7 راه برای استفاده از هوش مصنوعی اکنون برای تأثیرگذاری بر مدیریت ریسک و جلوگیری از غرق شدن در داده ها

بیش از 90 درصد از داده های جهان فقط در دو سال گذشته تولید شده است. و انباشت داده های جدید تنها با ظهور منابع جدید هر روز به سرعت ادامه می یابد. در سال 2016، اینترنت اشیا روزانه 5. 5 میلیون دستگاه جدید را به هم متصل می کرد و طبق گفته گارتنر، تعداد کل دستگاه های اینترنت اشیا تا سال 2020 به 20. 8 میلیارد خواهد رسید. این تقریباً معادل 2. 5 دستگاه برای هر نفر در کره زمین خواهد بود.

برای مدیران ریسک، اطلاعات تولید شده توسط اینترنت اشیا فقط به داده های خاص شرکت مانند تعداد کارمندان، درآمد، ارزش دارایی، تعداد وسایل نقلیه، فراوانی ادعا، شدت ادعا و جغرافیا اضافه می شود. به منابع شخص ثالث مانند آب و هوا، سرشماری، و داده های صنعت اشاره نمی شود.

با این حال، بسیاری از بینش های بالقوه ای که از این داده ها به دست می آیند، برای مدیران ریسک که به سادگی نمی دانند کجا وارد شوند یا چگونه شروع به پردازش کنند، دور از دسترس باقی می ماند. با این حال، خبر خوبی وجود دارد: در حال حاضر راه حل های تحلیلی با بهره گیری از هوش مصنوعی در دسترس هستند که پذیرش مدیریت ریسک مبتنی بر داده را از طریق نرم افزار تجزیه و تحلیل مدیریت ریسک تا حد زیادی ساده و تسریع می کنند. مدیران ریسک تقریباً بلافاصله از اتخاذ این رویکردهای جدید برای به حداکثر رساندن اثربخشی آنها سود می برند.

«حجم انبوهی از داده هایی که باید از طریق آن به گردش درآیند، بسیار زیاد است. سفر اکتشافی خود را از کجا شروع می کنید؟»کریستی مک فارلین، نایب رئیس، تجزیه و تحلیل، فناوری ونتیو پرسید."یافتن نقطه شروع یکی از بزرگترین چالش های تحلیل داده ها برای مدیران ریسک است."

بخش های مدیریت ریسک در حال حاضر برای مقابله با مواجهه های به سرعت در حال تحول تحت فشار هستند و اغلب با مشکلاتی مواجه هستند.

ارائه داده ها به رهبری ارشد به منظور جذب برنامه های جدید. با این حال، یافتن راه هایی برای مقابله با حجم عظیمی از داده ها، مزایای بزرگی دارد. برنامه های مدیریت ریسک مبتنی بر داده، بینش های مهم تجاری مانند اطلاع رسانی برای خارج کردن افراد و دارایی ها از خطر، کاهش فراوانی و شدت ادعا را به مدیران ریسک ارائه می دهند.

هوش مصنوعی می تواند حجم عظیمی از داده ها را در دسترس همه افراد تیم مدیریت ریسک قرار دهد و به آن ها کمک می کند نه تنها با منابع کمتر به نتایج بهتری دست یابند، بلکه توصیه های قوی تری به C-suite ارائه می دهند - توصیه هایی که توسط یافته های مبتنی بر داده پشتیبانی می شوند.

"ابزارهای تحلیلی پیشرفته با استفاده از داده های دموکراتیک AI. این امر امکان دسترسی کاربران به داده های سراسر سازمان را فراهم می کند و به آنها این امکان را می دهد تا از این داده ها برای تصمیم گیری بهبود یافته استفاده کنند. "

در اینجا هفت دلیل وجود دارد که مدیران ریسک باید زودتر از موعد اطلاعات مصنوعی را در سازمان های خود اجرا کنند:

1. AI نقطه شروع اکتشاف داده ها را مشخص می کند.

یک بستر هوش مصنوعی تمام داده های موجود را در بر می گیرد و مکان های شروع را برای شروع سفر اکتشاف داده خود توصیه می کند.

پلت فرم AI روابط را نشان می دهد و ارتباطات بین نقاط مختلف داده را به نمایش می گذارد. شما ممکن است لزوماً نتوانید این همبستگی ها را به تنهایی تجسم کنید. مک فارلین گفت:

پس از مشخص شدن نقطه شروع ، مدیران ریسک می توانند تجزیه و تحلیل راننده کلیدی را انجام دهند ، که با دقت بیشتری به یک رابطه خاص برای یافتن بینش های اضافی مربوط به متغیرهایی که در آن نتیجه می روند ، پیدا می کنند.

2. اتوماسیون تعصب تأیید را از بین می برد.

تجزیه و تحلیل داده های تاریخی به طور کلی شامل پرسیدن یک سؤال خاص و دریافت پاسخی است که یا فرضیه را تأیید یا نفی می کند ، و به طور طبیعی تعصب تأیید را در معادله معرفی می کند.

"این یک خطای بسیار رایج در تجزیه و تحلیل داده ها است. این می تواند نتایج شما را ابراز کند و همچنین پتانسیل کشف بینش های جدید را مسدود کند. "اگر ظن مدیر ریسک تأیید شود ، او می تواند این اطلاعات را بدون هیچ گونه تحقیق بیشتر از آن به دست آورد. با این حال ، هنگامی که پاسخ های برگشتی به صورت الگوها و اتصالات-به جای اینکه یک بله یا خیر قطعی باشد-به طور طبیعی سوالات پیگیری را تقویت می کند.

مک فارلین گفت: "تجزیه و تحلیل AI-محور یک فرایند تکراری است.""هوش مصنوعی به جای پاسخ دادن به سؤالات خاص ، در داده های مربوط به هدف شما ارتباطاتی پیدا می کند. به این ترتیب ، تعصب ذاتی را به روشی که یک سؤال بیان می شود ، از بین می برد ، تحقیقات بیشتری را مطرح می کند ، و می تواند بینش های دیگری را هدایت کند. "

3. نمایش داده های مکالمه ای ، به زبان طبیعی باعث می شود تجزیه و تحلیل داده ها برای هر کسی در دسترس باشد.

روش دیگر AI امکان فرآیند تکراری را از طریق نمایش داده شدگان با استفاده از زبان طبیعی مکالمه و طبیعی انجام می دهد. درست مثل اینکه شما یک سؤال را در Google تایپ کنید یا با Siri Conver را وارد کنید ، کاربر می تواند سؤالات ساده و زبان را بپرسد ، که دستیار هوش مصنوعی در قسمتهای ورودی ترجمه می کند. نیازی به مهارت فنی نیست.

وی گفت: "توانایی انجام پرس و جو با استفاده از زبان مکالمه ، تنوع مهارت در یک سازمان را به خود اختصاص می دهد. مک فارلین گفت: همه افراد کد را نمی دانند و همه مجبور نیستند."شما فقط می توانید یک سؤال بپرسید ، و دستیار هوش مصنوعی تجسم خودکار داده ها را تولید می کند."

به گفته مک فارلین ، به طور کلی ، 60 درصد از افراد در یک سازمان مصرف کننده داده ها ، 30 درصد کاوشگر داده ها ، 8 درصد تحلیلگران داده و تنها 2 درصد دانشمندان داده های مناسب هستند.

مک فارلین گفت: "این ابزارها 98 درصد را به اندازه 2 درصد توانمند می کنند."

4- تجسم خودکار اتصالات داده را در یک زمینه ملموس تر قرار می دهد.

درست مانند دستیار هوش مصنوعی به زبان دیجیتال به زبان دیجیتال تبدیل می شود ، همچنین با ایجاد نمایشگرهای بصری از اتصالات داده ، به راحتی قابل هضم است.

به عنوان مثال ، اگر کاربر می خواست از تجزیه و تحلیل کل مطالبات پرداخت شده خود مطلع شود ، دستیار هوش مصنوعی می تواند ارتباطات خود را با مکان های جغرافیایی یا حوزه های قضایی مشخص کند و "نقشه گرما" را برگرداند که نشان می دهد نقاط مهم در یک منطقه تعیین شده است. همچنین می تواند داده های شخص ثالث را بر روی آن نقشه مانند میانگین ملی یا معیار صنعت پوشانده باشد. از طرف دیگر ، این ممکن است یک کلمه ابر یا نمودار پراکندگی ایجاد کند تا ارتباط بین رانندگان مختلف ادعایی را نشان دهد.

مک فارلین گفت: "دستیار هوش مصنوعی تصمیم خواهد گرفت که چگونه بهترین روابط را بر اساس داده های کشیده شده در این سوال نشان دهد."

5- تشخیص الگوی برجسته رانندگان ادعای قبلاً کشف نشده.

قدرت هوش مصنوعی ممکن است خود را در توانایی خود در یافتن الگوهای بین مجموعه های متفاوت داده هایی که معمولاً بدون توجه به آن می روند ، نشان دهد.

با اجرای داده ها از طریق یک درخت تصمیم ، یک بستر AI می تواند داده ها را با ویژگی های مشترک تقسیم و طبقه بندی کند. تقسیم بندی ممکن است روش دیگری برای شناسایی عوامل محرک هدف شما - خواه این فرکانس یا شدت باشد - و ارزش پیش بینی کننده ای را ارائه دهد.

به عنوان مثال ، اگر متریک مورد نظر مطالبات کاملی از کارگران باشد ، به عنوان مثال ، این پلتفرم شناسایی زیر مجموعه های مختلف داده ها مانند وضعیت صلاحیت ، مدت زمان کارمند را در کار یا قسمت بدن آسیب دیده شروع می کند. تجزیه و تحلیل بیشتر برای هر گروه بخش تولید می شود که امکان طبقه بندی خودکار با ارزش ادعا را فراهم می کند. "

"به عبارت دیگر ، این ویژگی های ادعاهای ارزشمند در طبقه های مختلف را به هم می پیوندد و به شما کمک می کند تا شدت احتمالی ادعای بعدی را که دارای این خصوصیات است پیش بینی کنید."

6. هوش مصنوعی به ساختن داده ها به روایتی کمک می کند که رهبری می تواند آن را درک کند.

هدف نهایی شناسایی محرک های فرکانس یا شدت کاهش آنهاست که اغلب نیاز به سرمایه گذاری در ابتکارات هدفمند مدیریت ریسک دارد. برای به دست آوردن این سرمایه گذاری ، مدیران ریسک باید بتوانند داستانی را بیان کنند. ارائه مدیران ارشد یا هیئت مدیره با آمار و نمودارهای بی پایان به اندازه ارائه روایتی مؤثر نیست.

تجزیه و تحلیل پیشرفته نیز می تواند به آن کمک کند.

وی گفت: "شما تمام این داده ها را دارید و این اکتشاف را برای یافتن بینش های کلیدی انجام می دهید ، اما آیا به طور موثری آن نتایج را برقرار می کنید؟این مواردی است که می خواهید روی آن عمل کنید و آن را در یک داستان قرار دهید و روایتی را ایجاد کنید که بقیه سازمان شما بتوانند با آن ارتباط برقرار کنند. "

یک پلت فرم پیشرفته تحلیلی می تواند بینش را در یک صفحه داستانی انیمیشن ، بینندگان پیاده روی از طریق داده ها و معنی آن برای تجربه ادعاهای یک شرکت ارائه دهد.

7. سیستم های مقیاس پذیر می توانند با رشد نمایی داده ها سازگار شوند.

پیش بینی می شود که حجم داده ها در دو سال آینده با ضریب 10 رشد کند. داشتن یک ساختار قادر به رشد با آن برای موفقیت یک برنامه تجزیه و تحلیل داده بسیار مهم خواهد بود.

"مقیاس پذیری مهم است. با دسترسی به مجموعه داده ها ، یک سازمان به صورت تصاعدی رشد می کند ، سیستم شما باید بتواند تمام آن را مصرف کند و عملکرد خود را در سطح بالایی ادامه دهد. "

سیستم عامل های یادگیری AI و Machine به گونه ای طراحی شده اند که به عنوان جریان های جدید اطلاعات از طریق آنها سازگار می شوند.

داده ها و تجزیه و تحلیل ها همواره برای بیمه و مدیریت ریسک یکپارچه بوده اند اما به طور سنتی در دست متخصصان اختصاصی باقی مانده اند. استفاده از هوش مصنوعی همان چیزی است که مدیران ریسک نیاز به تولید سریعتر و در فرمی دارند که عملیاتی کردن آن آسان تر است.

سیستم عامل های نرم افزاری تجزیه و تحلیل ریسک Ventiv به گونه ای طراحی شده اند که تجزیه و تحلیل داده ها را در دست مدیر ریسک قرار دهند. سیستم عامل های ساده آن ، تجزیه و تحلیل داده ها و عملکردهای گزارش را به صورت یکپارچه ترکیب می کنند و ارائه اطلاعات به رهبران شرکت در زمان کمتری و با منابع کمتری را آسان تر می کند.