Co to jest uczenie maszynowe

Przedsiębiorstwa od wielu lat z powodzeniem wykorzystują systemy klasy ERP i rozwiązania analityczne do wspierania procesów. Analiza danych historycznych czy prognozowanie na ich podstawie nie są niczym nowym. Wraz z rozwojem nowych możliwości technologicznych, a także dostępności coraz większych ilości danych, wzrosło także w firmach zapotrzebowanie na pogłębienie i rozszerzenie zakresu korzystania z nich. Jednym ze sposób na pogłębioną analizę zróżnicowanych danych jest wykorzystanie algorytmów uczenia maszynowego.

Uczenie maszynowe jest relatywnie nową koncepcją, przeżywającą obecnie dynamiczny rozwój, co wynika z możliwości, jakie dają nowoczesna technologia oraz upowszechnienie się chmury obliczeniowej.

Podstawowym założeniem, na którym bazuje wykorzystanie uczenia maszynowego w przedsiębiorstwach, jest dostęp do dużej ilości, często niezbyt uporządkowanych danych, o nie zawsze znanych wzajemnych powiązaniach. W procesie trenowania modelu następuje analiza dostępnych danych w celu automatycznego zidentyfikowania istniejących powiązań, które są następnie wykorzystywane w podczas korzystania z już wytrenowanego modelu. Modele uczenia maszynowego wykorzystuje się dzisiaj w bardzo wielu zastosowaniach, od analizy obrazu czy dźwięku, przez chatboty i przetwarzanie tekstu, po przewidywanie przyszłych zdarzeń.

Jak uczenie maszynowe może wspierać biznes

Uczenie maszynowe przeżywa obecnie dynamiczny wzrost zastosowania w wielu obszarach. W przypadku zastosowań biznesowych można zidentyfikować cztery typowe sposoby wykorzystania:

Predykcja

(Prediction)

Automatyzacja

(Automation)

Wzbogacanie

(Augmentation)

Identyfikacja wzorców

(Pattern Recognition)

Przewidywanie przyszłych sytuacji na podstawie zidentyfikowanych wzorców i powiązań z przeszłości.

Zastępowanie kroków procesów biznesowych przez przetwarzanie automatyczne.

Wspieranie podejmowania decyzji przez propozycję zestawów danych/akcji na podstawie aktualnego kontekstu.

Wskazywanie ukrytych wzorców w dostępnych danych oraz klasyfikacja rozpoznanych powiązań.

Wykorzystanie algorytmów uczenia maszynowego w każdym z powyższych obszarów może dawać realne korzyści biznesowe. Z tego względu coraz więcej przedsiębiorstw decyduje się na wdrożenie innowacji bazujących na tych algorytmach.

Czym są analizy predykcyjne

Analizy predykcyjne są jednym z przykładów zastosowania uczenia maszynowego. W ogromnym uproszczeniu można je postrzegać jako zaawansowane narzędzia analityczne, których celem jest zastąpienie tradycyjnej prognozy (forecasting), bazującej na ograniczonym zakresie danych numerycznych i z góry zdefiniowanych kalkulacjach, przez zautomatyzowaną analizę praktycznie nieograniczonej liczby różnego rodzaju danych w celu zidentyfikowania występujących między nimi powiązań, a następnie przewidywanie przyszłych zdarzeń na ich podstawie.

Przykładowo przewidywanie popytu może wyglądać następująco:

Prognozowanie	Analiza predykcyjna
Bazuje na danych historycznych sprzedaży.	W procesie uczenia modelu przetwarzanych jest dużo zróżnicowanych danych historycznych (mogą być zarówno liczbowe, jak i jakościowe) w celu identyfikacji wzajemnych powiązań.
Przewiduje przyszłość poprzez mechanizmy trendu/sezonowości, które należy uprzednio zdefiniować.	Pozwala na przewidywanie przyszłości i symulacje, w tym skutków różnych działań (np. zmian cen) poprzez wykorzystanie wytrenowanego modelu.

Analizy predykcyjne nie wymagają wcześniejszej wiedzy, które z czynników zawartych w posiadanych zbiorach danych faktycznie wpływają na wyniki i w jakim stopniu. Identyfikacja tych powiązań odbywa się automatycznie w procesie trenowania modelu.

Wykorzystanie analiz predykcyjnych w biznesie pozwala na znaczące usprawnienie wielu procesów. Zamiast prognozowania ograniczonego do prostej ekstrapolacji danych historycznych możliwe stają się zaawansowane procesy bazujące na przewidywaniu pewnych zdarzeń zależnie od wielu zróżnicowanych czynników. Na rynku dostępnych jest coraz więcej rozwiązań, które pozwalają wykorzystać moc uczenia maszynowego w wielu scenariuszach biznesowych. Są to zarówno dedykowane usługi czy systemy bazujące na uczeniu maszynowym, jak i rozwiązania wbudowane w podstawowe systemy do zarządzania przedsiębiorstwem.

Gotowe scenariusze w rozwiązaniach SAP

Rozwiązania SAP oferują szereg możliwości korzystania z uczenia maszynowego. Zależnie od charakteru zadań, stopnia zaawansowania algorytmów oraz wielkości przetwarzanego wolumenu danych, wyróżnić można następujące narzędzia:

Narzędzie

Charakterystyka

Rozwiązanie SAP

Uczenie głębokie

(deep learning)

Zadania o dużym zapotrzebowaniu na moc przetwarzania i dane, jak np. analiza obrazu czy mowy

SAP Business Technology Platform

Analizy predykcyjne

(predictive analytics)

Zadania o mniejszym zapotrzebowaniu na moc przetwarzania i dane

SAP S/4HANA

SAP Analytics Cloud

Warto szczególnie zwrócić uwagę na rozwiązania z obszaru analiz predykcyjnych, gdyż SAP oferuje swoim użytkownikom szereg gotowych scenariuszy, natychmiast dostępnych do wykorzystania. Wszystkie scenariusze są udokumentowane, można je znaleźć, wraz z instrukcją konfiguracji i korzystania, w SAP Best Practices Explorer dostępnym pod adresem rapid.sap.com. Gotowe, wbudowane w SAP S/4HANA scenariusze analiz predykcyjnych (w terminologii SAP tzw. Intelligent Scenarios) pozwalają na przykład:

Scenariusz	Zastosowanie
Quotation Conversion Rates	Optymalizacja procesu ofertowania przez przewidywanie, czy klient zaakceptuje ofertę.
Predicted Delivery Delay	Przewidywanie opóźnień w realizacji dostaw.
Predictive MRP	Symulacja różnych sytuacji biznesowych i ich wpływu na przewidywane zapotrzebowanie na materiały.
Demand-driven Replenishment	Optymalizacja zapasów poprzez analizę zapotrzebowań klientów.
Stock in Transit	Przewidywanie problemów w procesach przesunięć produktów między lokalizacjami.
Contract Consumption	Przewidywanie wykorzystania pełnej ilości kontraktu zakupowego.
Predictive Maintenance	Przewidywanie konieczności prac remontowych dla urządzeń/wyposażenia

Powyższa lista nie jest kompletna, gotowych scenariuszy jest znacznie więcej, i każda kolejna wersja systemu zawiera nowe możliwości. W przypadku każdego z nich zakres danych wykorzystywanych do trenowania modelu oraz późniejszej predykcji jest bardzo szeroki i znacząco wykracza poza dane ściśle związane z danym zagadnieniem, co jest możliwe dzięki temu, że SAP S/4HANA zawiera ogromną ilość danych z wielu obszarów funkcjonowania firmy.

System SAP S/4HANA zawiera także wbudowany mechanizm wspierający budowę własnych scenariuszy predykcyjnych oraz zarządzania ich cyklem życia (od budowy i trenowania modelu po produktywne wykorzystanie). Jest on zintegrowany z pozostałymi elementami wbudowanego systemu analitycznego (Embedded Analytics) i pozwala na wykonanie kolejnego kroku na drodze do efektywnego wykorzystania zgromadzonych w SAP S/4HANA danych.

Dalsze możliwości daje SAP Analytics Cloud (SAC), w którym dla użytkowników biznesowych dostępne są modele wchodzące w skład SAC Predictive Scenarios. Jest to zestaw algorytmów pozwalających na samodzielne wykonywanie analiz na bazie zgromadzonych danych z dowolnych obszarów, np.:

Klasyfikację interesujących nas obserwacji (np. przewidywanie odejścia pracowników, pozyskania/utraty klienta);
Modelowanie przewidywanej wartości na podstawie dostępnych informacji ilościowych i jakościowych (np. wpływ zmian cen/promocji na sprzedaż);
Modelowanie przyszłych wartości na podstawie historycznej trajektorii oraz wpływu innych czynników (np. przewidywanie prognozy sprzedaży na podstawie danych historycznych i przewidywanych danych makroekonomicznych).

SAC Predictive Scenarios oferuje szerokie możliwości dostosowania analizy do potrzeb, oraz szczegółowe objaśnienia wyników zwracanych przez model – jednocześnie do korzystania z funkcjonalności nie są wymagane zaawansowane kompetencje Machine Learning / Data Science.

Wyniki zwracane przez SAC Predictive Scenarios mogą być dalej wykorzystywane w platformie SAC Analytics Cloud, zarówno w raportach, jak i funkcjonalnościach planowania – odpowiednio dla technicznej i biznesowej specyfiki danych.