Duomenų mokslas nėra mokslo projektas

Pateikė SAS

Remiantis 2018 m. „New Vantage Partners“ atlikta apklausa, 97 % įmonių yra investuoti į didelius duomenis ir dirbtinį intelektą (AI), o pagrindinis daugelio tikslas yra įdiegti pažangias analizės galimybes priimant verslo sprendimus.

Oliveris Schabenbergeris yra SAS vykdomasis viceprezidentas, operacijų vadovas ir technologijų vadovas.

Tačiau bent pusė analitika rezultatai niekada nepatenka į gamybą.

Galutinis tikslas skaitmeninė transformacija per duomenų mokslą yra pagerinti organizaciją. Nesvarbu, ar pagrindinis dėmesys skiriamas pajamų didinimui, sąnaudų mažinimui, našumo didinimui ar naujų verslų steigimui, organizacijos turi ne tik rinkti duomenis.

Analitikos ištekliai ir AI modeliai, sukurti atradimo etape, taip pat nėra galutinis tikslas. Jei nenaudojate šio turto, kad pasiektumėte verslo rezultatus ir nuolat juos valdytumėte, duomenų mokslas negalės išnaudoti savo galimybių.

Oliveris Schabenbergeris, SAS vykdomasis viceprezidentas, operacijų vadovas ir vyriausiasis technologijų pareigūnas, kalba bendrovės 2018 m. „Analytics Experience“ konferencijoje San Diege. Steve'as Muiras / SAS

Nuo ko pradėti duomenų mokslą

Jei planuojate investuoti į duomenų mokslo programą, turėtumėte būti gerokai praėję projekto hipotezės ir duomenų rinkimo etapą. Turite turėti aiškią identifikuotą problemą, kurią esate pasirengę spręsti naudodami analizę, ir turite žinoti, kokius duomenis naudosite šiai problemai išspręsti.

Duomenimis pagrįstų iniciatyvų sėkmei yra daug kliūčių. Pagrindinis iš jų yra sunkumai, su kuriais susiduria daugelis organizacijų vykdydamos analizę: diegdamos, stebėdamos ir valdydamos analizę ir dirbtinį intelektą verslo procesuose.

Kaip galite įveikti šį iššūkį ir perkelti savo idėją nuo mokslo projekto prie tikro duomenų mokslo?

1. Pradėkite nuo mažo projekto, skirto pagrindinei verslo kompetencijai. Įsitikinkite, kad visos šalys susitaria dėl verslo vertės ir projekto techninio pagrįstumo.
2. Pasirinkite projektą, kuris laimės per metus. Sužinokite, kaip atrodo laimėjimas ir kaip jis bus įvertintas.
3. Ieškokite galimybių automatizuoti ir išplėsti analizės naudojimą. Automatizavimas gali padauginti jūsų projekto rezultatus eksponentiškai.

Norėdami iliustruoti šias sąvokas, leiskite aprašyti dvi naujausias duomenų mokslo sėkmės istorijas. Viena iš jų yra sveikatos priežiūros sistema, naudojanti kompiuterinę viziją, padedančią gydyti vėžiu sergančius pacientus. Kita – socialinių paslaugų agentūra, kuri naudoja mašininį mokymąsi, kad apsaugotų pažeidžiamus vaikus. Galiausiai pamatysite, kaip šie projektai išeina iš bandomojo etapo ir bus naudojami siekiant ilgalaikių rezultatų.

Naviko aptikimo automatizavimas medicininiuose vaizduose

Amsterdamo universiteto medicinos centras neseniai pradėjo naudoti kompiuterinį regėjimą ir nuspėjamąją analizę, kad pagerintų vėžiu sergančių pacientų priežiūrą. Jo pradiniame projekte naudojamas objektų aptikimas, siekiant nustatyti ir išmatuoti navikus kepenų CT skenavimuose.

Anksčiau radiologai rankiniu būdu matavo navikų dydį, atlikdami nuskaitymus prieš ir po gydymo. Šis darbas dažnai užtrunka iki trečdalio radiologo darbo dienos, tačiau tai yra kritinis darbas. Jei paciento navikai reaguoja į gydymą, pacientas taip pat yra geras kandidatas į operaciją.

Vadovai tai vertino kaip tobulą bandomąjį projektą, skirtą analitikos ir AI galimybėms išbandyti. Ligoninė sukūrė kompiuterinio matymo modelius, kad per dalį laiko analizuotų medicininius vaizdus. Objektų aptikimas beveik akimirksniu atpažįsta navikus ir naviko dydžius. Be to, modeliai yra objektyvesni ir tikslesni nei radiologai.

Toks analizės naudojimas ne tik leidžia radiologams atlikti daugiau praktinio darbo su pacientais, bet ir išgelbėja gyvybes. Greičiau ir tiksliau randant rezultatus, kompiuterinis matymas gali padėti daugiau pacientų greičiau atlikti gyvybę gelbstinčias operacijas.

Kaip šis projektas nuo mokslo projekto perėjo prie duomenų mokslo rezultatų?

• AI taikomas tikriems pacientų duomenims, kad būtų galima priimti sprendimus dėl pacientų priežiūros.
• Ligoninė pasirinko didelį potencialą turintį projektą, nes dabartinis metodas yra rankinis, reikalaujantis daug laiko ir šiek tiek subjektyvus. Lyderiai aiškiai suprato automatizavimo naudą naudojant objektyvesnį ir tikslesnį metodą.
• Pradinis projekto dydis buvo valdomas, nes dirbtinis intelektas buvo pritaikytas tam, kad padėtų vienam konkrečios rūšies vėžio gydymo aspektui.
• Navikų matavimų automatizavimas yra kartojamas procesas, kuris ir toliau padės sutaupyti laiko ir pagerinti pacientų priežiūrą.
• Šio projekto sėkmę galima pakartoti, siekiant padėti gydyti kitų rūšių vėžį ir skaityti kitų tipų medicininius vaizdus.

Įspėti darbuotojus, kai vaikams gresia pavojus

Naujoji Hanoverio apygarda , Šiaurės Karolina, yra nulis nuo opioidų epidemijos, siaubančios JAV. Dėl to Socialinių paslaugų departamentas pastebėjo nepaprastai daug piktnaudžiavimo ir nepriežiūros atvejų.

Vaikų, globojamų dėl opioidų, skaičius apskrityje nuo 2013 m. padvigubėjo. Dabar opioidai sudaro beveik 30 % DSS intervencijų.

Agentūra žino veiksnius, kurie kelia pavojų vaikui. Tačiau kai jis negali tinkamu metu veikti su atjungtais duomenimis, vaikai gali lengvai iškristi.

Wanda Marino, tuo metu DSS direktoriaus padėjėja, žinojo, kad apskritis gali padaryti geriau. Išgirdusi apie būdą, kaip kovoti su vaikų prievarta naudojant nuspėjamą analizę, ji kreipėsi dėl dotacijos, kad padėtų išbandyti šią technologiją.

Naujoji sistema sujungia skirtingus duomenų šaltinius ir generuoja taisyklėmis pagrįstus įspėjimus, kai padidėja vaiko rizikos lygis. Tai gali būti skambučiai 911 iš namų, šeimos narių areštai, nauji asmenys namuose arba nauji tyrimai. Nepriklausomai nuo šaltinio, vizualiai pateikiant duomenis, bylų darbuotojai gali lengvai pamatyti, kas sukėlė įspėjimą, išsiaiškinti atvejį ir nustatyti, kokių veiksmų gali prireikti.

Greitesnių intervencijų rezultatai apima žalos vaikams sumažinimą ir padidėjusį pastovumo rodiklį – nuolatinius vaiko namus. Marino sako, kad rizikos grupės vaikai yra tikrieji naudos gavėjai. Ši partnerystė buvo didžiulė. Tai vienintelis dalykas, padėjęs mums judėti į priekį ir laiku užkirsti kelią prievartai prieš vaikus, taip pat išgelbėti vaikų gyvybes.

Kaip šis projektas nuo mokslo projekto perėjo prie duomenų mokslo rezultatų?

• Apskritis pasirinko projektą, kuris gali išgelbėti gyvybes ir padidinti bylų darbuotojus.
• Projektas turėjo aiškų tikslą padėti vaikams vietovėje, kurioje ištekliai perkrauti.
• Mašininis mokymasis taikomas keliuose duomenų šaltiniuose, kad būtų lengviau priimti sprendimus dėl vaikų saugumo.
• Įspėjimų automatizavimas bylų darbuotojams yra pasikartojantis procesas, kuris ir toliau sutaupys laiko ir pagerins vaikų gyvenimą.
• Šio projekto sėkmę galima pakartoti ir išplėsti, siekiant padėti kitoms apskritims ir kitiems socialinių paslaugų sistemoje bendraujantiems darbuotojams, pavyzdžiui, teisėjams ir policijos pareigūnams.

Peržengiant mokslo projekto ribas

„Analytics“ nėra mokslo projektas, o ne tik statistikų ir duomenų mokslininkų sritis – nebėra. Šio straipsnio pavyzdžiuose matome, kaip šie principai pasireiškia:

• Įgalinti įžvalgas ir priimti sprendimus remiantis duomenimis.
• Darbai tapo lengvesni ir produktyvesni.
• Didinant prieigą prie analizės, sprendimai priimami patikimiau ir greičiau.
• Galutiniai rezultatai, naudingi pacientams, šeimoms ir bendruomenei.
• Analizė, kuri iš mokslo projektų pereina į operacijas, kad padėtų organizacijai, jos darbuotojams ir žmonėms, kuriems ji tarnauja.

Abiejų šių projektų pirminiai rezultatai leidžia išplėsti analizės naudojimą. Amsterdamo UMC administratoriai mums sako, kad jie tikisi išplėsti objektų aptikimo modelius, kad būtų galima taikyti daugiau vėžio tipų ir pacientų tipų. Šiaurės Karolinoje tai, kas veikia vienoje apskrityje, gali būti išplėsta į kitas grafystes ir gali paskatinti programą visos valstijos.

Kad duomenų mokslas veiktų, turite imtis misijos pašalinti kliūtis, trukdančias kurti ir vartoti analizę. Kaip galite imtis bandomojo projekto ir paversti jį kažkuo didesniu? Kaip panaudoti jau turimus duomenis ir paversti juos teigiamais pokyčiais jūsų organizacijai ir suinteresuotosioms šalims?

Išmokti daugiau apie duomenimis pagrįstos SAS iniciatyvos .

paslėpti