自動化はビジネスにとって不可欠です

自動化は、セクターを超えた企業の大きな持続可能な利点を解き放つための鍵です。

戦略的な自動化アプローチがなければ、ビッグデータは大きなものにはなり得ません。

一方で、私たちは情報が豊富な時期にあり、機器のパフォーマンスから消費者のソーシャルメディアの行動に至るまで、前例のない量のデータがあります（全地球市民の半数以上がソーシャルメディアを利用しています）。 しかし、思慮深い自動化（利用可能なデータを処理、処理、分析するためのマシンとアルゴリズムの使用）がなければ、ビジネスは大きな潜在的な機会を失うことになります。

自動化は、「死んだ」ビッグデータを、価値を高めるために使用できる生きた呼吸するリソースに変換します。 したがって、多くの企業が目指すのは当然のことです 自動化できるものはすべて自動化、あるトップのグーグル幹部が最近言ったように。

ビジネスコンテキストでの自動化について考えるのに役立つように、このテクノロジー主導のアクティビティが価値の創造に役立つXNUMXつの主な方法を紹介します。

自動化が最初に役立つことは 特徴抽出、または大量のデータの干し草の山から重要な情報の針を引っ張る。 あなたの組織が特定の技術と関連する技術に関する情報について特許出願をレビューしなければならないと想像してください。 数百万から数百万の単語で、それぞれが30ページ以上を実行している数千または数万のアプリケーションを見ている可能性があります。 しかし、特許技術が何に依存しているか、発明者の資格や過去の特許など、これらの言葉や特許間の相互関係のごく一部だけが重要です。

このタスクは、ビジネスドメインの多くの場合と同様に、信号対雑音比が非常に小さく、手動で完了するのに数千人の時間を必要とします。これは、コストと時間がかかりすぎるものです。 しかし、機械学習ベースのアルゴリズムをトレーニングして、必要な重要な情報を比較的迅速に探し出し、時間と労力を大幅に節約することができます。 さらに、将来、同じ特許セットまたは関連する特許セットを検索したいが、特許出願人チームの規模など、異なる情報を検索したいとします。 アルゴリズムを簡単に再プログラムまたは再トレーニングして、そのタスクを引き受けることができ、規模の経済と初期投資のより大きな利益を得ることができます。

第二に、自動化は データのチェックとクリーンアップ。 多くの場合、データセットには作業が必要です。 エラーや欠落値、異常、そして時にはバイアスの証拠があります。 たとえば、アルゴリズムが法律違反者の特徴を見つけるように訓練されているが、捕らえられた犯罪者に関するデータのみを使用する場合、捕らえられなかった犯罪者に関するデータが不足しているため、アルゴリズムにバイアスがかかります。これは、ホワイトカラー犯罪の特定の問題です。過少報告される。 繰り返しになりますが、この膨大な量の潜在的な問題をチェックして対処することは、手動で行うには多すぎます。 しかし、自動化により、テストとクリーンアップのためのツールを迅速に展開できるため、価値を生み出しながら時間を節約できます。

第三に、これは大きな問題です。自動化は 分析の駆動エンジン。 昨日の単純な回帰分析は、製品ユーザーの理解、在庫を最適化するための来月の売上予測、または新しい広告キャンペーンの影響の予測など、機械学習を活用した今日のクラスタリングおよびランダムフォレストになりました。 マシンベースの自動化により、標準化された分析プロセスを低コストで定期的に繰り返すことができるだけでなく、人間ができない非線形パターンを見つけることもできます。

たとえば、私の研究室では、アルゴリズム主導の分析を使用して5万を超える特許を調査し、特許出願情報に基づいて画期的な将来のテクノロジーのデビューを予測できるかどうかを確認しました。 発明にスタンドアロンの「奇跡のような」機能またはアイデアがあれば、マシンはアプリケーションデータから将来のヒット特許を特定すると仮定しました。 最終的に、アルゴリズムは将来のヒット特許を高精度で見つけましたが、私たち人間が想像していた方法ではありませんでした。 つまり、アルゴリズムは、スタンドアロン機能に基づいて将来のヒット特許を特定しませんでした。 むしろ、ヒット特許がその一部であるかどうかに基づいて特定されました。 個々の特許だけでは解決できなかった特定の問題を組み合わせて解決できる関連特許の数。

たとえば、超音波技術は、最初に発表されてから数年後に医療に大きな影響を与え、腎臓結石や一部の癌などの身体的状態の非侵襲的イメージングと治療を可能にしました。 しかし、その進歩は、コアテクノロジーを超えた小規模な発明（アプリケーター、静的減少プロセス、超音波テクノロジーとは独立して開発されたが、医療でのアプリケーションの成功に不可欠な特殊な医療パッドとクランプ）なしでは不可能でした。 私たちの自動分析は、健康製品から最新のゴルフボール技術まで​​の5万を超える特許に関連する特許のこれらのクラスターの存在を確実に認識し、これらのクラスターは、それらの特許が明日の将来の支配的な技術になる可能性と相関していました。以前は評価されなかった推論。

私の北西部の同僚 アンドリュー・パパクリストス 同様の分析を採用して、 シカゴの警察の腐敗 少数の「悪いリンゴ」の警官ではなく、悪意を持って行動する接続された警察のネットワークに由来します。 彼の仕事はそのような問題の早期発見を可能にします。

自動化の相互に強化する利点と、それがデータを大きくて持続可能な価値に変換するのにどのように役立つかを明確にしたことを願っています。 実際、データが多ければ多いほど、自動化が必要になります。 強力な自動化機能があれば、さらに多くのデータを収集して利用でき、サイクルが続きます。

結論：自動化はますます重要な機能であり、ビジネスの短期的および長期的なパフォーマンスにとって極めて重要な場合があります。 しかし、それがどのように価値を推進するかを理解し、あなたの会社とそれが運営されている幅広いコミュニティの利益のために、その非常に現実的な欠点を軽減するための措置を講じることが重要です。

この記事の第XNUMX部では、自動化のXNUMXつの主な欠点（説明性、透明性、コスト）と、これらに対処する方法について説明します。