатов этих моделей в структуру моделирования для планирования с учетом различных сценариев. Затем можно выбрать «оптимальное» решение на основе сценария, наиболее близкого к событиям, происходящим в реальном времени. В области прогнозирования существует устоявшаяся структура, позволяющая выбрать лучшую модель из множества моделей, которая дает наиболее точные прогнозы для данного сценария. Такая структура может быть расширена для работы с несколькими ключевыми показателями эффективности, побуждая бизнес выбирать сценарий моделирования, наиболее близкий к реальным для реализации бизнесом.

Еще одна радикальная идея, которую следует рассмотреть, - это оглянуться на конкретные события в прошлом, которые могли кардинально повлиять на бизнес. Это могут быть локальные события, такие как ураганы, поразившие рынки Техаса / Луизианы, или глобальные, такие как глобальный финансовый кризис 2008 года, H1N1, SARS и т. Д. Без попытки извлечь прямое значение COVID-19 из этих событий, направленный индикатор клиентов и рыночные сдвиги можно оценить путем анализа данных во время этих событий и сразу после них. Методы нормализации могут помочь извлечь уроки из одного или нескольких таких событий для использования в понимании воздействия, связанного с COVID-19.

Тем не менее, один ключевой момент, о котором следует помнить в отношении вышеупомянутых методов, - это принятие и преемственность бизнес-решений. Поскольку в поведении клиентов уже изобилует неопределенность, лучше избегать неопределенности, исходящей от аналитических моделей. Учитывая, что вышеупомянутые методы с большей вероятностью уловят последние тенденции, они также могут очень быстро переключить рекомендуемые решения. Допуская это, пользователи должны помнить об изменении решений только в том случае, если улучшение ключевых показателей эффективности является достаточно существенным, чтобы оправдать изменение. Цель этого - обеспечить изменение направления только в случае достаточно значительного отклонения от предыдущего решения.

Моделирование в новом устойчивом состоянии:

С учетом того, что мировая экономика так тесно взаимосвязана, и масштабы экономического разрушения от COVID-19 вполне вероятны, что мир после COVID может никогда не стать таким же, как исторические данные. В таком сценарии также важно учитывать, как будут вести себя модели, использующие более крупную историю. Любые аналитические модели должны учитывать некоторые аспекты сочетания краткосрочных моделей с долгосрочными моделями, чтобы гарантировать сохранение исторических закономерностей при учете новых уровней устойчивого состояния. Это смешение может быть в форме байесовской статистики, которая может использовать статистические вариации в данных, чтобы определить, сколько исторических данных по сравнению с новыми недавними данными использовать для целей прогнозирования.

Еще один аспект, который следует учитывать в новом устойчивом состоянии, - это нарушение потребительских настроений и моделей покупок, которые это событие вызвало бы в «зоне неопределенности». В этот период важно отличать покупку от потребления. Например: в большинстве магазинов вытерта туалетная бумага. Но это не обязательно означает повышенное потребление. Такой «стопки» туалетной бумаги, вероятно, хватит на некоторое время в домохозяйствах, что указывает на более низкую частоту покупок в будущем. При планировании производственных мощностей очень важно понимать, как можно учесть такие аномалии.

В более долгосрочной перспективе этот период данных необходимо полностью игнорировать или пометить как аномалию и обработать соответствующим образом. Для предприятий, которые полностью остановились в этот период, может быть легче определить этот период, в то время как тем, кто видит последствия этого, необходимо тщательно оценить, какой период рассматривать как аномалию, имея в виду, что восстановление после этого периода может быть намного дольше, чем когда экономика вернется в нормальное русло. При нормализации данных также необходимо учитывать шаблоны, подобные упомянутому выше примеру с туалетной бумагой.

К сожалению, нарушение, вызванное COVID-19, было неожиданным, и его было бы трудно спланировать. Однако теперь, когда это стало реальностью, компании вынуждены планировать это и восстанавливаться после этого, используя все возможные инструменты, имеющиеся в их распоряжении. Исторически сложилось так, что водоразделные события, такие как COVID-19, служат катализаторами для ускорения глубоких основных тенденций, которые могут не отражаться в данных, но могут не проявляться статистически. Такие мероприятия также стимулировали высочайший уровень инноваций в бизнесе, создавая совершенно новые способы ведения бизнеса. Для предприятий было бы лучше использовать поговорку «Готовься к худшему и надейся на лучшее». Упомянутые выше стратегии и подходы - это лишь некоторые примеры инструментов и методов искусственного интеллекта, которые могут быть использованы при этом. В Kaizen Analytix мы предоставляем решения на основе искусственного интеллекта, которые расширяют процесс принятия решений нашими клиентами, обеспечивая дополнительную ценность для бизнеса. Свяжитесь с нами, если вам нужна помощь или руководство в преодолении текущего кризиса COVID-19.

Об авторах: Шрикант Вадде - директор по науке о данных, Ананд Сринивасан - главный специалист по данным, а Кришна Арангоде - генеральный директор Kaizen Analytix

Пропустили часть 1 или 2? Перейдите по этим ссылкам, чтобы просмотреть первую и вторую статьи этой серии!