Nauka o danych nie jest projektem naukowym

Dostarczone przez SAS

Według badania przeprowadzonego w 2018 r. przez New Vantage Partners, 97% firm jest inwestowanie w big data i sztuczną inteligencję (AI), a głównym celem większości jest wdrożenie zaawansowanych funkcji analitycznych do podejmowania decyzji biznesowych.

Oliver Schabenberger jest wiceprezesem wykonawczym, dyrektorem ds. operacyjnych i dyrektorem ds. technologii w SAS.

Jednak co najmniej połowa analityka wyniki nigdy nie trafiają do produkcji.

Ostateczny cel transformacja cyfrowa poprzez naukę o danych jest poprawa organizacji. Niezależnie od tego, czy nacisk kładziony jest na zwiększanie przychodów, obniżanie kosztów, zwiększanie produktywności czy uruchamianie nowych firm, organizacje muszą wyjść poza zbieranie danych.

Zasoby analityczne i modele AI stworzone w fazie odkrywania również nie są celem końcowym. Jeśli nie zoperacjonalizujesz tych zasobów, wprowadzając je do działania w celu uzyskania wyników biznesowych i ciągłego zarządzania nimi, nauka o danych nie może wykorzystać swojego potencjału.

Oliver Schabenberger, wiceprezes wykonawczy, dyrektor ds. operacyjnych i dyrektor ds. technologii w SAS, przemawia na konferencji 2018 Analytics Experience w San Diego. Steve Muir/SAS

Od czego zacząć od nauki o danych

Jeśli planujesz zainwestować w program nauki o danych, powinieneś mieć już za sobą fazę hipotezy i zbierania danych w projekcie. Musisz mieć jasno określony problem, z którym możesz się zmierzyć za pomocą analityki, i musisz wiedzieć, jakich danych użyjesz do rozwiązania tego problemu.

Istnieje wiele przeszkód utrudniających powodzenie inicjatyw opartych na danych. Najważniejszym z nich jest trudność, z jaką spotyka się wiele organizacji w operacjonalizacji analityki: wdrażanie, monitorowanie i zarządzanie analityką i sztuczną inteligencją w procesach biznesowych.

Jak możesz przezwyciężyć to wyzwanie i przenieść swój pomysł z projektu naukowego do prawdziwej nauki o danych?

1. Zacznij od małego projektu, który dotyczy kluczowych kompetencji firmy. Upewnij się, że wszystkie strony zgadzają się co do wartości biznesowej i technicznej wykonalności projektu.
2. Wybierz projekt, który zaoferuje wygraną w ciągu roku. Wiedz, wchodząc w projekt, jak wygląda wygrana i jak będzie mierzona.
3. Szukaj możliwości automatyzacji i rozszerzenia wykorzystania analityki. Automatyzacja może wykładniczo pomnożyć wyniki Twojego projektu.

Aby zilustrować te koncepcje, opiszę dwie niedawne historie sukcesu w dziedzinie nauki o danych. Jednym z nich jest system opieki zdrowotnej wykorzystujący widzenie komputerowe do pomocy w leczeniu pacjentów z rakiem. Druga to agencja pomocy społecznej wykorzystująca uczenie maszynowe do ochrony dzieci narażonych na zagrożenia. Na koniec zobaczysz, jak te projekty wychodzą z fazy pilotażowej, aby zostać wdrożone w celu uzyskania długoterminowych rezultatów.

Automatyzacja wykrywania guza na obrazach medycznych

Centrum Medyczne Uniwersytetu w Amsterdamie niedawno zaczął używać wizji komputerowej i analiz predykcyjnych w celu poprawy opieki nad pacjentami z rakiem. Jego początkowy projekt wykorzystuje wykrywanie obiektów do identyfikacji i pomiaru guzów w skanach wątrobowych tomografii komputerowej.

Wcześniej radiolodzy mierzyli wielkość guzów ręcznie na skanach przed i po leczeniu. Ta praca często zajmuje nawet jedną trzecią dnia pracy radiologa, ale jest to praca krytyczna. Jeśli guzy pacjenta reagują na leczenie, czyni to również pacjenta dobrym kandydatem do operacji.

Liderzy uznali to za doskonały projekt pilotażowy do testowania możliwości analityki i sztucznej inteligencji. Szpital zbudował komputerowe modele wizyjne do analizy obrazów medycznych w ułamku czasu. Wykrywanie obiektów rozpoznaje guzy i rozmiary guzów niemal natychmiast. Ponadto modele są bardziej obiektywne i dokładniejsze niż radiolodzy.

Takie wykorzystanie analiz nie tylko uwalnia radiologów do bardziej praktycznej pracy z pacjentami, ale także ratuje życie. Dzięki szybszemu i dokładniejszemu znajdowaniu wyników, widzenie komputerowe może pomóc w szybszym skierowaniu większej liczby pacjentów na operacje ratujące życie.

Jak ten projekt przeszedł od projektu naukowego do wyników analizy danych?

• Sztuczna inteligencja jest stosowana do prawdziwych danych pacjentów w celu podejmowania decyzji dotyczących opieki nad pacjentem.
• Szpital wybrał projekt o dużym potencjale, ponieważ obecna metoda jest ręczna, czasochłonna i nieco subiektywna. Liderzy wyraźnie zrozumieli korzyści płynące z automatyzacji przy użyciu bardziej obiektywnej i dokładnej metody.
• Początkowy rozmiar projektu był możliwy do opanowania, ponieważ sztuczna inteligencja została zastosowana, aby pomóc w jednym aspekcie leczenia jednego konkretnego typu raka.
• Automatyzacja pomiarów guzów to powtarzalny proces, który będzie nadal oszczędzał czas i poprawiał opiekę nad pacjentem.
• Sukces tego projektu można powtórzyć, aby pomóc w leczeniu innych rodzajów nowotworów i czytać inne rodzaje obrazów medycznych.

Ostrzeganie opiekunów, gdy dzieci są zagrożone

Nowy Hrabstwo Hanower , Karolina Północna, jest punktem zerowym epidemii opioidów, która pustoszy Stany Zjednoczone. W rezultacie Departament Opieki Społecznej odnotował lawinę przypadków nadużyć i zaniedbań.

Liczba dzieci zatrzymanych z powodu opioidów podwoiła się w hrabstwie od 2013 r. Opioidy stanowią obecnie prawie 30% interwencji DSS.

Agencja zna czynniki, które narażają dziecko na ryzyko. Ale kiedy nie może działać na odłączonych danych we właściwym czasie, dzieci mogą łatwo wpaść w szczeliny.

Wanda Marino, ówczesna zastępczyni dyrektora DSS, wiedziała, że ​​hrabstwo może radzić sobie lepiej. Kiedy usłyszała o sposobie przeciwdziałania krzywdzeniu dzieci za pomocą analiz predykcyjnych, złożyła wniosek o dofinansowanie, aby pomóc w pilotażu tej technologii.

Nowy system łączy różne źródła danych i generuje oparte na regułach alerty, gdy poziom ryzyka dziecka wzrasta. Może to być 911 telefonów z domu, aresztowania członków rodziny, nowe osoby w domu lub nowe śledztwa. Niezależnie od źródła, wizualna prezentacja danych ułatwia osobom prowadzącym sprawę sprawdzenie, co wywołało alert, zagłębienie się w sprawę w celu uzyskania szczegółowych informacji i określenie, jakie interwencje mogą być konieczne.

Wyniki szybszych interwencji obejmują zmniejszenie krzywdy dzieci i zwiększenie wskaźników stałości – stałego domu dla dziecka. Marino mówi, że zagrożone dzieci są prawdziwymi beneficjentami. To partnerstwo było monumentalne. To była jedyna rzecz, która pomogła nam iść naprzód i zapobiegać krzywdzeniu dzieci w odpowiednim czasie, a także ratować życie dzieci.

Jak ten projekt przeszedł od projektu naukowego do wyników analizy danych?

• Hrabstwo wybrało projekt, który może uratować życie i sprawić, że pracownicy opieki społecznej będą bardziej wydajni.
• Projekt miał jasny cel, aby pomóc dzieciom na obszarze o przeciążonych zasobach.
• Uczenie maszynowe jest stosowane do wielu źródeł danych, aby pomóc w podejmowaniu decyzji dotyczących bezpieczeństwa dzieci.
• Automatyzacja powiadomień dla pracowników opieki społecznej to powtarzalny proces, który będzie nadal oszczędzać czas i poprawiać życie dzieci.
• Sukces tego projektu można powtórzyć i rozszerzyć, aby pomóc innym powiatom i innym pracownikom współdziałającym w ramach systemu usług społecznych, takim jak sędziowie i funkcjonariusze policji.

Wyjście poza projekt naukowy

Analityka nie jest projektem naukowym i nie jest domeną tylko statystyków i naukowców zajmujących się danymi — już nie. To, co widzimy w przykładach w tym artykule, to sposób, w jaki przejawiają się te zasady:

• Umożliwienie wglądu i podejmowania decyzji na podstawie danych.
• Praca łatwiejsza i bardziej produktywna.
• Decyzje podejmowane bardziej wiarygodnie i szybciej dzięki zwiększeniu dostępu do analiz.
• Wyniki końcowe, które przynoszą korzyści pacjentom, rodzinom i społeczności.
• Analityka, która przenosi się z projektów naukowych do operacji, aby pomóc organizacji, jej pracownikom i ludziom, którym służy.

W przypadku obu tych projektów wstępne wyniki prowadzą do szerszego wykorzystania analityki. W Amsterdam UMC administratorzy mówią nam, że mają nadzieję rozszerzyć modele wykrywania obiektów o więcej rodzajów raka i więcej typów pacjentów. W Północnej Karolinie to, co działa w jednym hrabstwie, może zostać rozszerzone na inne hrabstwa — i może prowadzić do ogólnostanowego programu.

Aby nauka o danych działała, powinieneś podjąć misję usuwania barier w tworzeniu i wykorzystywaniu analiz. Jak możesz wziąć projekt pilotażowy i przekształcić go w coś większego? Jak możesz wykorzystać dane, które już posiadasz, i przekształcić je w pozytywną zmianę dla swojej organizacji i interesariuszy?

Dowiedz się więcej o inicjatywy oparte na danych w SAS .

ukryć